CN109359624B - 基于神经网络的蛋鸡采食行为的预测方法及预测装置 - Google Patents
基于神经网络的蛋鸡采食行为的预测方法及预测装置 Download PDFInfo
- Publication number
- CN109359624B CN109359624B CN201811353147.3A CN201811353147A CN109359624B CN 109359624 B CN109359624 B CN 109359624B CN 201811353147 A CN201811353147 A CN 201811353147A CN 109359624 B CN109359624 B CN 109359624B
- Authority
- CN
- China
- Prior art keywords
- information
- prediction
- model
- behavior
- optimized
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于神经网络的蛋鸡采食行为的预测方法,所述预测方法包括:基于预设神经网络算法获取对应的预测模型;对所述预测模型进行优化,以获得优化后模型;获取所述采食行为的行为参数,并对所述行为参数进行处理以获得处理后参数;将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果。本发明还公开了一种基于神经网络的蛋鸡采食行为的预测装置。通过基于神经网络算法对蛋鸡的日常行为进行学习,并对蛋鸡的采食行为进行精确预测,从而根据蛋鸡的采食需求进行精确的投食操作,大大提高了饲料利用率,降低了浪费,提高了养殖场的效益。
Description
技术领域
本发明涉及农业养殖领域,具体涉及一种基于神经网络的蛋鸡采食行为的预测方法及一种基于神经网络的蛋鸡采食行为的预测装置。
背景技术
在人类历史中,家禽作为人类很早就驯化的物种为人类提供了大量的食物来源,例如蛋鸡,蛋鸡被视为人类食物中的补品,而鸡的生长状况决定了鸡肉或其产出的质量。鸡的行为模式是蛋鸡反常行为的基础,蛋鸡出现反常行为意味着蛋鸡个体或许出现了健康异常等问题。
蛋鸡的行为包括采食、饮水以及运动等,这些都是评价蛋鸡福利的重要指标。在传统的驯养过程中,往往对蛋鸡采用自由喂养并通过人为观察的方法对蛋鸡的生长状况进行监控,而人为观察往往是隔一段时间看一次,无法实时对蛋鸡进行观察和监控,从而大大降低了对蛋鸡行为管理的有效性和精确性,导致饲料利用率低,浪费严重。
而在部分养殖场中,也通过采用定时投喂的方式对蛋鸡进行喂养,以提高饲料的利用效率,在一定程度上减低饲料的浪费程度,然而该方法依然无法实时根据蛋鸡的行为进行智能化投食,因此依然无法满足现有养殖场的需求。
发明内容
为了克服现有技术中无法对蛋鸡的采食行为进行有效预测而导致饲料利用率低、浪费严重的技术问题,本发明实施例提供一种基于神经网络的蛋鸡采食行为的预测方法及一种基于神经网络的蛋鸡采食行为的预测装置,通过基于神经网络算法对蛋鸡的日常行为进行学习,并对蛋鸡的采食行为进行精确预测,从而根据蛋鸡的采食需求进行精确的投食操作,大大提高了饲料利用率,降低了浪费,提高了养殖场的效益。
为了实现上述目的,本发明一方面提供一种基于神经网络的蛋鸡采食行为的预测方法,所述预测方法包括:基于预设神经网络算法获取对应的预测模型;对所述预测模型进行优化,以获得优化后模型;获取所述采食行为的行为参数,并对所述行为参数进行处理以获得处理后参数;将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果。
优选地,所述预设神经网络算法为循环神经网络算法,所述预测模型为长短期记忆模型,所述对所述预测模型进行优化,以获得优化后模型,包括:前向计算所述长短期记忆模型中每个神经元的输出值;基于所述输出值反向计算所述长短期记忆模型中每个神经元的误差项;基于所述误差项计算出对应的权重的梯度信息;基于适应性动量算法对所述梯度信息进行优化以获得优化后模型。
优选地,所述行为参数包括采食量、采食时间以及采食间隔中的至少一者,所述对所述行为参数进行处理以获得处理后参数,包括:获取预设数据长度值;基于所述预设数据长度值获取对应的待学习行为参数;对所述待学习行为参数进行归一化处理,以获得处理后参数。
优选地,所述将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果,包括:获取与所述优化后模型对应的窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息;基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息;基于所述优化后窗口长度信息、所述优化后隐层神经元个数信息、所述批次大小信息以及所述迭代次数信息生成最终预测模型;基于所述处理后参数结合所述最终预测模型对所述蛋鸡的采食行为进行预测,以获得预测结果。
优选地,所述基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息,包括:按照预设要求对所述窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息分别取不同的值,并获得对应的不同学习模型;获取所述不同学习模型基于所述处理后参数生成的不同预测信息;获取与所述行为参数对应的实际采食行为信息;基于所述实际采食行为信息对所述不同预测信息进行评估,以获得最佳预测信息;基于所述最佳预测信息获得对应的最佳学习模型,并将所述最佳学习模型的窗口长度信息以及隐层神经元个数信息分别作为优化后窗口长度信息以及优化后隐层神经元个数信息。
相应的,本发明还提供一种基于神经网络的蛋鸡采食行为的预测装置,所述预测装置包括:处理器,用于:基于预设神经网络算法获取对应的预测模型;对所述预测模型进行优化,以获得优化后模型;获取所述采食行为的行为参数,并对所述行为参数进行处理以获得处理后参数;将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果。
优选地,所述预设神经网络算法为循环神经网络算法,所述预测模型为长短期记忆模型,所述对所述预测模型进行优化,以获得优化后模型,包括:前向计算所述长短期记忆模型中每个神经元的输出值;基于所述输出值反向计算所述长短期记忆模型中每个神经元的误差项;基于所述误差项计算出对应的权重的梯度信息;基于适应性动量算法对所述梯度信息进行优化以获得优化后模型。
优选地,所述行为参数包括采食量、采食时间以及采食间隔中的至少一者,所述对所述行为参数进行处理以获得处理后参数,包括:获取预设数据长度值;基于所述预设数据长度值获取对应的待学习行为参数;对所述待学习行为参数进行归一化处理,以获得处理后参数。
优选地,所述将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果,包括:获取与所述优化后模型对应的窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息;基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息;基于所述优化后窗口长度信息、所述优化后隐层神经元个数信息、所述批次大小信息以及所述迭代次数信息生成最终预测模型;基于所述处理后参数结合所述最终预测模型对所述蛋鸡的采食行为进行预测,以获得预测结果。
优选地,所述基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息,包括:按照预设要求对所述窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息分别取不同的值,并获得对应的不同学习模型;获取所述不同学习模型基于所述处理后参数生成的不同预测信息;获取与所述行为参数对应的实际采食行为信息;基于所述实际采食行为信息对所述不同预测信息进行评估,以获得最佳预测信息;基于所述最佳预测信息获得对应的最佳学习模型,并将所述最佳学习模型的窗口长度信息以及隐层神经元个数信息分别作为优化后窗口长度信息以及优化后隐层神经元个数信息。
通过本发明提供的技术方案,本发明至少具有如下技术效果:
通过基于现代的神经网络算法选取最佳的预测模型,并对蛋鸡的日常行为进行智能化学习,以根据蛋鸡的实际日常行为对蛋鸡的采食行为进行精确预测,从而根据蛋鸡的采食需求进行精确的投食操作,大大提高了饲料利用率,降低了浪费,提高了养殖场的效益。
附图说明
图1是本发明实施例提供的基于神经网络的蛋鸡采食行为的预测方法的具体实现流程图。
具体实施方式
为了克服现有技术中无法对蛋鸡的采食行为进行有效预测而导致饲料利用率低、浪费严重的技术问题,本发明实施例提供一种基于神经网络的蛋鸡采食行为的预测方法及一种基于神经网络的蛋鸡采食行为的预测装置,通过基于神经网络算法对蛋鸡的日常行为进行学习,并对蛋鸡的采食行为进行精确预测,从而根据蛋鸡的采食需求进行精确的投食操作,大大提高了饲料利用率,降低了浪费,提高了养殖场的效益。
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上,鉴于此,本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。另外,需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
下面首先介绍本发明的背景技术。在目前的蛋鸡养殖过程中,主要采用传统的自由放养模式,而为了提高饲料的使用效率,有小部分养殖场开始学习其他家禽的饲养方法,例如通过对智能化养猪进行学习以发展出定量投喂的方法,但依然不够精确。在蛋鸡行为的识别提取方面,国内外存在一些研究资料,例如对根据蛋鸡的行为提取蛋鸡采食行为的特征并进行分类识别,然而还没有对蛋鸡的采食行为进行量化以进行智能化预测的方法,而对蛋鸡的采食行为进行量化后进行智能化预测能进一步提高对蛋鸡的饲养控制的精确性,提高养殖场的效益,因此具有更好的商业价值和更佳的推广价值。
请参见图1,本发明实施例提供一种基于神经网络的蛋鸡采食行为的预测方法,所述预测方法包括:
S10)基于预设神经网络算法获取对应的预测模型;
S20)对所述预测模型进行优化,以获得优化后模型;
S30)获取所述采食行为的行为参数,并对所述行为参数进行处理以获得处理后参数;
S40)将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果。
在一种可能的实施方式中,根据蛋鸡的实际行为特征以及养殖人员的养殖经验,从预设神经网络算法,例如循环神经网络算法(Recurrent Neural Networks,RNN)中获取对应的预测模型,在本发明实施例中,选取长短周期记忆算法(Long Short-Term Memory,LSTM)作为预测模型。然后进一步对该预测模型进行与蛋鸡对应的优化,从而获得更适合蛋鸡的优化后模型,此时获取蛋鸡的与采食行为对应的行为参数,例如在本发明实施例中,通过获取蛋鸡的采食行为在时间序列上的量化数据进行分析,并在对行为参数进行处理后将处理后参数结合优化后模型对蛋鸡的采食行为进行预测,从而获得精确的预测结果。
在本发明实施例中,通过根据长短周期以及算法对蛋鸡的实际采食行为进行智能化学习,从而精确地分析出蛋鸡的采食行为特征,并在后续的养殖过程中对蛋鸡的采食行为进行预测,以在喂养饲料前提前根据精确的预测结果为蛋鸡准备饲料,使得饲料的利用率大大提高,提高了对蛋鸡的饲养管理的有效性和精确性。
在本发明实施例中,所述预设神经网络算法为循环神经网络算法,所述预测模型为长短期记忆模型,所述对所述预测模型进行优化,以获得优化后模型,包括:前向计算所述长短期记忆模型中每个神经元的输出值;基于所述输出值反向计算所述长短期记忆模型中每个神经元的误差项;基于所述误差项计算出对应的权重的梯度信息;基于适应性动量算法对所述梯度信息进行优化以获得优化后模型。
在本发明实施例中,所述行为参数包括采食量、采食时间以及采食间隔中的至少一者,所述对所述行为参数进行处理以获得处理后参数,包括:获取预设数据长度值;基于所述预设数据长度值获取对应的待学习行为参数;对所述待学习行为参数进行归一化处理,以获得处理后参数。
在一种可能的实施方式中,获取到行为参数中每个参数类型都含有15个数据,即行为参数中每个参数类型的数据长度都是15,此时获取预设数据长度阈值(例如预设数据长度阈值为10),则按照预设筛选方法从每个参数类型中筛选出10个参数以获得筛选后参数,例如可以直接选取采食量的前10个参数作为与采食量对应的筛选后参数,然后将该10个筛选后参数作为一个一维数组,进一步地,对该一维数组中的数据进行归一化处理,从而获得处理后参数。
进一步地,在本发明实施例中,所述将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果,包括:获取与所述优化后模型对应的窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息;基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息;基于所述优化后窗口长度信息、所述优化后隐层神经元个数信息、所述批次大小信息以及所述迭代次数信息生成最终预测模型;基于所述处理后参数结合所述最终预测模型对所述蛋鸡的采食行为进行预测,以获得预测结果。
在一种可能的实施方式中,LSTM模型的隐层神经元个数为1-5,批次大小为[8,16,32,64,128],窗口长度为10-50,迭代次数为所述处理后参数在LSTM模型中训练的次数,由饲养人员根据饲养经验确定,由于在初步选取的LSTM模型对应的参数取值范围较宽,而在LSTM模型中隐层神经元个数和窗口长度这两个参数的取值对LSTM模型的预测结果具有较大影响,因此还对隐层神经元个数和窗口长度这两个参数进行进一步的优化,在本发明实施例中,通过网格搜索算法对隐层神经元个数和窗口长度进行优化,并获得优化后窗口长度信息(例如优化后窗口长度信息为30)以及优化后隐层神经元个数信息(例如优化后隐层神经元个数为5),通过确定上述参数并带入优化后模型从而生成了最终预测模型,此时将处理后参数输入该最终预测模型进行分析计算,从而生成预测结果,即生成了对蛋鸡的采食行为的预测信息。
在本发明实施例中,通过对LSTM模型中的关键参数进行适应性的优化,从而根据优化后的参数生成最终预测模型,大大提高了预测模型对蛋鸡的采食行为的预测的精确性,大大降低了预测结果与实际情况的误差,降低了在预测过程中的损失,从而保证预测结果能够更加精确和及时地反应出蛋鸡的采食行为并提示养殖者及时进行足量的饲料喂养,大大提高了养殖者的养殖效率,减少了饲料的浪费,提高了对蛋鸡的管理的有效性和精确性。
在本发明实施例中,所述基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息,包括:按照预设要求对所述窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息分别取不同的值,并获得对应的不同学习模型;获取所述不同学习模型基于所述处理后参数生成的不同预测信息;获取与所述行为参数对应的实际采食行为信息;基于所述实际采食行为信息对所述不同预测信息进行评估,以获得最佳预测信息;基于所述最佳预测信息获得对应的最佳学习模型,并将所述最佳学习模型的窗口长度信息以及隐层神经元个数信息分别作为优化后窗口长度信息以及优化后隐层神经元个数信息。
在一种可能的实施方式中,为了对该预测模型进行评估以及对预测结果的精确性进行验证,通过在蛋鸡的行为参数的合理取值范围中确定不同的取值,以获得不同的学习模型,并通过不同的学习模型根据处理后参数进行学习,以生成不同的预测结果,此时获取与该行为参数对应的实际采食行为信息,例如在饲养过程中还对该蛋鸡进行监控以获得监控信息,在本发明实施例中,通过在蛋鸡的生活环境中设置视频监控装置(例如摄像头)以对蛋鸡进行监控。此时将不同的预测结果与该实际采食行为信息进行比较,从而确定出最精确的预测结果,与该最精确的预测结果对应的学习模型即为最佳学习模型,与该最佳学习模型对应的窗口长度信息以及隐层神经元个数信息即为最佳的窗口长度信息以及最佳的隐层神经元个数信息。
在本发明实施例中,通过根据蛋鸡的采食行为进行智能化分析,从而能够在蛋鸡的饲养过程中进行动态的预测以预测出蛋鸡下次的采食行为,并提前准备好对应的饲料,并进行智能投喂,从而大大提高了饲料的使用效率,提高了对蛋鸡饲养的精确性和有效性,提高了养殖场的效益。
下面结合附图对本发明实施例所提供的基于神经网络的蛋鸡采食行为的预测装置进行说明。
基于同一发明构思,本发明实施例提供一种基于神经网络的蛋鸡采食行为的预测装置,所述预测装置包括:处理器,用于:基于预设神经网络算法获取对应的预测模型;对所述预测模型进行优化,以获得优化后模型;获取所述采食行为的行为参数,并对所述行为参数进行处理以获得处理后参数;将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果。
在本发明实施例中,所述预设神经网络算法为循环神经网络算法,所述预测模型为长短期记忆模型,所述对所述预测模型进行优化,以获得优化后模型,包括:前向计算所述长短期记忆模型中每个神经元的输出值;基于所述输出值反向计算所述长短期记忆模型中每个神经元的误差项;基于所述误差项计算出对应的权重的梯度信息;基于适应性动量算法对所述梯度信息进行优化以获得优化后模型。
在本发明实施例中,所述行为参数包括采食量、采食时间以及采食间隔中的至少一者,所述对所述行为参数进行处理以获得处理后参数,包括:获取预设数据长度值;基于所述预设数据长度值获取对应的待学习行为参数;对所述待学习行为参数进行归一化处理,以获得处理后参数。
在本发明实施例中,所述将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果,包括:获取与所述优化后模型对应的窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息;基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息;基于所述优化后窗口长度信息、所述优化后隐层神经元个数信息、所述批次大小信息以及所述迭代次数信息生成最终预测模型;基于所述处理后参数结合所述最终预测模型对所述蛋鸡的采食行为进行预测,以获得预测结果。
在本发明实施例中,所述基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息,包括:按照预设要求对所述窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息分别取不同的值,并获得对应的不同学习模型;获取所述不同学习模型基于所述处理后参数生成的不同预测信息;获取与所述行为参数对应的实际采食行为信息;基于所述实际采食行为信息对所述不同预测信息进行评估,以获得最佳预测信息;基于所述最佳预测信息获得对应的最佳学习模型,并将所述最佳学习模型的窗口长度信息以及隐层神经元个数信息分别作为优化后窗口长度信息以及优化后隐层神经元个数信息。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (4)
1.一种基于神经网络的蛋鸡采食行为的预测方法,其特征在于,所述预测方法包括:
基于预设神经网络算法获取对应的预测模型;
对所述预测模型进行优化,以获得优化后模型;
获取所述采食行为的行为参数,并对所述行为参数进行处理以获得处理后参数;
将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果,包括:
获取与所述优化后模型对应的窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息;
基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息;包括:
按照预设要求对所述窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息分别取不同的值,并获得对应的不同学习模型;
获取所述不同学习模型基于所述处理后参数生成的不同预测信息;
获取与所述行为参数对应的实际采食行为信息;
基于所述实际采食行为信息对所述不同预测信息进行评估,以获得最佳预测信息;
基于所述最佳预测信息获得对应的最佳学习模型,并将所述最佳学习模型的窗口长度信息以及隐层神经元个数信息分别作为优化后窗口长度信息以及优化后隐层神经元个数信息;
基于所述优化后窗口长度信息、所述优化后隐层神经元个数信息、所述批次大小信息以及所述迭代次数信息生成最终预测模型;
基于所述处理后参数结合所述最终预测模型对所述蛋鸡的采食行为进行预测,以获得预测结果;
所述行为参数包括采食量、采食时间以及采食间隔中的至少一者,所述对所述行为参数进行处理以获得处理后参数,包括:
获取预设数据长度值;
基于所述预设数据长度值获取对应的待学习行为参数;
对所述待学习行为参数进行归一化处理,以获得处理后参数。
2.根据权利要求1所述的预测方法,其特征在于,所述预设神经网络算法为循环神经网络算法,所述预测模型为长短期记忆模型,所述对所述预测模型进行优化,以获得优化后模型,包括:
前向计算所述长短期记忆模型中每个神经元的输出值;
基于所述输出值反向计算所述长短期记忆模型中每个神经元的误差项;
基于所述误差项计算出对应的权重的梯度信息;
基于适应性动量算法对所述梯度信息进行优化以获得优化后模型。
3.一种基于神经网络的蛋鸡采食行为的预测装置,其特征在于,所述预测装置包括:
处理器,用于:
基于预设神经网络算法获取对应的预测模型;
对所述预测模型进行优化,以获得优化后模型;
获取所述采食行为的行为参数,并对所述行为参数进行处理以获得处理后参数;
将所述处理后参数结合所述优化后模型对所述蛋鸡的采食行为进行预测,以获得预测结果,包括:
获取与所述优化后模型对应的窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息;
基于网格搜索算法对所述窗口长度信息以及所述隐层神经元个数信息进行优化,以获得优化后窗口长度信息以及优化后隐层神经元个数信息;包括:
按照预设要求对所述窗口长度信息、批次大小信息、迭代次数信息以及隐层神经元个数信息分别取不同的值,并获得对应的不同学习模型;
获取所述不同学习模型基于所述处理后参数生成的不同预测信息;
获取与所述行为参数对应的实际采食行为信息;
基于所述实际采食行为信息对所述不同预测信息进行评估,以获得最佳预测信息;
基于所述最佳预测信息获得对应的最佳学习模型,并将所述最佳学习模型的窗口长度信息以及隐层神经元个数信息分别作为优化后窗口长度信息以及优化后隐层神经元个数信息;
基于所述优化后窗口长度信息、所述优化后隐层神经元个数信息、所述批次大小信息以及所述迭代次数信息生成最终预测模型;
基于所述处理后参数结合所述最终预测模型对所述蛋鸡的采食行为进行预测,以获得预测结果;
所述行为参数包括采食量、采食时间以及采食间隔中的至少一者,所述对所述行为参数进行处理以获得处理后参数,包括:
获取预设数据长度值;
基于所述预设数据长度值获取对应的待学习行为参数;
对所述待学习行为参数进行归一化处理,以获得处理后参数。
4.根据权利要求3所述的预测装置,其特征在于,所述预设神经网络算法为循环神经网络算法,所述预测模型为长短期记忆模型,所述对所述预测模型进行优化,以获得优化后模型,包括:
前向计算所述长短期记忆模型中每个神经元的输出值;
基于所述输出值反向计算所述长短期记忆模型中每个神经元的误差项;
基于所述误差项计算出对应的权重的梯度信息;
基于适应性动量算法对所述梯度信息进行优化以获得优化后模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353147.3A CN109359624B (zh) | 2018-11-14 | 2018-11-14 | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353147.3A CN109359624B (zh) | 2018-11-14 | 2018-11-14 | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359624A CN109359624A (zh) | 2019-02-19 |
CN109359624B true CN109359624B (zh) | 2021-10-08 |
Family
ID=65345175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811353147.3A Active CN109359624B (zh) | 2018-11-14 | 2018-11-14 | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359624B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110169375B (zh) * | 2019-06-19 | 2021-04-06 | 北京农业信息技术研究中心 | 一种奶牛采食行为与采食量的监测方法及装置 |
CN114128673B (zh) * | 2021-12-14 | 2022-09-23 | 仲恺农业工程学院 | 基于混合深度神经网络的肉鸽精准饲喂方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576262B2 (en) * | 2012-12-05 | 2017-02-21 | Microsoft Technology Licensing, Llc | Self learning adaptive modeling system |
CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
CN107169610A (zh) * | 2017-06-02 | 2017-09-15 | 中国农业大学 | 水产养殖溶解氧预测方法及装置 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN108647839A (zh) * | 2018-06-28 | 2018-10-12 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
-
2018
- 2018-11-14 CN CN201811353147.3A patent/CN109359624B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576262B2 (en) * | 2012-12-05 | 2017-02-21 | Microsoft Technology Licensing, Llc | Self learning adaptive modeling system |
CN106991506A (zh) * | 2017-05-16 | 2017-07-28 | 深圳先进技术研究院 | 智能终端及其基于lstm的股票趋势预测方法 |
CN107169610A (zh) * | 2017-06-02 | 2017-09-15 | 中国农业大学 | 水产养殖溶解氧预测方法及装置 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
CN108647839A (zh) * | 2018-06-28 | 2018-10-12 | 中国人民解放军陆军军事交通学院镇江校区 | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109359624A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Horswill et al. | Unravelling the relative roles of top‐down and bottom‐up forces driving population change in an oceanic predator | |
CN111080464A (zh) | 一种池塘养殖水质关键因子预测方法及装置 | |
CN104077550A (zh) | 一种实现动物行为监测的健康指数评价的方法及系统 | |
CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
Lee et al. | Analysis of growth performance in swine based on machine learning | |
Tong et al. | Modelling the growth of the brown frog (Rana dybowskii) | |
Arepalli et al. | Water quality prediction for salmon fish using gated recurrent unit (GRU) model | |
Lee et al. | Prediction of average daily gain of swine based on machine learning | |
Faysal et al. | A Review of groundbreaking changes in the poultry industry in Bangladesh using the internet of things (IoT) and computer vision Technology | |
CN109886721A (zh) | 一种猪肉价格预测系统算法 | |
CN116630080B (zh) | 基于图像识别的水产集约化养殖饲料容量确定方法及系统 | |
US11424034B2 (en) | Systems and methods for predicting animal health | |
Witte et al. | Evaluation of deep learning instance segmentation models for pig precision livestock farming | |
CN109242219B (zh) | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 | |
CN116307879A (zh) | 一种斑节对虾虾苗高效培育方法、系统及介质 | |
Spence et al. | Making the most of survey data: Incorporating age uncertainty when fitting growth parameters | |
CN112395810B (zh) | 基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质 | |
González‐Romero et al. | Assessing uncertainty of semi‐intensive production of whiteleg shrimp (Litopenaeus vannamei) using partial harvesting programs | |
Shoup et al. | Long‐Term Standardized Sampling as a Tool for Evaluating Management Actions: BACI Analysis to Reevaluate Predatory Control of Stunted Crappie with Saugeye | |
Ndlovu et al. | Precision Fish Farming Systems: A Mapping Study | |
Klotz et al. | Estimating action plans for smart poultry houses | |
CN117575368B (zh) | 一种基于物联网技术的水产种质资源管理方法及系统 | |
CN115859209B (zh) | 基于饲料消耗数据的畜牧业家禽养殖异常识别方法 | |
European Food Safety Authority | Sample Size Considerations for Hierarchical Populations | |
CN117994064A (zh) | 基于水质智能感知的鲫鱼繁育全流程监测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |