CN104778625B - 基于不确定性支持向量分类的智能营养配比方法和系统 - Google Patents
基于不确定性支持向量分类的智能营养配比方法和系统 Download PDFInfo
- Publication number
- CN104778625B CN104778625B CN201410014380.4A CN201410014380A CN104778625B CN 104778625 B CN104778625 B CN 104778625B CN 201410014380 A CN201410014380 A CN 201410014380A CN 104778625 B CN104778625 B CN 104778625B
- Authority
- CN
- China
- Prior art keywords
- milk
- milk cow
- nutriment
- feed
- cow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Feed For Specific Animals (AREA)
Abstract
本发明提供一种基于不确定性支持向量分类的智能营养配比方法和系统,包括用于存储与各只被监测奶牛ID分别对应的奶牛历史监测信息的数据库,营养需要模型构建模块、营养需要配比计算模块、多目标函数和约束条件构建模块、最优饲料供应量求解模块以及智能配料模块,本发明提供的基于不确定性支持向量分类的智能营养配比方法和系统,根据奶牛的基本信息、日采食量和产奶量的不同而适时适量地调配不同的配料,智能得到符合现有农场资源的最优配比的混合饲料,既实现奶牛的优质、高效生产;同时,还提高了饲料的利用效率,实现奶牛养殖过程的精细养殖。
Description
技术领域
本发明属于智能配料技术领域,具体涉及一种基于不确定性支持向量分类的智能营养配比方法和系统。
背景技术
近几年,我国奶牛养殖业的生产发展迅速,奶牛的日粮结构不仅影响到日粮的成本、饲料的利用效率,而且最终会影响奶牛本身的健康和乳品质,但是,目前,众多饲养户仍停留在经验手工配料阶段,不利于奶牛养殖业综合竞争能力的提高。另外,奶牛养殖过程与农场管理的复杂性决定了奶牛配料的特殊性,而传统的配料系统仅考虑单一目标,不能有效解决奶牛养殖过程的精细养殖。
发明内容
针对现有技术存在的缺陷,本发明提供一种基于不确定性支持向量分类的智能营养配比方法和系统,能够智能得到符合农场现有农场资源的最优配比的混合饲料,实现奶牛养殖过程的精细养殖。
本发明采用的技术方案如下:
本发明提供一种基于不确定性支持向量分类的智能营养配比方法,包括以下步骤:
S1,数据库中存储与各只被监测奶牛ID分别对应的奶牛历史监测信息;所述奶牛历史监测信息包括奶牛基本信息、奶牛历史饲喂信息、奶牛历史生活环境信息、奶牛历史状态信息、生奶品质评价指标和生奶品质的不确定性评价结果;其中,所述奶牛历史饲喂信息包括所饲喂的各营养物质配比;生奶品质的不确定性评价结果包括优质奶质和普通奶质,通过以下方法获得:由若干个专家或者专业品奶师对于各项评价指标分别评价,若各项评价指标的评价结果均为优,则得出所评价的生奶为优质奶质的结论;否则,得出所评价的生奶为普通奶质的结论;
S2,当需要确定指定被监测奶牛当日所需营养物质配比时,通过读卡器读取固定在所述指定被监测奶牛上的RFID标签,获得指定被监测奶牛ID;同时,采集当日奶牛生活环境信息和当日奶牛状态信息;
将所述被监测奶牛ID、所述当日奶牛生活环境信息和当日奶牛状态信息发送到服务器;
S3,所述服务器读取数据库,获得与所述被监测奶牛ID对应的l天的奶牛历史监测信息,以l天的奶牛历史监测信息作为训练样本集采用基于不确定性支持向量机构建被监测奶牛的营养需要模型;
其中,xi代表第i天的多维特征向量,多维特征向量的各维度特征值即为奶牛历史监测信息中的某一具体参数值;pi +表示对于第i天的生奶,评价生奶为优质奶质的专家数量;pi -表示对于第i天的生奶,评价生奶为普通奶质的专家数量;
S4,将当日奶牛生活环境信息、当日奶牛状态信息以及初始营养需要配比作为所述营养需要模型的输入,通过迭代运算,不断调整优化初始营养需要配比,最终得到优质牛奶的营养需要配比;
S5,建立多目标函数和约束条件;
其中,多目标函数为:
Cost- min(最小值)=P1X1+P2X2+P3X3+PmXm
Use1max(最大值)=A11F11X1+A21F21X2+A31F31X3+…+Am1Fm1Xm
Use2max(最大值)=A12F12X1+A22F22X2+A32F32X3+…+Am2Fm2Xm
Use3max(最大值)=A13F13X1+A23F23X2+A33F33X3+…+Am3Fm3Xm
……
Usenmax(最大值)=A1nF1nX1+A2nF2nX2+A3nF3nX3+…+AmnFmnXm
约束条件为:
Li≤Xi≤Hi(i=1,2,…,m)
Xi≤Qi(i=1,2,…,m)
X1+X2+X3+…+Xm=Y
A11X1+A21X2+A31X3+…+Am1Xm=Y1
A12X1+A22X2+A32X3+…+Am2Xm=Y2
A13X1+A23X2+A33X3+…+Am3Xm=Y3
……
A1nX1+A2nX2+A3nX3+…+AmnXm=Yn
其中,Q1,Q2,…Qm分别为已有的m种饲料的质量;
P1,P2,…Pm分别为各种饲料的单价;
A11,A12,…A1n;分别为第一种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
A21,A22,…A2n;分别为第二种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
Am1,Am2,…Amn;分别为第m种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
F11,F12,…F1n;分别为第一种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
F21,F22,…F2n;分别为第二种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Fm1,Fm2,…Fmn;分别为第m种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Y1,Y2,…,Yn分别为奶牛当日所需n种营养物质的比例;
Y为奶牛当日所需饲料量;
L1,L2,L3,…,Lm分别为m种饲料的最低饲喂限量;
H1,H2,H3,…,Hm分别为m种饲料的最高饲喂限量;
X1,X2,X3,…,Xm分别为m种饲料当日的供应量,为输出值;
S6,采用极大极小值法对所述多目标函数求解,得到基于现有农场资源的当日最优m种饲料的供应量;
S7,根据S6计算得到的m种饲料的供应量,使用控制设备智能识别并称量组合,得到满足需求的混合饲料。
优选的,S1中,所述奶牛基本信息包括奶牛品种、奶牛年龄、养殖阶段、奶牛分娩胎次和免疫历史;所述奶牛历史饲喂信息包括饲喂量以及所饲喂的各营养物质配比,其中,所述营养物质配比为蛋白质含量、脂肪含量、碳水化合物含量、矿物质含量、维生素含量、水分含量;所述奶牛历史生活环境信息包括温度、湿度、光照、通风状况、PM2.5、空气氧气含量、空气氮气含量;所述奶牛历史状态信息包括日首次饲喂前体重、首次饲喂前一日累计行走步数;所述生奶品质评价指标包括外观颜色、组织形态和滋气味。
优选的,S3中,采用基于不确定性支持向量机构建被监测奶牛的营养需要模型具体为:采用径向基函数作为核函数,将非线性问题扩展到高位空间线性化处理,进而基于不确定性支持向量机构建被监测奶牛的营养需要模型。
优选的,S4中,所述初始营养需要配比通过以下方法获得:
根据奶牛营养需要数据量或前一天奶牛营养摄入量预给出初始营养需要配比。
本发明还提供一种基于不确定性支持向量分类的智能营养配比系统,包括传感层、数据传输层和数据处理层;
所述传感层包括分别固定在各只奶牛上的RFID标签,用于存储该只奶牛的ID;
所述数据传输层为由若干个RFID标签所组成的无线传感网络;
所述数据处理层包括以下模块:
数据库,用于存储与各只被监测奶牛ID分别对应的奶牛历史监测信息;所述奶牛历史监测信息包括奶牛基本信息、奶牛历史饲喂信息、奶牛历史生活环境信息、奶牛历史状态信息、生奶品质评价指标和生奶品质的不确定性评价结果;其中,所述奶牛历史饲喂信息包括所饲喂的各营养物质配比;生奶品质的不确定性评价结果包括优质奶质和普通奶质,通过以下方法获得:由若干个专家或者专业品奶师对于各项评价指标分别评价,若各项评价指标的评价结果均为优,则得出所评价的生奶为优质奶质的结论;否则,得出所评价的生奶为普通奶质的结论;
营养需要模型构建模块,用于获得与所述被监测奶牛ID对应的l天的奶牛历史监测信息,以l天的奶牛历史监测信息作为训练样本集采用基于不确定性支持向量机构建被监测奶牛的营养需要模型;其中,xi代表第i天的多维特征向量,多维特征向量的各维度特征值即为奶牛历史监测信息中的某一具体参数值;pi +表示对于第i天的生奶,评价生奶为优质奶质的专家数量;pi -表示对于第i天的生奶,评价生奶为普通奶质的专家数量;
营养需要配比计算模块,用于将当日奶牛生活环境信息、当日奶牛状态信息以及初始营养需要配比作为所述营养需要模型的输入,通过迭代运算,不断调整优化初始营养需要配比,最终得到优质牛奶的营养需要配比;
多目标函数和约束条件构建模块,用于构建多目标函数和约束条件;
其中,多目标函数为:
Cost- min=P1X1+P2X2+P3X3+PmXm
Use1max=A11F11X1+A21F21X2+A31F31X3+…+Am1Fm1Xm
Use2max=A12F12X1+A22F22X2+A32F32X3+…+Am2Fm2Xm
Use3max=A13F13X1+A23F23X2+A33F33X3+…+Am3Fm3Xm
……
Usenmax=A1nF1nX1+A2nF2nX2+A3nF3nX3+…+AmnFmnXm
约束条件为:
Li≤Xi≤Hi(i=1,2,…,m)
Xi≤Qi(i=1,2,…,m)
X1+X2+X3+…+Xm=Y
A11X1+A21X2+A31X3+…+Am1Xm=Y1
A12X1+A22X2+A32X3+…+Am2Xm=Y2
A13X1+A23X2+A33X3+…+Am3Xm=Y3
……
A1nX1+A2nX2+A3nX3+…+AmnXm=Yn
其中,Q1,Q2,…Qm分别为已有的m种饲料的质量;
P1,P2,…Pm分别为各种饲料的单价;
A11,A12,…A1n;分别为第一种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
A21,A22,…A2n;…;分别为第二种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
Am1,Am2,…Amn;分别为第m种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
F11,F12,…F1n;分别为第一种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
F21,F22,…F2n;分别为第二种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Fm1,Fm2,…Fmn;分别为第m种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Y1,Y2,…,Yn分别为奶牛当日所需n种营养物质的比例;
Y为奶牛当日所需饲料量;
L1,L2,L3,…,Lm分别为m种饲料的最低饲喂限量;
H1,H2,H3,…,Hm分别为m种饲料的最高饲喂限量;
X1,X2,X3,…,Xm分别为m种饲料当日的供应量,为输出值;
最优饲料供应量求解模块,用于采用极大极小值法对所述多目标函数求解,得到基于现有农场资源的当日最优m种饲料的供应量;
智能配料模块,用于根据所述最优饲料供应量求解模块得到的m种饲料的供应量,使用控制设备智能识别并称量组合,得到满足需求的混合饲料。
本发明的有益效果如下:
本发明提供的基于不确定性支持向量分类的智能营养配比方法和系统,根据奶牛的基本信息、日采食量和产奶量的不同而适时适量地调配不同的配料,智能得到符合现有农场资源的最优配比的混合饲料,既实现奶牛的优质、高效生产;同时,还提高了饲料的利用效率,实现奶牛养殖过程的精细养殖。
附图说明
图1为本发明提供的基于不确定性支持向量分类的智能营养配比方法流程示意图;
图2为本发明提供的基于不确定性支持向量分类的智能营养配比系统的结构示意图。
具体实施方式
以下结合附图对本发明进行详细说明:
如图1所示,本发明提供一种基于不确定性支持向量分类的智能营养配比方法,包括以下步骤:
S1,数据库中存储与各只被监测奶牛ID分别对应的奶牛历史监测信息;所述奶牛历史监测信息包括奶牛基本信息、奶牛历史饲喂信息、奶牛历史生活环境信息、奶牛历史状态信息、生奶品质评价指标和生奶品质的不确定性评价结果;
其中,生奶品质评价指标包括但不限于外观颜色、组织形态和滋气味。
生奶品质的不确定性评价结果包括优质奶质和普通奶质,通过以下方法获得:由若干个专家或者专业品奶师对于各项评价指标分别评价,通常由五到十人组成,若对某一项指标的评价结果为优,则在算法类别中记为1;若对某一项指标的评价结果为普通,则在算法类别中记为2;若对某一项指标的评价结果为差,则在算法类别中记为3。具体见下表所示,因此,若各项评价指标的评价结果均为优,则得出所评价的生奶为优质奶质的结论;否则,得出所评价的生奶为普通奶质的结论。
奶牛基本信息包括但不限于奶牛品种、奶牛年龄、养殖阶段、奶牛分娩胎次和免疫历史;
奶牛历史饲喂信息包括但不限于饲喂量以及所饲喂的各营养物质配比,其中,营养物质配比为蛋白质含量、脂肪含量、碳水化合物含量、矿物质含量、维生素含量、水分含量;
奶牛历史生活环境信息包括但不限于温度、湿度、光照、通风状况、PM2.5、空气氧气含量、空气氮气含量;
奶牛历史状态信息包括但不限于日首次饲喂前体重、首次饲喂前一日累计行走步数等。
S2,当需要确定指定被监测奶牛当日所需营养物质配比时,通过读卡器读取固定在所述指定被监测奶牛上的RFID标签,获得指定被监测奶牛ID;同时,采集当日奶牛生活环境信息和当日奶牛状态信息;
将所述被监测奶牛ID、所述当日奶牛生活环境信息和当日奶牛状态信息发送到服务器;
S3,所述服务器读取数据库,获得与所述被监测奶牛ID对应的l天的奶牛历史监测信息,以l天的奶牛历史监测信息作为训练样本集采用基于不确定性支持向量机构建被监测奶牛的营养需要模型;
其中,xi代表第i天的多维特征向量,多维特征向量的各维度特征值即为奶牛历史监测信息中的某一具体参数值;pi +表示对于第i天的生奶,评价生奶为优质奶质的专家数量;pi -表示对于第i天的生奶,评价生奶为普通奶质的专家数量;
另外,本发明中,采用径向基函数作为核函数,将非线性问题扩展到高位空间线性化处理,进而基于不确定性支持向量机构建被监测奶牛的营养需要模型。
S4,将当日奶牛生活环境信息、当日奶牛状态信息以及初始营养需要配比作为所述营养需要模型的输入,通过迭代运算,不断调整优化初始营养需要配比,最终得到优质牛奶的营养需要配比;其中,初始营养需要配比可以根据奶牛营养需要数据量或前一天奶牛营养摄入量预给出。
S5,建立多目标函数和约束条件;
奶牛养殖过程与农场管理的复杂性,决定了奶牛配料的特殊性。传统的配料系统仅考虑单一目标,不能有效解决奶牛养殖过程的精细养殖。多目标最优化是指:在一定约束下,希望使得多个目标都能达到最优。本发明通过设立多个目标并对不同目标进行优化。
其中,多目标函数为:
Cost- min(最小值)=P1X1+P2X2+P3X3+PmXm
Use1max(最大值)=A11F11X1+A21F21X2+A31F31X3+…+Am1Fm1Xm
Use2max(最大值)=A12F12X1+A22F22X2+A32F32X3+…+Am2Fm2Xm
Use3max(最大值)=A13F13X1+A23F23X2+A33F33X3+…+Am3Fm3Xm
……
Usenmax(最大值)=A1nF1nX1+A2nF2nX2+A3nF3nX3+…+AmnFmnXm
约束条件为:
Li≤Xi≤Hi(i=1,2,…,m)
Xi≤Qi(i=1,2,…,m)
X1+X2+X3+…+Xm=Y
A11X1+A21X2+A31X3+…+Am1Xm=Y1
A12X1+A22X2+A32X3+…+Am2Xm=Y2
A13X1+A23X2+A33X3+…+Am3Xm=Y3
……
A1nX1+A2nX2+A3nX3+…+AmnXm=Yn
其中,Q1,Q2,…Qm分别为已有的m种饲料的质量;
P1,P2,…Pm分别为各种饲料的单价;
A11,A12,…A1n;分别为第一种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
A21,A22,…A2n;分别为第二种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
Am1,Am2,…Amn;分别为第m种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
F11,F12,…F1n;分别为第一种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
F21,F22,…F2n;分别为第二种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Fm1,Fm2,…Fmn;分别为第m种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Y1,Y2,…,Yn分别为奶牛当日所需n种营养物质的比例;
Y为奶牛当日所需饲料量;
L1,L2,L3,…,Lm分别为m种饲料的最低饲喂限量;
H1,H2,H3,…,Hm分别为m种饲料的最高饲喂限量;
X1,X2,X3,…,Xm分别为m种饲料当日的供应量,为输出值;
S6,采用极大极小值法对所述多目标函数求解,得到基于现有农场资源的当日最优m种饲料的供应量;
S7,根据S6计算得到的m种饲料的供应量,使用控制设备智能识别并称量组合,得到满足需求的混合饲料。
如图2所示,本发明还提供一种基于不确定性支持向量分类的智能营养配比系统,包括传感层、数据传输层和数据处理层;
所述传感层包括分别固定在各只奶牛上的RFID标签,用于存储该只奶牛的ID;
所述数据传输层为由若干个RFID标签所组成的无线传感网络;
所述数据处理层包括以下模块:
数据库,用于存储与各只被监测奶牛ID分别对应的奶牛历史监测信息;所述奶牛历史监测信息包括奶牛基本信息、奶牛历史饲喂信息、奶牛历史生活环境信息、奶牛历史状态信息、生奶品质评价指标和生奶品质的不确定性评价结果;其中,所述奶牛历史饲喂信息包括所饲喂的各营养物质配比;生奶品质的不确定性评价结果包括优质奶质和普通奶质,通过以下方法获得:由若干个专家或者专业品奶师对于各项评价指标分别评价,若各项评价指标的评价结果均为优,则得出所评价的生奶为优质奶质的结论;否则,得出所评价的生奶为普通奶质的结论;
营养需要模型构建模块,用于获得与所述被监测奶牛ID对应的l天的奶牛历史监测信息,以l天的奶牛历史监测信息作为训练样本集采用基于不确定性支持向量机构建被监测奶牛的营养需要模型;其中,xi代表第i天的多维特征向量,多维特征向量的各维度特征值即为奶牛历史监测信息中的某一具体参数值;pi +表示对于第i天的生奶,评价生奶为优质奶质的专家数量;pi -表示对于第i天的生奶,评价生奶为普通奶质的专家数量;
营养需要配比计算模块,用于将当日奶牛生活环境信息、当日奶牛状态信息以及初始营养需要配比作为所述营养需要模型的输入,通过迭代运算,不断调整优化初始营养需要配比,最终得到优质牛奶的营养需要配比;
多目标函数和约束条件构建模块,用于构建多目标函数和约束条件;
其中,多目标函数为:
Cost- min=P1X1+P2X2+P3X3+PmXm
Use1max=A11F11X1+A21F21X2+A31F31X3+…+Am1Fm1Xm
Use2max=A12F12X1+A22F22X2+A32F32X3+…+Am2Fm2Xm
Use3max=A13F13X1+A23F23X2+A33F33X3+…+Am3Fm3Xm
……
Usenmax=A1nF1nX1+A2nF2nX2+A3nF3nX3+…+AmnFmnXm
约束条件为:
Li≤Xi≤Hi(i=1,2,…,m)
Xi≤Qi(i=1,2,…,m)
X1+X2+X3+…+Xm=Y
A11X1+A21X2+A31X3+…+Am1Xm=Y1
A12X1+A22X2+A32X3+…+Am2Xm=Y2
A13X1+A23X2+A33X3+…+Am3Xm=Y3
……
A1nX1+A2nX2+A3nX3+…+AmnXm=Yn
其中,Q1,Q2,…Qm分别为已有的m种饲料的质量;
P1,P2,…Pm分别为各种饲料的单价;
A11,A12,…A1n;分别为第一种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
A21,A22,…A2n;…;分别为第二种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
Am1,Am2,…Amn;分别为第m种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
F11,F12,…F1n;分别为第一种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
F21,F22,…F2n;分别为第二种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Fm1,Fm2,…Fmn;分别为第m种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Y1,Y2,…,Yn分别为奶牛当日所需n种营养物质的比例;
Y为奶牛当日所需饲料量;
L1,L2,L3,…,Lm分别为m种饲料的最低饲喂限量;
H1,H2,H3,…,Hm分别为m种饲料的最高饲喂限量;
X1,X2,X3,…,Xm分别为m种饲料当日的供应量,为输出值;
最优饲料供应量求解模块,用于采用极大极小值法对所述多目标函数求解,得到基于现有农场资源的当日最优m种饲料的供应量;
智能配料模块,用于根据所述最优饲料供应量求解模块得到的m种饲料的供应量,使用控制设备智能识别并称量组合,得到满足需求的混合饲料。
综上所述,本发明提供的基于不确定性支持向量分类的智能营养配比方法和系统,根据奶牛的基本信息、日采食量和产奶量的不同而适时适量地调配不同的配料,智能得到符合现有农场资源的最优配比的混合饲料,既实现奶牛的优质、高效生产;同时,还提高了饲料的利用效率,实现奶牛养殖过程的精细养殖。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (4)
1.一种基于不确定性支持向量分类的智能营养配比方法,其特征在于,包括以下步骤:
S1,数据库中存储与各只被监测奶牛ID分别对应的奶牛历史监测信息;所述奶牛历史监测信息包括奶牛基本信息、奶牛历史饲喂信息、奶牛历史生活环境信息、奶牛历史状态信息、生奶品质评价指标和生奶品质的不确定性评价结果;其中,所述奶牛历史饲喂信息包括所饲喂的各营养物质配比;生奶品质的不确定性评价结果包括优质奶质和普通奶质,通过以下方法获得:由若干个专家或者专业品奶师对于各项评价指标分别评价,若各项评价指标的评价结果均为优,则得出所评价的生奶为优质奶质的结论;否则,得出所评价的生奶为普通奶质的结论;
S2,当需要确定指定被监测奶牛当日所需营养物质配比时,通过读卡器读取固定在所述指定被监测奶牛上的RFID标签,获得指定被监测奶牛ID;同时,采集当日奶牛生活环境信息和当日奶牛状态信息;
将所述被监测奶牛ID、所述当日奶牛生活环境信息和当日奶牛状态信息发送到服务器;
S3,所述服务器读取数据库,获得与所述被监测奶牛ID对应的l天的奶牛历史监测信息,以l天的奶牛历史监测信息作为训练样本集采用基于不确定性支持向量机构建被监测奶牛的营养需要模型;
其中,xi代表第i天的多维特征向量,多维特征向量的各维度特征值即为奶牛历史监测信息中的某一具体参数值;pi +表示对于第i天的生奶,评价生奶为优质奶质的专家数量;pi -表示对于第i天的生奶,评价生奶为普通奶质的专家数量;
其中,S3中,采用基于不确定性支持向量机构建被监测奶牛的营养需要模型具体为:采用径向基函数作为核函数,将非线性问题扩展到高位空间线性化处理,进而基于不确定性支持向量机构建被监测奶牛的营养需要模型;
S4,将当日奶牛生活环境信息、当日奶牛状态信息以及初始营养需要配比作为所述营养需要模型的输入,通过迭代运算,不断调整优化初始营养需要配比,最终得到优质牛奶的营养需要配比;
S5,建立多目标函数和约束条件;
其中,多目标函数为:
Cost- min(最小值)=P1X1+P2X2+P3X3+PmXm
Use1max(最大值)=A11F11X1+A21F21X2+A31F31X3+…+Am1Fm1Xm
Use2max(最大值)=A12F12X1+A22F22X2+A32F32X3+…+Am2Fm2Xm
Use3max(最大值)=A13F13X1+A23F23X2+A33F33X3+…+Am3Fm3Xm
……
Usenmax(最大值)=A1nF1nX1+A2nF2nX2+A3nF3nX3+…+AmnFmnXm
约束条件为:
Li≤Xi≤Hi(i=1,2,…,m)
Xi≤Qi(i=1,2,…,m)
X1+X2+X3+…+Xm=Y
A11X1+A21X2+A31X3+…+Am1Xm=Y1
A12X1+A22X2+A32X3+…+Am2Xm=Y2
A13X1+A23X2+A33X3+…+Am3Xm=Y3
……
A1nX1+A2nX2+A3nX3+…+AmnXm=Yn
其中,Q1,Q2,…Qm分别为已有的m种饲料的质量;
P1,P2,…Pm分别为各种饲料的单价;
A11,A12,…A1n;分别为第一种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
A21,A22,…A2n;分别为第二种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
Am1,Am2,…Amn;分别为第m种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
F11,F12,…F1n;分别为第一种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
F21,F22,…F2n;分别为第二种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Fm1,Fm2,…Fmn;分别为第m种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Y1,Y2,…,Yn分别为奶牛当日所需n种营养物质的比例;
Y为奶牛当日所需饲料量;
L1,L2,L3,…,Lm分别为m种饲料的最低饲喂限量;
H1,H2,H3,…,Hm分别为m种饲料的最高饲喂限量;
X1,X2,X3,…,Xm分别为m种饲料当日的供应量,为输出值;
S6,采用极大极小值法对所述多目标函数求解,得到基于现有农场资源的当日最优m种饲料的供应量;
S7,根据S6计算得到的m种饲料的供应量,使用控制设备智能识别并称量组合,得到满足需求的混合饲料。
2.根据权利要求1所述的基于不确定性支持向量分类的智能营养配比方法,其特征在于,S1中,所述奶牛基本信息包括奶牛品种、奶牛年龄、养殖阶段、奶牛分娩胎次和免疫历史;所述奶牛历史饲喂信息包括饲喂量以及所饲喂的各营养物质配比,其中,所述营养物质配比为蛋白质含量、脂肪含量、碳水化合物含量、矿物质含量、维生素含量、水分含量;所述奶牛历史生活环境信息包括温度、湿度、光照、通风状况、PM2.5、空气氧气含量、空气氮气含量;所述奶牛历史状态信息包括日首次饲喂前体重、首次饲喂前一日累计行走步数;所述生奶品质评价指标包括外观颜色、组织形态和滋气味。
3.根据权利要求1所述的基于不确定性支持向量分类的智能营养配比方法,其特征在于,S4中,所述初始营养需要配比通过以下方法获得:
根据奶牛营养需要数据量或前一天奶牛营养摄入量预给出初始营养需要配比。
4.一种基于不确定性支持向量分类的智能营养配比系统,其特征在于,包括传感层、数据传输层和数据处理层;
所述传感层包括分别固定在各只奶牛上的RFID标签,用于存储该只奶牛的ID;
所述数据传输层为由若干个RFID标签所组成的无线传感网络;
所述数据处理层包括以下模块:
数据库,用于存储与各只被监测奶牛ID分别对应的奶牛历史监测信息;所述奶牛历史监测信息包括奶牛基本信息、奶牛历史饲喂信息、奶牛历史生活环境信息、奶牛历史状态信息、生奶品质评价指标和生奶品质的不确定性评价结果;其中,所述奶牛历史饲喂信息包括所饲喂的各营养物质配比;生奶品质的不确定性评价结果包括优质奶质和普通奶质,通过以下方法获得:由若干个专家或者专业品奶师对于各项评价指标分别评价,若各项评价指标的评价结果均为优,则得出所评价的生奶为优质奶质的结论;否则,得出所评价的生奶为普通奶质的结论;
营养需要模型构建模块,用于获得与所述被监测奶牛ID对应的l天的奶牛历史监测信息,以l天的奶牛历史监测信息作为训练样本集采用基于不确定性支持向量机构建被监测奶牛的营养需要模型;其中,xi代表第i天的多维特征向量,多维特征向量的各维度特征值即为奶牛历史监测信息中的某一具体参数值;pi +表示对于第i天的生奶,评价生奶为优质奶质的专家数量;pi -表示对于第i天的生奶,评价生奶为普通奶质的专家数量;采用基于不确定性支持向量机构建被监测奶牛的营养需要模型具体为:采用径向基函数作为核函数,将非线性问题扩展到高位空间线性化处理,进而基于不确定性支持向量机构建被监测奶牛的营养需要模型;
营养需要配比计算模块,用于将当日奶牛生活环境信息、当日奶牛状态信息以及初始营养需要配比作为所述营养需要模型的输入,通过迭代运算,不断调整优化初始营养需要配比,最终得到优质牛奶的营养需要配比;
多目标函数和约束条件构建模块,用于构建多目标函数和约束条件;
其中,多目标函数为:
Cost- min=P1X1+P2X2+P3X3+PmXm
Use1max=A11F11X1+A21F21X2+A31F31X3+…+Am1Fm1Xm
Use2max=A12F12X1+A22F22X2+A32F32X3+…+Am2Fm2Xm
Use3max=A13F13X1+A23F23X2+A33F33X3+…+Am3Fm3Xm
……
Usenmax=A1nF1nX1+A2nF2nX2+A3nF3nX3+…+AmnFmnXm
约束条件为:
Li≤Xi≤Hi(i=1,2,…,m)
Xi≤Qi(i=1,2,…,m)
X1+X2+X3+…+Xm=Y
A11X1+A21X2+A31X3+…+Am1Xm=Y1
A12X1+A22X2+A32X3+…+Am2Xm=Y2
A13X1+A23X2+A33X3+…+Am3Xm=Y3
……
A1nX1+A2nX2+A3nX3+…+AmnXm=Yn
其中,Q1,Q2,…Qm分别为已有的m种饲料的质量;
P1,P2,…Pm分别为各种饲料的单价;
A11,A12,…A1n;分别为第一种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
A21,A22,…A2n;…;分别为第二种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
Am1,Am2,…Amn;分别为第m种饲料所包含的各营养物质的含量,n为该种饲料所包含的营养物质的数量;
F11,F12,…F1n;分别为第一种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
F21,F22,…F2n;分别为第二种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Fm1,Fm2,…Fmn;分别为第m种饲料所包含的各营养物质的消化率和利用率,n为该种饲料所包含的营养物质的数量;
Y1,Y2,…,Yn分别为奶牛当日所需n种营养物质的比例;
Y为奶牛当日所需饲料量;
L1,L2,L3,…,Lm分别为m种饲料的最低饲喂限量;
H1,H2,H3,…,Hm分别为m种饲料的最高饲喂限量;
X1,X2,X3,…,Xm分别为m种饲料当日的供应量,为输出值;
最优饲料供应量求解模块,用于采用极大极小值法对所述多目标函数求解,得到基于现有农场资源的当日最优m种饲料的供应量;
智能配料模块,用于根据所述最优饲料供应量求解模块得到的m种饲料的供应量,使用控制设备智能识别并称量组合,得到满足需求的混合饲料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410014380.4A CN104778625B (zh) | 2014-01-13 | 2014-01-13 | 基于不确定性支持向量分类的智能营养配比方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410014380.4A CN104778625B (zh) | 2014-01-13 | 2014-01-13 | 基于不确定性支持向量分类的智能营养配比方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778625A CN104778625A (zh) | 2015-07-15 |
CN104778625B true CN104778625B (zh) | 2018-01-26 |
Family
ID=53620075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410014380.4A Expired - Fee Related CN104778625B (zh) | 2014-01-13 | 2014-01-13 | 基于不确定性支持向量分类的智能营养配比方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778625B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932319B (zh) * | 2015-07-01 | 2018-02-23 | 珠海优特物联科技有限公司 | 数字化菜谱、基于其的配料方法及配料系统 |
CN106508725B (zh) * | 2015-09-14 | 2019-09-06 | 范石军 | 一种智能饲粮与饲料添加剂喂养系统 |
CN105766689A (zh) * | 2016-01-10 | 2016-07-20 | 南京邮电大学 | 宠物猫智能项圈 |
CN106447117B (zh) * | 2016-10-10 | 2018-05-01 | 重庆科技学院 | 基于宠物日常数据分析的宠物喂养方法及系统 |
CN106875034A (zh) * | 2016-12-29 | 2017-06-20 | 中国农业大学 | 一种生猪养殖多变量饲料投喂决策方法及其系统 |
CN110458349A (zh) * | 2019-08-05 | 2019-11-15 | 广州影子科技有限公司 | 饲料配方的确定方法和系统以及计算机可读存储介质 |
CN111758794A (zh) * | 2020-07-14 | 2020-10-13 | 江南大学 | 一种母乳替代脂的制备方法及装置 |
CN112598340B (zh) * | 2021-03-04 | 2021-06-22 | 成都飞机工业(集团)有限责任公司 | 一种基于不确定性支持向量机的数据模型比较方法 |
CN117434991B (zh) * | 2023-12-20 | 2024-03-12 | 山东创脂生物科技有限公司 | 一种用于饲料油脂生产的温湿度检测控制系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664806A (zh) * | 2005-03-23 | 2005-09-07 | 上海高龙生物科技有限公司 | 饲料配方的优化配置方法 |
CN101430776A (zh) * | 2007-11-05 | 2009-05-13 | 云南农业大学 | 饲料配方的模糊综合评判方法 |
-
2014
- 2014-01-13 CN CN201410014380.4A patent/CN104778625B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664806A (zh) * | 2005-03-23 | 2005-09-07 | 上海高龙生物科技有限公司 | 饲料配方的优化配置方法 |
CN101430776A (zh) * | 2007-11-05 | 2009-05-13 | 云南农业大学 | 饲料配方的模糊综合评判方法 |
Non-Patent Citations (4)
Title |
---|
The effect of nutritional management of the dairy cow on reproductive efficiency;James F.Roche;《Animal Reproduction Science》;20060803;第96卷(第3-4期);第282-296页 * |
不确定性支持向量分类预警算法;刘广利等;《中国管理科学》;20030831;第11卷(第4期);第58-61页 * |
奶牛饲料配方优化决策系统的研究;刘博;《中国优秀硕士学位论文全文数据库 农业科技辑》;20101015;第2010年卷(第10期);第D050-17页 * |
模型化奶牛营养需要及全混合日粮配方软件系统的开发;陈波;《中国优秀硕士学位论文全文数据库 农业科技辑》;20081015;第2008年卷(第10期);第D050-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104778625A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778625B (zh) | 基于不确定性支持向量分类的智能营养配比方法和系统 | |
US9877504B2 (en) | Conditioning system for nutritional substances | |
US20150269867A1 (en) | Information system for nutritional substances | |
WO2006015018A2 (en) | System and method for optimizing animal production | |
US20130269543A1 (en) | System for Managing the Nutritional Content for Nutritional Substances | |
US20130270337A1 (en) | System for managing the nutritional content for nutritional substances | |
US20130273507A1 (en) | Consumer information system for nutritional substances | |
US20130275370A1 (en) | Label Content Update System for Nutritional Substances | |
US20150235566A1 (en) | Information system for nutritional substances | |
CN107182909A (zh) | 一种猪只饲喂方法、服务器、饲喂器及系统 | |
US20140141134A1 (en) | Systems and methods for creating a customized blend of pet food | |
WO2019114152A1 (zh) | 基于云端数据的喂食设定方法及系统 | |
CN104077670B (zh) | 一种基于物联信息处理的饮食健康测评系统及其工作方法 | |
CN104915338B (zh) | 基于双胞支持向量回归的动态营养配比方法和系统 | |
CN104574195B (zh) | 基于rfid和数据挖掘的智能配料方法和系统 | |
CN104540378B (zh) | 用于从生长在水产养殖条件下的起始物料连续生产产品物质的紧凑型装置 | |
CN105868877A (zh) | 一种饮食智能管理系统和管理方法 | |
Camp Montoro et al. | Predicting productive performance in grow-finisher pigs using birth and weaning body weight | |
CN106875034A (zh) | 一种生猪养殖多变量饲料投喂决策方法及其系统 | |
CN106506848A (zh) | 一种基于ZigBee的家畜养殖控制系统 | |
CN107423887A (zh) | 一种基于移动互联网的家禽监管方法及系统 | |
CN106642970A (zh) | 一种智能冰箱营养评判系统及评判方法 | |
CN101836598A (zh) | 具有最小断奶应激的小牛自动喂奶系统 | |
CN111831038B (zh) | 一种基于智能控制的现代化养猪日常智能管理系统 | |
CN109671485A (zh) | 一种基于大数据的宠物饲养系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180126 Termination date: 20190113 |