CN111709652A - 一种基于大数据的养牛方法 - Google Patents

一种基于大数据的养牛方法 Download PDF

Info

Publication number
CN111709652A
CN111709652A CN202010562419.1A CN202010562419A CN111709652A CN 111709652 A CN111709652 A CN 111709652A CN 202010562419 A CN202010562419 A CN 202010562419A CN 111709652 A CN111709652 A CN 111709652A
Authority
CN
China
Prior art keywords
cow
cowshed
average
cows
day
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
Application number
CN202010562419.1A
Other languages
English (en)
Inventor
孙洁
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010562419.1A priority Critical patent/CN111709652A/zh
Publication of CN111709652A publication Critical patent/CN111709652A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Fodder In General (AREA)

Abstract

本发明提供一种基于大数据的养牛方法，包括采集牛舍温度数据、牛舍湿度数据、每日每只奶牛的平均运动量、每日每只奶牛的平均产奶量及所统计的牛舍内奶牛的回报率为输入层，以每日每只奶牛的平均饮水量、每日每只奶牛的平均吃食量为输出层，构建B‑P神经网络并进行训练，统计理想产奶量和理想回报率。养殖下一批次奶牛养殖时，将牛舍温度数据、牛舍湿度数据、每日每只奶牛的平均运动量、每日每只奶牛的平均产奶量及所统计的牛舍内奶牛的回报率为输入数据，得到每日每只奶牛的平均饮水量、每日每只奶牛的平均吃食量。本发明可以不断优化神经网络模型，从而不断地优化喂食量和喂水量，不断降低养殖成本。

Description

一种基于大数据的养牛方法
技术领域
本发明涉及畜牧领域，特别是涉及一种基于大数据的养牛方法。
背景技术
牛奶是最有营养的食品，其所含的营养元素主要有5种：蛋白质、脂肪、碳水化合物、矿物质和维生素。我国是一个养牛大国，也是牛奶消费大国，但是对于养牛业来说，目前养殖生牛采用的主要是圈养和散养两种方式，管理较为粗放，并且大多所喂食的方法多数采用干料或湿料养殖，同时，我国大力提倡母乳喂养婴儿，但母乳喂养率仍不尽如人意，还有相当数量的婴儿是靠牛奶或交叉使用母乳、牛奶而长大的，使得人们对于牛奶制品需求量不断增加，奶牛养殖的规模也不断扩大。但从消费端来看，影响人们购买牛奶制品的一个因素是其价格较高。对于大多数普通家庭来说，婴幼儿所用的奶粉等牛奶制品价格较高。如何从养殖端，降低牛奶生产成本，进而从源头处降低牛奶制品的价格是一个亟待解决的技术问题。
发明内容
本发明的目的是提供一种基于大数据的养牛方法，以解决上述现有技术存在的问题，能够在一定程度上解决规模养殖时牛奶生产的成本问题。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于大数据的养牛方法，内容如下：
S1.记录当前批次养殖的奶牛的品种和数量，在每个奶牛的腿部绑定运动量采集装置，采集奶牛每日的运动量，然后计算日平均运动量，同时在牛舍内设置音乐播放装置；
在产奶期，以每棚为单位，记录每棚牛舍内奶牛的日总产奶量、日总饮水量、日总吃食量；其中，日总产奶量为一个牛舍内所有奶牛24h的总产奶量，日总饮水量为一个牛舍内所有奶牛24h的总饮水量，日总吃食量为一个牛舍内所有奶牛24h的总吃食量；
控制并记录养殖牛舍内每日的温度和湿度信息；
S2.产奶期结束后，统计每棚牛舍内奶牛的总产奶量和回报率；其中，总产奶量为每棚牛舍内日总产奶量的总和，回报率为总产奶量与总吃食量的比值，总吃食量为每棚牛舍内日总吃食量的总和；
S3.将步S1和步骤S2采集和统计得到的数据存储为多个经验样本，每个经验样本记录其中一日的数据，包括每日每只奶牛的平均运动量、每日每只奶牛的平均产奶量、每日每只奶牛的平均饮水量、每日每只奶牛的平均吃食量、牛舍温度数据、牛舍湿度数据以及所统计的牛舍内奶牛的回报率；
随机选取多个经验样本，以牛舍温度数据、牛舍湿度数据、每日每只奶牛的平均运动量、每日每只奶牛的平均产奶量及所统计的牛舍内奶牛的回报率为输入层，以每日每只奶牛的平均饮水量、每日每只奶牛的平均吃食量为输出层，构建B-P神经网络；
S4.选取剩余的经验样本为训练样本，训练该神经网络直至收敛，得到该品种奶牛的训练完毕的B-P神经网络模型；
S5.从所有经验样本中选出最大的每日每只奶牛的平均产奶量和最大的回报率，并分别作为下一批次养殖时相同品种奶牛的理想日产奶量和理想回报率；
S6.在养殖下一批次奶牛时，选取与步骤S1中品种相同的奶牛进行养殖；在产奶期时，控制养殖牛舍内每日的温度和湿度，使温度和湿度分别位于上一批次奶牛养殖时的温度和湿度范围内，然后记录每日每只奶牛的平均运动量；
S7.将牛舍内当日的温度和湿度、每日每只奶牛的平均运动量、每日每只奶牛的理想产奶量、牛舍内奶牛的理想回报率输入该品种奶牛的B-P神经网络模型中，输出得到该牛舍内奶牛的推荐的每日每只奶总饮水量和每日总吃食量，然后计算牛舍内所有奶牛的每日总饮水量和每日总吃食量；
S8.按照步骤S7得到的牛舍内每日的总饮水量和总吃食量，对牛舍内的奶牛提供水和食物。
优选地，步骤S3中构建B-P神经网络的方法如下：
定义BP神经网络的输入层的节点个数n为5，x1代表奶牛每日的平均运动量，x2代表奶牛每日的平均产奶量，x3代表牛舍温度数据，x4代表牛舍湿度数据，x5代表奶牛的回报率；输出层节点个数m为2，y1代表每日每只奶牛的平均饮水量、y2代表每日每只奶牛的平均吃食量；已知BP神经网络的输入和输出层的节点数分别为输入变量和输出变量的维数，定义隐含层节点数为q，输入层和隐含层间的权值为θji(j＝1，2，…，q；i＝1，2，…，n)，阈值为bj(j＝1，2，…，q)，隐含层和输出层的权值为wkj(k＝1，2；j＝1，2，…，q)，阈值为f1(·)为隐含层的传递函数，f2(·)为输出层的传递函数，该BP神经网络的隐含层数定为一层；
隐含层节点的输出为：
Figure BDA0002543428150000031
上式中f1(·)为隐含层的传递函数，输入层和隐含层间的权值为θji(j＝1，2，…，q；i＝1，2，…，n)，阈值为bj(j＝1，2，…，q)，
输出层节点的输出为：
Figure BDA0002543428150000041
上式中f2(·)为输出层的传递函数，隐含层和输出层的权值为wkj(k＝1，2，…，m；j＝1，2，…，q)，阈值为
Figure BDA0002543428150000045
设神经网络的期望输出值为t＝(t1，t2，…，tm)，网络输出与期望输出不一致时会存在输出误差，定义输出误差E如下：
Figure BDA0002543428150000042
上式中j＝1，2，…，q；
展开到隐含层，有：
Figure BDA0002543428150000043
展开到输出层，有：
Figure BDA0002543428150000044
优选地，牛舍内设置的音乐播放装置音量设置为40-70分贝，每次播放时间20-30分钟。
优选地，每日播放音乐次数不大于5次。
本发明公开了以下技术效果：本发明结合大数据技术，在每养殖一批次奶牛时，均记录相关数据，并记录该批次的理想产奶量和理想回报率，然后采用相同品种的奶牛和相关的养殖数据，对相应品种的神经网络模型进行训练，可以不断优化神经网络模型，从而不断地优化喂食量和喂水量，不断降低养殖成本。同时，本发明技术方案中让养殖的奶牛听音乐，可以激发奶牛的“信息快乐”，巧用“喜乐效应”来提高其生产性能和发挥防治疾病的作用，从而大大提高养殖效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于大数据的养牛方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图1和具体实施方式对本发明作进一步详细的说明。
S1.记录当前批次养殖的奶牛的品种和数量，在每个奶牛的腿部绑定运动量采集装置，采集奶牛每日的运动量，然后计算日平均运动量，同时在牛舍内设置音乐播放装置；
在产奶期，以每棚为单位，记录每棚牛舍内奶牛的日总产奶量、日总饮水量、日总吃食量；其中，日总产奶量为一个牛舍内所有奶牛24h的总产奶量，日总饮水量为一个牛舍内所有奶牛24h的总饮水量，日总吃食量为一个牛舍内所有奶牛24h的总吃食量；
控制并记录养殖牛舍内每日的温度和湿度信息；
S2.产奶期结束后，统计每棚牛舍内奶牛的总产奶量和回报率；其中，总产奶量为每棚牛舍内日总产奶量的总和，回报率为总产奶量与总吃食量的比值，总吃食量为每棚牛舍内日总吃食量的总和；
S3.将步骤一和步骤二采集和统计得到的数据存储为多个经验样本，每个经验样本记录其中一日的数据，包括每日每只奶牛的平均运动量、每日每只奶牛的平均产奶量、每日每只奶牛的平均饮水量、每日每只奶牛的平均吃食量、牛舍温度数据、牛舍湿度数据以及所统计的牛舍内奶牛的回报率；
随机选取多个经验样本，以牛舍温度数据、牛舍湿度数据、每日每只奶牛的平均运动量、每日每只奶牛的平均产奶量及所统计的牛舍内奶牛的回报率为输入层，以每日每只奶牛的平均饮水量、每日每只奶牛的平均吃食量为输出层，构建B-P神经网络；
S4.选取剩余的经验样本为训练样本，训练该神经网络直至收敛，得到该品种奶牛的训练完毕的B-P神经网络模型；
S5.从所有经验样本中选出最大的每日每只奶牛的平均产奶量和最大的回报率，并分别作为下一批次养殖时相同品种奶牛的理想日产奶量和理想回报率；
S6.在养殖下一批次奶牛时，选取与步骤S1中品种相同的奶牛进行养殖；在产奶期时，控制养殖牛舍内每日的温度和湿度，使温度和湿度分别位于上一批次奶牛养殖时的温度和湿度范围内，然后记录每日每只奶牛的平均运动量；
S7.将牛舍内当日的温度和湿度、每日每只奶牛的平均运动量、每日每只奶牛的理想产奶量、牛舍内奶牛的理想回报率输入该品种奶牛的B-P神经网络模型中，输出得到该牛舍内奶牛的推荐的每日每只奶总饮水量和每日总吃食量，然后计算牛舍内所有奶牛的每日总饮水量和每日总吃食量；
S8.按照步骤S7得到的牛舍内每日的总饮水量和总吃食量，对牛舍内的奶牛提供水和食物。
步骤S3中构建B-P神经网络的方法如下：
定义BP神经网络的输入层的节点个数n为5，x1代表奶牛每日的平均运动量，x2代表奶牛每日的平均产奶量，x3代表牛舍温度数据，x4代表牛舍湿度数据，x5代表奶牛的回报率；输出层节点个数m为2，y1代表每日每只奶牛的平均饮水量、y2代表每日每只奶牛的平均吃食量；已知BP神经网络的输入和输出层的节点数分别为输入变量和输出变量的维数，定义隐含层节点数为q，输入层和隐含层间的权值为θji(j＝1，2，…，q；i＝1，2，…，5)，阈值为bj(j＝1，2，…，q)，隐含层和输出层的权值为wkj(k＝1，2；j＝1，2，…，q)，阈值为f1(·)为隐含层的传递函数，f2(·)为输出层的传递函数，该BP神经网络的隐含层数定为一层；
隐含层节点的输出为：
Figure BDA0002543428150000071
上式中f1(·)为隐含层的传递函数，输入层和隐含层间的权值为θji(j＝1，2，…，q；i＝1，2，…，n)，阈值为bj(j＝1，2，…，q)，
输出层节点的输出为：
Figure BDA0002543428150000072
上式中f2(·)为输出层的传递函数，隐含层和输出层的权值为wkj(k＝1，2，…，m；j＝1，2，…，q)，阈值为
Figure BDA0002543428150000073
设神经网络的期望输出值为t＝(t1，t2，…，tm)，网络输出与期望输出不一致时会存在输出误差，定义输出误差E如下：
Figure BDA0002543428150000074
上式中j＝1，2，…，q；
展开到隐含层，有：
Figure BDA0002543428150000081
展开到输出层，有：
Figure BDA0002543428150000082
更进一步优化方案，牛舍内设置的音乐播放装置音量设置为40-70分贝，每次播放时间20-30分钟。并且，每日播放音乐次数不大于5次。
本发明结合大数据技术，在每养殖一批次奶牛时，均记录相关数据，并记录该批次的理想产奶量和理想回报率，然后采用相同品种的奶牛和相关的养殖数据，对相应品种的神经网络模型进行训练，可以不断优化神经网络模型，从而不断地优化喂食量和喂水量，不断降低养殖成本。同时，本发明技术方案中让养殖的奶牛听音乐，可以激发奶牛的“信息快乐”，巧用“喜乐效应”来提高其生产性能和发挥防治疾病的作用，从而大大提高养殖效益。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明保护范围。

Claims (4)

1.一种基于大数据的养牛方法，其特征在于，包括如下内容：
S1.记录当前批次养殖的奶牛的品种和数量，在每个奶牛的腿部绑定运动量采集装置，采集奶牛每日的运动量，然后计算日平均运动量，同时在牛舍内设置音乐播放装置；
在产奶期，以每棚为单位，记录每棚牛舍内奶牛的日总产奶量、日总饮水量、日总吃食量；其中，日总产奶量为一个牛舍内所有奶牛24h的总产奶量，日总饮水量为一个牛舍内所有奶牛24h的总饮水量，日总吃食量为一个牛舍内所有奶牛24h的总吃食量；
控制并记录养殖牛舍内每日的温度和湿度信息；
S2.产奶期结束后，统计每棚牛舍内奶牛的总产奶量和回报率；其中，总产奶量为每棚牛舍内日总产奶量的总和，回报率为总产奶量与总吃食量的比值，总吃食量为每棚牛舍内日总吃食量的总和；
S3.将步S1和步骤S2采集和统计得到的数据存储为多个经验样本，每个经验样本记录其中一日的数据，包括每日每只奶牛的平均运动量、每日每只奶牛的平均产奶量、每日每只奶牛的平均饮水量、每日每只奶牛的平均吃食量、牛舍温度数据、牛舍湿度数据以及所统计的牛舍内奶牛的回报率；
随机选取多个经验样本，以牛舍温度数据、牛舍湿度数据、每日每只奶牛的平均运动量、每日每只奶牛的平均产奶量及所统计的牛舍内奶牛的回报率为输入层，以每日每只奶牛的平均饮水量、每日每只奶牛的平均吃食量为输出层，构建B-P神经网络；
S4.选取剩余的经验样本为训练样本，训练该神经网络直至收敛，得到该品种奶牛的训练完毕的B-P神经网络模型；
S5.从所有经验样本中选出最大的每日每只奶牛的平均产奶量和最大的回报率，并分别作为下一批次养殖时相同品种奶牛的理想日产奶量和理想回报率；
S6.在养殖下一批次奶牛时，选取与步骤S1中品种相同的奶牛进行养殖；在产奶期时，控制养殖牛舍内每日的温度和湿度，使温度和湿度分别位于上一批次奶牛养殖时的温度和湿度范围内，然后记录每日每只奶牛的平均运动量；
S7.将牛舍内当日的温度和湿度、每日每只奶牛的平均运动量、每日每只奶牛的理想产奶量、牛舍内奶牛的理想回报率输入该品种奶牛的B-P神经网络模型中，输出得到该牛舍内奶牛的推荐的每日每只奶总饮水量和每日总吃食量，然后计算牛舍内所有奶牛的每日总饮水量和每日总吃食量；
S8.按照步骤S7得到的牛舍内每日的总饮水量和总吃食量，对牛舍内的奶牛提供水和食物。
2.根据权利要求1所述的基于大数据的养牛方法，其特征在于，步骤S3中构建B-P神经网络的方法如下：
定义BP神经网络的输入层的节点个数n为5，x1代表奶牛每日的平均运动量，x2代表奶牛每日的平均产奶量，x3代表牛舍温度数据，x4代表牛舍湿度数据，x5代表奶牛的回报率；输出层节点个数m为2，y1代表每日每只奶牛的平均饮水量、y2代表每日每只奶牛的平均吃食量；已知BP神经网络的输入和输出层的节点数分别为输入变量和输出变量的维数，定义隐含层节点数为q，输入层和隐含层间的权值为θji(j＝1，2，…，q；i＝1，2，…，n)，阈值为bj(j＝1，2，…，q)，隐含层和输出层的权值为wkj(k＝1，2；j＝1，2，…，q)，阈值为f1(·)为隐含层的传递函数，f2(·)为输出层的传递函数，该BP神经网络的隐含层数定为一层；
隐含层节点的输出为：
Figure FDA0002543428140000031
上式中f1(·)为隐含层的传递函数，输入层和隐含层间的权值为θji(j＝1，2，…，q；i＝1，2，…，n)，阈值为bj(j＝1，2，…，q)，
输出层节点的输出为：
Figure FDA0002543428140000032
上式中f2(·)为输出层的传递函数，隐含层和输出层的权值为wkj(k＝1，2，…，m；j＝1，2，…，q)，阈值为
Figure FDA0002543428140000033
设神经网络的期望输出值为t＝(t1，t2，…，tm)，网络输出与期望输出不一致时会存在输出误差，定义输出误差E如下：
Figure FDA0002543428140000034
上式中j＝1，2，…，q；
展开到隐含层，有：
Figure FDA0002543428140000035
展开到输出层，有：
Figure FDA0002543428140000036
3.根据权利要求1所述的基于大数据的养牛方法，其特征在于，牛舍内设置的音乐播放装置音量设置为40-70分贝，每次播放时间20-30分钟。
4.根据权利要求3所述的基于大数据的养牛方法，其特征在于，每日播放音乐次数不大于5次。
CN202010562419.1A 2020-06-17 2020-06-17 一种基于大数据的养牛方法 Pending CN111709652A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010562419.1A CN111709652A (zh) 2020-06-17 2020-06-17 一种基于大数据的养牛方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010562419.1A CN111709652A (zh) 2020-06-17 2020-06-17 一种基于大数据的养牛方法

Publications (1)

Publication Number Publication Date
CN111709652A true CN111709652A (zh) 2020-09-25

Family

ID=72541804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010562419.1A Pending CN111709652A (zh) 2020-06-17 2020-06-17 一种基于大数据的养牛方法

Country Status (1)

Country Link
CN (1) CN111709652A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509719A (zh) * 2018-03-30 2018-09-07 华中科技大学 一种基于bp神经网络的铸铁件断芯预测方法及系统
CN109711549A (zh) * 2018-12-27 2019-05-03 中国农业大学 一种基于遗传算法优化bp神经网络的奶牛乳房炎检测方法
CN110226561A (zh) * 2019-06-14 2019-09-13 江苏财经职业技术学院 基于大数据的低成本养殖蛋鸡的方法
CN110322014A (zh) * 2019-07-10 2019-10-11 燕山大学 一种基于bp神经网络的水泥成品比表面积预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509719A (zh) * 2018-03-30 2018-09-07 华中科技大学 一种基于bp神经网络的铸铁件断芯预测方法及系统
CN109711549A (zh) * 2018-12-27 2019-05-03 中国农业大学 一种基于遗传算法优化bp神经网络的奶牛乳房炎检测方法
CN110226561A (zh) * 2019-06-14 2019-09-13 江苏财经职业技术学院 基于大数据的低成本养殖蛋鸡的方法
CN110322014A (zh) * 2019-07-10 2019-10-11 燕山大学 一种基于bp神经网络的水泥成品比表面积预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
Kramer How there got to be so many of us: The evolutionary story of population growth and a life history of cooperation
Beattie et al. Effects of environmental enrichment on behaviour and productivity of growing pigs
Loretz et al. A comparison of space requirements of horned and hornless goats at the feed barrier and in the lying area
CN110226561B (zh) 基于大数据的低成本养殖蛋鸡的方法
Vautier et al. Accounting for variability among individual pigs in deterministic growth models
CN103621463A (zh) 一种家兔的饲养方法
Khan et al. Genetic resources and diversity in Pakistani goats.
CN108121779A (zh) 基于云端数据的喂食设定方法及系统
Kuthu et al. Environmental effects on growth traits of Teddy goats.
CN107704581A (zh) 一种基于近交系数计算模型的奶牛配种方法
CN103461278A (zh) 一种梅林黑猪猪种的培育方法
CN105794719A (zh) 一种系统的核心群纯种母猪选培育方法
CN111709652A (zh) 一种基于大数据的养牛方法
Zergaw et al. Growth performance of Woyto-Guji and Central Highland goat breeds under traditional management system in Ethiopia
Wallenbeck et al. Maternal behaviour and performance in first-parity outdoor sows
CN108184760A (zh) 一种黑色肉兔新品系的培育方法
CN103621797B (zh) 一种乳仔猪用复合诱食剂及其制备方法
Yoder et al. Lactation feed intake in purebred and F1 sows and its relationship with reproductive performance
CN103380761A (zh) 新沂蒙黑猪的选育方法
CN107279036A (zh) 一种科学有效的牦牛繁育方法
CN111831038A (zh) 一种基于智能控制的现代化养猪日常智能管理系统
Smallegange et al. Food supply and demand, a simulation model of the functional response of grazing ruminants
Awumbila Social dynamics and infant feeding practices in Northern Ghana
CN110506707A (zh) 一种白色肉兔四系配套系的培育方法
CN103749379B (zh) 产高蛋清浓稠度鸡蛋的蛋鸡品种培育方法

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

Application publication date: 20200925

RJ01 Rejection of invention patent application after publication