CN104915338A - 基于双胞支持向量回归的动态营养配比方法和系统 - Google Patents

基于双胞支持向量回归的动态营养配比方法和系统 Download PDF

Info

Publication number
CN104915338A
CN104915338A CN201410014643.1A CN201410014643A CN104915338A CN 104915338 A CN104915338 A CN 104915338A CN 201410014643 A CN201410014643 A CN 201410014643A CN 104915338 A CN104915338 A CN 104915338A
Authority
CN
China
Prior art keywords
milk cow
nutriment
feed
information
milk
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.)
Granted
Application number
CN201410014643.1A
Other languages
English (en)
Other versions
CN104915338B (zh
Inventor
刘广利
刘少武
俞杭杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Wisdom Agricultural Ltd
Original Assignee
Beijing Wisdom Agricultural Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Wisdom Agricultural Ltd filed Critical Beijing Wisdom Agricultural Ltd
Priority to CN201410014643.1A priority Critical patent/CN104915338B/zh
Publication of CN104915338A publication Critical patent/CN104915338A/zh
Application granted granted Critical
Publication of CN104915338B publication Critical patent/CN104915338B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feeding And Watering For Cattle Raising And Animal Husbandry (AREA)

Abstract

本发明提供一种基于双胞支持向量回归的动态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，营养需要模型和饲料量估计值预测模型构建模块、营养需要配比和饲料量估计值计算模块、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，该基于双胞支持向量回归的动态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；尤其是能够灵活的提出牛奶成分的要求，进而改善奶牛的营养需要量。

Description

基于双胞支持向量回归的动态营养配比方法和系统
技术领域
本发明属于智能配料技术领域，具体涉及一种基于双胞支持向量回归的动态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双胞支持向量回归的动态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双胞支持向量回归的动态营养配比方法，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、奶牛历史状态信息和奶牛历史挤奶信息；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；
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
其中，xi代表第i天的多维特征输入向量，多维特征输入向量的各维度特征值具体包括奶牛历史生活环境信息、奶牛历史状态信息和奶牛历史挤奶信息，作为营养需要模型的输入变量，分别记为：X1，X2，X3，…，Xn；
yi代表第i天的多维特征输出向量，多维特征输出向量的各维度特征值具体包括饲料量估计值和各营养物质配比，作为营养需要模型的输出变量，分别记为：Y，Y1，Y2，Y3，…，Yn；其中，Y为饲料量估计值，Y1，Y2，Y3，…，Yn代表n类营养物质的配比；
采用双胞支持向量回归机对各组{X1，X2，X3，…，Xn；Y，Yi}，进行训练，其中，1≤i≤n，构建得到模型fy、f1、f2、f3,...,fn；其中，模型fy为饲料量估计值预测模型；f1、f2、f3,...,fn分别为n类营养物质的营养需要模型；
S4，将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述营养需要模型的输入，最终得到当日所需营养需要配比，即Y1，Y2，Y3，…，Yn的值；
将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述饲料量估计值预测模型的输入，最终得到当日所需饲料量Y；
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，通过S4获得；
Y为奶牛当日所需饲料量，通过S4获得；
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；所述奶牛历史挤奶信息包括：日产奶量、所产牛奶基本性状和所产牛奶成分配比；其中，所述牛奶成分配比包括：脂肪含量、蛋白质含量和非脂乳固体含量；所述牛奶基本性状包括牛奶的相对密度、酸度、杂质度、汞含量、砷含量、铅含量、铬含量、六六六含量、滴滴涕含量、硝酸盐含量、亚硝酸盐含量、黄曲霉毒素含量、马拉硫磷含量、倍硫磷含量、甲胺磷含量、抗生素含量、细菌数、体细胞数、牛奶温度和导电率。
优选的，S3中，采用采用双胞支持向量回归机构建被监测奶牛的营养需要模型和饲料量估计值预测模型具体为:采用Kriging方法的Gauss分布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；进而基于双胞支持向量回归构建被监测奶牛的营养需要模型。
本发明还提供一种基于双胞支持向量回归的动态营养配比系统，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、奶牛历史状态信息和奶牛历史挤奶信息；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；
营养需要模型和饲料量估计值预测模型构建模块，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其中，xi代表第i天的多维特征输入向量，多维特征输入向量的各维度特征值具体包括奶牛历史生活环境信息、奶牛历史状态信息和奶牛历史挤奶信息，作为营养需要模型的输入变量，分别记为：X1，X2，X3，…，Xn；
yi代表第i天的多维特征输出向量，多维特征输出向量的各维度特征值具体包括饲料量估计值和各营养物质配比，作为营养需要模型的输出变量，分别记为：Y，Y1，Y2，Y3，…，Yn；其中，Y为饲料量估计值，Y1，Y2，Y3，…，Yn代表n类营养物质的配比；
采用双胞支持向量回归机对各组{X1，X2，X3，…，Xn；Y，Yi}（1≤i≤n）进行训练，构建得到模型fy、f1、f2、f3,...,fn；其中，模型fy为饲料量估计值预测模型；f1、f2、f3,...,fn分别为n类营养物质的营养需要模型；
营养需要配比和饲料量估计值计算模块，用于将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述营养需要模型的输入，最终得到当日所需营养需要配比，即Y1，Y2，Y3，…，Yn的值；
还用于将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述饲料量估计值预测模型的输入，最终得到当日所需饲料量Y；
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：
本发明提供的基于双胞支持向量回归的动态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；尤其是能够灵活的提出牛奶成分的要求，进而改善奶牛的营养需要量。
附图说明
图1为本发明提供的基于双胞支持向量回归的动态营养配比方法流程示意图;
图2为本发明提供的基于双胞支持向量回归的动态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双胞支持向量回归的动态营养配比方法，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、奶牛历史状态信息和奶牛历史挤奶信息；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；
其中，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，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；
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；
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；
奶牛历史挤奶信息包括：日产奶量、所产牛奶基本性状和所产牛奶成分配比；其中，所述牛奶成分配比包括：脂肪含量、蛋白质含量和非脂乳固体含量；所述牛奶基本性状包括牛奶的相对密度、酸度、杂质度、汞含量、砷含量、铅含量、铬含量、六六六含量、滴滴涕含量、硝酸盐含量、亚硝酸盐含量、黄曲霉毒素含量、马拉硫磷含量、倍硫磷含量、甲胺磷含量、抗生素含量、细菌数、体细胞数、牛奶温度和导电率。
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
其中，xi代表第i天的多维特征输入向量，多维特征输入向量的各维度特征值具体包括奶牛历史生活环境信息、奶牛历史状态信息和奶牛历史挤奶信息，作为营养需要模型的输入变量，分别记为：X1，X2，X3，…，Xn；
yi代表第i天的多维特征输出向量，多维特征输出向量的各维度特征值具体包括饲料量估计值和各营养物质配比，作为营养需要模型的输出变量，分别记为：Y，Y1，Y2，Y3，…，Yn；其中，Y为饲料量估计值，Y1，Y2，Y3，…，Yn代表n类营养物质的配比；
采用双胞支持向量回归机对各组{X1，X2，X3，…，Xn；Y，Yi}（1≤i≤n）进行训练，构建得到模型fy、f1、f2、f3,...,fn；其中，模型fy为饲料量估计值预测模型；f1、f2、f3,...,fn分别为n类营养物质的营养需要模型；
S4，将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述营养需要模型的输入，最终得到当日所需营养需要配比，即Y1，Y2，Y3，…，Yn的值；
将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述饲料量估计值预测模型的输入，最终得到当日所需饲料量Y；
由此可见，本发明中，能够灵活的提出牛奶成分的要求，进而改善奶牛的营养需要量。
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双胞支持向量回归的动态营养配比系统，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、奶牛历史状态信息和奶牛历史挤奶信息；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；
营养需要模型和饲料量估计值预测模型构建模块，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其中，xi代表第i天的多维特征输入向量，多维特征输入向量的各维度特征值具体包括奶牛历史生活环境信息、奶牛历史状态信息和奶牛历史挤奶信息，作为营养需要模型的输入变量，分别记为：X1，X2，X3，…，Xn；
yi代表第i天的多维特征输出向量，多维特征输出向量的各维度特征值具体包括饲料量估计值和各营养物质配比，作为营养需要模型的输出变量，分别记为：Y，Y1，Y2，Y3，…，Yn；其中，Y为饲料量估计值，Y1，Y2，Y3，…，Yn代表n类营养物质的配比；
采用双胞支持向量回归机对各组{X1，X2，X3，…，Xn；Y，Yi}（1≤i≤n）进行训练，构建得到模型fy、f1、f2、f3,...,fn；其中，模型fy为饲料量估计值预测模型；f1、f2、f3,...,fn分别为n类营养物质的营养需要模型；
营养需要配比和饲料量估计值计算模块，用于将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述营养需要模型的输入，最终得到当日所需营养需要配比，即Y1，Y2，Y3，…，Yn的值；
还用于将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述饲料量估计值预测模型的输入，最终得到当日所需饲料量Y；
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，本发明提供的基于双胞支持向量回归的动态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；尤其是能够灵活的提出牛奶成分的要求，进而改善奶牛的营养需要量。
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)

1.一种基于双胞支持向量回归的动态营养配比方法，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、奶牛历史状态信息和奶牛历史挤奶信息；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；
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
其中，xi代表第i天的多维特征输入向量，多维特征输入向量的各维度特征值具体包括奶牛历史生活环境信息、奶牛历史状态信息和奶牛历史挤奶信息，作为营养需要模型的输入变量，分别记为：X1，X2，X3，…，Xn；
yi代表第i天的多维特征输出向量，多维特征输出向量的各维度特征值具体包括饲料量估计值和各营养物质配比，作为营养需要模型的输出变量，分别记为：Y，Y1，Y2，Y3，…，Yn；其中，Y为饲料量估计值，Y1，Y2，Y3，…，Yn代表n类营养物质的配比；
采用双胞支持向量回归机对各组{X1，X2，X3，…，Xn；Y，Yi}，进行训练，其中，1≤i≤n，构建得到模型fy、f1、f2、f3,...,fn；其中，模型fy为饲料量估计值预测模型；f1、f2、f3,...,fn分别为n类营养物质的营养需要模型；
S4，将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述营养需要模型的输入，最终得到当日所需营养需要配比，即Y1，Y2，Y3，…，Yn的值；
将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述饲料量估计值预测模型的输入，最终得到当日所需饲料量Y；
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，通过S4获得；
Y为奶牛当日所需饲料量，通过S4获得；
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所述的基于双胞支持向量回归的动态营养配比方法，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；所述奶牛历史挤奶信息包括：日产奶量、所产牛奶基本性状和所产牛奶成分配比；其中，所述牛奶成分配比包括：脂肪含量、蛋白质含量和非脂乳固体含量；所述牛奶基本性状包括牛奶的相对密度、酸度、杂质度、汞含量、砷含量、铅含量、铬含量、六六六含量、滴滴涕含量、硝酸盐含量、亚硝酸盐含量、黄曲霉毒素含量、马拉硫磷含量、倍硫磷含量、甲胺磷含量、抗生素含量、细菌数、体细胞数、牛奶温度和导电率。
3.根据权利要求1所述的基于双胞支持向量回归的动态营养配比方法，其特征在于，S3中，采用采用双胞支持向量回归机构建被监测奶牛的营养需要模型和饲料量估计值预测模型具体为:采用Kriging方法的Gauss分布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；进而基于双胞支持向量回归构建被监测奶牛的营养需要模型。
4.一种基于双胞支持向量回归的动态营养配比系统，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、奶牛历史状态信息和奶牛历史挤奶信息；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；
营养需要模型和饲料量估计值预测模型构建模块，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其中，xi代表第i天的多维特征输入向量，多维特征输入向量的各维度特征值具体包括奶牛历史生活环境信息、奶牛历史状态信息和奶牛历史挤奶信息，作为营养需要模型的输入变量，分别记为：X1，X2，X3，…，Xn；
yi代表第i天的多维特征输出向量，多维特征输出向量的各维度特征值具体包括饲料量估计值和各营养物质配比，作为营养需要模型的输出变量，分别记为：Y，Y1，Y2，Y3，…，Yn；其中，Y为饲料量估计值，Y1，Y2，Y3，…，Yn代表n类营养物质的配比；
采用双胞支持向量回归机对各组{X1，X2，X3，…，Xn；Y，Yi}（1≤i≤n）进行训练，构建得到模型fy、f1、f2、f3,...,fn；其中，模型fy为饲料量估计值预测模型；f1、f2、f3,...,fn分别为n类营养物质的营养需要模型；
营养需要配比和饲料量估计值计算模块，用于将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述营养需要模型的输入，最终得到当日所需营养需要配比，即Y1，Y2，Y3，…，Yn的值；
还用于将当日奶牛生活环境信息、当日奶牛状态信息以及牛奶期望信息作为所述饲料量估计值预测模型的输入，最终得到当日所需饲料量Y；
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。
CN201410014643.1A 2014-03-12 2014-03-12 基于双胞支持向量回归的动态营养配比方法和系统 Expired - Fee Related CN104915338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410014643.1A CN104915338B (zh) 2014-03-12 2014-03-12 基于双胞支持向量回归的动态营养配比方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410014643.1A CN104915338B (zh) 2014-03-12 2014-03-12 基于双胞支持向量回归的动态营养配比方法和系统

Publications (2)

Publication Number Publication Date
CN104915338A true CN104915338A (zh) 2015-09-16
CN104915338B CN104915338B (zh) 2018-04-03

Family

ID=54084410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410014643.1A Expired - Fee Related CN104915338B (zh) 2014-03-12 2014-03-12 基于双胞支持向量回归的动态营养配比方法和系统

Country Status (1)

Country Link
CN (1) CN104915338B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106508725A (zh) * 2015-09-14 2017-03-22 范石军 一种智能饲粮与饲料添加剂喂养系统
CN108537290A (zh) * 2018-04-25 2018-09-14 攀枝花学院 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法
CN110889645A (zh) * 2019-12-05 2020-03-17 中国农业科学院草原研究所 一种牧场牲畜饲养管理方法、系统和计算机可读存储介质
CN117434991A (zh) * 2023-12-20 2024-01-23 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 (3)

* Cited by examiner, † Cited by third party
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
US20060036419A1 (en) * 2004-07-29 2006-02-16 Can Technologies, Inc. System and method for animal production optimization
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060036419A1 (en) * 2004-07-29 2006-02-16 Can Technologies, Inc. System and method for animal production optimization
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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106508725A (zh) * 2015-09-14 2017-03-22 范石军 一种智能饲粮与饲料添加剂喂养系统
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
CN108537290A (zh) * 2018-04-25 2018-09-14 攀枝花学院 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法
CN110889645A (zh) * 2019-12-05 2020-03-17 中国农业科学院草原研究所 一种牧场牲畜饲养管理方法、系统和计算机可读存储介质
CN117434991A (zh) * 2023-12-20 2024-01-23 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
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

Also Published As

Publication number Publication date
CN104915338B (zh) 2018-04-03

Similar Documents

Publication Publication Date Title
CN104778625A (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
EP1776665A1 (en) System and method for optimizing animal production
Kebreab et al. Recent advances in modeling nutrient utilization in ruminants
CN104915338A (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
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
CN108121779A (zh) 基于云端数据的喂食设定方法及系统
Devendra Dynamics of goat meat production in extensive systems in Asia: Improvement of productivity and transformation of livelihoods
Ngxumeshe et al. Sustainable application of livestock water footprints in different beef production systems of South Africa
Grossi et al. Effects of heated drinking water on the growth performance and rumen functionality of fattening charolaise beef cattle in winter
Shahini et al. Rational use of oilseed waste to increase dairy productivity
Qu et al. A goal programming approach for balancing diet costs and feed water use under different environmental conditions
DelCurto-Wyffels et al. Corn versus barley in finishing diets: Effect on steer performance and feeding behavior
Chankuang et al. Comparison of rabbit, kitten and mammal milk replacer efficiencies in early weaning rabbits
Lengling et al. Validation of a new resource-efficient feeding system for fattening pigs using increased crude fiber concentrations in diets: Feed intake and ammonia emissions
Puntigam et al. Fermentation of whole grain sorghum (Sorghum bicolor (L.) moench) with different dry matter concentrations: Effect on the apparent total tract digestibility of energy, crude nutrients and minerals in growing pigs
Andrianou et al. Upcycled Animal Feed: Sustainable Solution to Orange Peels Waste
Kuczaj et al. Relationships between selected physiological factors and milking parameters for cows using a milking Robot
Duplessis et al. Refining knowledge of factors affecting vitamin B12 concentration in bovine Milk
Devant et al. Effects of exogenous glucoamylase enzymes alone or in combination with a neutral protease on apparent total tract digestibility and feces D-lactate in crossbred Angus bulls fed a ration rich in rolled corn
CN215012525U (zh) 皮毛动物养殖自动喂食设备用采食量集中管控系统
Salookolaei et al. A new approach in animal diet using grey system theory
Suryani et al. Dynamic simulation model of cow’s milk demand and supply to determine the national fulfillment ratio
Craig et al. Performance of Dairy Cows Offered Grass Silage Produced within Either a Three-or Four-Harvest System When Supplemented with Concentrates on a Feed-to-Yield Basis

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into 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: 20180403

Termination date: 20190312