本發(fā)明涉及神經(jīng)網(wǎng)絡，特別涉及一種基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)。

背景技術：

1、豬舍環(huán)境質量是生豬健康養(yǎng)殖的關鍵，直接影響生豬的生長狀態(tài)和豬業(yè)生產(chǎn)效益。生豬設施養(yǎng)殖中會產(chǎn)生大量有害氣體，如氨氣、硫化氫、二氧化碳、甲烷等，其中氨氣濃度是評價豬舍環(huán)境質量的關鍵指標之一。氨氣是一種無色、有毒、有強烈刺激性氣味的氣體，導致豬只免疫力下降，氨氣濃度過高時會對豬只的呼吸道粘膜和眼結膜產(chǎn)生刺激，誘發(fā)各種炎癥。

2、目前，我國生豬設施養(yǎng)殖環(huán)境智能監(jiān)測技術和智能決策技術相對落后，主要難點在于：生豬養(yǎng)殖環(huán)境是一個多變量、非線性、時變耦合系統(tǒng)，各環(huán)境因素相互影響、相互制約，作用機理復雜。因此，亟需利用先進的智能感知技術和智能決策技術研究探索生豬設施養(yǎng)殖多環(huán)境參數(shù)的監(jiān)測方法，實現(xiàn)豬舍環(huán)境的精準調控，保證生豬健康生長，提高福利化養(yǎng)殖水平，對我國豬業(yè)生產(chǎn)具有重要的理論價值和現(xiàn)實意義。

3、國外有關于應用人工神經(jīng)網(wǎng)絡進行農業(yè)養(yǎng)殖環(huán)境氨氣濃度的檢測研究，國內也有學者對農業(yè)養(yǎng)殖環(huán)境氨氣濃度進行檢測研究。氨氣濃度受豬舍內溫濕度和通風等環(huán)境因素影響，僅僅依靠監(jiān)測設備雖然可以獲取氨氣濃度數(shù)據(jù)，但存在調控滯后性的問題。及時準確獲取農業(yè)養(yǎng)殖環(huán)境的氨氣濃度變化情況，有利于養(yǎng)殖管理人員及時了解豬舍環(huán)境質量狀況，為豬舍環(huán)境及時的精準調控提供科學依據(jù)，從而提供生豬福利化養(yǎng)殖水平和豬業(yè)生產(chǎn)的效益。但是，但是，上述研究工作均未考慮豬舍多環(huán)境參數(shù)的耦合效應，并著重將神經(jīng)網(wǎng)絡等應用于豬舍內氨氣濃度檢測上。

技術實現(xiàn)思路

1、本發(fā)明提供一種基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，分析了豬舍氨氣對豬只健康的影響，考慮豬舍多環(huán)境參數(shù)的耦合效應，提出豬舍氨氣濃度的溫度、濕度、風速校正融合方法，旨在提高生豬設施養(yǎng)殖豬舍氨氣濃度的檢測精度。

2、本發(fā)明提供一種基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，包括：依次連接的豬舍環(huán)境參數(shù)采集模塊、豬舍氨氣濃度檢測模塊；

3、其中，豬舍環(huán)境參數(shù)采集模塊用于采集豬舍內的氨氣信息、風速信息、溫度信息、濕度信息；

4、豬舍氨氣濃度檢測模塊包括：依次連接的豬舍氨氣預測子模塊、豬舍風速預測子模塊、豬舍溫度預測子模塊、豬舍濕度預測子模塊、基于narx神經(jīng)網(wǎng)絡的豬舍氨氣校正融合子模塊；

5、豬舍氨氣預測子模塊用于基于氨氣信息預測豬舍內的預測氨氣濃度；

6、豬舍風速預測子模塊用于基于風速信息預測豬舍內的預測風速；

7、豬舍溫度預測子模塊用于基于溫度信息預測豬舍內的預測溫度；

8、豬舍濕度預測子模塊用于基于濕度信息預測豬舍內的預測濕度；

9、豬舍氨氣校正融合子模塊用于基于預測風速、預測濕度、預測溫度，對預測氨氣濃度進行校正。

10、本發(fā)明取得了以下有益效果：

11、1、本發(fā)明根據(jù)豬舍氨氣和豬舍風速參數(shù)樣本差異的特點，構建豬舍氨氣fcm聚類的rbf網(wǎng)絡分類器和豬舍風速k-means聚類的art2神經(jīng)網(wǎng)絡分類器分別對豬舍氨氣和豬舍風速多點樣本參數(shù)進行分類，設計關于豬舍氨氣的多個組合預測模型和drnn神經(jīng)網(wǎng)絡豬舍氨氣預測結果重構模型，還設計關于豬舍風速的小波包分解模型、elman神經(jīng)網(wǎng)絡預測模型組和drnn神經(jīng)網(wǎng)絡豬舍風速預測結果重構模型；在對豬舍氨氣和豬舍風速預測連續(xù)預報過程中，充分考慮它們在時間、空間方面的特性，把成因相近、相對勻質的數(shù)據(jù)從海量級的數(shù)據(jù)中提取出來，從而建立針對性更強的、更能反映任意時間段的預測模型，提高預測豬舍氨氣和豬舍風速的預測精度。

12、2、本發(fā)明組合預測模型基于xgboost極端梯度增強預測模型、bigru雙向門控循環(huán)單元預測模型、arima差分自回歸滑動平均預測模型三種方法建立預測子模型，分別實現(xiàn)對豬舍氨氣的非線性組合逼近，構建組合預測模型，基于matlab仿真平臺對豬舍氨氣進行預測。實例研究表明，組合預測模型可以融合單一預測方法的信息，實現(xiàn)信息互補，提高模型的魯棒性，融合多種方法的預測結果相較于單一預測方法更科學、更精準。

13、3、本發(fā)明通過豬舍溫度ceemdan分解模型將具有非線性和非平穩(wěn)性特征的豬舍溫度參數(shù)時間序列分解為多個本征模函數(shù)imf分量和一個殘余量r(t)，為避免過多的本征模函數(shù)imf分量顯著提升模型訓練難度和降低預測精度，采用排列熵將分解的本征模函數(shù)imf分量進行相空間重構得到子序列，從而降低本征模函數(shù)imf分量的復雜度，利用偏自相關函數(shù)和隨機森林對子序列進行雙尺度特征選擇得到新子序列，再利用各新子序列分別構建elm極限學習機豬舍溫度預測模型，最后通過drnn神經(jīng)網(wǎng)絡將各新子序列的預測結果進行非線性疊加得到最終的豬舍溫度輸出值。實例研究表明，所提出的最終預測結果具有較高的豬舍溫度預測精度。

14、4、本發(fā)明通過豬舍濕度vmd分解模型把豬舍濕度分解為多個imf和一個殘余量r(t)，為避免過多的imf分量顯著提升模型訓練難度和降低預測精度，采用模糊熵計算各分量的復雜度，根據(jù)得到的模糊熵值，將具有相似模糊熵值的分量進行疊加合并得到新子序列，減少分量的數(shù)量，將波動特性復雜的高頻子序列作為復雜時間序列學習能力強的lstm神經(jīng)網(wǎng)絡模型的輸入，將波動特性不太復雜的中低頻子序列作為lssvr最小二乘支持向量回歸機模型的輸入，lstm神經(jīng)網(wǎng)絡模型的輸出和lssvr最小二乘支持向量回歸機模型的輸出作為drnn神經(jīng)網(wǎng)絡濕度預測結果融合模型的輸入，通過drnn神經(jīng)網(wǎng)絡非線性疊加輸出最終的濕度預測值。實例研究表明，所提出的最終預測結果具有較高的豬舍濕度預測精度。

15、5、本發(fā)明豬舍氨氣濃度動態(tài)校正融合子模塊由8個dy/dt模塊和narx神經(jīng)網(wǎng)絡組成，8個dy/dt模塊均分4組，每組2個dy/dt單元相串聯(lián)構成4個變化率回路，通過變化率回路1把直接影響豬舍氨氣的一次變化率和二次變化率引入豬舍氨氣濃度動態(tài)校正融合子模塊的narx神經(jīng)網(wǎng)絡訓練中，通過變化率回路2、3、4把間接影響豬舍氨氣的風速、溫度和濕度的一次變化率和二次變化率引入豬舍氨氣濃度動態(tài)校正融合子模塊的narx神經(jīng)網(wǎng)絡訓練中，形成新的輸入向量，具有良好的非線性映射能力，提高了網(wǎng)絡的泛化能力，使其在非線性豬舍氨氣濃度的動態(tài)校正融合子模塊中相較于傳統(tǒng)的靜態(tài)神經(jīng)網(wǎng)絡具有更好的校正精度和自適應能力，提高豬舍氨氣濃度的預測精度。

16、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現(xiàn)和獲得。

17、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。

技術特征：

1.一種基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，包括：依次連接的豬舍環(huán)境參數(shù)采集模塊、豬舍氨氣濃度檢測模塊；

2.如權利要求1所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，豬舍氨氣預測子模塊包括：依次連接的豬舍氨氣fcm聚類的rbf網(wǎng)絡分類器、多個組合預測模型、drnn神經(jīng)網(wǎng)絡豬舍氨氣融合模型；

3.如權利要求1所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，豬舍風速預測子模塊包括：依次連接的豬舍風速k-means聚類的art2神經(jīng)網(wǎng)絡分類器、小波包分解模型、elman神經(jīng)網(wǎng)絡預測模型組、drnn神經(jīng)網(wǎng)絡豬舍風速融合模型；

4.如權利要求1所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，豬舍溫度預測子模塊包括：依次連接的豬舍濕度ceemdan分解模型、排列熵重構步驟、利用偏自相關函數(shù)和隨機森林對子序列進行雙尺度特征選擇步驟、elm極限學習機豬舍溫度預測模型、drnn神經(jīng)網(wǎng)絡豬舍溫度融合模型。

5.如權利要求1所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，豬舍濕度預測子模塊包括：依次連接的豬舍濕度vmd分解模型、模糊熵合并步驟、lstm神經(jīng)網(wǎng)絡模型、lssvr最小二乘支持向量回歸機模型、drnn神經(jīng)網(wǎng)絡豬舍濕度融合模型。

6.如權利要求1所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，豬舍氨氣校正融合子模塊包括：依次連接的變化率回路、narx神經(jīng)網(wǎng)絡。

7.如權利要求2所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，豬舍氨氣fcm聚類的rbf網(wǎng)絡分類器包括：

8.如權利要求2所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，xgboost極端梯度增強豬舍氨氣預測模型包括：

9.如權利要求2所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，bigru雙向門控循環(huán)單元豬舍氨氣預測模型包括：

10.如權利要求2所述的基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其特征在于，灰色gm(1,1)預測模型是將無規(guī)律的豬舍氨氣的歷史數(shù)據(jù)進行累加，得到規(guī)律性比較強的生成數(shù)據(jù)序列后預測豬舍氨氣的建模過程，由生成預測豬舍氨氣灰色gm(1,1)預測模型得到的數(shù)據(jù)再進行累減得到原始數(shù)據(jù)的預測值；假設要預測的豬舍氨氣的歷史數(shù)據(jù)序列為：

技術總結
本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡的生豬設施養(yǎng)殖豬舍氨氣濃度檢測系統(tǒng)，其中，方法包括：依次連接的豬舍環(huán)境參數(shù)采集模塊、豬舍氨氣濃度檢測模塊；其中，豬舍環(huán)境參數(shù)采集模塊用于采集豬舍內的氨氣信息、風速信息、溫度信息、濕度信息；豬舍氨氣校正融合子模塊用于基于預測風速、預測濕度、預測溫度，對預測氨氣濃度進行校正。分析了豬舍氨氣對豬只健康的影響，考慮豬舍多環(huán)境參數(shù)的耦合效應，提出豬舍氨氣濃度的溫度、濕度、風速校正融合方法，旨在提高生豬設施養(yǎng)殖豬舍氨氣濃度的檢測精度。

技術研發(fā)人員：陳沖,關尚康,趙杰,于程陽,張穎,陳呂明,徐文韜
受保護的技術使用者：鹽城工學院
技術研發(fā)日：
技術公布日：2024/12/17