车载式拖拉机座椅舒适性测试系统的研究

应用美国模拟器件公司的ADXL105微型力平衡式加速度传感器、美国Cygnal公司F320型单片机组成车载式拖拉机座椅舒适性测试系统，系统易标定、成本低、供电方式简单。试验结果表明，在其他条件相同时，拖拉机座椅固有频率只要避开人体敏感的频率范围，座椅的舒适性就能得到明显的改善。     

基于无线传感器网络的奶牛行为特征监测系统设计

奶牛等大型动物的疾病和发情状况目前主要依赖饲养员目测判断,大规模集约化养殖仍采用人工观测方法,这不仅带来繁重的人力负担,也容易误判。为了能自动准确地识别奶牛是否发情或生病,该文提出在奶牛颈部安装无线传感器节点,通过各种传感器获取奶牛的体温、呼吸频率和运动加速度等参数,采用K-均值聚类算法对提取的各种参数进行行为特征多级分类识别,以此建立的动物行为监测系统能准确区分奶牛静止、慢走、爬跨等行为特征,从而可以长时间监测奶牛的健康状态。而且,这种监测系统易于推广到对其他动物的监测,对促进养殖业和畜牧业的发展也具有指导意义。     

特征提取和特征降维在猪只行为分类识别中的应用

为了有效改善猪只行为分类识别效果,试验采用三轴加速度传感器获取试验猪(猪A、猪B、猪C)在X轴、Y轴和Z轴三个方向上的加速度数据,建立试验猪只行为数据集,分别提取X轴、Y轴和Z轴的平均值、中位数、最大值、最小值、第一四分位数和第三四分位数,共同构成一个包含21个特征在内的数据集,分别采用ReliefF算法和随机森林算法就各特征对试验猪行为分类识别结果影响的大小进行分析与排序,删除与分类识别性能相关性小的特征,将21维数据集降维至9维。结果表明：将经ReliefF算法降维的数据集用于猪只行为识别与分类,猪A、猪B猪C的总体平均准确率分别为80.9%、81.7%和82.0%;将经随机森林算法降维后的数据集用于猪只行为识别与分类得到的总体平均准确率分别为86.4%、85.3%和87.2%。说明采用随机森林算法进行特征降维的效果更好,更适用于处理猪只行为数据。     

基于二叉决策树分类模型的草原牛行为识别

为了解决人工监测草原放牧牛运动行为工作量大、监测精度低的问题,试验提出一种基于二叉决策树分类模型的草原牛行为识别方法,即选取草原牛颈部三轴加速度计采集数据的X轴、Y轴、Z轴方差、均方根、平均值及三轴总体的矢量幅度(signal vector magnitude, SVM)和幅度(singal magnitude area, SMA)共11种统计特征量来构建查准率-查全率曲线(P-R曲线),通过P-R曲线获取各统计特征量所对应的最优行为类别分组方式及最优阈值,利用信息增益作为选择标准来构建二叉决策树分类模型,运用此模型对草原牛的躺卧、反刍、采食及慢走四种运动行为进行分类识别,并与K-均值(K-means)聚类算法比对。结果表明：K-means聚类算法只能识别躺卧行为,难以区分反刍、采食及慢走三种运动行为,但二叉决策树分类模型能够有效地将躺卧和慢走行为从躺卧、反刍、采食及慢走四种行为中识别出来,查准率和查全率均达到0.760以上。说明二叉决策树分类模型较常用的K-means聚类算法可更有效地完成草原牛行为分类,并且准确率更高。     

用极坐标研究点的复合运动

对点的复杂运动，通常把它视为两种简单运动的复合。建立静、动两个坐标系，先求出动点对这两个不同参考系的运动特征量，然后用点的速度、加速度合成定理获得其运动规律，本文别开蹊径，利用极坐标来研究点的复合运动，这种方法在理论和实践上都有一定的意义，特别是对动点沿矢径运动的问题，显得更为简捷和方便。     

智能免耕播种机振动信号采集与分析方法研究

现有智能免耕播种机田间作业时受地形起伏及田间复杂地表状况的影响,对播种作业质量有较显著影响。为此,将加速度传感器安装于播种机不同位置,在留茬免耕地表工况下采集免耕播种机在田间的多种作业信息,测试并分析播种机各位置的振动频率,对播种机各位置振动特性进行研究。同时,根据振动测试结果,分析在振动工况对播种作业质量的影响,研究振动信号对排种器性能的影响。结果表明：播种机作业速度、地表土壤墒情对振动信号产生有显著影响;免耕播种机前进速度在3～9km/h时,播种机的振动频率分布在3～10Hz;播种机作业速度提升,振动加速度明显提升,但不影响振动能量的的分布。研究可为提升智能免耕播种机的作业性能提供了参考。     

基于加速度计的肉牛次级采食行为自动识别方法研究

【目的】 肉牛采食行为包括卷食、咀嚼、卷食—咀嚼等几种次级行为。监测肉牛次级采食行为有助于评估牛只的健康状况和营养水平。文章旨在利用加速度传感器研究肉牛次级采食行为识别方法,对比不同监测部位对次级采食行为识别的影响。【方法】 将加速传感器安装在肉牛的鼻子、右颌、左嘴3个部位,检测次级采食行为的加速度信号,经过衍生变量函数计算,扩充数据维度,使用ExtraTreesClassifer选择出9种重要特征,运用XGBoost算法识别肉牛采食次级行为（卷食、咀嚼、卷食—咀嚼、其他）,最后使用HMM-viterbi算法修正次级行为识别结果。【结果】 XGBoost和HMM-viterbi在鼻子、右颌、左嘴3个部位识别的平均结果相同,XGBoost识别的平均准确率、精确率、F1得分和召回率分别为0.95、0.93、0.93和0.93,HMM-viterbi修正后识别的平均准确率、精确率、F1得分和召回率均为0.99。因此,运用HMM-viterbi模型可以有效修正行为识别结果。在XGBoost识别结果中,鼻子部位识别次级行为的得分较高,考虑长期佩戴传感器的稳定性,推荐采用鼻子作为检测部位。【结论】 在肉牛鼻子部位佩戴加速度器,利用XGBoost结合HMM-viterbi的方法可以自动识别肉牛次级采食行为。     

马铃薯碰撞损伤试验与碰撞加速度特性分析

针对收获过程中马铃薯破皮损伤率高的问题,以新鲜马铃薯为研究对象,借助马铃薯碰撞试验台,通过正交试验分析试验因素对马铃薯碰撞损伤体积的影响;结合马铃薯碰撞加速度变化曲线,分析马铃薯与杆条的碰撞压缩过程;选取初始高度和马铃薯质量为试验因素,考察碰撞加速度峰值随各因素水平的变化规律并建立回归模型,最后测试马铃薯碰撞损伤临界值。试验结果表明:影响马铃薯碰撞损伤体积因素的显著性由高到低依次为初始高度、马铃薯质量、马铃薯温度和碰撞材料;马铃薯与杆条碰撞经历了粘弹性压缩、弹塑性压缩、弹性恢复、与杆条分离等4个阶段;加速度峰值随初始高度的增加而增加,随马铃薯质量的增加而减小;马铃薯温度分别为5、15、23℃时与65Mn钢杆碰撞产生损伤的初始高度分别为50、80和250 mm,对应的碰撞速度和加速度峰值分别为0.99、1.253、2.506 m/s和434.154、674.437、1 249.794 m/s~2;马铃薯温度为15℃时与65Mn-塑料和65Mn-橡胶碰撞产生损伤的临界高度分别为320和280 mm,对应的碰撞速度和加速度峰值分别为2.506、2.344 m/s和1 589.528、1 409.697 m/s~2。     

开车的几个误区

(1)加档超车.高档位速度较快,以致有的驾驶员认为超车时需升上一挡提高车速.事实上,车辆行进是靠发动机的扭矩,高档位扭矩小,油门反应迟钝,加速度反而减慢.所以正确的超车方式对手动挡车应是减低一档,自动挡车只需加大油门变速器便会自动降一档.     

关于点的合成运动中的两个问题

本文讨论了在合成运动中，动点与动参考系的选取，相对运动轨迹对计算点的绝对速度和绝对加速度的影响．证明了相对运动轨迹只对点的绝对加速度计算有影响，阐明了选取动点和动参考系的原则．