CN108507700A - 一种猪舍多点温度预测方法及系统 - Google Patents
一种猪舍多点温度预测方法及系统 Download PDFInfo
- Publication number
- CN108507700A CN108507700A CN201810231966.4A CN201810231966A CN108507700A CN 108507700 A CN108507700 A CN 108507700A CN 201810231966 A CN201810231966 A CN 201810231966A CN 108507700 A CN108507700 A CN 108507700A
- Authority
- CN
- China
- Prior art keywords
- pig house
- neural network
- network model
- target
- temperature
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明提供一种猪舍多点温度预测方法及系统,其中方法包括:实时采集目标猪舍的多个预设监测点的环境信息,其中多个预设监测点包括目标猪舍的出风口和进风口以及目标猪舍的中央位置,环境信息包括温度信息和湿度信息;将多个预设监测点的环境信息输入训练好的神经网络模型中,获得目标猪舍的实时预测温度。该方法及系统针对传统猪舍中环境因子复杂且存在非线性变化的特点,综合考量目标猪舍多个关键位置点的温湿度等环境因子,能够有效确保温度预测结果的准确性,有利于用户及时掌握目标猪舍内部环境温度的变化情况,进而对目标猪舍内部环节温度进行合理控制,从而有利于将目标猪舍内部环境温度控制在最适于猪生长发育和生产的范围之内。
Description
技术领域
本发明涉及环境监测技术领域,更具体地,涉及一种猪舍多点温度预测方法及系统。
背景技术
猪舍内环境温度条件是影响养猪生产的重要环境因素,研究猪舍环境控制问题有利于猪只健康生长。猪是恒温动物,在正常情况下,无论外界温度如何变化,猪体都能通过自身的调节,保持体温基本不变。当环境温度适宜时,猪最容易保持体温正常,饲料利用得到提高;当环境温度过低或过高时,猪饲料的消耗量增加,生产水平降低,或减少采食,减少活动,甚至发生疾病。所以将环境温度控制在最适于猪生长发育和生产的范围之内,是充分发挥饲料作用和提高生产水平行之有效的措施。
现有的猪舍温度测量方法主要是从单一位置对猪舍内部环境温度进行测量,无法确保温度测量结果的准确性。有鉴于此,亟需提供一种猪舍温度测量方法及系统,以准确测量猪舍内环境温度,从而有利于将猪舍内环境温度控制在最适于猪生长发育和生产的范围之内。
发明内容
本发明为了克服现有技术中猪舍温度测量方法主要是从单一位置对猪舍内部环境温度进行测量,无法确保温度测量结果的准确性的问题,提供一种猪舍多点温度预测方法及系统。
一方面,本发明提供一种猪舍多点温度预测方法,包括:
S1,实时采集目标猪舍的多个预设监测点的环境信息,其中多个所述预设监测点包括所述目标猪舍的出风口和进风口以及所述目标猪舍的中央位置,所述环境信息包括温度信息和湿度信息;
S2,将所述多个预设监测点的环境信息输入训练好的神经网络模型中,获得所述目标猪舍的实时预测温度。
优选地,所述步骤S1之前还包括:
在所述目标猪舍的每个所述预设监测点设置温度传感器和湿度传感器;
利用所述温度传感器采集每个所述预设监测点的温度信息,并利用所述湿度传感器采集每个所述预设监测点的湿度信息。
优选地,所述步骤S2之前还包括:
获取所述目标猪舍的多个预设监测点的样本环境信息;
根据所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型。
优选地,所述获取所述目标猪舍的多个预设监测点的样本环境信息之后还包括:
对所述多个预设监测点的样本环境信息进行归一化处理;
相应地,根据归一化处理后的所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型。
优选地,所述根据所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型进一步包括:
将所述多个预设监测点的样本环境信息划分为训练样本和测试样本;
构建神经网络模型,并设置所述神经网络模型的目标误差;
将所述训练样本输入所述神经网络模型进行训练,直至所述训练样本的实际误差不大于所述目标误差,获得训练后的神经网络模型;
将所述测试样本输入所述训练后的神经网络模型,当所述测试样本的实际误差不大于所述目标误差时,获得所述训练好的神经网络模型。
优选地,所述步骤S2之后还包括:
设置监测周期,利用所述训练好的神经网络模型获取所述目标猪舍在所述监测周期内各个时间点的实时预测温度,获得所述目标猪舍在所述监测周期内的温度变化信息;
将所述温度变化信息发送给用户终端。
一方面,本发明提供一种猪舍多点温度预测系统,包括:
信息采集模块,用于实时采集目标猪舍的多个预设监测点的环境信息,其中多个所述预设监测点包括所述目标猪舍的出风口和进风口以及所述目标猪舍的中央位置,所述环境信息包括温度信息和湿度信息;
温度预测模块,用于将所述多个预设监测点的环境信息输入训练好的神经网络模型中,获得所述目标猪舍的实时预测温度。
优选地,还包括模型训练模块,用于:
获取所述目标猪舍的多个预设监测点的样本环境信息,将所述多个预设监测点的样本环境信息划分为训练样本和测试样本;
构建神经网络模型,并设置所述神经网络模型的目标误差;
将所述训练样本输入所述神经网络模型进行训练,直至所述训练样本的实际误差不大于所述目标误差,获得训练后的神经网络模型;
将所述测试样本输入所述训练后的神经网络模型,当所述测试样本的实际误差不大于所述目标误差时,获得所述训练好的神经网络模型。
一方面,本发明提供一种猪舍多点温度预测方法的设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述任一所述的方法。
一方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述任一所述的方法。
本发明提供的一种猪舍多点温度预测方法及系统,在目标猪舍内预先设置多个位置作为监测点,多个预设监测点包括目标猪舍的出风口、目标猪舍的进风口和目标猪舍的中央位置;采集多个预设监测点的温度信息和湿度信息等环境信息;最终将多个预设监测点的环境信息输入预先训练好的神经网络模型中,进而从训练好的神经网络模型的输出中获得目标猪舍的实时预测温度。该方法及系统针对传统猪舍中环境因子复杂且存在非线性变化的特点,通过综合考量目标猪舍多个关键位置点的温湿度等环境因子,采用神经网络模型对目标猪舍内部环境温度进行预测,能够有效确保温度预测结果的准确性,有利于用户及时掌握目标猪舍内部环境温度的变化情况,进而对目标猪舍内部环节温度进行合理控制,从而有利于将目标猪舍内部环境温度控制在最适于猪生长发育和生产的范围之内。
附图说明
图1为本发明实施例的一种猪舍多点温度预测方法的整体流程示意图;
图2为本发明实施例的一种猪舍多点温度预测系统的整体结构示意图;
图3为本发明实施例的一种猪舍多点温度预测方法的设备的结构框架示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明实施例的一种猪舍多点温度预测方法的整体流程示意图,如图1所示,本发明提供一种猪舍多点温度预测方法,包括:
S1,实时采集目标猪舍的多个预设监测点的环境信息,其中多个所述预设监测点包括所述目标猪舍的出风口和进风口以及所述目标猪舍的中央位置,所述环境信息包括温度信息和湿度信息;
S2,将所述多个预设监测点的环境信息输入训练好的神经网络模型中,获得所述目标猪舍的实时预测温度。
具体地,在猪舍复杂的环境背景下,单一位置的温湿度变化情况很难准确反映猪舍内部环境温度的真实情况。有鉴于此,为了对猪舍内部环境温度进行准确预测,本实施例中,在目标猪舍内预先设置多个位置作为监测点,多个预设监测点包括目标猪舍的出风口、目标猪舍的进风口和目标猪舍的中央位置。此外,在实际应用中,可以根据目标猪舍的实际情况设置其他位置作为预设监测点,此处不做具体限定。在此基础上,实时采集目标猪舍的多个预设监测点的环境信息,其中环境信息包括多个预设监测点的温度信息和湿度信息,在其他实施例中,环境信息还可以包括影响目标猪舍内部环境温度的其他环境因子,可以根据实际需求进行设置,此处不做具体限定。
进一步地,在上述技术方案的基础上,预先对神经网络模型进行训练,获得训练好的神经网络模型,将上述采集的多个预设位置的环境信息输入训练好的神经网络模型中,从训练好的神经网络模型的输出中获得目标猪舍的实时预测温度。本实施例中,上述神经网络模型为BP神经网络模型,且神经网络模型包括输入层、隐藏层和输出层,其中输入层的输入变量为多个预设监测点的环境信息,输出层的输出目标为目标猪舍的预测温度。在其他实施例中,还可以采用其他神经网络模型进行目标猪舍内部环境温度的预测,可以根据实际需求进行设置,此处不做具体限定。
本发明提供的一种猪舍多点温度预测方法,在目标猪舍内预先设置多个位置作为监测点,多个预设监测点包括目标猪舍的出风口、目标猪舍的进风口和目标猪舍的中央位置;采集多个预设监测点的温度信息和湿度信息等环境信息;最终将多个预设监测点的环境信息输入预先训练好的神经网络模型中,进而从训练好的神经网络模型的输出中获得目标猪舍的实时预测温度。该方法针对传统猪舍中环境因子复杂且存在非线性变化的特点,通过综合考量目标猪舍多个关键位置点的温湿度等环境因子,采用神经网络模型对目标猪舍内部环境温度进行预测,能够有效确保温度预测结果的准确性,有利于用户及时掌握目标猪舍内部环境温度的变化情况,进而对目标猪舍内部环节温度进行合理控制,从而有利于将目标猪舍内部环境温度控制在最适于猪生长发育和生产的范围之内。
基于上述任一实施例,提供一种猪舍多点温度预测方法,所述步骤S1之前还包括:
在所述目标猪舍的每个所述预设监测点设置温度传感器和湿度传感器;
利用所述温度传感器采集每个所述预设监测点的温度信息,并利用所述湿度传感器采集每个所述预设监测点的湿度信息。
具体地,在采集多个预设监测点的环境信息之前,在每个预设监测点设置温度传感器和湿度传感器,即在目标猪舍的出风口、目标猪舍的进风口和目标猪舍的中央位置等预设监测点分别设置温度传感器和湿度传感器。在其他实施例中,还可以在每个预设监测点设置其他温度检测装置和湿度检测装置,可以根据实际需求进行设置,此处不做具体限定。
进一步地,利用每个预设监测点的温度传感器采集每个预设监测点的温度信息,利用每个预设监测点的湿度传感器采集每个预设监测点的湿度信息,针对每个预设监测点所采集的温度信息和湿度信息的组合为每个预设监测点的环境信息,并最终将每个预设监测点的温度信息和湿度信息的组合作为环境信息同时输入预先训练好的神经网络模型,以对目标猪舍内部环境温度进行预测。
本发明提供的一种猪舍多点温度预测方法,在目标猪舍的多个预设监测点设置温度传感器和湿度传感器,利用每个预设监测点的温度传感器采集每个预设监测点的温度信息,并利用每个预设监测点的湿度传感器采集每个预设监测点的湿度信息,有利于对多个预设监测点的温度信息和湿度信息进行实时准确监测,进而有利于将多个预设监测点的温度信息和湿度信息输入预先训练好的神经网络模型中以实现目标猪舍内部环境温度的准确预测,通过综合考量目标猪舍多个关键位置点的温湿度等环境因子,能够有效确保温度预测结果的准确性。
基于上述任一实施例,提供一种猪舍多点温度预测方法,所述步骤S2之前还包括:
获取所述目标猪舍的多个预设监测点的样本环境信息;
根据所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型。
具体地,在将多个预设监测点的环境信息输入训练好的神经网络模型之前,需要预先训练神经网络模型。本实施例中,首先获得目标猪舍的多个预设监测点的样本环境信息,其中样本环境信息为预先采集的目标猪舍在预设时间间隔内各个时间点的温度信息和湿度信息,其中时间间隔可以根据实际需求进行设置,此处不做具体限定。
进一步地,构建神经网络模型,本实施例中,神经网络模型为BP神经网络模型,且神经网络模型包括输入层、隐藏层和输出层。在其他实施例中,还可以选择构建其他神经网络模型,可以根据实际需求进行设置,此处不做具体限定。在此基础上,设置神经网络的训练次数和目标误差,根据上述获得的多个预设监测点的样本环境信息对神经网络模型进行训练,当神经网络模组输出层输出的预测温度和期望温度之间的误差不大于目标误差时,神经网络模型的训练结束,即可获得训练好的神经网络模型。
本发明提供的一种猪舍多点温度预测方法,通过预先获取目标猪舍的多个预设监测点的样本环境信息,根据多个预设监测点的样本环境信息对神经网络模型进行训练,获得训练好的神经网络模型,从而能够将实时采集的多个预设监测点的温度信息和湿度信息输入训练好的神经网络模型中以获得目标猪舍的实时预测温度,能够有效确保目标猪舍的实时预测温度的准确性,有利于用户及时准确地掌握目标猪舍内部环境温度的变化情况。
基于上述任一实施例,提供一种猪舍多点温度预测方法,所述获取所述目标猪舍的多个预设监测点的样本环境信息之后还包括:
对所述多个预设监测点的样本环境信息进行归一化处理;
相应地,根据归一化处理后的所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型。
具体地,本实施例中,在获取目标猪舍的多个预设监测点的样本环境信息之后,对多个预设监测点的样本环境信息进行归一化处理,使得样本数据经过处理后限制在合适的范围内,以便使样本数据处理起来比较方便,而且有利于保证程序运行时收敛加快。
进一步地,本实施例对多个预设监测点的样本环境信息进行归一化处理所采用的方法为最大最小算法。例如湿度参数的数据集合为y={y1,y2,...,yn},其中yi为输入数据,ymin为输入数据的最小值,ymax为输入数据的最大值,则利用最大最小算法对其进行归一化的计算公式如下:
由上述公式计算出的结果即为归一化处理后的样本环境信息,再根据归一化处理后的多个预设监测点的样本环境信息对神经网络模型进行训练,获得训练好的神经网络模型。
本发明提供的一种猪舍多点温度预测方法,在神经网络的训练过程中,在获取多个预设监测点的样本环境信息之后,对多个预设监测点的样本环境信息进行归一化处理,再根据归一化处理后的多个预设监测点的样本环境信息对神经网络模型进行训练,获得训练好的神经网络模型。通过归一化处理可以剔除原有的样本环境信息中异常大或异常小的数据,确保处理后的样本数据限制在合适的范围内,以便使样本数据处理起来比较方便,而且有利于保证程序运行时收敛加快。
基于上述任一实施例,提供一种猪舍多点温度预测方法,所述根据所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型进一步包括:
将所述多个预设监测点的样本环境信息划分为训练样本和测试样本;
构建神经网络模型,并设置所述神经网络模型的目标误差;
将所述训练样本输入所述神经网络模型进行训练,直至所述训练样本的实际误差不大于所述目标误差,获得训练后的神经网络模型;
将所述测试样本输入所述训练后的神经网络模型,当所述测试样本的实际误差不大于所述目标误差时,获得所述训练好的神经网络模型。
具体地,本实施例中,在获得多个预设监测点的样本环境信息之后,根据多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型,具体实现过程如下:
首先,将多个预设监测点的样本环境信息划分为训练样本和测试样本,本实施例中,从多个预设监测点的样本环境信息中随机抽取15%的样本环境信息作为测试样本,其余样本环境信息则作为训练样本。在其他实施例中,可以根据实际需求对多个预设监测点的样本环境信息进行具体划分,此处不做具体限定。
进一步地,构建神经网络模型,本实施例中,构建的神经网络模型为BP神经网络模型,其包括输入层、隐藏层和输出层。在此基础上,设置神经网络模型的目标误差,同时还可以设置神经网络模型的训练次数。
进一步地,将训练样本数据输入神经网络的输入层,并给每个训练样本数据随机初始化初始权重。假定输入有m个样本数据:{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))},其中x(1)、x(2)…x(m)为温度数据;y(1)、y(2)…y(m)为湿度数据。神经网络模型利用BP算法通过最优化各层神经元的输入权值和偏置,使得神经网络模型的输出尽可能地接近期望输出,以达到训练的目的。
本实施例中,选取较为常用的S型函数(sigmoid)作为神经元的激活函数,其表达式为:
其中:xi代表输入层神经元节点的第i个输入,wi代表输入的权值,b代表输入的偏置。
采用批量更新的方法,在基于单个参数中,给出m组训练样本,定义误差函数为:
设神经网络的一层里有n个神经元输入,dk(i)表示第k个神经元的期望输出,yk(i)表示第k个神经元的实际输出,E(i)为单个样本的训练误差,则有:
因此,批量读取数据的均方误差为:
进一步地,隐藏层从输入层读取一组数据实例以后,将每个数据实例经过训练后的输出值传递给输出层,由输出层将输出的结果与期望值作比较,求得一组数据的平均实际误差值,然后利用平均实际误差对BP神经网络的各个权值和偏置进行调整,直至平均实际误差不大于目标误差,获得训练后的神经网络模型。其中BP算法每一次迭代按照以下方式对权值以及偏置进行更新:
其中,为从l-1层第j个神经元与l层第i个神经元之间的连接权重,代表第l层,第i个神经元的偏置。
进一步地,将测试样本输入训练后的神经网络模型的输入层,当输出层的输出结果与期望值之间的实际误差不大于目标误差时,确定训练后的神经网络模型可通过测试,进而获得训练好的神经网络模型。
本发明提供的一种猪舍多点温度预测方法,将多个预设监测点的样本环境信息划分为训练样本和测试样本;构建神经网络模型,并设置神经网络模型的目标误差;将训练样本输入神经网络模型进行训练,直至训练样本的实际误差不大于目标误差,获得训练后的神经网络模型;将测试样本输入训练后的神经网络模型,当测试样本的实际误差不大于目标误差时,获得训练好的神经网络模型。通过对神经网络模型进行训练,有利于将实时采集的多个预设监测点的温度信息和湿度信息输入训练好的神经网络模型中以获得目标猪舍的实时预测温度,能够有效确保目标猪舍的实时预测温度的准确性,有利于用户及时准确地掌握目标猪舍内部环境温度的变化情况,进而对目标猪舍内部环节温度进行合理控制,从而有利于将目标猪舍内部环境温度控制在最适于猪生长发育和生产的范围之内。
基于上述任一实施例,提供一种猪舍多点温度预测方法,所述步骤S2之后还包括:
设置监测周期,利用所述训练好的神经网络模型获取所述目标猪舍在所述监测周期内各个时间点的实时预测温度,获得所述目标猪舍在所述监测周期内的温度变化信息;
将所述温度变化信息发送给用户终端。
具体地,为了监测目标猪舍内部的温度变化情况,本实施例中,设置目标猪舍的监测周期,可以根据实际需求设置监测周期,此处不做具体限定。利用训练好的神经网络模型获取目标猪舍在监测周期内各个时间点的实时预测温度,获得目标猪舍在监测周期内的温度变化信息;最终将目标猪舍的温度变化信息发送给用户终端,例如可以将目标猪舍在监测周期内的温度变化绘制成温度变化曲线,从而将温度变化曲线发送给用户终端,有利于用户及时准确并直观地掌握目标猪舍的温度变化情况。
本发明提供的一种猪舍多点温度预测方法,通过设置目标猪舍的监测周期,并利用训练好的神经网络模型获取目标猪舍在监测周期内各个时间点的实时预测温度,获得目标猪舍在监测周期内的温度变化信息,最终将温度变化信息发送给用户终端,有利于用户及时掌握目标猪舍内部环境温度的变化情况,进而对目标猪舍内部环节温度进行合理控制,从而有利于将目标猪舍内部环境温度控制在最适于猪生长发育和生产的范围之内。
图2为本发明实施例的一种猪舍多点温度预测系统的整体结构示意图,如图2所示,本发明提供一种猪舍多点温度预测系统,包括:
信息采集模块1,用于实时采集目标猪舍的多个预设监测点的环境信息,其中多个所述预设监测点包括所述目标猪舍的出风口和进风口以及所述目标猪舍的中央位置,所述环境信息包括温度信息和湿度信息;
温度预测模块2,用于将所述多个预设监测点的环境信息输入训练好的神经网络模型中,获得所述目标猪舍的实时预测温度。
具体地,本发明提供一种猪舍多点温度预测系统,包括信息采集模块1和温度预测模块2,通过各模块的配合实现上述任一实施例中的猪舍多点温度预测方法,具体实现过程如下:
在猪舍复杂的环境背景下,单一位置的温湿度变化情况很难准确反映猪舍内部环境温度的真实情况。有鉴于此,为了对猪舍内部环境温度进行准确预测,本实施例中,利用信息采集模块1在目标猪舍内预先设置多个位置作为监测点,多个预设监测点包括目标猪舍的出风口、目标猪舍的进风口和目标猪舍的中央位置。此外,在实际应用中,可以根据目标猪舍的实际情况设置其他位置作为预设监测点,此处不做具体限定。在此基础上,利用信息采集模块1实时采集目标猪舍的多个预设监测点的环境信息,其中环境信息包括多个预设监测点的温度信息和湿度信息,在其他实施例中,环境信息还可以包括影响目标猪舍内部环境温度的其他环境因子,可以根据实际需求进行设置,此处不做具体限定。
进一步地,在上述技术方案的基础上,预先对神经网络模型进行训练,获得训练好的神经网络模型,利用温度预测模块2将上述采集的多个预设位置的环境信息输入训练好的神经网络模型中,从训练好的神经网络模型的输出中获得目标猪舍的实时预测温度。本实施例中,上述神经网络模型为BP神经网络模型,且神经网络模型包括输入层、隐藏层和输出层,其中输入层的输入变量为多个预设监测点的环境信息,输出层的输出目标为目标猪舍的预测温度。在其他实施例中,还可以采用其他神经网络模型进行目标猪舍内部环境温度的预测,可以根据实际需求进行设置,此处不做具体限定。
本发明提供的一种猪舍多点温度预测系统,在目标猪舍内预先设置多个位置作为监测点,多个预设监测点包括目标猪舍的出风口、目标猪舍的进风口和目标猪舍的中央位置;采集多个预设监测点的温度信息和湿度信息等环境信息;最终将多个预设监测点的环境信息输入预先训练好的神经网络模型中,进而从训练好的神经网络模型的输出中获得目标猪舍的实时预测温度。该系统针对传统猪舍中环境因子复杂且存在非线性变化的特点,通过综合考量目标猪舍多个关键位置点的温湿度等环境因子,采用神经网络模型对目标猪舍内部环境温度进行预测,能够有效确保温度预测结果的准确性,有利于用户及时掌握目标猪舍内部环境温度的变化情况,进而对目标猪舍内部环节温度进行合理控制,从而有利于将目标猪舍内部环境温度控制在最适于猪生长发育和生产的范围之内。
基于上述任一实施例,提供一种猪舍多点温度预测系统,还包括模型训练模块,用于:
获取所述目标猪舍的多个预设监测点的样本环境信息,将所述多个预设监测点的样本环境信息划分为训练样本和测试样本;
构建神经网络模型,并设置所述神经网络模型的目标误差;
将所述训练样本输入所述神经网络模型进行训练,直至所述训练样本的实际误差不大于所述目标误差,获得训练后的神经网络模型;
将所述测试样本输入所述训练后的神经网络模型,当所述测试样本的实际误差不大于所述目标误差时,获得所述训练好的神经网络模型。
具体地,本实施例提供的猪舍多点温度预测系统还包括模型训练模块,利用模型训练模块对神经网络模型进行训练,获得训练好的神经网络模型,具体实现过程如下:
首先,将多个预设监测点的样本环境信息划分为训练样本和测试样本,本实施例中,从多个预设监测点的样本环境信息中随机抽取15%的样本环境信息作为测试样本,其余样本环境信息则作为训练样本。在其他实施例中,可以根据实际需求对多个预设监测点的样本环境信息进行具体划分,此处不做具体限定。
进一步地,构建神经网络模型,本实施例中,构建的神经网络模型为BP神经网络模型,其包括输入层、隐藏层和输出层。在此基础上,设置神经网络模型的目标误差,同时还可以设置神经网络模型的训练次数。
进一步地,将训练样本数据输入神经网络的输入层,并给每个训练样本数据随机初始化初始权重。假定输入有m个样本数据:{(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))},其中x(1)、x(2)…x(m)为温度数据;y(1)、y(2)…y(m)为湿度数据。神经网络模型利用BP算法通过最优化各层神经元的输入权值和偏置,使得神经网络模型的输出尽可能地接近期望输出,以达到训练的目的。
本实施例中,选取较为常用的S型函数(sigmoid)作为神经元的激活函数,其表达式为:
其中:xi代表输入层神经元节点的第i个输入,wi代表输入的权值,b代表输入的偏置。
采用批量更新的方法,在基于单个参数中,给出m组训练样本,定义误差函数为:
设神经网络的一层里有n个神经元输入,dk(i)表示第k个神经元的期望输出,yk(i)表示第k个神经元的实际输出,E(i)为单个样本的训练误差,则有:
因此,批量读取数据的均方误差为:
进一步地,隐藏层从输入层读取一组数据实例以后,将每个数据实例经过训练后的输出值传递给输出层,由输出层将输出的结果与期望值作比较,求得一组数据的平均实际误差值,然后利用平均实际误差对BP神经网络的各个权值和偏置进行调整,直至平均实际误差不大于目标误差,获得训练后的神经网络模型。其中BP算法每一次迭代按照以下方式对权值以及偏置进行更新:
其中,为从l-1层第j个神经元与l层第i个神经元之间的连接权重,代表第l层,第i个神经元的偏置。
进一步地,将测试样本输入训练后的神经网络模型的输入层,当输出层的输出结果与期望值之间的实际误差不大于目标误差时,确定训练后的神经网络模型可通过测试,进而获得训练好的神经网络模型。
本发明提供的一种猪舍多点温度预测系统,将多个预设监测点的样本环境信息划分为训练样本和测试样本;构建神经网络模型,并设置神经网络模型的目标误差;将训练样本输入神经网络模型进行训练,直至训练样本的实际误差不大于目标误差,获得训练后的神经网络模型;将测试样本输入训练后的神经网络模型,当测试样本的实际误差不大于目标误差时,获得训练好的神经网络模型。通过对神经网络模型进行训练,有利于将实时采集的多个预设监测点的温度信息和湿度信息输入训练好的神经网络模型中以获得目标猪舍的实时预测温度,能够有效确保目标猪舍的实时预测温度的准确性,有利于用户及时准确地掌握目标猪舍内部环境温度的变化情况,进而对目标猪舍内部环节温度进行合理控制,从而有利于将目标猪舍内部环境温度控制在最适于猪生长发育和生产的范围之内。
图3示出本发明实施例的一种猪舍多点温度预测方法的设备的结构框图。参照图3,所述猪舍多点温度预测方法的设备,包括:处理器(processor)31、存储器(memory)32和总线33;其中,所述处理器31和存储器32通过所述总线33完成相互间的通信;所述处理器31用于调用所述存储器32中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:实时采集目标猪舍的多个预设监测点的环境信息,其中多个预设监测点包括目标猪舍的出风口和进风口以及目标猪舍的中央位置,环境信息包括温度信息和湿度信息;将多个预设监测点的环境信息输入训练好的神经网络模型中,获得目标猪舍的实时预测温度。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:实时采集目标猪舍的多个预设监测点的环境信息,其中多个预设监测点包括目标猪舍的出风口和进风口以及目标猪舍的中央位置,环境信息包括温度信息和湿度信息;将多个预设监测点的环境信息输入训练好的神经网络模型中,获得目标猪舍的实时预测温度。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:实时采集目标猪舍的多个预设监测点的环境信息,其中多个预设监测点包括目标猪舍的出风口和进风口以及目标猪舍的中央位置,环境信息包括温度信息和湿度信息;将多个预设监测点的环境信息输入训练好的神经网络模型中,获得目标猪舍的实时预测温度。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的猪舍多点温度预测方法的设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种猪舍多点温度预测方法,其特征在于,包括:
S1,实时采集目标猪舍的多个预设监测点的环境信息,其中多个所述预设监测点包括所述目标猪舍的出风口和进风口以及所述目标猪舍的中央位置,所述环境信息包括温度信息和湿度信息;
S2,将所述多个预设监测点的环境信息输入训练好的神经网络模型中,获得所述目标猪舍的实时预测温度。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1之前还包括:
在所述目标猪舍的每个所述预设监测点设置温度传感器和湿度传感器;
利用所述温度传感器采集每个所述预设监测点的温度信息,并利用所述湿度传感器采集每个所述预设监测点的湿度信息。
3.根据权利要求1所述的方法,其特征在于,所述步骤S2之前还包括:
获取所述目标猪舍的多个预设监测点的样本环境信息;
根据所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述获取所述目标猪舍的多个预设监测点的样本环境信息之后还包括:
对所述多个预设监测点的样本环境信息进行归一化处理;
相应地,根据归一化处理后的所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型。
5.根据权利要求3所述的方法,其特征在于,所述根据所述多个预设监测点的样本环境信息对神经网络模型进行训练,获得所述训练好的神经网络模型进一步包括:
将所述多个预设监测点的样本环境信息划分为训练样本和测试样本;
构建神经网络模型,并设置所述神经网络模型的目标误差;
将所述训练样本输入所述神经网络模型进行训练,直至所述训练样本的实际误差不大于所述目标误差,获得训练后的神经网络模型;
将所述测试样本输入所述训练后的神经网络模型,当所述测试样本的实际误差不大于所述目标误差时,获得所述训练好的神经网络模型。
6.根据权利要求1所述的方法,其特征在于,所述步骤S2之后还包括:
设置监测周期,利用所述训练好的神经网络模型获取所述目标猪舍在所述监测周期内各个时间点的实时预测温度,获得所述目标猪舍在所述监测周期内的温度变化信息;
将所述温度变化信息发送给用户终端。
7.一种猪舍多点温度预测系统,其特征在于,包括:
信息采集模块,用于实时采集目标猪舍的多个预设监测点的环境信息,其中多个所述预设监测点包括所述目标猪舍的出风口和进风口以及所述目标猪舍的中央位置,所述环境信息包括温度信息和湿度信息;
温度预测模块,用于将所述多个预设监测点的环境信息输入训练好的神经网络模型中,获得所述目标猪舍的实时预测温度。
8.根据权利要求7所述的系统,其特征在于,还包括模型训练模块,用于:
获取所述目标猪舍的多个预设监测点的样本环境信息,将所述多个预设监测点的样本环境信息划分为训练样本和测试样本;
构建神经网络模型,并设置所述神经网络模型的目标误差;
将所述训练样本输入所述神经网络模型进行训练,直至所述训练样本的实际误差不大于所述目标误差,获得训练后的神经网络模型;
将所述测试样本输入所述训练后的神经网络模型,当所述测试样本的实际误差不大于所述目标误差时,获得所述训练好的神经网络模型。
9.一种猪舍多点温度预测方法的设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231966.4A CN108507700A (zh) | 2018-03-20 | 2018-03-20 | 一种猪舍多点温度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810231966.4A CN108507700A (zh) | 2018-03-20 | 2018-03-20 | 一种猪舍多点温度预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108507700A true CN108507700A (zh) | 2018-09-07 |
Family
ID=63376935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810231966.4A Pending CN108507700A (zh) | 2018-03-20 | 2018-03-20 | 一种猪舍多点温度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108507700A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111346688A (zh) * | 2018-12-24 | 2020-06-30 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
CN111651862A (zh) * | 2020-05-11 | 2020-09-11 | 珠海格力电器股份有限公司 | 空调及其安装位置确定方法、装置、存储介质及移动终端 |
CN111753462A (zh) * | 2020-05-22 | 2020-10-09 | 北京邮电大学 | 一种环境信号值确定方法及装置 |
CN112162575A (zh) * | 2020-09-13 | 2021-01-01 | 江苏深农智能科技有限公司 | 基于数据模型的智能棚舍环境控制方法及系统 |
CN112181008A (zh) * | 2020-09-02 | 2021-01-05 | 珠海泰坦新动力电子有限公司 | 高温化成柜热源功率智能控制方法、装置及介质 |
CN112596392A (zh) * | 2020-12-24 | 2021-04-02 | 青岛科创信达科技有限公司 | 基于大数据的猪舍环境控制器参数自动配置及优化方法 |
CN113052399A (zh) * | 2021-04-21 | 2021-06-29 | 浙江中控技术股份有限公司 | 温度监控系统、方法、装置、存储介质及电子设备 |
CN113419868A (zh) * | 2021-08-23 | 2021-09-21 | 南方科技大学 | 基于众包的温度预测方法、装置、设备和存储介质 |
CN113654200A (zh) * | 2021-07-29 | 2021-11-16 | 中国水利水电第六工程局有限公司 | 钢管生产车间温控系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561427A (zh) * | 2009-05-15 | 2009-10-21 | 江苏大学 | 基于can现场总线的猪舍环境有害气体多点测量系统 |
CN104121998A (zh) * | 2014-06-24 | 2014-10-29 | 中国农业大学 | 一种日光温室环境智能监控系统中的温度预警方法 |
CN104460618A (zh) * | 2014-11-28 | 2015-03-25 | 杨斌 | 一种自动化猪养殖系统 |
CN104864984A (zh) * | 2015-05-21 | 2015-08-26 | 青岛大学 | 基于神经网络的微小反应器温度测量方法 |
CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
CN107494320A (zh) * | 2017-05-12 | 2017-12-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境温度智能监测系统 |
-
2018
- 2018-03-20 CN CN201810231966.4A patent/CN108507700A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561427A (zh) * | 2009-05-15 | 2009-10-21 | 江苏大学 | 基于can现场总线的猪舍环境有害气体多点测量系统 |
CN104121998A (zh) * | 2014-06-24 | 2014-10-29 | 中国农业大学 | 一种日光温室环境智能监控系统中的温度预警方法 |
CN104460618A (zh) * | 2014-11-28 | 2015-03-25 | 杨斌 | 一种自动化猪养殖系统 |
CN104864984A (zh) * | 2015-05-21 | 2015-08-26 | 青岛大学 | 基于神经网络的微小反应器温度测量方法 |
CN107289998A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 基于can总线的猪舍环境温度智能监测系统 |
CN107494320A (zh) * | 2017-05-12 | 2017-12-22 | 淮阴工学院 | 基于无线传感器网络的牛舍环境温度智能监测系统 |
Non-Patent Citations (2)
Title |
---|
宣传忠 等: "基于自适应模糊神经网络的畜禽舍环境控制系统的研究", 《内蒙古大学学报(自然科学版)》 * |
葛珂楠 等: "基于BP神经网络的地下空间温湿度预测", 《计算机工程与设计》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111346688A (zh) * | 2018-12-24 | 2020-06-30 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
CN111346688B (zh) * | 2018-12-24 | 2021-08-24 | 航天信息股份有限公司 | 一种小麦着水控制方法及装置 |
CN111651862A (zh) * | 2020-05-11 | 2020-09-11 | 珠海格力电器股份有限公司 | 空调及其安装位置确定方法、装置、存储介质及移动终端 |
CN111753462A (zh) * | 2020-05-22 | 2020-10-09 | 北京邮电大学 | 一种环境信号值确定方法及装置 |
CN111753462B (zh) * | 2020-05-22 | 2023-02-03 | 北京邮电大学 | 一种环境信号值确定方法及装置 |
CN112181008A (zh) * | 2020-09-02 | 2021-01-05 | 珠海泰坦新动力电子有限公司 | 高温化成柜热源功率智能控制方法、装置及介质 |
CN112162575A (zh) * | 2020-09-13 | 2021-01-01 | 江苏深农智能科技有限公司 | 基于数据模型的智能棚舍环境控制方法及系统 |
CN112596392A (zh) * | 2020-12-24 | 2021-04-02 | 青岛科创信达科技有限公司 | 基于大数据的猪舍环境控制器参数自动配置及优化方法 |
CN113052399A (zh) * | 2021-04-21 | 2021-06-29 | 浙江中控技术股份有限公司 | 温度监控系统、方法、装置、存储介质及电子设备 |
CN113654200A (zh) * | 2021-07-29 | 2021-11-16 | 中国水利水电第六工程局有限公司 | 钢管生产车间温控系统 |
CN113419868A (zh) * | 2021-08-23 | 2021-09-21 | 南方科技大学 | 基于众包的温度预测方法、装置、设备和存储介质 |
CN113419868B (zh) * | 2021-08-23 | 2021-11-16 | 南方科技大学 | 基于众包的温度预测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108507700A (zh) | 一种猪舍多点温度预测方法及系统 | |
CN105159216B (zh) | 鸡舍环境氨气浓度智能监测系统 | |
CN109978228A (zh) | 一种pm2.5浓度预测方法、装置及介质 | |
CN113141940A (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 | |
CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN106485589A (zh) | 一种基于物联网的农业企业集团信息化管理系统 | |
CN108802857A (zh) | 一种基于气象数据的气象预报系统 | |
CN112270124B (zh) | 一种实时灌溉方法及系统 | |
Kadir et al. | Wheat yield prediction: Artificial neural network based approach | |
CN112116143B (zh) | 一种基于神经网络的森林虫害发生概率计算处理方法 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
CN111754045A (zh) | 一种基于果树生长的预测系统 | |
CN110291539A (zh) | 用于生成学习数据的处理方法、系统、程序和存储介质、以及生成学习数据的方法和系统 | |
CN107219759A (zh) | 一种温室环境控制方法及装置 | |
CN115034126A (zh) | 一种通过灰狼算法优化lstm神经网络模型的方法与系统 | |
CN107392398A (zh) | 一种农业管理方法、雾计算平台及系统 | |
CN107038450A (zh) | 基于深度学习的无人机警察系统 | |
Salle et al. | Use of artificial neural networks to estimate production variables of broilers breeders in the production phase | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN110910263A (zh) | 一种基于ga-bp神经网络粮情监测方法 | |
CN105675807A (zh) | 一种基于bp神经网络的莠去津残留评价方法 | |
CN109493065A (zh) | 一种基于行为增量更新的欺诈交易检测方法 | |
Fu et al. | Neural Networks for Smart Agriculture | |
Liu et al. | Research on prediction about fruit tree diseases and insect pests based on neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |