Zdokonalení metod znalostního inženýrství používaných pro včasnou detekci říje u skotu

Abstract

Tato práce se zabývá výzkumem včasné detekce říje krav na moderních automatizovaných farmách. Jejím cílem je porovnat vybrané techniky znalostního inženýrství s referenčním řešením. Mezi zkoumané techniky patří především: Naive Bayes kernel, Decision tree, ARIMA a Coxova regrese.

Výsledky ukazují, že je možné vylepšit jak přesnost, tak sensitivitu referenčního řešení. Nejzajímavějšího výsledku bylo dosaženo za pomoci klasifikátoru Naive Bayes kernel, který dosahuje o 12 % lepší přesnosti, zatímco sensitivita je stále o 2 % vyšší než sensitivita referenčního řešení.

Nedílnou součástí je také předzpracování dat, jehož cílem je odstranění šumu a extrakce příznaků. K odstranění šumu z dat byly použity metody klouzavý průměr a Butterworthův filtr.

The aim of the thesis is a research of early detection of cow heat on modern automated farms. The main goal is to compare several knowledge-based engineering techniques with reference solution. Specifically Naive Bayes kernel, Decision tree, ARIMA and Cox's regression techniques are used for the experiments.

Results show that it is possible to outperform precision as well as sensitivity of reference solution. The most interesting result suggests that precision can be outperformed by Naive Bayes kernel by 12% while sensitivity stays 2% higher than sensitivity of reference solution.

No less important is also the data preprocessing step which aims to remove noise and extract features from the data. The techniques used for removing the noise and smoothing the data are Moving average and Butterworth filter.