Промышленное производство свинины

Суть интегрального способа обработки многомерных данных, характеризующих основные свойства нервной деятельности по принципу функционального их отображения в «видимое» двухмерное пространство, можно изложить следующим образом: обозначить исходную совокупность информативных косвенных признаков, характеризующих ЦНС, в виде некоторого вектора


Реклама: В нашем интернет магазине Вы можете купить китайский n95 и другие популярные модели сотовых телефонов по низким ценам. Мы осуществляем доставку телефонов по всей России. Теперь крутой телефон доступен каждому.

Очевидно, что при всей совокупности возможных значений признаков, соответствующих, например, определенному типу ЦНС животных, в N-мерном пространстве описания будет соответствовать некоторый гиперобъем данных, например, А. Другой совокупности данных этих же параметров Х1, Х2, X3 определяющих следующий отличаемый тип ЦНС, будет соответствовать и другой гиперобъем данных В, которые должны быть разделимы в N-мерном пространстве (на основании гипотезы о компактности и разделимости). Иначе решение задачи классификации (распознавания) невозможно. Такие гиперобъемы данных, сформированные для представительных групп животных с известными типами ЦНС, определенными другими известными методами, будут представлять собой выборки (или архивы) обучающих данных, которые в дальнейшем используются для обучения специализированного блока принятия решений, осуществляющего автоматический отбор (классификацию) животных по необходимым типам ЦНС после съема и представления ему вектора данных формула обследуемого животного.

Графические иллюстрации метода классификации типов ЦНС

Для осуществления отображения многомерных данных в «видимое» двухмерное пространство вводится новое пространство F = F1 F2, представляющее собой декартово произведение координат F1 и F2, которые функционально связаны с вектором исходных информативных данных формула то есть

где xi, (i = 1, 2,…, n — исходные информативные параметры объектов; а1 Ь1 — вещественные коэффициенты (веса признаков х1 в линейных функциях, определяемые в процессе обучения).
Тогда при определенных и постоянных значениях ai, bi для каждого набора значений информативных параметров x1

Сформированный по обучающим выборкам трафарет с границами отображенных классов (типов ЦНС) используется затем в специализированном устройстве, осуществляющем отображение многомерных данных на экран электронно-лучевой трубки (ЭЛТ), для автоматической классификации неизвестных объектов (животных) после измерения и ввода информативных данных с испытуемого животного в блок принятия решений путем оценки попадания отображающей точки данного объекта в границы того или иного класса (типа ЦНС).

В общем случае при отображении многомерных объектов обучающих выборок при неоптимально выбранных значениях коэффициентов аi bi в функциях отображения F1 и F2 в пространстве отображения возможно «наложение» (пересечение) отображений классов А*, В* (и т. д.), для чего необходимо провести расчет оптимальных данных a*, b* на основе достоверных обучающих данных архивов, принадлежащих априори известным группам животных с определенным типом ЦНС. Для вычисления необходимых аi bi вводится критерий минимума (или нуля) пересечений отображений различаемых образов (типов ЦНС), который можно представить в виде некоторого функционала R, описывающего зону наложения «плоских отображений» классов в пространстве F (рис. 21).
Способы описания функционала R могут быть различны; с геометрической точки зрения способ описания R, который будет одинаковым для любых задач, можно осуществить так.
1. Один из отображенных классов (например, А*) сплошь покрывается кругами достаточно малого радиуса r с центрами в точках отображения многомерных исходных объектов класса А. Выполнив предварительное их отображение и выбрав необходимое значение r, определяется функционал R.
2. Функционал записывается в виде:

4. Достигнув R = min (нулю) при каких-то значениях аi bi расчет на ЭВМ заканчивается, а найденные значения ai bi используются для обучения специального блока принятия решения, формируя на обучающей выборке разделяющие границы для исследуемых классов (типов ЦНС).
В качестве информативных косвенных параметров функциональных подсистем животного используются:
1) сила нервной системы, которая определяется пороговым уровнем раздражения Qn, характеризующимся амплитудой и длительностью импульса, то есть общим количеством электричества, при котором у животного возникает ответная реакция (вздрагивание); временем рефлекса (появление ответной реакции) top; временем торможения возникшего возбуждения fт; частотой ритма (пульса) сердечных сокращений fп;
2) уравновешенность нервной системы можно характеризовать соотношением изменений (или просто отклонениями) частоты пульса fп животного при возбудительном и тормозном нервных процессах после первичного раздражения

3) подвижность нервной системы рекомендуют определять с помощью такого косвенного показателя, как разница во время ответной реакции животного на электрический раздражитель в состоянии покоя и после воздействия каких-либо отвлекающих раздражителей (светового, звукового и т. д.), то есть

Очевидно, что совокупность косвенных информативных параметров необходимо сначала измерить с помощью соответствующих электронных схем (блоков), а затем уже провести кибернетическую обработку исходных данных с целью осуществления автоматической классификации исследуемых животных с помощью блока принятия решения, обученного на обучающем архиве, который представляет собой специализированный телевизионный дисплей.
Структурная схема прибора, осуществляющего автоматизированный отбор высокопродуктивных животных по типам ЦНС в соответствии с представленными способами съема и специализированной интегральной обработкой исходных многомерных данных испытуемых животных, изображена на рисунке 22.

Главная / Этология свиней / МЕТОДЫ ОЦЕНКИ ПОВЕДЕНИЯ ЖИВОТНЫХ Страница: 1 2 3 4 5 6 7 8 9