CN112116145A - 基于遗传算法优化bp神经网络的奶牛采食量评估方法 - Google Patents
基于遗传算法优化bp神经网络的奶牛采食量评估方法 Download PDFInfo
- Publication number
- CN112116145A CN112116145A CN202010968896.8A CN202010968896A CN112116145A CN 112116145 A CN112116145 A CN 112116145A CN 202010968896 A CN202010968896 A CN 202010968896A CN 112116145 A CN112116145 A CN 112116145A
- Authority
- CN
- China
- Prior art keywords
- neural network
- feed intake
- model
- genetic algorithm
- output
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 89
- 235000021050 feed intake Nutrition 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002068 genetic effect Effects 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims description 10
- 241000283690 Bos taurus Species 0.000 claims abstract description 79
- 235000013365 dairy product Nutrition 0.000 claims abstract description 51
- 230000035772 mutation Effects 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 22
- 210000000349 chromosome Anatomy 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 230000037406 food intake Effects 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 32
- 238000013210 evaluation model Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 4
- 238000002986 genetic algorithm method Methods 0.000 abstract description 2
- 239000008267 milk Substances 0.000 description 17
- 235000013336 milk Nutrition 0.000 description 17
- 210000004080 milk Anatomy 0.000 description 17
- 238000009395 breeding Methods 0.000 description 10
- 230000001488 breeding effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 210000004767 rumen Anatomy 0.000 description 4
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 235000012631 food intake Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 241000254158 Lampyridae Species 0.000 description 2
- UIIMBOGNXHQVGW-UHFFFAOYSA-M Sodium bicarbonate Chemical compound [Na+].OC([O-])=O UIIMBOGNXHQVGW-UHFFFAOYSA-M 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 244000144972 livestock Species 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 101710089042 Demethyl-4-deoxygadusol synthase Proteins 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004634 feeding behavior Effects 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006651 lactation Effects 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- 239000000395 magnesium oxide Substances 0.000 description 1
- AXZKOIWUVFPNLO-UHFFFAOYSA-N magnesium;oxygen(2-) Chemical compound [O-2].[Mg+2] AXZKOIWUVFPNLO-UHFFFAOYSA-N 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000013379 molasses Nutrition 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000022676 rumination Effects 0.000 description 1
- 208000015212 rumination disease Diseases 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910000030 sodium bicarbonate Inorganic materials 0.000 description 1
- 235000017557 sodium bicarbonate Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Physiology (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种基于遗传算法优化BP神经网络的奶牛采食量评估方法，所述方法包括如下步骤：步骤一、确定BP神经网络的拓扑结构；步骤二、样本数据的预处理；步骤三、种群初始化；步骤四、计算种群适应度值；步骤五、选择、交叉、变异操作；步骤六、判断进化是否完成；步骤七、模型构建；步骤八、模型验证。该方法采用遗传算法优化BP神经网络权值阈值的方法建立采食量评估模型，为准确评估奶牛采食量变化，合理掌控奶牛采食量变化规律提供科学依据与理论指导。本发明克服了BP神经网络可能陷入局部最优的缺点，提高了模型的收敛速度且具有较高的评估效果。
Description
技术领域
本发明涉及一种奶牛采食量评估方法，具体涉及一种基于遗传算法优化BP神经网络的奶牛采食量评估方法。
背景技术
奶牛养殖是我国传统畜牧行业，在畜牧业所占比重较大，因此如何提升我国奶牛养殖行业的经济效益，获得更好的投入产出比是当前急需解决的问题。其中，奶牛养殖业中干物质采食量是奶牛健康生产所需营养物质的量化基础，是衡量奶牛生产性能和潜力的重要指标，是决定奶牛生产水平高低、获得更高经济效益、推动奶牛养殖业不断标准化和专业化发展的重要因素，但个体奶牛的采食量在奶牛实际养殖中难以通过人工的方法直接获取，因此，准确评估奶牛干物质采食量对奶牛生产实践具有重要意义。在奶牛养殖业中，奶牛的采食量在不同环境、生理状况、生长周期、温度、饲料的精粗比等因素的影响下存在较大的差异，如何合理把控奶牛采食量是提升经济效益的关键因素。
奶牛干物质采食量受多种因素的影响，它不仅会随着体重与采食时间变化而改变，而且也与奶牛的活动量、趴卧次数以及躺卧时间相关。高腾云等人研究发现：当奶牛的活动量相对较大时会增加能量消耗促进奶牛进食，同时发现50％的奶牛在躺卧时都在反刍，增加奶牛的躺卧时间能促进奶牛的反刍活动，从而提高奶牛对饲料的消化以提高奶牛采食量，另外饲料的精粗比对奶牛采食量的影响也很大，研究表明不同的精粗比会改变奶牛的食糜在消化道停留速度，从而影响对饲料的消化率，进而影响奶牛的采食量。以往研究多采用机制模型或经验模型来评估奶牛采食量，其中，机制模型是利用解释各因子与采食量之间的基本生物学理论与函数关系而建立的评估模型，如Madsen等根据饲料在奶牛瘤胃内存在时长、瘤胃内的降解参数和瘤胃的大小建立奶牛采食量评估模型，但由于不同品种、生长时期的奶牛瘤胃存在很大的差异，因此该采食量评估模型仅适合评估某个奶牛特定时期的采食量，而经验模型多是采用线性回归方法，该方法通过拟合与采食量具有一定因果关系的因素来构建关系式，如deSouza,RA等，根据奶牛的乳汁能量、体重、体重变化量、身体状况评分、身高、产奶天数等数据建立采食量预测方程，但该模型仅仅考虑的是动物因素而没有考虑到饲料精粗比对采食量的影响。另外，澳大利亚CSRO体系使用标准参数体重、正常体重和体况因子等指标来估计奶牛采食量，但模型涉及变量过多难以进行实际应用。Lahart,B等根据牛奶产量、脂肪百分比、蛋白质百分比、体重、泌乳阶段和胎次建立基准方程，与中红外反射光谱和近红外反射光谱组合预测奶牛的采食量，但该方法不仅对奶牛采食量评估的准确性较低，而且部分数据不易获取、运行成本相对较高。综上所述，在奶牛采食量评估方面应该寻求一种模型相对简单、参数易于获取、成本相对较低、操作相对方便且又能满足奶牛采食量评估精度的方法。
BP神经网络具有强大的自学习、自适应、自组织以及非线性映射能力，在数据分析中具有与模型无关性、能拟合比较复杂因果关系。目前，因BP神经网络在农业领域的预测、评估方面十分有效而获得广泛使用。如卫洋洋等利用BP神经网络预测奶牛的产奶量，模型平均误差在5％左右，预测效果较好，模型能很好的拟合各影响因素与产奶量的关系。马铁民等利用BP神经网络建立牛舍环境预测模型，模型能够实现对复杂的牛舍环境进行预测，且最大误差仅为4.62％。本研究对奶牛采食量的评估属于多输入单输出的过程描述，各影响因素与采食量之间存在着较为复杂的内在关系，因此可利用BP神经网络模型来进行奶牛采食量评估，但在实际应用中单一BP神经网络模型易于陷入局部最优使得预测精度相对较低等缺点，为解决此类问题，有学者采用萤火虫算法来优化BP神经网络的权值与阈值，以提高模型的性能，如：宋志强等在机组振动诱发厂房振动的预测中采用萤火虫算法优化BP神经网络建模获得了令人满意的预测效果。另外，史红飞等在草原土壤铜含量的预测研究中发现，适当增加隐藏层可使BP神经网络模型具有较高的拟合度和预测精度。除此之外，采用遗传算法优化BP神经网络也能解决此类问题，如：吴慧静等在空气质量指数预测研究发现，采用遗传算法改进的BP神经网络对空气质量指数进行预测，取得了相对较好的预测效果，提高了模型预测精度。
发明内容
针对传统奶牛采食量评估模型的缺陷和BP神经网络的不足，本发明提供了一种基于遗传算法优化BP神经网络的奶牛采食量评估方法。该方法采用遗传算法优化BP神经网络权值阈值的方法建立采食量评估模型，为准确评估奶牛采食量变化，合理掌控奶牛采食量变化规律提供科学依据与理论指导。
本发明的目的是通过以下技术方案实现的：
一种基于遗传算法优化BP神经网络的奶牛采食量评估方法，包括如下步骤：
步骤一、确定BP神经网络的拓扑结构
本发明采用的BP神经网络输入为奶牛的采食时间、体重、行走步数、趴卧时间、趴卧次数和饲料的精粗比6种因素，输入层节点数为6，以奶牛的采食量作为输出，输出节点为1的3层神经网络结构，隐藏层节点的个数根据经验公式确定；
步骤二、样本数据的预处理
对输入输出数据进行归一化处理，使归一化后数据分布范围为[0，1]；
步骤三、种群初始化
根据步骤一确定的BP神经网络拓扑结构，确定权值、阈值的个数，种群的大小为权值阈值个数的和，并对种群个体进行二进制实数编码，编码长度S的计算公式如下：
S＝pm+pn+p+n；
其中，p为隐藏层节点的个数，m为输入层节点的个数，n为输出层节点的个数；
步骤四、计算种群适应度值
根据种群个体得到BP神经网络的初始权重和阈值，用训练样本数据训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值作为个体适应度F，计算公式如下：
其中，n为输出层节点的个数，outputz为预测值，Yz为期望输出；
步骤五、选择、交叉、变异操作
选择操作采用轮盘赌法在当前种群中选择适应度高的染色体进行复制，每个个体i的选择概率pi为：
其中，fi是个体适应度的倒数，N为种群个体数目；
交叉操作采用交叉组合的方式，即两个个体通过线性组合产生两个新个体，第s个染色体as与第d个染色体ad在j位进行交叉的过程如下：
其中，
与
为父代染色体，
与
为子代染色体，b∈(0,1)随机数；
变异操作采用随方式进行变异，第k个个体的第l个基因进行变异操作如下：
其中，amax、amin为基因akl的上界与下界，f(g)＝r1(1-g/Gmax)2，r1∈[0,1]内的随机数，g为迭代次数，Gmax为最大进化次数；
步骤六、判断进化是否完成
若进化完成，获得出最优个体，即BP神经网络的最优权值、阈值，否则，则返回步骤四；
步骤七、模型构建
将步骤六获得的最优权值、阈值带入BP神经网络中，用训练样本集对模型进行训练；
步骤八、模型验证
测试样本集检验模型评估误差，若误差满足条件则停止，否则返回步骤一。
相比于现有技术，本发明具有如下优点：
本发明采用遗传算法优化BP神经网络的权值与阈值，建立了基于遗传算法的BP神经网络奶牛采食量评估模型，并利用现场采集的实验数据对模型进行了训练和验证。评估结果表明：本发明的基于遗传算法优化的BP神经网络评估方法可有效优化BP神经网络模型，克服了BP神经网络可能陷入局部最优的缺点，提高了模型的收敛速度且具有较高的评估效果，与单一BP神经网络模型相比，其评价指标MSPE，RMSE，MAE，MAPE和R2分别为0.054kg、0.232kg、0.194kg、1.54％和93.2，均优于单一BP神经网络评估模型，因此，本发明提出的采食量评估方法能够更好的拟合奶牛采食量与各影响因素之间的关系，可为奶牛精细化饲喂提供理论指导与技术支撑。
附图说明
图1为BP神经网络模型的拓扑结构；
图2为BP评估模型；
图3为GA-BP评估模型。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种基于遗传算法优化BP神经网络的奶牛采食量评估方法，所述方法包括如下步骤：
1.试验材料与方法
1.1试验对象与数据获取
试验对象选择体况与生理状态良好、年龄为1.5岁左右的6头大育成荷斯坦奶牛，进行为期20天的试验，共得到120组试验数据，部分实验样本数据如表1所示。投喂的饲料为颗粒料加干草型日粮，颗粒饲料由32.5％玉米、10％豆皮、15％花生壳、8％DDGS、15％玉米蛋白饲料、12％玉米胚芽粕、4.5％糖蜜、1％石粉、0.8％食盐、0.5％小苏打、0.5％氧化镁和0.2％预混料构成。在本次试验中，采食时间和行为监测设备采用睿保乐奶业事业部生产的睿保乐CowControl系统，该系统的Sarttag Neck健康监测与采食监测智能项圈设备可实时获取奶牛的采食时间以及行为次数(步数、躺卧时间、趴卧次数)等试验数据。智能项圈和腿环每5min向服务器传输一次数据，服务器通过累加的方式记录每天的采食时间与行为数据。
在研究过程中，每天对大育成奶牛进行两次投料，分别为5:00am与4:30pm。每次投料前取出食槽剩余饲料称重，将前次投料量减去剩余量为实际采食量，两次采食量的总和即为一天总采食量。奶牛在采食过程中优先采食精饲料(投料前取出的剩余饲料为粗料)，因此本试验控制精饲料的投喂量，从而获取相应的精粗比数据。
表1采食行为与采食量数据样本
1.2 奶牛采食量评估模型构建
1.2.1 BP神经网络
BP神经网络是深度学习中的经典算法且应用领域比较广泛。BP神经网络在执行算法时，输入信号在输入层通过激活函数的非线性转换后到达隐藏层，同样信号在隐藏层经过非线性转换再到输出层、计算输出层输出值，如果实际输出与预测输出差别较大，则转入误差反向传播阶段。
其中，误差反向传播的思想是将输出误差以某种形式通过隐藏层向输入层逐层传递，并且将误差分摊给各层全部神经元节点，从而获得各层节点的误差信号，此误差信号将作为修正各单元权值阈值的依据，信号正向传播与误差反向传播的各层权值阈值调整进行多次迭代，直到达到最小误差，并得到最终预测结果。
BP神经网络模型的拓扑结构如图1所示，其中x为神经网络输入，wcv与wvz神经网络的权值，y为神经网络的最后输出。BP神经网络算法步骤如下：
输入层到隐藏层数据经过激活函数的计算公式如下：
ωcv＝ωcv+Δωcv (3)；
其中，yc为隐藏层第v个节点的输出，wcv为输入层第c个节点到隐藏层第v个节点的权值，xc为第c个节点的输入值，m为输入层节点数，Δwcv为权值调整量，learning_rate为学习率。
隐藏层到输出层的计算公式与公式(6)原理相同，其权值调整公式与公式(7)、(8)原来相同。同时，为进一步减小误差，神经网络训练过程中对权值和阈值进行调整，BP神经网络的误差函数公式如下：
其中，E代表误差平方和，Y代表期望输出值，output代表预测值，wvz代表隐藏层第v个节点到输出层第z个节点的权值，p为隐藏层节点数，wcv为输入层第c个节点到隐藏层第v个节点的权值，xc为第c个节点的输入值，m为输入层节点数，公式(5)是公式(4)的展开式。
1.2.2 遗传算法
遗传算法(Genetic Algorithms)模拟自然界生物进化过程而形成的一种并行随机搜索最优化方法。根据“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联种群中，根据所选的适应度函数通过遗传中的选择、交叉和变异对所有个体进行筛选，适应度值好的个体会被保留，适应度差的个体将被淘汰，保留下来的群体既继承了上一代的信息，又优于上一代，反复循环，直至满足条件。遗传算法基本步骤如下：
(1)随机产生若干由确定长度编码的初始群体；
(2)选取合适的适应度函数，计算种群中每个个体的适应度函数值；
(3)经遗传操作(选择、交叉、变异)作用于群体，产生下一代种群；
(4)判断是否满足结束条件，若满足则停止；否则，返回步骤(3)。
1.2.3 基于GA-BP神经网络奶牛采食量评估模型
遗传算法优化BP神经网络主要是利用遗传算法去优化神经网络的权值与阈值，种群中的每个个体都包含了一个网络所有的权值和阈值，个体通过适应度函数计算个体的适应度值，遗传算法通过选择、交叉和变异等操作来获取最优参数。BP神经网络用遗传算法得到最优个体对网络初始权值和阈值进行赋值和训练，经过训练后最终输出基于GA-BP神经网络的评估模型的最优解。
本研究将试验获取的数据作为基于GA-BP神经网络奶牛采食量评估模型的样本数据集，评估步骤如下：
(1)将试验采集到的采食量、采食时间、体重、行走步数、趴卧时间、趴卧次数和饲料的精粗比作为样本数据集，选择其中75％的数据作为训练样本集、25％的数据作为测试样本集；
(2)BP神经网络拓扑结构的确定，由于BP可以逼近任何函数，因此本次试验采用3层BP神经网络算法建立奶牛采食量评估模型。采用TensorFlow框架搭建评估模型，将奶牛的采食时间、体重、行走步数、趴卧时间、趴卧次数和饲料的精粗比6种因素作为输入，输入层节点数为6。以奶牛的采食量作为神经网络输出层，输出层的节点数为1。对于隐藏层节点，本发明采用传统人工神经网络算法中对隐藏层节点设定的经验公式(6)：
其中，p为隐藏层节点的个数，m为输入层节点的个数，n为输出层节点的个数，a为取值在1～10之间的常数。根据经验公式将BP神经网络算法的隐藏层节点的个数确定在4～14之间。
(3)对输入输出数据进行归一化处理，在神经网络训练之前为了避免数值问题、提高算法学习速度，需要对训练集样本数据进行归一化处理，从而使其减小算法的梯度，获得更好的收敛性能，归一化后数据分布范围为[0，1]。
(4)确定种群的初始化权值、阈值，并进行个体编码以及种群初始化，种群的编码长度如公式(7)：
S＝pm+pn+p+n (7)；
其中，p为隐藏层节点的个数，m为输入层节点的个数，n为输出层节点的个数。
(5)计算种群中每个个体的适应度值，找出最优个体，根据得到BP神经网络的初始权重和阈值，用训练数据训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值作为个体适应度F。计算公式如下：
其中，n为输出层节点的个数，outputz为预测值，Yz为期望输出。
(6)选择操作，本发明按照轮盘赌法，即基于适应度比例的选择策略，每个个体i的选择概率pi为：
其中，fi是适应性值的倒数，N为种群个体数目。
(7)交叉操作，由于种群个体采用的是实数编码，所交叉操作利用实数交叉法，第s个染色体as与第d个染色体ad在j位进行交叉的过程如下：
其中，as、ad为父代染色体，
与
为子代染色体，b∈(0,1)随机数。
(8)变异操作，选取第k个个体的第l个基因进行变异，变异操作如下：
其中，amax、amin为基因akl的上界与下界，f(g)＝r1(1-g/Gmax)2，r1∈[0,1]内的随机数，g为迭代次数，Gmax为最大进化次数。
(9)反复进行计算适应度、选择、交叉、变异操作，直到达到进化次数，得到最优的初始权值和阈值。
(10)将获得的最优最优个体作为BP神经网络的初始权值、阈值。使用训练样本集对GA-BP奶牛采食量评估模型进行训练，直到模型训练完成；
(11)使用测试样本集对GA-BP神经网络奶牛采食量评估模型进行测试，并将预测的数据进行反归一化处理，输出采食量评估值。
2 结果与讨论
2.1 模型训练与结果分析
根据遗传算法优化BP神经网络采食量评估模型流程通过大量试验验证得出，种群粒子个数为20，遗传迭代次数为20，染色体二进制位数为8，优化权值与偏重数数为80，交叉概率0.7，变异概率为0.05，隐藏层节点数为10，训练迭代次数为2000。选择归一化样本数据集中的75％的数据作为训练样本集、25％的数据作为测试集。训练完成后，基于GA-BP神经网络采食量评估模型的实测值与评估值数据如表2所示：
表2实测值与评估值
为验证本发明所提出的GA-BP神经网络采食量评估模型的精度，我们同时又采用单一BP神经网络模型对奶牛采食量进行评估，根据各模型得到的采食量评估结果，利用Origin 2018对各模型的实测值与评估值进行比较分析，采食量评估结果曲线图如图2和图3所示。
从图2、图3可以看出GA-BP神经网络与单一BP神经网络采食量评估模型的实测值与评估值变化趋势整体上相似，且在部分节点存在重合，这说明BP神经网络采食量评估方法可行，但单一BP神经网络评估模型对部分采食量数据的评估误差相对较大，而利用遗传算法优化后BP神经网络采食量评估结果相比于单一BP神经网络采食量评估效果更好、精度获得进一步提升，因此，相较于BP神经网络，GA-BP神经网络的评估方法能更准确评估奶牛采食量变化。
2.2 模型评价分析方法
采食量评估模型评价方法采用均方预测误差(MSPE)、均方根相对误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)以及相关系数(R2)来衡量模型评估性能，公式如下：
表3：四种采食量评估方法结果评价
通过表3可知，基于遗传算法优化的BP神经网络评估方法中MSPE、RMSE、MAE、MAPE、R2分别为0.054kg、0.232kg、0.194kg、1.54％、93.2，相较于单一BP神经网络评估方法其MSPE、RMSE、MAE、MAPE分别降低了10％、5.31％、2.53％和3.14％，R2提升了0.85％。通过对比数据可知，基于遗传算法优化的BP神经网络评估模型评价指标均优于单一BP神经网络模型，GA-BP模型评估效果更好且评估精度更高。
2.3 已有研究成果对比分析
Shetty,N等，在探讨傅里叶变换中红外(FT-IR)光谱图作为干物质摄入量(DMI)和残留饲料摄入量(RFI)的预测指标的有效性时，利用偏最小二乘回归方法建立预测模型，研究发现一旦添加了光谱信息，再加上MY和LW作为预测因子，模型的精确度相对较高，相较于该方法0.81的相关系数，本发明先关系数却达到93，Shah,MA等人根据三处不同位置获取的奶牛采食量数据建立了指数型采食量预测方法，与该方法6％的相对误差相比，本发明的相对误差小于4.47％。Faverdin,P根据奶牛体重、产奶量和日粮特性建模来评估奶牛干物质采食量变化，模型虽能实现个体奶牛采食量预测，但日预测误差高达3.31kg/d，而本发明的最大评估误差仅为0.53kg/d。Lahart,B等用线性回归、偏最小二乘回归与中红外反射光谱、近红外反射光谱相结合构建了采食量评估方法，但该方法涉及的变量较多使得模型相对复杂，且参数中的脂肪百分比、蛋白质百分比等数据不易获取而使得模型运行成本相对较高。其次，与本发明评估方法中RMSE0.232kg相比，该评估方法的RMSE却达到1.52kg。另外国内学者潘晓花等在分析评估干物质采食量预测模型准确性的研究中，通过试验得出NRC采食量模型的RMSE也高达1.28kg，除此之外，本发明建立的基于多项式衰减学习率BP神经网络评估模型误精度相对较高、涉及变量相对较少、成本相对较低且在实际生产中操作更为简单。
Claims (6)
1.一种基于遗传算法优化BP神经网络的奶牛采食量评估方法，其特征在于所述方法包括如下步骤：
步骤一、确定BP神经网络的拓扑结构
BP神经网络输入为奶牛的采食时间、体重、行走步数、趴卧时间、趴卧次数和饲料的精粗比6种因素，输入层节点数为6，以奶牛的采食量作为输出，输出节点为1的3层神经网络结构，隐藏层节点的个数根据经验公式确定；
步骤二、样本数据的预处理
对输入输出数据进行归一化处理，使归一化后数据分布范围为[0，1]；
步骤三、种群初始化
根据步骤一确定的BP神经网络拓扑结构，确定权值、阈值的个数，种群的大小为权值阈值个数的和，并对种群个体进行二进制实数编码；
步骤四、计算种群适应度值
根据种群个体得到BP神经网络的初始权重和阈值，用训练样本数据训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值作为个体适应度F；
步骤五、选择、交叉、变异操作
选择操作采用轮盘赌法在当前种群中选择适应度高的染色体进行复制；交叉操作采用交叉组合的方式；变异操作采用随方式进行变异；
步骤六、判断进化是否完成
若进化完成，获得出最优个体，即BP神经网络的最优权值、阈值，否则，则返回步骤四；
步骤七、模型构建
将步骤六获得的最优权值、阈值带入BP神经网络中，用训练样本集对模型进行训练；
步骤八、模型验证
测试样本集检验模型评估误差，若误差满足条件则停止，否则返回步骤一。
2.根据权利要求1所述的基于遗传算法优化BP神经网络的奶牛采食量评估方法，其特征在于所述步骤三中，编码长度S的计算公式如下：
S＝pm+pn+p+n；
其中，p为隐藏层节点的个数，m为输入层节点的个数，n为输出层节点的个数。
3.根据权利要求1所述的基于遗传算法优化BP神经网络的奶牛采食量评估方法，其特征在于所述步骤四中，个体适应度F的计算公式如下：
其中，n为输出层节点的个数，outputz为预测值，Yz为期望输出。
4.根据权利要求1所述的基于遗传算法优化BP神经网络的奶牛采食量评估方法，其特征在于所述步骤五中，选择操作的选择概率pi为：
其中，fi是个体适应度的倒数，N为种群个体数目。
5.根据权利要求1所述的基于遗传算法优化BP神经网络的奶牛采食量评估方法，其特征在于所述步骤五中，交叉操作的过程如下：
其中，
与
为父代染色体，
与
为子代染色体，b∈(0,1)随机数。
6.根据权利要求1所述的基于遗传算法优化BP神经网络的奶牛采食量评估方法，其特征在于所述步骤五中，变异操作的过程如下：
其中，amax、amin为基因akl的上界与下界，f(g)＝r1(1-g/Gmax)2，r1∈[0,1]内的随机数，g为迭代次数，Gmax为最大进化次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010968896.8A CN112116145A (zh) | 2020-09-15 | 2020-09-15 | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010968896.8A CN112116145A (zh) | 2020-09-15 | 2020-09-15 | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112116145A true CN112116145A (zh) | 2020-12-22 |
Family
ID=73802869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010968896.8A Pending CN112116145A (zh) | 2020-09-15 | 2020-09-15 | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112116145A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
| CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
| CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统 |
| CN114021432A (zh) * | 2021-10-21 | 2022-02-08 | 中国特种设备检测研究院 | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 |
| CN114781538A (zh) * | 2022-05-07 | 2022-07-22 | 东莞理工学院 | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 |
| CN116202575A (zh) * | 2023-05-04 | 2023-06-02 | 山东汇杰地理信息科技有限公司 | 一种水土保持土壤流失率监测系统及方法 |
| CN117852611A (zh) * | 2024-03-07 | 2024-04-09 | 哈尔滨工业大学（威海） | 一种电离层f2层最大高度预测方法及系统 |
| CN118211755A (zh) * | 2024-03-30 | 2024-06-18 | 常州通用自来水有限公司 | 一种基于遗传算法优化的bp神经网络的二次供水流量预测方法 |
-
2020
- 2020-09-15 CN CN202010968896.8A patent/CN112116145A/zh active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
| CN112946484B (zh) * | 2021-02-07 | 2022-12-23 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
| CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
| CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统 |
| CN114021432A (zh) * | 2021-10-21 | 2022-02-08 | 中国特种设备检测研究院 | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 |
| CN114781538A (zh) * | 2022-05-07 | 2022-07-22 | 东莞理工学院 | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 |
| CN114781538B (zh) * | 2022-05-07 | 2024-08-23 | 东莞理工学院 | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 |
| CN116202575A (zh) * | 2023-05-04 | 2023-06-02 | 山东汇杰地理信息科技有限公司 | 一种水土保持土壤流失率监测系统及方法 |
| CN116202575B (zh) * | 2023-05-04 | 2023-07-28 | 山东汇杰地理信息科技有限公司 | 一种水土保持土壤流失率监测系统及方法 |
| CN117852611A (zh) * | 2024-03-07 | 2024-04-09 | 哈尔滨工业大学（威海） | 一种电离层f2层最大高度预测方法及系统 |
| CN118211755A (zh) * | 2024-03-30 | 2024-06-18 | 常州通用自来水有限公司 | 一种基于遗传算法优化的bp神经网络的二次供水流量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112116145A (zh) | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 | |
| WO2021098472A1 (zh) | 一种深度时空特征联合学习的农作物产量估测方法 | |
| Jensen et al. | Bayesian integration of sensor information and a multivariate dynamic linear model for prediction of dairy cow mastitis | |
| CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
| CN101793887B (zh) | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 | |
| CN107168402A (zh) | 基于can现场总线的鸡舍环境温度智能监测系统 | |
| Sumner et al. | The economics of regulations on hen housing in California | |
| CN107290481B (zh) | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 | |
| Shen et al. | Assessment of dairy cow feed intake based on BP neural network with polynomial decay learning rate | |
| Wen et al. | Comprehensive evaluation method of the poultry house indoor environment based on gray relation analysis and analytic hierarchy process | |
| de Sousa et al. | Development and evaluation of a fuzzy logic classifier for assessing beef cattle thermal stress using weather and physiological variables | |
| JPH07102057B2 (ja) | 家畜飼養管理システム | |
| Ghazanfari et al. | Prediction of egg production using artificial neural network | |
| Knap et al. | Characterization of pig genotypes for growth modeling | |
| CN114611804A (zh) | 基于tso-grnn组合模型的玉米产量预测方法 | |
| CN113888011A (zh) | 基于灰色关联分析和层次分析法的鸡舍内环境评价方法 | |
| Yakubu et al. | Modelling egg production in Sasso dual-purpose birds using linear, quadratic, artificial neural network and classification regression tree methods in the tropics | |
| CN109886721A (zh) | 一种猪肉价格预测系统算法 | |
| Akinsola et al. | Comparison of five mathematical models that describe growth in tropically adapted dual-purpose breeds of chicken | |
| Doeschl-Wilson et al. | Using mechanistic animal growth models to estimate genetic parameters of biological traits | |
| CN110298762A (zh) | 一种家庭牧场养殖效益分析系统 | |
| Khan et al. | Delineating mastitis cases in dairy cows: Development of an IoT-enabled intelligent decision support system for dairy farms | |
| Atıl et al. | Investigation of dairy cattle traits by using artificial neural networks and cluster analysis | |
| Mallam et al. | PREDICTION OF BODY WEIGHT OF NIGERIAN NON-DESCRIPT GOATS FROM MORPHOMETRIC TRAITS USING CLASSIFICATION AND REGRESSION TREE MODEL | |
| Kocevar et al. | Growth charts for small sample sizes using unsupervised clustering: Application to canine early growth |
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: 20201222 |