基于混沌優(yōu)化的倉(cāng)儲(chǔ)害蟲檢測(cè)與分類識(shí)別研究

黨 豪，孫福艷，李 苗，呂宗旺，甄 彤

（河南工業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，河南 鄭州 450001）

0 引言

倉(cāng)儲(chǔ)害蟲威脅糧食等人類生活所需物資，其檢測(cè)與分類技術(shù)是儲(chǔ)糧生態(tài)系統(tǒng)中重要的基礎(chǔ)性研究課題，也是我國(guó)安全儲(chǔ)糧體系中重點(diǎn)解決的問(wèn)題之一.傳統(tǒng)的檢測(cè)方法主要是扦樣法[1]和誘集法[2].扦樣法受環(huán)境因素影響較小，容易確定害蟲的密度，是國(guó)家規(guī)定的糧食倉(cāng)儲(chǔ)部門標(biāo)準(zhǔn)檢查方法.但扦樣法測(cè)出的害蟲密度誤差較大，而且在實(shí)際應(yīng)用中，由于該法扦樣過(guò)篩工作量大、勞動(dòng)強(qiáng)度高、工作環(huán)境差、效率低，難以適應(yīng)現(xiàn)代化糧食儲(chǔ)藏以及檢疫工作的需要，這些問(wèn)題也導(dǎo)致了對(duì)誘集法的研究[3-4]，但誘集法對(duì)不喜歡運(yùn)動(dòng)的害蟲效果較差，而且檢測(cè)效果受環(huán)境影響較大，測(cè)出的結(jié)果不穩(wěn)定并缺乏可比性.

模式識(shí)別是研究分類識(shí)別理論和方法的一種技術(shù)，是信息科學(xué)和人工智能的重要組成部分，主要應(yīng)用于圖像分析與處理、語(yǔ)音識(shí)別、計(jì)算機(jī)輔助診斷、數(shù)據(jù)挖掘等領(lǐng)域[5].隨著計(jì)算機(jī)技術(shù)的發(fā)展，將圖形、圖像等模式識(shí)別技術(shù)應(yīng)用于倉(cāng)儲(chǔ)害蟲的自動(dòng)識(shí)別和分類等研究領(lǐng)域已相當(dāng)普遍.Vinushree N 等[6]利用模糊c-均值聚類算法對(duì)害蟲的檢測(cè)和分類問(wèn)題做了初步研究，通過(guò)優(yōu)化目標(biāo)函數(shù)得到訓(xùn)練樣本點(diǎn)對(duì)核函數(shù)的隸屬度，從而決定樣本點(diǎn)的類屬以達(dá)到自動(dòng)對(duì)樣本數(shù)據(jù)進(jìn)行分類的目的.Betty Martin 等[7]采用矢量量化的方法對(duì)害蟲聲音信號(hào)進(jìn)行預(yù)處理，繼而研究害蟲的檢測(cè)技術(shù).Dai Ting 等[8]應(yīng)用DSP 技術(shù)和信息融合技術(shù)對(duì)倉(cāng)儲(chǔ)害蟲的智能檢測(cè)進(jìn)行了試探性的研究.QISF 等[9]提出了一種新型無(wú)線傳感器技術(shù)應(yīng)用與糧食害蟲的檢測(cè)工作.韓萍等[10]提出了基于混沌優(yōu)化的支持向量機(jī)模型參數(shù)自動(dòng)選擇算法，對(duì)儲(chǔ)糧害蟲檢測(cè)進(jìn)行了應(yīng)用研究.但就研究現(xiàn)狀而言，其識(shí)別和分類的準(zhǔn)確性和時(shí)效性還不能滿足實(shí)際需求.作者提出采用混沌優(yōu)化算法和支持向量機(jī)算法融合的方法對(duì)倉(cāng)儲(chǔ)害蟲所發(fā)出的一系列聲音進(jìn)行處理，不僅實(shí)現(xiàn)了對(duì)害蟲的有效預(yù)測(cè)，而且能準(zhǔn)確地對(duì)害蟲進(jìn)行分類識(shí)別.

1 混沌優(yōu)化算法特性分析

混沌優(yōu)化算法（Chaos Optimization Algorithm，COA）是一種新的全局優(yōu)化算法.其理論基礎(chǔ)是混沌的遍歷性，所以利用混沌變量進(jìn)行優(yōu)化搜索比盲目無(wú)序的隨機(jī)搜索更具有優(yōu)越性，它可以避免演化算法陷入局部最優(yōu)的缺點(diǎn).COA 選擇混沌動(dòng)力系統(tǒng)logistic 映射[11]作為載波的混沌變量，分析logistic 映射的非線性特征.

Logistic 映射具有極其復(fù)雜的動(dòng)力學(xué)行為，其數(shù)學(xué)表達(dá)式為：

其中，μ是控制參數(shù)，當(dāng)μ=4時(shí)，設(shè)x∈［0，1］，系統(tǒng)（1）完全陷入混沌狀態(tài)，輸出相當(dāng)于一個(gè)［0，1］之間的隨機(jī)數(shù)，且在［0，1］之間具有遍歷性和規(guī)律性，這是混沌系統(tǒng)的基本特征。

考慮一類連續(xù)對(duì)象的優(yōu)化問(wèn)題為:

混沌優(yōu)化算法的基本步驟為：

步驟1:算法初始化，令x=1，x'=1；對(duì)式（1）中分別賦i 個(gè)具有微小差異的初值，記為xi，n；

步驟2:用式（3）進(jìn)行載波，將選定的i 個(gè)混沌變量xi，n分別引入到式（2）的n 個(gè)優(yōu)化變量中，并將混沌變量的變化范圍分別調(diào)至相應(yīng)的優(yōu)化變量的取值區(qū)間內(nèi)，記為：

式中：b，c 均為常數(shù)，相當(dāng)于“所調(diào)倍數(shù)”；

步驟3：用混沌變量進(jìn)行迭代搜索，令xi，n=x′i，n，計(jì)算相應(yīng)的性能指標(biāo)f（x），令x*=xi（0）與f*=f（0）.如果f（x）≤f*，則f*=f(x)，=xi，否則放棄xi.置x=x+1；

步驟4：如果經(jīng)過(guò)步驟3 的若干步搜索f*都保持不變，則按式（4）進(jìn)行第二次載波.

式中：axi，n+1為遍歷區(qū)間很小的混沌變量，a 必為調(diào)節(jié)常數(shù)，xi*為當(dāng)前最優(yōu)解.反之，返回步驟3.

步驟5：用二次載波后的混沌變量繼續(xù)迭代搜索.令xi=x″1，n+1，計(jì)算相應(yīng)的性能指標(biāo)f*（x）.如果，否則放棄xi.置=+1.

步驟6：如果滿足終止判據(jù)則終止搜索,輸出最優(yōu)解x*i，f*.反之返回步驟5.

2 支持向量機(jī)的分類特性分析

支持向量機(jī)（Support Vector Machine，SVM）是Vapnik 等[12]提出的一類新型機(jī)器學(xué)習(xí)方法，通過(guò)尋求結(jié)構(gòu)化風(fēng)險(xiǎn)最小來(lái)提高學(xué)習(xí)機(jī)泛化能力，實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍的最小化，從而達(dá)到在統(tǒng)計(jì)樣本量較少的情況下，亦能獲得良好統(tǒng)計(jì)規(guī)律的目的.

SVM 處理線性可分的情況，而對(duì)于非線性的情況，SVM 的處理方法是選擇一個(gè)核函數(shù)（Kernel Function），通過(guò)將數(shù)據(jù)映射到高維空間，來(lái)解決在原始空間中線性不可分的問(wèn)題.文中的支持向量機(jī)分類器核函數(shù)采用高斯核函數(shù)（式5），將低維空間線性不可分的聲音信號(hào)按照Mercer 定理通過(guò)高斯核函數(shù)映射到高維空間如圖1 所示，并在高維空間中構(gòu)造線性可分超平面.

其具體的數(shù)學(xué)表達(dá)形式為:

圖1 樣本變量由低維空間映射至高維空間模擬圖Fig.1 Simulation diagram of sample variables mapped from low dimensional space to high-dimensional space

式中：xc 為核函數(shù)中心；?為函數(shù)的寬度參數(shù)，控制了函數(shù)的徑向作用范圍.

式中：||ω||2是目標(biāo)函數(shù)；C 是對(duì)樣本分類錯(cuò)誤懲罰因子，是解決數(shù)據(jù)采集偏斜問(wèn)題的；ζi是松弛變量，使分類減少損失，更加精確；（xi，yi）是一組訓(xùn)練樣本.

求解目標(biāo)函數(shù)的最優(yōu)值（即最小值），要通過(guò)拉格朗日乘子法轉(zhuǎn)變?yōu)槠鋵?duì)偶問(wèn)題（即最大值），最終求得其最優(yōu)分類面.其數(shù)學(xué)表達(dá)形式為式（7）和式（8）：

這樣，在低維不可分情況下，對(duì)于每個(gè)要判別的訓(xùn)練樣本x，計(jì)算高維空間中的最佳超平面分類判別函數(shù)為[13]：

其中，αi是支持向量xi對(duì)應(yīng)的Lagrange 算子；yi是支持向量xi的閥值（通常為1 或者-1）；l 是訓(xùn)練樣本總數(shù)；K 是核函數(shù)；f（x）值的正負(fù)分別代表不同的類別.

3 基于COA 和SVM 的倉(cāng)儲(chǔ)害蟲識(shí)別系統(tǒng)

主要介紹倉(cāng)儲(chǔ)害蟲聲音信號(hào)的識(shí)別和處理過(guò)程.試驗(yàn)中利用糧倉(cāng)模型中鋪設(shè)的聲音傳感器采集害蟲咬動(dòng)和爬行時(shí)的聲音信號(hào)，在對(duì)采集到的聲音信號(hào)進(jìn)行降噪、再進(jìn)行幅度歸一化，并從抽樣數(shù)據(jù)中通過(guò)去靜音分離出獨(dú)立的樣本[14]，然后通過(guò)COA 和SVM 算法進(jìn)行數(shù)據(jù)樣本的處理，從而得出樣本特征，判斷害蟲類別.具體系統(tǒng)結(jié)構(gòu)如圖2 所示.

圖2 系統(tǒng)結(jié)構(gòu)圖Fig.2 The diagram of system structure

3.1 倉(cāng)儲(chǔ)害蟲聲音信號(hào)的采集與處理

害蟲聲音信號(hào)采集前要將聲音傳感器鋪設(shè)在入糧1 a 后未實(shí)施任何保糧措施（如磷化氫環(huán)流熏蒸、防蟲磷噴施等）的試驗(yàn)糧倉(cāng)中，糧倉(cāng)模型如圖3所示.傳感器信號(hào)采樣率和采樣位分別為48 kHz和16 bit，倉(cāng)型選擇高大平房倉(cāng)，廒間長(zhǎng)約52 m，跨度約為18 m，高約為8 m，糧堆高約為6 m.針對(duì)研究倉(cāng)型，聲音信號(hào)傳感器布置點(diǎn)位置如圖4所示（僅模擬出一層糧面的傳感器布置情況）：跨度平面布置4 行（每5 m 一個(gè)），每行11 點(diǎn)（每5 m一點(diǎn)），共計(jì)44 點(diǎn)；每個(gè)測(cè)點(diǎn)的聲音信號(hào)傳感器分設(shè)6 層（每1 m 糧堆為1 層），即為S6為表層，S5為中上1 層，S4為中上2 層，S3為中下1 層，S2為中下2 層，S1為底層，共計(jì)264 個(gè)聲音信號(hào)傳感器.

當(dāng)聲音傳感器在對(duì)倉(cāng)儲(chǔ)害蟲聲音信號(hào)進(jìn)行采集時(shí)，不可避免地會(huì)被環(huán)境中的噪聲所淹沒(méi).所以，對(duì)采集到的原始信號(hào)進(jìn)行降噪對(duì)信號(hào)采集的準(zhǔn)確性是至關(guān)重要的.采用自適應(yīng)消聲抵消器來(lái)對(duì)采集到的原始信號(hào)進(jìn)行降噪.令原始輸入信號(hào)為y（q），不相關(guān)的噪聲為n（q），理想信號(hào)為s（q），自適應(yīng)抵消器原理如圖5 所示.

圖3 高大平方倉(cāng)倉(cāng)型模擬圖Fig.3 Simulation diagram of large flat warehouse

圖4 倉(cāng)內(nèi)聲音信號(hào)傳感器布置圖Fig.4 The layout diagram of voice signal sensors in the warehouse

圖5 自適應(yīng)抵消器原理圖Fig.5 The principle of the self-adaptive canceller

噪聲傳感器的輸出x（q）經(jīng)數(shù)字濾波器后送入抵消器產(chǎn)生的輸出信號(hào)x（q），根據(jù)兩噪聲信號(hào)相關(guān)和信號(hào)噪聲獨(dú)立的特性，利用自適應(yīng)算法調(diào)節(jié)數(shù)字濾波器的參數(shù)，使得輸出信號(hào)z（q）逼近信號(hào)源迭加的噪聲n（q），這樣抵消器的輸出信號(hào)e（q）逼近被測(cè)信號(hào)s（q）.去噪前的害蟲聲音信號(hào)如圖6 所示，去噪后的害蟲聲音信號(hào)如圖7 所示.

這兩種聲音信號(hào)均為沒(méi)有對(duì)害蟲進(jìn)行分類時(shí)（主要為谷蠹和米象的混合聲音信號(hào)）的信號(hào)樣本.從圖6 和圖7 可以看出：去噪前害蟲聲音信號(hào)由于外界噪音和倉(cāng)內(nèi)微氣流流動(dòng)的干擾，呈非線性變化，去噪后信號(hào)基本呈線性變化趨勢(shì)，信號(hào)由弱變強(qiáng)，主要集中在68 Hz 附近.對(duì)降噪后的信號(hào)數(shù)據(jù)進(jìn)行歸一化處理后，提取聲音信號(hào)頻率值較明顯的中間60 位組成倉(cāng)蟲信號(hào)特征向量，對(duì)后面的算法實(shí)現(xiàn)和分類器的構(gòu)造奠定基礎(chǔ).

3.2 倉(cāng)儲(chǔ)害蟲聲音信號(hào)識(shí)別與分類的算法實(shí)現(xiàn)

混沌優(yōu)化算法由于其遍歷性的特點(diǎn)而精度較高，但載波次數(shù)過(guò)多，導(dǎo)致效率低，時(shí)間長(zhǎng)，對(duì)于大數(shù)據(jù)處理有一定的弊端.在我國(guó)倉(cāng)儲(chǔ)害蟲主要有幾十種，但每種害蟲的咬噬、運(yùn)動(dòng)聲音不同，因此倉(cāng)儲(chǔ)害蟲分類識(shí)別屬于多分類問(wèn)題.支持向量機(jī)利用核函數(shù)解決了數(shù)據(jù)在低維空間中線性不可分的問(wèn)題，但由于支持向量機(jī)是借助二次規(guī)劃來(lái)求解支持向量，而求解二次規(guī)劃將涉及m 階矩陣的計(jì)算（m 為樣本的個(gè)數(shù)），當(dāng)m 數(shù)目很大時(shí)該矩陣的存儲(chǔ)和計(jì)算將耗費(fèi)大量的機(jī)器內(nèi)存和運(yùn)算時(shí)間.因此，本文探索性的將混沌優(yōu)化算法和支持向量機(jī)進(jìn)行融合，并運(yùn)用于糧倉(cāng)害蟲檢測(cè)與分類技術(shù)，其算法步驟為：

步驟1：算法初始化后，利用混沌的遍歷性進(jìn)行Logistic 映射迭代擾動(dòng)，用式（3）進(jìn)行載波，尋找其優(yōu)化變量，求解特征向量a*；

步驟2：對(duì)特征向量a*進(jìn)行整理，計(jì)算其樣本分類錯(cuò)誤懲罰因子C 和函數(shù)的寬度參數(shù)?，利用式（6）進(jìn)行第二次載波，計(jì)算出閥值b；

步驟3：將求出的參數(shù)帶入式（9），繼而得出最佳超平面分類判別函數(shù)f（x）；

步驟4：求出每類害蟲的判別函數(shù)f（x），將信號(hào)輸入分類器，開始檢測(cè)判別害蟲種類.

利用logistic 混沌映射進(jìn)行迭代優(yōu)化，迭代軌跡如圖8 所示.

由圖8 可以看出，當(dāng)μ∈［0，1］，映射為穩(wěn)定的不動(dòng)點(diǎn)；當(dāng)μ∈［1，3］，映射有2 個(gè)不動(dòng)點(diǎn)；當(dāng)μ＝3.5，系統(tǒng)開始進(jìn)入混沌狀態(tài).

圖6 去噪前的害蟲聲音信號(hào)Fig.6 Insect pests’sound signal before denoising

圖7 去噪后的害蟲聲音信號(hào)Fig.7 Insect pests’sound signals after denoising

4 結(jié)果分析

選擇糧堆中比較常見(jiàn)的兩種害蟲谷蠹、米象，分別采集了分類后兩種害蟲爬行的聲音信號(hào).不同害蟲咬食糧食或爬行的頻段分布，不同害蟲由于口器結(jié)構(gòu)不同，咬食糧食的聲音頻段也應(yīng)是不同的[15].谷蠹爬行聲音信號(hào)頻譜圖如圖9 所示，米象爬行聲音信號(hào)頻譜圖如圖10 所示.

圖8 logistic 映射的迭代軌跡Fig.8 Iterative trajectory of logistic mapping

圖9 谷蠹爬行聲音信號(hào)頻譜圖Fig.9 The crawling sound signal spectrum of Rhizopertha dominicas

從兩種聲音信號(hào)中各提取50 個(gè)聲音信號(hào)的特征向量，構(gòu)成一個(gè)5×20 的特征向量矩陣，選擇前10 組數(shù)據(jù)，即50 個(gè)特征數(shù)據(jù)作為訓(xùn)練樣本，用高斯核函數(shù)將特征向量從低維空間映射到高維空間，利用混沌的遍歷性進(jìn)行Logistic 映射迭代擾動(dòng)，尋求局部最優(yōu)解，再通過(guò)變換懲罰因子C 和高斯核函數(shù)參數(shù)K 獲得支持向量的最優(yōu)分類面.選擇兩種聲信號(hào)特征向量矩陣的后10 組數(shù)據(jù)即50個(gè)特征向量作為測(cè)試樣本，確定每個(gè)測(cè)試樣本的種類，計(jì)算分類正確率.對(duì)于不同的核函數(shù)K，兩種害蟲信號(hào)分類的正確率也會(huì)存在相應(yīng)的差異，具體如表1 所示.

幅值的大小反映了3 種儲(chǔ)糧害蟲活動(dòng)能量的大小，反映了其爬行活動(dòng)的劇烈程度.谷蠹在爬行時(shí)的聲音頻譜3 個(gè)主峰分別在14 Hz、25 Hz、50 Hz 附近，米象在爬行時(shí)的聲音頻譜的3 個(gè)主峰分別在25 Hz、40 Hz、50 Hz 附近，由它們的蟲體大小差別程度和糧食籽粒之間的氣流流動(dòng)不同所致，從而導(dǎo)致幅值大小的變化.

表1 不同核函數(shù)K 對(duì)聲音信號(hào)識(shí)別率的影響（谷蠹/米象）Table 1 The influence of different kernel function K on sound signal recognition rate(Rhizopertha dominica/Sitophilus oryzae)

由表1 可知，核函數(shù)對(duì)害蟲聲音信號(hào)的識(shí)別存在一定的影響.當(dāng)K 取2.5 時(shí)，谷蠹的識(shí)別率達(dá)到了96.7%；當(dāng)K 取3 時(shí)，米象的識(shí)別率達(dá)到了96.1%.此時(shí)，懲罰因子對(duì)害蟲識(shí)別率的影響如表2 所示.

表2 懲罰因子C 對(duì)聲音信號(hào)識(shí)別率的影響（谷蠹/米象）Table 2 The influence of penalty factor C to sound signal recognition rate (Rhizopertha dominica/Sitophilus oryzae)

隨著懲罰參數(shù)C 值的變化，2 種信號(hào)的識(shí)別率發(fā)生波動(dòng)，當(dāng)C 值達(dá)到21時(shí)，識(shí)別率達(dá)到穩(wěn)定狀態(tài)，2 種信號(hào)的分類情況最穩(wěn)定，效果最好.

綜上，使用MATLAB7.1 對(duì)兩種聲信號(hào)進(jìn)行分類時(shí)，設(shè)置參數(shù)C=21、K=2.5 和3，結(jié)果如表3 所示.

表3 兩種聲音信號(hào)分類結(jié)果Table 3 Classification results of two kinds of sound signal

由表3 可知，利用COA 和SVM 結(jié)合的方法能夠有效地對(duì)各種聲信號(hào)的特征向量進(jìn)行訓(xùn)練和測(cè)試，對(duì)米象爬行的信號(hào)檢測(cè)正確率偏低于谷蠹爬行的信號(hào)，但總體情況下，分類效果良好，有助于進(jìn)一步研究倉(cāng)儲(chǔ)害蟲的檢測(cè)與分類.

5 結(jié)論

以糧倉(cāng)中的儲(chǔ)糧害蟲為研究對(duì)象，收集并研究了糧蟲谷蠹/米象的形態(tài)及習(xí)性，設(shè)計(jì)采集裝置采集儲(chǔ)糧害蟲的活動(dòng)聲信號(hào)，分析并對(duì)比采集的聲信號(hào)特征.利用混沌算法的遍歷性和支持向量機(jī)的學(xué)習(xí)機(jī)泛化能力，提出了基于混沌優(yōu)化算法和支持向量機(jī)的倉(cāng)儲(chǔ)害蟲檢測(cè)與分類方法，經(jīng)過(guò)一系列的模擬仿真，驗(yàn)證了識(shí)別不同種類害蟲聲信號(hào)的可行性，取得了較好的識(shí)別效果.但關(guān)于聲信號(hào)的研究空間廣泛，試驗(yàn)有待于更深一步的研究，尚有拓展和提高的方面[16]：

（1）儲(chǔ)糧害蟲種類繁多且復(fù)雜，害蟲的行為方式多種多樣，每種害蟲的活動(dòng)行為都會(huì)存在一定的差異，本試驗(yàn)僅以米象和谷蠹的爬行信號(hào)為研究對(duì)象，不能反映所有的糧蟲活動(dòng)特征.在未來(lái)的研究中，可選用更多種類的糧蟲，采集多種活動(dòng)聲信號(hào)進(jìn)行研究，為建立儲(chǔ)糧害蟲活動(dòng)聲音信號(hào)特征數(shù)據(jù)庫(kù)提供更多的基礎(chǔ)數(shù)據(jù).

（2）儲(chǔ)糧害蟲活動(dòng)聲信號(hào)微弱，易受環(huán)境及設(shè)備噪聲的影響，本試驗(yàn)尚未比較聲音信號(hào)在去噪前后的識(shí)別率.

（3）算法的融合使得識(shí)別和檢測(cè)效率和精度顯著增強(qiáng)，但由于模擬中采集的害蟲聲音信號(hào)樣本較少，特征向量的提取不夠全面，導(dǎo)致整個(gè)系統(tǒng)的性能不夠完善.

［1］GB 5491—1985，糧食、油料檢驗(yàn)扦樣、分樣法［S］.

［2］姚渭.糧蟲陷阱檢測(cè)技術(shù)研究及應(yīng)用［C］//中國(guó)糧油學(xué)會(huì)首屆學(xué)術(shù)年會(huì)論文選集（儲(chǔ)藏專業(yè)卷），2000:7-16.

［3］Wilkin D R，F(xiàn)leura-Lessard F.The detection of insects in grain using conventional samplings spears［C］//Proc 5th Int Wkg Conf on Storedproduct Protection.Bordeaux，1990:1445-1450.

［4］徐昉，白旭光，邱道尹，等.國(guó)內(nèi)外儲(chǔ)糧害蟲檢測(cè)方法［J］.糧油倉(cāng)儲(chǔ)科技通訊，2001，29（5）：23-26.

［5］劉娟.基于信度函數(shù)分形維數(shù)的模式識(shí)別研究［D］.重慶：西南大學(xué)，2014.

［6］Vinushree N，Hemalatha B，Vishnu Kumar Kaliappan.Efficient kernel-based fuzzy C-Means clustering for pest detection and classification［C］//2014 World Congress on Computing and Communication Technologies.IEEE Press，2014:179-181.

［7］Betty Martin，Vimala Juliet.Detection of Pest infestation by preprocessing sound using vector quantization［C］//2010 2nd International Conference on Signal Processing Systems（ICSPS）.IEEE Press，2010:219-223.

［8］Dai Ting，Zhang Miao，Zhang De Xian.On the intelligent detection of insects in stored grain［C］//2011 International Conference on Electronic &Mechanical Engineering and Information Technology.IEEE Press，2011:2427-2430.

［9］QI S F，LI Y H.A New wireless sensor used in grain pests detection［C］//2012 International Conference on Control Engineering and Communication Technology.IEEE Press，2012:755-758.

［10］韓萍，張慧檔，孫福艷，等.混沌優(yōu)化的倉(cāng)儲(chǔ)害蟲聲音信號(hào)識(shí)別研究［J］.微電子學(xué)與計(jì)算機(jī)，2012，29（2）:36-39，43.

［11］盧侃，孫建華，歐陽(yáng)容百，等.混沌動(dòng)力學(xué)［M］.上海:上海遠(yuǎn)東出版社，1990:24-53.

［12］Vapnik V.The nature of statistical learning theory［M］.New York:Springer-Verlag，1995.

［13］唐發(fā)明，陳綿云，王仲東，等.基于支持向量機(jī)的倉(cāng)儲(chǔ)害蟲聲音識(shí)別［J］.華中科技大學(xué)學(xué)報(bào)，2005，33（2）:34-36.

［14］韓萍.倉(cāng)儲(chǔ)物害蟲聲音的模式識(shí)別［J］.計(jì)算機(jī)工程，2003，29（22）:151-154.

［15］董志杰.基于聲音信號(hào)的儲(chǔ)糧害蟲檢測(cè)技術(shù)研究［D］.鄭州：河南工業(yè)大學(xué)，2013.

［16］張明真.儲(chǔ)糧害蟲活動(dòng)聲信號(hào)識(shí)別研究[D］.西安：陜西師范大學(xué)，2013.