CN110598938B - 一种奶牛产奶量的预测系统 - Google Patents
一种奶牛产奶量的预测系统 Download PDFInfo
- Publication number
- CN110598938B CN110598938B CN201910879172.3A CN201910879172A CN110598938B CN 110598938 B CN110598938 B CN 110598938B CN 201910879172 A CN201910879172 A CN 201910879172A CN 110598938 B CN110598938 B CN 110598938B
- Authority
- CN
- China
- Prior art keywords
- milk yield
- milk
- prediction
- cows
- dairy
- 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
- 235000013336 milk Nutrition 0.000 title claims abstract description 191
- 239000008267 milk Substances 0.000 title claims abstract description 191
- 210000004080 milk Anatomy 0.000 title claims abstract description 191
- 241000283690 Bos taurus Species 0.000 title claims abstract description 159
- 235000013365 dairy product Nutrition 0.000 title claims abstract description 89
- 238000013500 data storage Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 11
- 230000006651 lactation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001605 fetal effect Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims 2
- 230000009191 jumping Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 210000001082 somatic cell Anatomy 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 235000021243 milk fat Nutrition 0.000 description 4
- 102000014171 Milk Proteins Human genes 0.000 description 3
- 108010011756 Milk Proteins Proteins 0.000 description 3
- 235000021239 milk protein Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000273 veterinary drug Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009984 peri-natal effect Effects 0.000 description 1
- 235000020185 raw untreated milk Nutrition 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种奶牛产奶量的预测系统，该系统具有奶牛单日产奶量预测及初产奶牛305天产奶量预测两个功能。所述奶牛产奶量预测系统包括数据采集模块、数据传输模块、数据存储模块、产奶量预测模块以及终端显示模块。数据采集模块实现对奶牛生长信息的采集，并将采集的信息通过数据传输模块将数据传输至数据存储模块。产奶量预测模块利用从所述数据存储模块中获取的数据信息进行奶牛单日产奶量的预测和初产奶牛305天产奶量的预测。根据初产奶牛305天产奶量的预测值与实际值的均方误差表明，本发明提出的基于MA‑BP神经网络的预测算法的预测能力更优，拟合效果最佳。
Description
技术领域
本发明涉及数据分析领域，具体涉及一种奶牛产奶量的预测系统。
背景技术
牧场奶牛产奶量的高低决定着乳制品行业的经济效益，然而诸多因素影响着奶牛产奶量的高低，且因素构成较为复杂，其内涵、外延都有很大的模糊性。奶牛产奶量的预测能够为牧场提供决策作用。一般牧场根据奶牛单日产奶量及初产奶牛305天产奶量进行产奶量的预测。奶牛单日产奶量的预测可以提前确定各乳业公司的原奶需求量，为提前规划运输车辆的调度提供数据支撑；初产奶牛305天产奶量的预测可以为判断该初产牛的育种性能，提早为牧场进行育种选择、加速奶牛育种工作进程提供数据支撑。因此奶牛产奶量预测技术对乳制品行业来说尤为重要。
现阶段牧场奶牛单日产奶量的预测是通过经验丰富的饲养员从以往经验中找出与之类似的实例，依据经验和奶牛的生长、喂食等情况进行奶牛单日产奶量的估算。由于中国现代化奶牛企业中经验丰富的饲养人才匮乏，且该预测过程需要耗费人力，因此，如何利用信息手段自动预测奶牛单日产奶量是当前乳制品行业的一个关键问题。
另一方面，现阶段牧场初产奶量305天产奶量的预测主要通过预测算法进行实现。现有代表性技术有以下2种：
(1)论文名称：申秀吉,韩啸.应用多元回归原理预测初产母牛产奶量的研究[J].延边大学农学学报,1997(01):47-51
该研究通过对黑龙江省香坊实验农场奶牛场50头初产牛90天、120天及305天产奶量资料的统计分析,利用多元线性回归原理得出初产奶牛305天产奶量预测值的回归方程。应用多元线性回归预测方法可以提前185天左右预测初产奶牛305天产奶量,预测方法可行,具有一定的实用价值。
由于影响初产奶牛305天产奶量的因素众多，该预测模型的输入特征少，仅为初产牛90天、120天产奶量两个特征，导致回归方程的拟合度低，误差大。
(2)论文名称：卫洋洋,蔡海莹,张放,王力生.基于BP神经网络的奶牛305天产奶量预测模型的建立[J].中国奶牛,2013(13):14-17.
该研究利用奶牛场DHI数据，采用BP-ANN网络建立奶牛胎次及产后前100天的乳脂率、乳蛋白率、体细胞数、最高单日产奶量五个因素与奶牛305天产奶量之间的相关性模型，并验证了模型的拟合度。该模型不但可以为牧场奶牛选育提供一定依据，还为仿生耦合设计原理在预测奶牛日产奶量的应用上提供了有效的手段，是一种具有应用价值、值得推广的新方法。
对比上述方法一，因为BP神经网络能够解决非线性问题，故本方法效果更佳。上述乳脂率、乳蛋白率、体细胞数等特征需对初产奶牛所产的生鲜乳利用乳成分分析仪测定生鲜乳的成分，用体细胞计数仪测定体细胞数量，生鲜乳成分测定过程主要包括仪器的预热、清洗、校正以及生鲜乳样品的检测等，因此存在检测过程相对繁杂的缺点。
发明内容
本发明要解决的技术问题为：
1、改变现阶段饲养员根据饲养经验人工预测的现状，该预测方法费时费力，预测精度不稳定。
2、现有的初产奶牛305天产奶量的预测模型中所采取的乳脂率、乳蛋白率、体细胞数等数据需通过乳成分分析仪、体细胞计数仪进行相关数据的获取，生鲜乳成分测定过程主要包括仪器的预热、清洗、校正以及生鲜乳样品的检测等，存在检测过程相对繁杂的缺点。
针对上述两个技术问题，本发明实现了一种奶牛产奶量的预测系统。该系统具有奶牛单日产奶量预测及初产奶牛305天产奶量预测两个功能。所述奶牛产奶量预测系统包括数据采集模块10、数据传输模块20、数据存储模块30、产奶量预测模块40以及终端显示模块50。
上述数据采集模块10实现对奶牛生长信息的采集，并将采集的信息通过数据传输模块20将数据传输至数据存储模块30。产奶量预测模块40利用从所述数据存储模块30中获取的数据信息进行奶牛单日产奶量的预测和初产奶牛305天产奶量的预测。
数据采集模块10实现对奶牛生长信息的采集，信息的采集包括奶牛基本信息采集100、奶牛喂食信息采集110以及奶牛生长环境信息采集120。
数据传输模块20通过2G/3G/4G/5G/GPRS/WCDMA/NB-IOT等通信方式将所述数据采集模块10中的奶牛生长信息发送到数据存储模块30。
数据存储模块30通过数据库存储所述数据传输模块20发送过来的数据信息。
产奶量预测模块40用于实现奶牛产奶量的预测功能。所述产奶量预测模块40包括奶牛单日产奶量预测400及初产奶牛305天产奶量预测410。奶牛单日产奶量预测400利用从所述数据存储模块30中获取的胎次、泌乳时期、体重和总饲料量数据信息进行奶牛单日产奶量的预测。初产奶牛305天产奶量预测410利用所述数据存储模块30中获取的初产奶牛每天的产奶量计算得到的产奶增长期(1-60天)总产奶量、产奶平稳期(61-90天)总产奶量、90天总产奶量以及90天单日最高产奶量数据信息进行初产奶牛305天产奶量的预测。
终端显示模块50是将上述产奶量预测模块40的奶牛单日产奶量预测结果和初产奶牛305天产奶量预测结果分别进行终端显示，所述终端可为web网站、微信小程序及手机APP等任意方式。
附图说明
图1本发明实施例提供的一种奶牛单日产奶量预测系统的流程图。
图2本发明实施例提供的一种奶牛单日产奶量预测的实现流程图。
图3本发明实施例提供的一种MA-BP网络模型流程图。
图4基于线性回归算法的初产奶牛305天产奶量预测结果图。
图5基于BP算法的初产奶牛305天产奶量预测结果图。
图6基于MA-BP算法的初产奶牛305天产奶量预测结果图。
具体实施方式
本发明的实施例如图1所示，为一种奶牛产奶量的预测系统，该预测系统具有奶牛单日产奶量预测及初产奶牛305天产奶量预测两个功能。所述奶牛产奶量预测系统包括数据采集模块10、数据传输模块20、数据存储模块30、产奶量预测模块40以及终端显示模块50。数据采集模块10、数据传输模块20、数据存储模块30、产奶量预测模块40以及终端显示模块50顺次连接。
上述数据采集模块10实现对奶牛生长信息的采集，并将采集的信息通过数据传输模块20将数据传输至数据存储模块30。产奶量预测模块40利用从所述数据存储模块30中获取的数据信息进行奶牛单日产奶量的预测和初产奶牛305天产奶量的预测。
数据采集模块10实现对奶牛生长信息的采集，包括奶牛基本信息采集100、奶牛喂食信息采集110以及奶牛生长环境信息采集120。其中，奶牛基本信息采集100采集的奶牛基本信息包括包括奶牛的品种、体重、胎次、泌乳时期(泌乳时期包括:围产期，泌乳盛期，泌乳中期，泌乳后期，干乳期)、运动步数、乳脂率以及奶牛产奶量等信息；奶牛喂食信息采集110采集的奶牛喂食信息包括奶牛的兽药名称、兽药量、饲料名称、饲料量以及饲料配比等信息；奶牛生长环境信息采集120采集奶牛生长环境信息包括奶牛的生长环境温度、湿度值等信息。上述奶牛生长信息通过各种传感器等采集设备进行采集，其中，体重、奶牛产奶量、饲料量等信息通过称重传感器采集，运动步数信息信息通过加速度传感器采集，奶牛生长环境的温度值通过温度传感器采集、奶牛生长环境的湿度值通过湿度传感器采集，其它生长信息通过牧场人员手动录入或扫描二维码等方式进行获取。
数据传输模块20通过2G/3G/4G/5G/GPRS/WCDMA/NB-IOT等通信方式将所述数据采集模块10中的奶牛生长信息发送到数据存储模块30。
数据存储模块30通过数据库存储所述数据传输模块20发送过来的数据信息。所述数据库可为mysql、SQLServer、Oracle、Sybase、DB2等。
产奶量预测模块40用于实现奶牛产奶量的预测功能。所述产奶量预测模块40包括奶牛单日产奶量预测400及初产奶牛305天产奶量预测410。奶牛单日产奶量预测400利用从所述数据存储模块30中获取的胎次、泌乳时期、体重和总饲料量数据信息进行奶牛单日产奶量的预测。初产奶牛305天产奶量预测410利用所述数据存储模块30中获取的初产奶牛每天的产奶量计算得到的产奶增长期(1-60天)总产奶量、产奶平稳期(61-90天)总产奶量、90天总产奶量以及90天单日最高产奶量数据信息进行初产奶牛305天产奶量的预测。
奶牛单日产奶量预测400中采用基于遗传算法(Genetic Algorithm，GA)的长短时记忆网络算法(Long Short-Term Memory,LSTM)，简称GA-LSTM算法，实现奶牛单日产奶量的预测功能。由于LSTM每次运行时，网络中初始的权值和偏置均为随机值，初始化参数的随机性导致每次预测结果存在波动，甚至有可能会使预测结果陷入局部最优解，而遗传算法是寻找最优解的一种优化方法，故通过遗传算法对LSTM神经网络的权值和偏置进行预先优化，筛选出相对稳定的初始权值和偏置，提高LSTM神经网络的稳定性，达到全局最优。GA-LSTM网络模型参数设定如下：输入层节点数为7个，第一隐藏层和第二隐藏层节点数均为15个，输出层节点数为1个。
奶牛单日产奶量预测400的实现步骤如下：
步骤一：初始化LSTM神经网络模型和网络参数4000，即随机生成初始权重和偏置。
步骤二：输入训练样本，并对样本进行数据标准化处理4010，所述样本包括胎次、泌乳时期、体重及总饲料量等数据。数据标准化处理4010公式如下：
xi＝(xi-μ)/σ (1)
其中，xi为原始样本数据，μ为所有样本均值，σ为所有样本的标准差。
步骤三：应用遗传算法找到LSTM神经网络参数权重和偏置的最优解4020。
步骤四：更新网络模型的权重和偏置4030。LSTM神经网络进行前向传播，计算隐藏层的输入和输出及输出层的输出，进而计算输出误差即奶牛单日产奶量的实际值与奶牛单日产奶量的预测值的差值，调整网络的参数(权重和偏置)。
步骤五：重复进行学习训练，判断是否满足结束条件4040(结束条件：达到要求的预测精度或者达到学习上限次数)。如果满足结束条件，则继续进行
步骤六，反之，跳转到步骤四。
步骤六：得到奶牛单日产奶量预测模型4050。奶牛单日产奶量预测400的实现流程如图2所示。
表1、2分别给出了采用标准LSTM神经网络算法和本专利提出的GA-LSTM神经网络算法训练获得单日产奶量预测模型，实验对20次的预测结果进行评估。实验结果表明，标准LSTM神经网络预测结果与真实结果的均方误差存在较大波动；GA-LSTM神经网络预测结果与真实结果的均方误差存在较小波动；且均方误差值更小，预测的结果更加准确。
初产奶牛305天产奶量预测410中采用基于滑动平均(moving average,MA)的BP神经网络算法(Back Propagation,BP)，简称MA-BP算法，实现初产奶牛305天产奶量的预测功能。由于初产奶牛305天产奶量预测模型所用特征值均由大量数据累加求和而得，若上述数据中存在极端值，则可能会导致特征值具有较高波动性。影响BP神经网络模型的拟合效果，而使用滑动平均算法更新后的特征值会变得更加平缓光滑，特征受到异常值的波动更小。故提出在采用随机梯度下降算法训练神经网络前，先使用滑动平均模型对特征进行处理，使数据更加平缓，模型对于极端值的鲁棒性更高。MA-BP网络模型主要参数设定如下：输入层节点数为4个，第一隐藏层和第二隐藏层节点均为9个，输出层节点数为1。初产奶牛305天产奶量预测410的实现步骤如下：
步骤一：初始化BP神经网络模型和网络参数4100，即随机生成初始权重和偏置。
步骤二：输入训练样本，并对样本进行所述数据标准化处理4110，所述样本包括产奶增长期(1-60天)总产奶量、产奶平稳期(61-90天)总产奶量、90天总产奶量以及90天单日最高产奶量等数据。
步骤三：对训练样本做滑动平移处理4120。在使用滑动平均模型后，训练样本值的更新公式如下：
其中，样本v在t时刻经过滑动平均处理后的值记为vt，θt为样本v在t时刻的未处理的值，β∈[0，1)，称为衰减率。
步骤四：通过输出层的均方差E，利用梯度下降法调整各层权重值和偏置值4130。实际输出和样本输出之间的均方差E公式如下所示：
其中，
为初产奶牛305天产奶量的实际输出值，Y为初产奶牛305天产奶量的样本输出，k＝1,2,…,l。
步骤五：判断样本是否全部训练完4140，若全部训练完，则调到步骤七，反之，继续进行步骤六。
步骤六：修正滑动平均衰减率4150，动态设置β的大小，并跳转到步骤二。
步骤七：重复进行上步骤，判断是否满足结束条件4160(结束条件：误差E在可允许的范围内即E<ε或者达到学习上限次数)。如果满足结束条件，则继续进行步骤八，反之，跳转到步骤六。
步骤八：得到初产奶牛305天产奶量预测模型4170。初产奶牛305天产奶量预测410的实现流程如图3所示。
实验分别采用线性回归算法、BP神经网络算法和本专利提出的基于MA-BP的神经网络算法训练获得305天产奶量预测模型，并对模型进行评估。线性回归算法的均方误差为519，预测结果如图4所示；BP神经网络的均方误差为254，预测结果如图5所示；基于MA-BP神经网络算法的均方误差为149，预测结果如图6所示。本实验的均方误差值均是根据305天产奶量真实值与预测值计算而得。结果表明本专利提出的基于MA-BP神经网络的预测算法的预测能力更优，拟合效果最佳。
终端显示模块50是将上述数据分析模块40的奶牛单日产奶量预测结果和初产奶牛305天产奶量预测结果分别进行终端显示，所述终端可为web网站、微信小程序及手机APP等任意方式。
表1标准LSTM神经网络20次训练MSE
表2 GA-LSTM神经网络20次训练MSE
Claims (7)
1.一种奶牛产奶量的预测系统，该系统具有奶牛单日产奶量预测及初产奶牛305天产奶量预测两个功能；其特征在于：所述奶牛产奶量预测系统包括数据采集模块(10)、数据传输模块(20)、数据存储模块(30)、产奶量预测模块(40)以及终端显示模块(50)；
上述数据采集模块(10)实现对奶牛生长信息的采集，并将采集的信息通过数据传输模块(20)将数据传输至数据存储模块(30)；产奶量预测模块(40)利用从所述数据存储模块(30)中获取的数据信息进行奶牛单日产奶量的预测和初产奶牛305天产奶量的预测；奶牛单日产奶量预测(400)中采用基于遗传算法的长短时记忆网络算法，简称GA-LSTM算法，实现奶牛单日产奶量的预测功能；由于LSTM每次运行时，网络中初始的权值和偏置均为随机值，初始化参数的随机性导致每次预测结果存在波动；GA-LSTM网络模型参数设定如下：输入层节点数为7个，第一隐藏层和第二隐藏层节点数均为15个，输出层节点数为1个；
奶牛单日产奶量预测(400)的实现步骤如下：
步骤一：初始化LSTM神经网络模型和网络参数(4000)，即随机生成初始权重和偏置；
步骤二：输入训练样本，并对样本进行数据标准化处理(4010)，所述样本包括胎次、泌乳时期、体重及总饲料量数据；数据标准化处理(4010)公式如下：
xi＝(xi-μ)/σ (1)
其中，xi为原始样本数据，μ为所有样本均值，σ为所有样本的标准差；
步骤三：应用遗传算法找到LSTM神经网络参数权重和偏置的最优解4020；
步骤四：更新网络模型的权重和偏置(4030)；LSTM神经网络进行前向传播，计算隐藏层的输入和输出及输出层的输出，进而计算输出误差即奶牛单日产奶量的实际值与奶牛单日产奶量的预测值的差值，调整网络的参数；
步骤五：重复进行学习训练，判断是否满足结束条件(4040)；结束条件达到要求的预测精度或者达到学习上限次数；如果满足结束条件，则继续进行步骤六，反之，跳转到步骤四；
步骤六：得到奶牛单日产奶量预测模型(4050)。
2.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：数据采集模块(10)实现对奶牛生长信息的采集，信息的采集包括奶牛基本信息采集(100)、奶牛喂食信息采集(110)以及奶牛生长环境信息采集(120)。
3.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：数据传输模块(20)通过2G/3G/4G/5G/GPRS/WCDMA/NB-IOT通信方式将所述数据采集模块(10)中的奶牛生长信息发送到数据存储模块(30)。
4.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：数据存储模块(30)通过数据库存储所述数据传输模块(20)发送过来的数据信息。
5.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：产奶量预测模块(40)用于实现奶牛产奶量的预测功能；所述产奶量预测模块(40)包括奶牛单日产奶量预测(400)及初产奶牛305天产奶量预测(410)；奶牛单日产奶量预测400利用从所述数据存储模块(30)中获取的胎次、泌乳时期、体重和总饲料量数据信息进行奶牛单日产奶量的预测；初产奶牛305天产奶量预测(410)利用所述数据存储模块(30)中获取的初产奶牛每天的产奶量计算得到的产奶增长期总产奶量、产奶平稳期总产奶量、90天总产奶量以及90天单日最高产奶量数据信息进行初产奶牛305天产奶量的预测。
6.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：终端显示模块(50)是将产奶量预测模块(40)的奶牛单日产奶量预测结果和初产奶牛305天产奶量预测结果分别进行终端显示，所述终端为web网站、微信小程序及手机APP。
7.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：初产奶牛305天产奶量预测(410)中采用基于滑动平均的BP神经网络算法，简称MA-BP算法，实现初产奶牛305天产奶量的预测功能；MA-BP网络模型参数设定如下：输入层节点数为4个，第一隐藏层和第二隐藏层节点均为9个，输出层节点数为1；
初产奶牛305天产奶量预测(410)的实现步骤如下：
步骤一：初始化BP神经网络模型和网络参数(4100)，即随机生成初始权重和偏置；
步骤二：输入训练样本，并对样本进行所述数据标准化处理(4110)，所述样本包括产奶增长期总产奶量、产奶平稳期总产奶量、90天总产奶量以及90天单日最高产奶量数据；
步骤三：对训练样本做滑动平移处理(4120)；在使用滑动平均模型后，训练样本值的更新公式如下：
其中，样本v在t时刻经过滑动平均处理后的值记为vt，θt为样本v在t时刻的未处理的值，β∈[0，1)，称为衰减率；
步骤四：通过输出层的均方差E，利用梯度下降法调整各层权重值和偏置值4130；实际输出和样本输出之间的均方差E公式如下所示：
其中，
为初产奶牛305天产奶量的实际输出值，Y为初产奶牛305天产奶量的样本输出，k＝1,2,…,l；
步骤五：判断样本是否全部训练完(4140)，若全部训练完，则调到步骤七，反之，继续进行步骤六；
步骤六：修正滑动平均衰减率(4150)，动态设置β的大小，并跳转到步骤二；
步骤七：重复进行上步骤，判断是否满足结束条件(4160)，结束条件：误差E在可允许的范围内即E<ε或者达到学习上限次数；如果满足结束条件，则继续进行步骤八，反之，跳转到步骤六；
步骤八：得到初产奶牛305天产奶量预测模型(4170)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910879172.3A CN110598938B (zh) | 2019-09-18 | 2019-09-18 | 一种奶牛产奶量的预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910879172.3A CN110598938B (zh) | 2019-09-18 | 2019-09-18 | 一种奶牛产奶量的预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110598938A CN110598938A (zh) | 2019-12-20 |
| CN110598938B true CN110598938B (zh) | 2022-07-05 |
Family
ID=68860653
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910879172.3A Active CN110598938B (zh) | 2019-09-18 | 2019-09-18 | 一种奶牛产奶量的预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598938B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111311016B (zh) * | 2020-02-28 | 2022-03-22 | 中国农业大学 | 基于舒适度评价的活羊效用分选预测方法及系统 |
| CN114742468A (zh) * | 2022-05-16 | 2022-07-12 | 内蒙古工业大学 | 奶牛泌乳行为评价方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100228532A1 (en) * | 2009-03-03 | 2010-09-09 | Gamal Abdel-Azim | Method to create an index on management of the transition period and to predict first lactation milk production |
-
2019
- 2019-09-18 CN CN201910879172.3A patent/CN110598938B/zh active Active
Non-Patent Citations (4)
| Title |
|---|
| 利用BP网络预测初产母牛305天产奶量;魏晓莉等;《中国奶牛》;20060720(第07期);全文 * |
| 利用改进BP神经网络预测初产奶牛产奶量的方法;戚国强等;《农业机械学报》;20070525(第05期);全文 * |
| 基于BP神经网络的奶牛305天产奶量预测模型的建立;卫洋洋等;《中国奶牛》;20130810(第13期);全文 * |
| 奶牛305d产奶量预测方法研究进展;孔令娜等;《黑龙江畜牧兽医》;20161220(第24期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110598938A (zh) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tveraa et al. | Population densities, vegetation green-up, and plant productivity: impacts on reproductive success and juvenile body mass in reindeer | |
| Ryan et al. | The utility of normalized difference vegetation index for predicting African buffalo forage quality | |
| Keerthan Kumar et al. | Random forest algorithm for soil fertility prediction and grading using machine learning | |
| Harper et al. | The role iNDF in the regulation of feed intake and the importance of its assessment in subtropical ruminant systems (the role of iNDF in the regulation of forage intake) | |
| Santini et al. | Length–mass allometries in amphibians | |
| Forni et al. | Comparison of different nonlinear functions to describe Nelore cattle growth | |
| AU2016324766B2 (en) | Image evaluation method | |
| Rutten et al. | Predicting bovine milk protein composition based on Fourier transform infrared spectra | |
| CN110598938B (zh) | 一种奶牛产奶量的预测系统 | |
| Farley et al. | Maturity ogives for South Pacific albacore tuna (Thunnus alalunga) that account for spatial and seasonal variation in the distributions of mature and immature fish | |
| Cornou et al. | A ring test of a wireless in vitro gas production system | |
| Dongre et al. | Comparative efficiency of artificial neural networks and multiple linear regression analysis for prediction of first lactation 305-day milk yield in Sahiwal cattle | |
| CN111626481B (zh) | 一种基于动态运输监测的动物肉品质评价方法及系统 | |
| Ehrlich | Quantifying inter-group variability in lactation curve shape and magnitude with the MilkBot® lactation model | |
| Blomberg et al. | Individual and environmental effects on egg allocations of female Greater Sage-Grouse | |
| Kong et al. | Estimation of 305-day milk yield from test-day records of Chinese Holstein cattle | |
| Liinamo et al. | Genetic parameters for residual energy intake and energy conversion efficiency in Nordic Red dairy cattle | |
| Niedbała et al. | Application of Artificial Neural Networks Sensitivity Analysis for the Pre-Identification of Highly Significant Factors Influencing the Yield and Digestibility of Grassland Sward in the Climatic Conditions of Central Poland | |
| Ariyarathne et al. | Can nitrogen excretion of dairy cows be reduced by genetic selection for low milk urea nitrogen concentration? | |
| CN115409153A (zh) | 一种基于注意力lstm的畜牧指标预测方法及预测系统 | |
| Yang et al. | Simultaneous calibration of grapevine phenology and yield with a soil–plant–atmosphere system model using the frequentist method | |
| CN114564883A (zh) | 融合机理与ML的湖泊叶绿素a短期集合预报方法及系统 | |
| Mellor et al. | Large lemurs: ecological, demographic and environmental risk factors for weight gain in captivity | |
| CN113257425A (zh) | 一种优化LSTM和LightGBM参数的流感预测系统、存储介质和装置 | |
| Ayers et al. | Directness of resource use metrics affects predictions of bear body fat gain |
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 |