一、MATLAB在动物科学实验数据处理中的应用（论文文献综述）
姜晓佳[1]（2020）在《基于形态检验的毛发物证显微图像自动识别方法研究》文中研究表明毛发作为犯罪现场常见物证之一,对犯罪现场重建分析、侦查方向确定、犯罪嫌疑人排除或轨迹追踪有重要意义。目前,毛发物证的形态学检验主要利用显微镜进行微观形态的人工比对与分类鉴别,方法成熟但自动化程度低,易产生主观误差。本文针对毛发物证提出一种基于卷积神经网络的毛发显微图像分类方法,通过自建网络对毛发显微图像进行形态特征提取与训练,实现毛发图像自动分类,提升物证检验智能化水平。本文使用搭载LAS X软件的Leica DVM6数码显微镜,对实验制作的不同种类毛发样本切片进行显微图像采集与滑动窗口裁剪、灰度转换、数据增强等图像处理。建立人类毛发显微图像实验数据集,含5类毛发样本,每类6000张,共30000张显微图像;建立人与动物毛发显微图像实验数据集,含10类毛发样本,每类30000张,共300000张显微图像。针对数据集特点,设计搭建新的卷积神经网络Hair-Net,对人类毛发显微图像数据集进行样本训练与测试,不断调整参数、优化结构以获得最佳模型;再利用改进网络对人与动物毛发显微图像数据集进行样本训练与测试,与经典网络LeNet与AlexNet进行性能对比,引入多种网络优化手段提升网络性能,得到该数据集最佳分类模型。最后通过技术盲测检验自建的两级自动分类模式与最优模型的实战应用效果。实验研究表明:1、设计搭建的卷积神经网络Hair-Net在人类毛发显微图像数据集上的分类效果良好。经学习率、迭代次数、批尺寸等参数调整,再行优化输入层、引入Leaky ReLU激活函数及批正则化,最佳模型Hair-Net-Human的分类精度达96.93%,且泛化能力良好;2、Hair-Net改进模型在人与动物毛发显微图像数据集的分类效果优于经典网络LeNet、AlexNet,利用Inception结构轻量化网络的同时,引入Center-loss中心损失函数与原有Softmax-loss函数进行联合监督,显着提升网络性能与鲁棒性,最佳模型Hair-Net-Animal分类精度达95.24%;3、设计模拟现场进行毛发物证提取与图像采集,按照本文建立的现场毛发物证显微图像的两级自动分类模式,将检材图像分步输入人与动物毛发显微图像分类模型Hair-Net-Animal、人类毛发显微图像分类模型Hair-Net-Human进行分类检测,总体精度均在80%以上,验证了本文方法的实战应用性。本文打破了毛发物证的传统肉眼分类鉴别方法,创新性地结合深度学习并自行设计搭建了新的卷积神经网络Hair-Net,在自建的毛发显微图像数据集上取得了良好的分类效果,建立了现场毛发物证显微图像的两级自动分类模式,利用模拟测试验证了本文方法在毛发物证采集后可实现快速自动分类,有效减少人工鉴别的主观误差,为毛发形态学检验提供了一种新的自动分类鉴别方法。
王萍[2]（2020）在《视网膜内源性光学信号探测系统与数据处理方法的研究》文中提出视网膜内源性光学信号的检测技术对于探究视网膜神经机制具有重要意义,现已成为视网膜疾病诊断和评估治疗结果的有力工具。内源光学信号成像是一种具有高分辨本领和无损伤性接触的光学探测方法,为进行视网膜神经活动的高分辨率成像提供可能。由于视网膜内源信号微弱,来源复杂,噪声干扰大,提取高信噪比的内源信号尤其困难,因此需要更好地优化探测系统和数据处理方法,以实现对视网膜结构和功能的最佳生理评估。本文主要针对视网膜内源信号探测系统的实现以及数据处理方法的研究进行开展工作,为视网膜内源信号探测技术的推广应用奠定基础。本文,首先对内源信号的探测光路进行优化和设计,搭建了透反射一体式内源信号的采集系统,并进行离体大鼠视网膜的透反射图像数据采集,获得了视网膜透反射内源信号的初步结果;其次,在对比几种视网膜内源信号的提取方法的基础上,以信号信噪比为主要判断依据,选择了基于空间独立成分分析方法作为视网膜内源信号数据的有效处理方法;最后,利用空间独立成分分析对实验数据进行处理。主要工作有:（1）完成透反射一体式探测系统的光路设计与实验装置搭建,经系统性能的稳定性测试后,进行可见光刺激的大鼠视网膜图像采集实验,实现对视网膜的同一位置进行透射式和反射式内源信号的对比探测。（2）为了提高信噪比,首先研究了基于阈值判断的内源信号提取方法,并通过Matlab软件编写代码实现了内源信号的提取;然后应用空间独立成分分析法进行视网膜内源信号的数据处理,并验证了该方法的可行性;最后通过不同方法的对比,说明应用空间独立成分分析法进行提取视网膜内源信号效果更佳。（3）应用空间独立成分分析法进行视网膜内源信号探测实验数据处理,对不同特征的内源信号进行结果的讨论,进一步说明了该方法的优势。本文的研究工作不仅有利于进行视网膜透射和反射内源信号的分析和对比,而且在信号提取方面,应用空间独立成分分析方法提高了信噪比,为创新视网膜内源信号的处理方法提供支持。图58幅,表7个,参考文献65篇。
刘卓[3]（2020）在《斑马鱼光照刺激诱发惊吓反应检测系统的设计》文中提出对于视觉功能相关的基因和药物筛查对于探究视觉功能障碍机理及修复手段具有重要意义。而对于基因和药物的筛查通常依赖于实验动物模型。斑马鱼由于其繁殖速度快,发育周期短,且与人类具有较高的基因同源性等优势,是最常被用于基因和药物筛查的实验动物模型之一。基于斑马鱼在行为学实验中对不同刺激的响应表现,可以迅速、准确地判断斑马鱼相应感官的功能状态,从而实现高效率、高通量的筛查。因此,通过检测斑马鱼在光照刺激条件下的惊吓反应行为,可以实现对斑马鱼视觉功能的筛查。在对斑马鱼惊吓反应视频数据的处理方面,传统的帧减法和背景减法均存在较为明显的缺陷。本研究创新性地将目前被广泛用于图像处理的基于卷积神经网络的深度学习算法应用于斑马鱼惊吓反应的视频数据处理,在成功克服了传统算法缺陷的同时,显着提高了对于斑马鱼惊吓反应数据的处理和分析效率,以及该数据处理和分析过程的自动化程度。本研究设计、研发了一套能够通过自动拍摄和跟踪匹配算法高效率检测并分析斑马鱼在光照刺激条件下所出现的惊吓反应的系统。在硬件方面,该系统包含能够放置20条左右的斑马鱼幼鱼的直径为16厘米的圆盘,以及能够减少白光光照干扰的短波滤光片。同时,在系统外部设有黑色不透光盖子,用于增强亮暗对比,并减少外界光照对于斑马鱼幼鱼的刺激。另外,该系统能够通过继电器控制多台相机同时、同步工作,从而提高检测效率。在软件方面,该系统采用了基于深度学习网络的跟踪匹配算法,利用匈牙利匹配和卡尔曼滤波对斑马鱼进行逐条跟踪匹配,再通过Matlab软件对所采集的斑马鱼位置数据进行分析,继而得到斑马鱼在光照刺激条件下,由于惊吓反应所导致的运动速度变化的曲线本研究通过分析斑马鱼的运动数据,不仅揭示了斑马鱼在光照刺激条件下惊吓反应的规律,而且比较了基于YOLOv3模型和Mask R-CNN模型的两种跟踪匹配算法对于斑马鱼位置和运动轨迹的识别效果。
胡至华[4]（2020）在《泥石流声波信号特征与类型识别》文中研究指明本研究依托国家自然科学基金（41572347）“泥石流次声预警机制及降低误报率的算法研究”项目。通过室内泥石流声波模拟实验及野外现场实测同步观测数据,对多组不同类型泥石流声波信号进行有效波形特征提取、初至识别以及机器学习分类算法研究。本论文主要在以下几方面进行了研究和探索:（1）针对泥石流声波信号非线性、非平稳的特点,通过引入窗函数参数,提出了广义S变换。该变换可根据信号差异灵活地调节高斯窗函数的宽度,有效的改善时频分布的分辨率。最后运用MATLAB编译了一套声波信号处理软件,实现了声波信号快速规范化处理,为后续海量泥石流声波信号的处理奠定了基础。（2）通过集成经验模式分解法（EEMD）对原始声波信号进行了预处理,利用阈值规则提取了信号的优势分量并重构,采用双尺度盒维数分形算法对重构后的信号进行分析,求得典型稀性、过渡性、粘性泥石流的原始次声信号盒维数值有明显差异,即随容重增加,盒维数值呈下降趋势,可以区分泥石流的类型。（3）利用EEMD分解的主分量IMF盒维数值,并将其作为特征值输入最小二乘支持向量机（LS-SVM）分类器进行训练和分类。通过模型训练测试,泥石流类型正确识别率达87%,其中稀性和过渡性泥石流达80%,粘性泥石流识别率可达100%。（4）运用小波包变换方法,提取声波信号的频带能量分布特征,以此基于声波信号频率区间和频带能量综合识别不同类型泥石流。结果表明:随着泥石流容重的增加,其声波信号的峰值频率向低频移动。不同类型的泥石流声波信号频带能量分布差异明显,稀性泥石流主要分布在30 Hz以上的较高频段,过渡性和粘性泥石流分布在中低频段。（5）对2000年8月9日蒋家沟实测泥石流声波信号分析发现,该段粘性泥石流声波信号峰值频率10-15 Hz,频带能量主要集中于7.5-15 Hz。实测信号有效的验证了小波包频带分类试验结果,即随着容重的增加,泥石流声波信号峰值频率、能量主要分布于中低频段。
刘冬[5]（2020）在《精准畜牧中机器视觉关键技术研究及应用》文中研究指明精准畜牧是提高畜禽生产效率、提升动物福利、优化饲养环境和饲料供给的精细化养殖理念和方法,可以在源头上保障食品安全、缓解环境污染,对经济、社会和环境等方面的都有巨大的应用价值,是优化升级集约型畜禽生产和解决我国畜禽生产“大而不强,多而不优”潜力巨大的技术手段。本研究针对目前精准畜牧中机器视觉监测方法对复杂动态背景目标检测和目标跟踪算法精度低、非平衡数据建模方法准确性低、畜禽动物行为识别模型鲁棒性和适应性差等问题,采用计算机视觉技术、机器学习技术以及多传感器融合技术,按照需求分析、算法提出、量化评估、算法验证与实践应用的研究思路,开展了动态背景环境的目标检测算法研究、多目标跟踪算法研究、高密度饲养条件下的感兴趣区域提取研究,对不同饲养环境下递归式监测个体表型和行为信息提供技术基础。在此基础上,开展了动态背景环境下的行为识别方法研究和群养环境下个体间交互行为建模方法研究,为在线、实时、无损感知畜禽动物表型信息和复杂行为模式提供新方法、新思路和新途径。论文的主要工作和结论如下:（1）提出了改进混合高斯模型的移动目标提取算法。针对畜禽养殖场背景复杂和环境多变导致现有的目标检测算法无法满足鲁棒性和实时性需求的问题,基于递归背景建模思想,在混合高斯模型中引入惩罚因子,改进并提出了一种动态背景建模方法,并采用局部更新策略,以降低模型复杂度和解决前景消融问题;提出基于色度偏差和亮度偏差的二分类算法,避免目标物阴影区域的影响。对不同天气及环境变化剧烈下获取奶牛视频样本进行试验,结果表明,与混合高斯模型对比,平均模型复杂度降低了50.85%、前景误检率和背景误检率分别降低了19.50%和13.37%,单帧运行时间降低了29.25%,检测准确率更高、实时性更好,且解决了前景消融问题,能满足实时提取复杂背景和环境条件下移动目标检测需求。应用该方法在商业养殖环境下开展奶牛自动体况评分研究:（1）采用改进的混合高斯模型递归式获取奶牛的外轮廓并建立三维坐标系,为准确提取奶牛体表几何特征奠定基础;（2）设计了与人工评分指标对应的图像特征,并进行相关性分析;（3）使用集成学习算法解决常见奶牛BCS数据集呈偏态分布问题。交叉验证结果表明,改进混合高斯模型和集成模型的识别准确率与人工评分相当,达到76%。与现有其他技术相比,该系统在动态背景环境下鲁棒性更强,对极端体况奶牛具有更好的预测性能,符合实际应用需求。（2）提出了基于ALR-GMM的动物行为识别模型。针对经典活动指数行为识别模型在动态背景环境中适应性差的问题,基于递归背景建模思想,提出了一种新的活动指数计算方法。采用GMM建立动态背景模型,克服传统活动指数计算方法无法适应环境变化问题;针对GMM模型学习率无法对不同图像区域进行差异化更新的问题,引入双曲正切函数（Tanh函数）自适应调节模型学习率。在人工标记图像上的测试结果表明,当初始学习率?=0.2时,ALG-GMM算法略优于背景减法,平均绝对误差从0.0265降低到0.0233,平均相对误差从18.08%降低到14.34%,表明该算法在计算精度指标上达到需求。为了验证该方法的有效性,开展了蛋鸡对寄生虫胁迫的行为响应研究和群养猪对环境胁迫造成的攻击行为识别。结果表明,蛋鸡活动指数与红螨虫入侵数量呈正相关性,监测蛋鸡活动指数可为精准杀虫提供可靠依据;基于活动指数的育肥猪攻击行为识别准确率达到97.6%,满足实际应用要求。（3）提出了基于CNN和LSTM的动物行为识别模型。针对现有畜禽动物行为识别模型只能有效表达快速动作,在群养环境中无法准确获取个体动物的行为时-空特征的问题,提出了一种基于检测的多目标跟踪算法和基于CNN和LSTM的动物行为时-空特征描述方法。为验证算法有效性,首先设计跟踪精度指标量化评估算法性能,然后采集繁育母猪姿态数据验证卷积神经网络（CNN）对空间特征表达能力,最后采集群养猪咬尾视频数据集验证长短期记忆周期网络（LSTM）对时间特征表达能力。试验结果表明:多目标跟踪算法跟踪精度为78.35%,能够精确跟踪92.97%的目标猪,达到精度要求;CNN对母猪趴卧、侧躺、后坐、站立四种基本姿态的平均分类准确率为88.1%,表明卷积特征对动物行为空间特征具有良好的表达能力;CNN+LSTM对咬尾行为识别准确率达到96.25%,表明其对动物行为时间特征具有良好的描述能力。（4）提出了一种融合彩色和深度数据流的目标提取算法。针对目前缺乏高密度家禽饲养场所的目标提取方法,研究并提出了一种融合彩色和深度数据流的感兴趣区域提取算法。该方法在RGB数据流和深度数据流配准的基础上,从深度图像的距离信息中定位感兴趣区域,在彩色图像中提取目标物的颜色、纹理、形状和空间关系特征。为验证方法有效性,开发了基于Kinect的肉用种鸡自动称重系统,在商业化养殖条件下进行个体种鸡体重数据和性别信息的获取,试验结果发现,该方法目标定位准确度为77.3%,性别分类模型的准确率、灵敏度、精确度和特异性指标分别达到99.7%、98.8%、100%和100%,满足实际应用需求。为优化种鸡饲养过程,最大化产蛋量和受精率提供有效工具。
柳月强[6]（2020）在《基于多传感器数据融合的奶山羊行为分类研究》文中指出奶山羊行为识别是实现奶山羊智能化、精细化养殖的关键技术之一,通过对奶山羊行为的识别,可以帮助养殖者适时的了解奶山羊的行为变化,从而改善管理方式,降低养殖成本,为提高奶山羊的产奶数量和产奶质量提供基础性数据支持。针对当前利用传感器进行行为识别的过程中存在研究对象个体差异大、传感器技术缺陷、行为识别类别少的问题,本文利用多传感器技术、数据融合技术和基于多传感器的行为识别算法,完成了奶山羊行为分类。本文的主要研究内容如下:（1）奶山羊行为和环境数据的多传感器采集。通过对奶山羊日常生活环境和行为特征的分析,设计了环境监测模块和行为监测模块,并结合Wi-Fi传输数据至上位机和云服务器,实现了奶山羊行为数据和环境数据的采集。同时,通过实验对比分析了设备在6个不同安装位置下奶山羊的应激反应和数据稳定性,确定了背部靠前为最佳采集位置。在数据采集的过程中,利用多传感器和相机同时记录奶山羊行为状况,并通过时间戳对照完成奶山羊行为标记,最终获得36万条被标记数据记录。（2）奶山羊行为数据预处理。通过四元数结合互补滤波的方法实现了奶山羊行为数据融合,获得了去除重力分量的加速度值和姿态角;然后,利用小波滤波对融合后的数据集进行去噪,增强了数据集质量;最后,结合奶山羊行为变化的周期性规律,采用傅里叶级数拟合周期函数的方法完成了奶山羊行为定义。共获得12000组行为数据样本,构成了奶山羊行为数据集,为奶山羊行为分类提供了良好的数据基础。（3）奶山羊行为识别。鉴于奶山羊运动速度快,行为种类多的特点,本文选择研究了基于梯度提升树（GBDT）和基于注意力机制的双向长短期记忆网络（Bi-LSTM）两种不同的行为识别方案。研究了梯度决策树中回归树特征和集成学习策略,建立了行为分类模型,实验表明算法的平均识别准确率为92.4%。该模型对简单行为（卧息、站立）的平均识别率约为93.3%,对复杂行为（圆圈运动、跛行、跳跃）的识别率较差。为了获得更高的奶山羊行为识别率,研究了Bi-LSTM网络,并结合注意力机制建立了行为分类模型,实验表明算法的平均识别准确率为94.8%。该模型在对复杂行为的识别准确率较GBDT模型提高了约6个百分点,由于简单行为的时间依赖性较弱,该模型对简单行为的识别率并没有提高。综合分析可知,深度学习算法在对复杂行为的识别方面较传统的机器学习有着明显的优势,基于注意力机制的Bi-LSTM算法的识别效果基本满足奶山羊行为分类要求,对于时间依赖性弱的行为,识别率有待提高。
王镇[7]（2020）在《语音感知中的时域包络和时域精细结构的匹配问题》文中认为已有研究表明,在语音感知中,语音时域包络和精细结构都能独立传递语音信息,但是没有人研究两者间是否具有协同作用,也不清楚听觉系统是否把两个方面的信息整合处理。这个问题,涉及到我们对听力障碍患者即使采用助听器却仍然出现语音感知障碍这个问题的理解和应对。因为,听力障碍患者的语音包络和精细结构因耳蜗的病变可能在耳蜗中的表达不再正常,两者之间也可能失去正常的匹配。为此,我们在语音时域包络与精细结构的匹配情况对语音感知的影响做了研究。本研究在实验室对耳蜗研究的基础上,通过Matlab实现自主设计的频域错配实验模型和时域滞后模型,并得到实验声音,然后由听觉正常的人对这些语音感知做测试。根据受试者倾听实验声音的结果进行分析,得到以下结论:在频域错配实验中,语音感知正确率会随错配的频带个数的增加而下降,特别是在包络移动3个频带及以上时,正确率就会降低至50%以下;在时域滞后实验中,不论在有噪声还是无噪声的情况下,声音的感知正确率都会因为随滞后时间延长而下降,但噪声环境下下降更加明显。而且在时域滞后实验中,通过对包络滞后和精细结构滞后两种情况的正确率的比较中,可以看到包络滞后的正确率在任意滞后时间都比精细结构滞后高,这再次证明了精细结构在抗噪声方面的重要作用。这一研究清楚的证明时域包络和时域精细结构的匹配对语音感知的重要性,其在语音感知清晰度和抗噪声中发挥重要作用。这一研究对认识听觉语音处理机制由重要意义,也为提高助听器、电子耳蜗语音感知性能的技术改进提供了思路。
郭欣[8]（2020）在《动物福利科学兴起的研究 ——基于行动者网络理论的分析》文中进行了进一步梳理“动物福利”（AnimalWelfare）直观来看,它是一个伦理表述,指涉人们对动物的道德关切。然而,“动物福利”自1926年在英国被正式以科学术语的形式提出,便被规定了其严格区别于动物保护、动物权利等纯粹伦理术语的科学属性。动物福利严格区别于动物权利、动物保护,它从不是反对人类使用或者食用动物,而是致力于以科学为基础,防止在人类与动物交互的过程中给动物带来不必要的痛苦、保证动物良好的生活质量和人道的死亡方式。这种关于动物问题的科学性概念何以在特定时期与场合中产生,并且最终在一门独立完备的科学体系即“动物福利科学”中实现成熟的贯彻与彰显,有赖于其深刻的历史逻辑与发展动力。关于动物福利科学兴起的研究,便旨在揭示与阐释这方面的内涵。自古希腊以来,宗教与自然哲学,乃至人类社会所普遍具有的“反残忍对待动物”的道德观念,是“动物福利”得以诞生的重要基础。但是,动物福利作为一个科学术语被正式提出,则是源于十九世纪末科学发展与人们对动物的道德关切在“动物实验”问题上产生的交汇与冲突。因此,相关思想的演进包括不同观念的汇合与交锋,对于科学历史研究来说是值得深察的。达尔文进化论以“人与动物的同源性”打破了“人与动物本质区别”的界限。这为当时的动物保护事业注入了全新的思想活力。全面废除动物实验的呼声,在英国最为盛行,向激进的“动物权利”规模化运动发展,导致该国科学研究受到阻碍。“反动物实验”浪潮对英国科学界所造成的冲击必须予以遏制。该国的查尔斯·休姆教授是首批率领科学同僚付诸行动的主要领导者之一。他于1926年提出“动物福利”科学术语,同时建立了大学动物福利联盟（简称UFAW）,成为动物福利科学的发端。UFAW的宗旨是建构一种与公众“关切动物”相契合的科学发展图景,在为科学家们争取更多的实验自主权的同时提升对动物的关怀。为巩固实现这一目标的根基,该组织采取避开社会场域争论的行事策略。在早期该组织使“动物福利”观念正确地渗透到科学领域及动物保护领域,而工作重心是对动物屠宰方法的人道改善。这些成就获得了科学及动物保护组织对UFAW以及“动物福利”观念的认同。有赖于上述工作的铺垫,UFAW于二十世纪40年代开始涉入其初始动机所指向的实验室动物问题。当时科学领域对实验动物质量问题的关注是其行动的契机。1942年,UFAW正式展开了有关“实验动物福利”的研究。它领导了关于实验室动物多方面的人道化改善。而至1959年,UFAW最终形成至今仍被科学界遵守的实验动物福利3Rs原则。在“行动者-网络”理论（简称ANT）视角下,“实验动物福利”呈现为“行动者-网络”。其中,UFAW扮演着“关键行动者”的角色,以提升实验室动物的福利为目标,广泛征召科学内部不同领域的研究者,从而构成上述网络。ANT很好地解释了 UFAW的行动策略。它对网络中的各方运用“利益”的“转译”,向科学家群体证实:“良好的科学需要动物好的福利状态”,以及,对动物福利的关心应从伦理领域传统的“移情”方法,转移到“以动物本身的感受与状态为本”的科学研究。而动物福利研究网络的阶段性开放式节点以“3Rs”原则的形成为标志。它维护了网络的稳定扩张。二十世纪60年代到80年代,集约化养殖中动物问题的争论,使科学家们将动物福利的研究重点转向了农场动物领域。在60年代,英国政府委托科学家组建“布兰贝尔委员会”专门调查畜牧生产体系所保有动物福利的技术,并为就如何提供科学建议。这是一个新型的动物福利研究“行动者-网络”,居于中心的布兰贝尔委员会的科学家们成为关键行动者。其运用“保障动物的福利可以促进动物的生产与食品安全”这一基本的“利益”转译策略,将生产者、消费者、动物保护组织等纳入到这个网络中。这样的行动体现了 ANT视角下的问题化、利益赋予、征召、动员等四个转译步骤。这一网络实现建构的重要标志是其科学铭文的出现,即《布兰布尔报告》及农场动物福利“五项自由”原则。通过上述两次“行动者-网络”的实践,动物福利研究已获得科学领域与政府的充分支持,这成为它实现建制化科学的基础。90年代,动物福利发展为一门具独立性与完备性的科学。其一,在弗雷泽、布鲁姆等权威科学家的带领下,“动物福利”具备了统一的科学定义、价值意涵与研究范畴,成为了“知识规范体”。其二,从1986年开始,动物福利作为专业课程跻身于高校教育体系,至90年代,专业学术期刊应运而生,以服务动物福利为己任的科学共同体开始频繁出现。这门科学获得了学术组织、社会场域乃至政治机构更广泛的承认,由制度化原则确定其独立身份。其三,动物福利科学体现出跨学科的研究模式。动物福利科学在以上三个方面的表现,符合库恩与玛斯特曼的“范式”理论对科学建制化的判断与衡量标准,即:在“元范式”、“社会学范式”与“构造范式”三个范畴上获得充分发展,并且三者之间彼此密切联系。这反映出某种“综合性”:“元范式”通过动物福利基本概念向“社会学范式”提供理论承诺;“社会学范式”则是对上述承诺的响应,表现为“元范式”在具体科学知识及其社会化组织方式上的成功结果;而这种成功所依赖的科学行事的特征,又体现于这门科学的“构造范式”;最后,“构造范式”所蕴含的跨学科属性,又为动物福利基本概念提供实践素材。每一种类型的范式的增强,有赖于其领域内科学力量的竞争。后者推动了这门科学的发展,也满足了其建制化要求。而深究这种综合性何以成为动物福利科学兴起直到建制化的动力,也须以ANT方法加以阐释。这门科学的全体行动者被归约为“科学”、“社会”与“动物”三个“行动者空间”。它们彼此交换着异质性元素,如科学知识、经济质料、伦理关怀、客观化研究与动物所敞开的主观性。这是ANT理论“广义对称性”原则在一门科学运行动力上的生动表达。在动物福利科学获得独立性与合法性,进而发展与完善了动物福利科学的核心观念、理论基础、研究方法与实践技术的同时,这一规模庞大且包含了丰富成果的“行动者-网络”保持了活跃性,从而生生不息。站在察思“通史”的高度上可以获知,动物福利科学每一个阶段的发展历程,皆表现为解决人与动物的交互中所产生的科学与伦理之间的冲突与矛盾。这鲜明地体现出其“应用性”、“综合性”与“跨学科的研究精神”。围绕着“动物福利”所展开的活动,其特性与传统科学所坚持的“价值中立”原则有所不同,无论在理论层面还是实践层面,它都体现着一种消解隔阂与边界的态度。科学与价值、自然与社会、人类与非人类等多对实体,在这门科学中共同协作。这是当代科学实践哲学领域特别是拉图尔的“现代科学观”的恰适体现。拉图尔是科学实践哲学的主要代表,其“行动者-网络”理论已经构成了“科学与社会研究”（STS）领域的主要方法论工具。拉图尔认为,现代科学是自然极与社会极中间地带的“拟客体”（Quasi-Objects）,它广泛而深刻地与两方融合在一起。因此,以社会科学的方式对现代科学进行研究,必然要突破原有的二元分立,以广义对称的视角解释其产生与发展的机制。身处现当代社会之中,人们形成自然观念时,科学一方面以“转译”的方式在自然与社会、人类与非人类的纠缠状态中进行着认识活动,另一方面科学在形成理论时又以“纯化”的方式抛弃社会的因素。“转译”与“纯化”作为现代性的两种实践方式,共同发挥着作用:“纯化”帮助人们形成科学认识的目的和结论,“转译”则帮助揭显科学认识的历史过程。因此,当回望科学的历史时,必须警惕“纯化”所带来的片面性谬误,探索多元行动者及其关系对科学的建构实践。惟有如此才能深度描写科学的历史与发展机制。动物福利是典型的现代科学。对其历史与动力学机制的揭显,ANT“转译”方法论是良好的工具。它令本文在研究动物福利科学兴起历史的基础上,得以进一步分析其动力学机制,以帮助我们更深入地认识这门科学的本质特征与发展规律。
赵诗剑[9]（2020）在《基于图像的针体挠曲及轨迹规划》文中提出微创手术在最近几年得到了的极大的发展,随着经皮针穿刺在越来越多的手术中发挥作用,对穿刺针精度的要求也越来越高。同时也要求对穿刺针的路径进行更加精准的规划,对穿刺针在组织内部的运动规律分析的更加透彻。本文针对以下几个方面进行了研究:首先,假设穿刺针的挠曲轨迹为固定半径的圆弧,基于这种特性,对穿刺针所能到达的区域进行了分析,并建立从针尖至针尾部的坐标变换方程,实现了穿刺针的姿态与位置描述。对穿刺针轨迹进行提取,建立半径拟合模型,对提取出的穿刺针轨迹坐标点进行分析,拟合出针体的弯曲半径值。其次,使用6种不同的穿刺针进行穿刺实验,被穿刺组织分为PVA假体组织与动物组织两种,每种实验又分为抽芯与未抽芯两种情况。搭建实验平台对穿刺过程进行图像采集,使用MATLAB对图像进行预处理针体轨迹增强等操作,并完成半径拟合模型的算法。在MATLAB中建立GUI界面,缩减数据处理过程中的操作流程,并使整个过程更加可视化。最终,设计实验对PVA假体与动物组织进行无偏转的穿刺实验,对实验图像进行半径拟合,统计并分析6种不同的穿刺针在两种组织下的偏转半径。在无偏转实验的基础上增加一次偏转实验,并使用半径拟和模型对穿刺针的半径值进行拟合,以上两组实验拟合出的半径值结合起始坐标点与靶点坐标点使用路径规划算法进行路径规划。仿真轨迹与实验轨迹进行比对与比较,对路径规划算法的准确性进行评估。
杨雪晴[10]（2019）在《基于数值拟合的经验公式优选通用系统的研究与实现》文中研究说明数值拟合是一种在生物、化学、地理、物理等领域的科学实验研究中广泛应用的数值分析方法。在传统的科学实验研究中,操作者主要采用“最小二乘法”分析实验数据之间的相互关系。最小二乘法主要是通过最小化误差平方和的方式,搜索数据的最佳拟合函数。这种数值拟合计算方法需要实验研究者手工处理大量的数据,操作繁琐,且误差较大。基于此,本研究将传统的数值拟合方式与计算机技术相融合,利用计算机技术提高计算效率和精确度,也为实验工作者提供更加科学高效的计算手段及直观的可参照性结果,助力各学科中实验数据拟合的发展。本研究提供的数值拟合计算通用系统,能够自动化处理多学科的实验数据,实现实验数据的拟合计算和经验公式优选等功能,具体研究内容如下:（1）基于化学学科的双水相体系实验数据拟合需求,针对数值拟合的计算特点,采用GUI程序设计与MATLAB算法设计相结合的方式,设计实现了双水相体系双节线拟合计算系统,完成了基础性的研究。该系统能够自动完成双水相体系双节线数据的拟合计算、最优经验公式选择、拟合结果对比和保存以及拟合曲线的绘制。（2）为了能够将拟合计算系统推广到各学科,在双水相体系双节线拟合计算系统的基础上进行优化设计,扩展添加经验公式自定义功能,取消经验公式的数量限制,并改进拟合计算和结果筛选的核心算法,大大提高了系统的通用性。（3）为了满足多学科大数据量的计算需求,提高计算效率,设计了一种基于多线程并行处理技术的数据拟合计算方法,使系统能够动态分配CPU空间,从而提高整体读写效率,充分利用计算机的系统资源,整体提升了本系统的处理性能。
二、MATLAB在动物科学实验数据处理中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、MATLAB在动物科学实验数据处理中的应用（论文提纲范文）
（1）基于形态检验的毛发物证显微图像自动识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 毛发物证及形态学检验概述 |
| 1.1 毛发物证概述 |
| 1.1.1 毛发的种类 |
| 1.1.2 毛发的生长周期 |
| 1.1.3 毛发的显微结构 |
| 1.2 毛发物证的形态学检验 |
| 1.2.1 毛发物证的采集 |
| 1.2.2 毛发的种属鉴定 |
| 1.2.3 毛发的种族鉴定 |
| 1.2.4 毛发的性别鉴定 |
| 1.2.5 毛发的其他鉴定 |
| 1.3 毛发形态学检验的研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 2 卷积神经网络概述 |
| 2.1 理论基础与历史发展 |
| 2.1.1 神经网络的理论研究基础 |
| 2.1.2 神经网络的历史发展 |
| 2.1.3 神经网络的分类及特点 |
| 2.2 卷积神经网络原理 |
| 2.2.1 前向传播过程 |
| 2.2.2 反向传播算法 |
| 2.3 卷积神经网络的具体结构 |
| 2.3.1 卷积层 |
| 2.3.2 激活函数层 |
| 2.3.3 池化层 |
| 2.3.4 全连接层 |
| 3 毛发物证显微图像数据集的建立 |
| 3.1 实验样本收集与观察切片制作 |
| 3.1.1 毛发样本收集 |
| 3.1.2 毛发样本观察切片制作 |
| 3.2 毛发物证显微图像的仪器采集 |
| 3.2.1 实验样本图像采集仪器 |
| 3.2.2 实验显微图像采集软件 |
| 3.2.3 毛发显微图像采集方法 |
| 3.3 毛发显微图像数据的预处理 |
| 3.3.1 滑动窗口裁剪 |
| 3.3.2 图像灰度转换 |
| 3.3.3 增加虚拟样本扩充数据集 |
| 3.3.3.1 添加高斯噪声 |
| 3.3.3.2 添加椒盐噪声 |
| 3.3.3.3 图像旋转 |
| 3.3.3.4 图像镜像 |
| 3.4 毛发物证显微图像数据集的建立 |
| 3.4.1 建立两个毛发显微图像数据集 |
| 3.4.2 添加类别标签与划分集合 |
| 3.4.3 格式转换与去除均值 |
| 4 人类五种毛发显微图像自动分类的实验研究 |
| 4.1 深度学习应用框架Caffe |
| 4.2 毛发显微图像分类网络模型的结构设计 |
| 4.2.1 毛发显微图像分类网络模型的设计要点 |
| 4.2.2 毛发显微图像分类初始网络Hair-Net |
| 4.3 人类毛发显微图像分类模型的参数调整与实验结果分析 |
| 4.3.1 学习率及其策略的选择 |
| 4.3.2 迭代次数的选择 |
| 4.3.3 批尺寸的选择 |
| 4.4 人类毛发显微图像分类模型的结构优化与实验结果分析 |
| 4.4.1 不同归一化方式对网络性能的影响 |
| 4.4.2 不同激活函数对网络性能的影响 |
| 4.4.3 输入层数据增强对网络性能的影响 |
| 4.5 本章小结 |
| 5 人与动物十类毛发显微图像自动分类的实验研究 |
| 5.1 人与动物毛发显微图像分类网络结构与过程可视化 |
| 5.1.1 人与动物毛发显微图像分类网络结构 |
| 5.1.2 分类过程可视化工具 |
| 5.1.3 毛发显微图像分类过程可视化 |
| 5.2 人与动物毛发显微图像分类的网络性能对比 |
| 5.2.1 LeNet网络 |
| 5.2.2 AlexNet网络 |
| 5.2.3 网络性能对比的实验结果分析 |
| 5.3 人与动物毛发显微图像分类模型的结构优化与实验结果分析 |
| 5.3.1 Inception结构轻量化网络与实验结果分析 |
| 5.3.2 Center-loss中心损失函数的引入与实验结果分析 |
| 5.4 本章小结 |
| 6 现场毛发物证的两级自动分类模式与模拟测试 |
| 6.1 现场毛发物证的两级自动分类模式 |
| 6.2 模拟现场毛发物证样本制作与显微图像采集 |
| 6.3 模拟现场毛发物证测试结果与分析 |
| 6.4 本章小结 |
| 结论 |
| 展望 |
| 参考文献 |
| 在学研究成果 |
| 一、 在学期间取得的科研成果 |
| 二、 在学期间所获的奖励 |
| 三、 在学期间发表的论文 |
| 致谢 |
（2）视网膜内源性光学信号探测系统与数据处理方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 序言 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 内源信号简介 |
| 1.2.1 内源性信号来源与特点 |
| 1.2.2 视网膜内源信号的产生机制 |
| 1.3 国内外内源性光信号的研究 |
| 1.3.1 脑内源性光信号研究 |
| 1.3.2 视网膜内源性光信号研究 |
| 1.3.3 视网膜功能评价方法 |
| 1.4 视网膜内源光信号探测系统介绍 |
| 1.5 视网膜内源信号数据处理方法简介 |
| 1.6 研究目的与主要工作 |
| 2 透反射式内源性光学探测系统的设计与实现 |
| 2.1 透反射式探测系统原理 |
| 2.2 实验装置 |
| 2.3 装置性能测试 |
| 2.4 本章小结 |
| 3 离体鼠视网膜内源信号的对比探测实验 |
| 3.1 实验样品制备 |
| 3.2 实验方法 |
| 3.2.1 实验设计 |
| 3.2.2 实验流程 |
| 3.2.3 图像采集 |
| 3.3 结果的初步分析 |
| 3.4 本章小结 |
| 4 视网膜内源信号数据处理方法的研究 |
| 4.1 IOS定义法 |
| 4.1.1 图像预处理 |
| 4.1.2 内源信号的计算 |
| 4.1.3 分区提取 |
| 4.2 基于阈值判断的分析法 |
| 4.2.1 阈值判断 |
| 4.2.2 内源信号的提取 |
| 4.3 基于空间独立成分分析法 |
| 4.3.1 ICA简介 |
| 4.3.2 ICA基本原理 |
| 4.3.3 ICA预处理 |
| 4.3.4 ICA算法 |
| 4.3.5 不确定性因素 |
| 4.3.6 ICA的局限性 |
| 4.3.7 SICA在视网膜IOS数据处理中的应用 |
| 4.3.8 独立分量的可靠性 |
| 4.3.9 结果验证 |
| 4.4 内源信号不同提取方法的比较 |
| 4.4.1 基于阈值判断法与IOS定义法的对比 |
| 4.4.2 基于空间独立成分分析法与IOS定义法的对比 |
| 4.5 本章小结 |
| 5 基于SICA数据处理的结果分析 |
| 5.1 SICA提取上升型内源信号 |
| 5.2 SICA提取波峰型内源信号 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）斑马鱼光照刺激诱发惊吓反应检测系统的设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 基于行为学的斑马鱼视觉功能检测研究现状 |
| 1.2.2 斑马鱼惊吓反应实验系统研究现状 |
| 1.2.3 基于深度学习算法的目标自动识别研究现状 |
| 1.3 主要研究内容及章节安排 |
| 1.3.1 自动化系统的设计 |
| 1.3.2 视频图像处理算法的设计 |
| 1.3.3 章节安排 |
| 第2章 系统硬件设计 |
| 2.1 引言 |
| 2.2 视频拍摄模块的设计 |
| 2.2.1 惊吓反应实验说明 |
| 2.2.2 成像系统的设计 |
| 2.2.3 成像装置的参数设置 |
| 2.3 光照刺激模块的设计 |
| 2.4 系统控制模块的设计 |
| 2.5 本章小结 |
| 第3章 视频图像处理 |
| 3.1 视频数据预处理 |
| 3.2 多目标识别 |
| 3.2.1 基于手工特征的检测方法 |
| 3.2.2 基于神经网络的检测方法 |
| 3.3 斑马鱼跟踪匹配算法 |
| 3.3.1 多目标跟踪算法 |
| 3.3.2 多目标匹配算法 |
| 3.4 本章小结 |
| 第4章 系统程序设计 |
| 4.1 硬件系统控制程序 |
| 4.1.1 继电器控制程序 |
| 4.1.2 相机控制程序 |
| 4.1.3 自动化控制界面的设计 |
| 4.2 视频图像处理程序设计 |
| 4.2.1 并行处理 |
| 4.2.2 数据可视化 |
| 4.2.3 数据分析 |
| 4.3 本章小结 |
| 第5章 斑马鱼行为学实验 |
| 5.1 斑马鱼幼鱼的培育 |
| 5.2 斑马鱼幼鱼平静状态下运动速度 |
| 5.3 光照刺激斑马鱼惊吓反应 |
| 5.4 斑马鱼幼鱼避光性实验 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（4）泥石流声波信号特征与类型识别（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 泥石流监测预警技术的发展现状 |
| 1.2.2 声波监测技术的研究现状 |
| 1.2.3 国内外信号波形识别的研究现状 |
| 1.2.4 小结 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 试验概况 |
| 2.1 泥石流水槽试验 |
| 2.1.1 试验装置 |
| 2.1.2 实验组次设计 |
| 2.1.3 试验物料 |
| 2.1.4 声波采集装置 |
| 2.2 泥石流实验声波信号与环境噪声分析 |
| 2.2.1 泥石流声波信号 |
| 2.2.2 干扰声波信号 |
| 2.3 小结 |
| 第3章 泥石流声波信号的特征分析 |
| 3.1 泥石流声波信号预处理及降噪 |
| 3.1.1 预处理 |
| 3.1.2 信号滤波 |
| 3.1.3 降噪 |
| 3.2 信号波形初至的快速拾取 |
| 3.3 声波信号特征分析 |
| 3.3.1 时域特征 |
| 3.3.2 频域特征 |
| 3.3.3 时频特征 |
| 3.4 声波信号处理分析软件 |
| 3.5 小结 |
| 第4章 声波特征提取与泥石流类型识别 |
| 4.1 EEMD-分形特征(整体信息) |
| 4.1.1 基础理论 |
| 4.1.2 EEMD-分形特征提取 |
| 4.1.3 基于LS-SVM次声信号的泥石流类型识别 |
| 4.2 小波包特征(细节信息) |
| 4.2.1 基础理论 |
| 4.2.2 声波有效信号提取 |
| 4.2.3 小波包频带能量分布特征 |
| 4.3 小结 |
| 第5章 实例分析 |
| 5.1 区域背景 |
| 5.2 声波监测 |
| 5.3 小结 |
| 第6章 结论与讨论 |
| 6.1 结论 |
| 6.2 存在的问题 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文和研究成果 |
（5）精准畜牧中机器视觉关键技术研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 畜禽信息感知关键技术 |
| 1.2.2 目标检测与跟踪 |
| 1.2.3 畜禽动物表型和行为监测 |
| 1.3 存在问题分析 |
| 1.4 主要研究内容 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 1.6 论文组织结构 |
| 第二章 复杂动态养殖环境下目标检测方法研究 |
| 2.1 引言 |
| 2.2 背景建模方法 |
| 2.2.1 经典GMM复杂背景建模问题分析 |
| 2.2.2 基于“最小样本”的模型复杂度约束 |
| 2.3 目标提取算法 |
| 2.4 材料与方法 |
| 2.4.1 供试数据 |
| 2.4.2 算法评价指标 |
| 2.5 试验结果与分析 |
| 2.5.1 对环境变化的鲁棒性分析 |
| 2.5.2 模型复杂度分析 |
| 2.5.3 前景消融问题 |
| 2.6 本章小结 |
| 第三章 基于GMM和集成学习模型的奶牛自动体况评分 |
| 3.1 引言 |
| 3.2 材料和方法 |
| 3.2.1 试验方案 |
| 3.2.2 供试图像样本获取 |
| 3.2.3 图像正则化处理算法 |
| 3.2.4 特征选择与提取 |
| 3.2.5 相关性分析 |
| 3.2.6 预测模型 |
| 3.3 试验结果与分析 |
| 3.3.1 逐步回归模型试验结果 |
| 3.3.2 集成学习模型试验结果 |
| 3.3.3 研究结果比较 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第四章 基于ALR-GMM的畜禽动物胁迫响应建模方法研究与应用 |
| 4.1 引言 |
| 4.2 活动指数计算方法 |
| 4.2.1 经典活动指数计算方法 |
| 4.2.2 基于GMM的活动指数计算方法 |
| 4.3 算法有效性验证 |
| 4.3.1 供试数据 |
| 4.3.2 测试结果与分析 |
| 4.4 应用验证一:蛋鸡对寄生虫胁迫响应分析 |
| 4.4.1 背景介绍 |
| 4.4.2 供试数据集 |
| 4.4.3 特征提取 |
| 4.4.4 试验结果与分析 |
| 4.5 应用验证二:育肥猪攻击行为识别 |
| 4.5.1 背景介绍 |
| 4.5.2 供试数据集 |
| 4.5.4 攻击行为特征提取 |
| 4.5.5 攻击行为识别模型 |
| 4.5.6 试验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于CNN和 LSTM的群养猪交互行为识别与定位建模方法研究与应用 |
| 5.1 引言 |
| 5.2 供试数据 |
| 5.3 群养动物行为识别与定位算法 |
| 5.3.1 目标检测 |
| 5.3.2 多目标跟踪 |
| 5.3.3 交互子视频提取与筛选 |
| 5.3.4 时-空特征提取及行为识别模型 |
| 5.4 多目标跟踪算法性能评估 |
| 5.4.1 目标检测模型评估 |
| 5.4.2 多目标跟踪模型评估 |
| 5.5 应用验证一:繁育母猪姿态识别研究 |
| 5.5.1 背景介绍 |
| 5.5.2 试验方案 |
| 5.5.3 测试结果与分析 |
| 5.6 应用验证二:育肥猪咬尾行为识别与定位 |
| 5.6.1 背景介绍 |
| 5.6.2 群组水平建模试验 |
| 5.6.3 个体水平建模试验 |
| 5.7 本章小节 |
| 第六章 高密度饲养环境下肉种鸡目标检测方法与应用 |
| 6.1 引言 |
| 6.2 试验设备搭建 |
| 6.3 肉种鸡性别特征挖掘 |
| 6.3.1 试验方案 |
| 6.3.2 特征提取方法 |
| 6.3.3 试验结果与分析 |
| 6.4 商业饲养环境中肉种鸡体重和性别同步获取方法 |
| 6.4.1 数据采集 |
| 6.4.2 数据标注 |
| 6.4.3 肉种鸡性别识别方法 |
| 6.4.4 算法性能评估 |
| 6.4.5 讨论 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（6）基于多传感器数据融合的奶山羊行为分类研究（论文提纲范文）
| 基金 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传感器技术在农业监测领域的应用 |
| 1.2.2 机器学习在动物行为识别领域的应用 |
| 1.2.3 深度学习在动物行为识别领域的应用 |
| 1.2.4 亟待解决的问题 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构 |
| 第二章 多传感器数据采集 |
| 2.1 奶山羊特征分析 |
| 2.1.1 奶山羊生活环境特征 |
| 2.1.2 奶山羊运动行为特征 |
| 2.2 多传感器采集系统设计 |
| 2.2.1 传感器设备选型 |
| 2.2.2 数据采集系统结构 |
| 2.3 多传感器数据采集方案设计 |
| 2.3.1 传感器设备安装实验分析 |
| 2.3.2 实验数据集采集标准 |
| 2.4 本章小结 |
| 第三章 奶山羊行为数据分析处理 |
| 3.1 奶山羊行为数据融合 |
| 3.1.1 多传感器坐标系变换 |
| 3.1.2 基于多传感器的奶山羊姿态解算 |
| 3.2 多传感器数据预处理 |
| 3.2.1 奶山羊行为数据集去噪 |
| 3.2.2 奶山羊行为数据集标准化 |
| 3.3 奶山羊行为定义 |
| 3.4 本章小结 |
| 第四章 基于梯度提升树的奶山羊行为分类 |
| 4.1 奶山羊行为特征提取与选择 |
| 4.2 梯度提升树算法 |
| 4.3 基于梯度提升树的奶山羊行为识别 |
| 4.3.1 梯度提升树模型训练 |
| 4.3.2 算法性能评价指标 |
| 4.4 实验结果与讨论 |
| 4.4.1 GBDT模型参数优化 |
| 4.4.2 奶山羊行为识别效果分析 |
| 4.5 本章小结 |
| 第五章 基于注意力机制的Bi-LSTM奶山羊行为分类 |
| 5.1 LSTM算法理论 |
| 5.2 基于注意力机制的Bi-LSTM行为识别算法 |
| 5.3 基于注意力机制的Bi-LSTM模型训练 |
| 5.4 实验结果与讨论 |
| 5.4.1 奶山羊行为识别效果分析 |
| 5.4.2 奶山羊行为识别算法对比 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（7）语音感知中的时域包络和时域精细结构的匹配问题（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题背景 |
| 1.2 助听器、人工耳蜗及困境 |
| 1.3 耳蜗的一些非线性特性介绍 |
| 1.4 心理声学方面的一些探索 |
| 1.5 本文研究意义 |
| 1.6 本文研究内容 |
| 2 人耳结构与语音处理方法基础 |
| 2.1 听觉感知过程与人耳结构 |
| 2.2 语音处理方法基础 |
| 2.3 本章总结 |
| 3 频域错配实验 |
| 3.1 频域错配实验模型 |
| 3.2 频域错配实验模型面临的问题及改进 |
| 3.3 使用Matlab实现 |
| 3.4 听力测试对象选取 |
| 3.5 听力测试方案 |
| 3.6 实验结果与分析 |
| 4 时域滞后实验 |
| 4.1 时域滞后模型建立 |
| 4.2 时域滞后对照组设计 |
| 4.3 实验对象选取 |
| 4.4 听力测试方案 |
| 4.5 实验结果展示与分析 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 华中科技大学硕士学位论文创新点概述 |
（8）动物福利科学兴起的研究 ——基于行动者网络理论的分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 绪论 |
| 一、研究目的和意义 |
| 二、国内外研究现状 |
| 三、研究内容 |
| 四、研究方法和资料来源 |
| 五、创新之处和可能存在的问题 |
| 第一章 善待动物观念的确立 |
| 第一节 古希腊罗马时期传统目的论下的动物观念 |
| 一、动物只有“工具价值” |
| 二、善待动物的规约 |
| 第二节 近代机械论背景下的动物观念 |
| 一、机械论中动物“生命”意义的消解 |
| 二、笛卡尔“动物机器论”辨析 |
| 第三节 对“动物机器论”的超越 |
| 一、经验主义哲学: 动物有感知 |
| 二、功利主义伦理学: 动物有自己的道德利益 |
| 第四节 英国社会“反残忍”动物保护运动 |
| 一、“反残忍对待动物”的道德改良 |
| 二、“防止残忍对待动物”立法运动 |
| 第二章 动物福利科学图景的建立 |
| 第一节 动物福利的初步科学基础 |
| 一、人与动物的“同源性” |
| 二、动物与人“心理能力”的相似性 |
| 三、动物心理学与行为学研究的进展 |
| 第二节 1926年之前动物实验“合法性”的争论 |
| 一、动物实验对科学发展的重要作用 |
| 二、“反残忍对待动物”运动对英国科学发展的影响 |
| 三、“反动物实验”运动的爆发 |
| 四、科学界及议会对“反动物实验”的回应 |
| 五、对争论的辨析 |
| 第三节 UFAW的建立与动物福利科学目标的提出 |
| 一、“动物福利”作为科学术语的开端 |
| 二、首个动物福利科学共同体——UFAW的建立 |
| 三、UFAW的早期活动 |
| 第三章 实验室动物福利研究 |
| 第一节 实验动物科学与“动物福利”的初次结合 |
| 一、英国科学界对实验动物质量的关注 |
| 二、《UFAW实验动物护理与管理手册》 |
| 第二节 人道实验技术“3Rs”原则的确立 |
| 一、关于人道实验技术的历史和发展的研究 |
| 二、《人道动物实验技术原则》与“3Rs”原则 |
| 三、二十世纪60年代“3Rs”原则的发展 |
| 第三节 实验动物研究的行动者-网络分析 |
| 一、UFAW是实验动物福利研究网络的“关键行动者” |
| 二、实验室作为网络的“强制性通行点” |
| 三、“3Rs”与《人道实验技术原则》作为科学铭文的力量 |
| 四、实验室动物福利研究走向“伦理与科学的广义对称” |
| 第四章 农场动物福利研究 |
| 第一节 农场动物问题成为动物福利研究的重心 |
| 一、英国动物养殖逐渐走向“集约化” |
| 二、解决集约化养殖争论的三个任务 |
| 第二节 《布兰贝尔报告》及五项自由原则 |
| 一、“牲畜畜牧体系所保有动物福利的技术调查”与《布兰贝尔报告》 |
| 二、农场动物福利与最初的“五项自由”原则 |
| 第三节 “五项自由”原则的发展及立法 |
| 一、关于“五项自由”原则立法的磋商 |
| 二、1964年《动物机器》引发的“集约化养殖”争论 |
| 三、“五项自由”原则的更新与完善 |
| 第四节 农场动物福利研究的“行动者-网络”分析 |
| 一、问题化: 布兰贝尔委员会成为“关键行动者” |
| 二、利益赋予: 锁定联盟中的行动者 |
| 三、征召: 行动者之间的协调 |
| 四、动员: 行动者维护网络的建立与稳定 |
| 第五章 动物福利科学建制化的实现 |
| 第一节 “动物福利”科学定义的统一 |
| 一、“动物福利”科学定义的多元化 |
| 二、“动物福利”科学定义走向统一 |
| 三、科学定义统一对动物福利科学建制化的基础意义 |
| 第二节 动物福利科学的“综合性范式” |
| 一、“社会学范式”: 动物福利的学科体系 |
| 二、构造范式: 动物福利科学的跨学科属性 |
| 三、范式的综合性对动物福利科学建制化的实践价值 |
| 第三节 动物福利科学的动力学机制 |
| 一、ANT视角下动物福利科学的三个空间 |
| 二、动物福利科学所体现的“广义对称性” |
| 三、动物福利科学在行动者的“自由联结”中成功 |
| 结语 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的学术成果目录 |
（9）基于图像的针体挠曲及轨迹规划（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 针体路径规划算法 |
| 1.3.2 国内外穿刺设备 |
| 1.3.3 超声图像中穿刺针检测 |
| 1.4 课题的主要研究内容 |
| 1.5 论文的创新点 |
| 第2章 穿刺针路径规划算法及半径拟合模型 |
| 2.1 引言 |
| 2.2 介入式柔性斜角穿刺针 |
| 2.3 穿刺针路径规划算法 |
| 2.3.1 穿刺针特性分析及假设 |
| 2.3.2 穿刺针可达位置分析 |
| 2.3.3 模型的建立 |
| 2.4 半径拟合模型 |
| 2.5 本章小结 |
| 第3章 图像采集及处理 |
| 3.1 引言 |
| 3.2 图像采集 |
| 3.2.1 PVA假体实验 |
| 3.2.1.1 CCD相机镜头矫正 |
| 3.2.1.2 实验设备及假体制备 |
| 3.2.2 动物组织实验 |
| 3.2.2.1 实验设备 |
| 3.3 图像预处理 |
| 3.3.1 CCD图像预处理 |
| 3.3.2 超声图像预处理 |
| 3.4 软件界面与功能实现 |
| 3.4.1 图像处理GUI界面布局 |
| 3.4.2 软件功能实现 |
| 3.5 本章小结 |
| 第4章 路径规划算法验证 |
| 4.1 引言 |
| 4.2 半径拟合模型评估 |
| 4.2.1 半径拟合模型的准确性评估 |
| 4.2.2 半径拟合模型的稳定性评估 |
| 4.2.2.1 PVA假体实验 |
| 4.2.2.2 动物组织实验 |
| 4.3 路径规划算法验证 |
| 4.3.1 轨迹对比流程 |
| 4.3.2 实验验证 |
| 4.3.2.1 PVA假体实验 |
| 4.3.2.2 动物组织实验 |
| 4.3.3 轨迹规划算法误差分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 一、 基本情况 |
| 二、 学习工作经历 |
| 三、 发表论文 |
| 四、 科研项目情况 |
（10）基于数值拟合的经验公式优选通用系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 双水相体系双节线拟合计算系统的研究与实现 |
| 2.1 双节线数据的数值拟合 |
| 2.1.1 双水相体系的基础数据采集 |
| 2.1.2 双水相体系双节线关联拟合公式 |
| 2.1.3 双节线数据的数值拟合 |
| 2.2 双水相体系双节线拟合计算系统的研究 |
| 2.2.1 系统模块设计 |
| 2.2.2 数据处理 |
| 2.3 程序设计实现 |
| 2.3.1 数据输入与预处理 |
| 2.3.2 数据拟合计算及结果显示 |
| 2.3.3 拟合曲线绘制及结果显示 |
| 2.3.4 筛选最优拟合结果 |
| 2.3.5 拟合数据分析与比较 |
| 2.4 程序测试成果展示 |
| 2.4.1 数据输入模块 |
| 2.4.2 数据计算模块 |
| 2.4.3 数据输出模块 |
| 2.5 本章总结 |
| 第三章 数值拟合计算系统的功能优化 |
| 3.1 多学科数值拟合研究 |
| 3.2 经验公式优选通用系统的优化设计 |
| 3.2.1 开发环境 |
| 3.2.2 系统结构设计 |
| 3.3 程序设计实现 |
| 3.3.1 数据输入 |
| 3.3.2 数据拟合计算及结果显示 |
| 3.3.3 拟合曲线绘制及结果显示 |
| 3.3.4 筛选最优拟合结果 |
| 3.3.5 系统功能分析与比较 |
| 3.4 本章总结 |
| 第四章 数值拟合计算系统的处理性能优化 |
| 4.1 设计原理 |
| 4.1.1 并行处理 |
| 4.1.2 多线程技术 |
| 4.1.3 程序设计模型 |
| 4.2 算法设计与实现 |
| 4.2.1 多线程并发设计概述 |
| 4.2.2 公共空间数据处理方法 |
| 4.2.3 算法设计 |
| 4.2.4 算法功能分析与比较 |
| 4.3 本章总结 |
| 第五章 总结及展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的主要科研成果 |
| 后记 |
四、MATLAB在动物科学实验数据处理中的应用（论文参考文献）
- [1]基于形态检验的毛发物证显微图像自动识别方法研究[D]. 姜晓佳. 中国人民公安大学, 2020(09)
- [2]视网膜内源性光学信号探测系统与数据处理方法的研究[D]. 王萍. 北京交通大学, 2020(03)
- [3]斑马鱼光照刺激诱发惊吓反应检测系统的设计[D]. 刘卓. 哈尔滨工业大学, 2020(01)
- [4]泥石流声波信号特征与类型识别[D]. 胡至华. 中国科学院大学(中国科学院水利部成都山地灾害与环境研究所), 2020(02)
- [5]精准畜牧中机器视觉关键技术研究及应用[D]. 刘冬. 西北农林科技大学, 2020(02)
- [6]基于多传感器数据融合的奶山羊行为分类研究[D]. 柳月强. 西北农林科技大学, 2020(02)
- [7]语音感知中的时域包络和时域精细结构的匹配问题[D]. 王镇. 华中科技大学, 2020(01)
- [8]动物福利科学兴起的研究 ——基于行动者网络理论的分析[D]. 郭欣. 南京农业大学, 2020
- [9]基于图像的针体挠曲及轨迹规划[D]. 赵诗剑. 青海大学, 2020
- [10]基于数值拟合的经验公式优选通用系统的研究与实现[D]. 杨雪晴. 吉林师范大学, 2019(06)