CN112149870B - 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 - Google Patents
一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 Download PDFInfo
- Publication number
- CN112149870B CN112149870B CN202010846983.6A CN202010846983A CN112149870B CN 112149870 B CN112149870 B CN 112149870B CN 202010846983 A CN202010846983 A CN 202010846983A CN 112149870 B CN112149870 B CN 112149870B
- Authority
- CN
- China
- Prior art keywords
- neural network
- sample
- ammonia concentration
- similarity
- clustering
- 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
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 57
- 229910021529 ammonia Inorganic materials 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 7
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000009313 farming Methods 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000282887 Suidae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- -1 temperature Chemical compound 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，属于环境智能监控技术领域。包括：步骤一：采用灰色关联度方法筛选猪舍内影响氨气浓度的关键因子，降低输入维度；步骤二：自定义相似日统计量——相似度，应用ISODATA聚类方法把历史日样本分成若干类，分类识别出与预测日相似度最大的一类历史日样本集；步骤三：将相似度最大的那一类与预测日的实测环境因素作为预测模型的输入样本，建立Elman神经网络氨气浓度预测模型。与未经过相似日聚类的Elman神经网络预测方法相比，本组合预测方法能够提高猪舍中氨气预测的精度，连续预测的性能能够满足生猪养殖业对氨气浓度精细化管控的高要求。
Description
技术领域
本发明属于环境智能控制技术领域，特别涉及一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法。
背景技术
氨气浓度是生猪养殖管理中最重要的问题之一。猪舍是一个多种环境因子相互作用的、实时变化的、复杂的、非线性系统，其中氨气浓度的过高不仅对生猪健康生长极为不利，同时也影响着养殖人员的健康与工作效率。所以氨气浓度的科学管理对生猪养殖业的健康发展非常重要。如何准确预测猪舍中氨气浓度变化趋势，建立准确、实用的预测模型对生猪养殖业具有重大意义。而基于猪舍内环境因素对氨气浓度影响方面的研究很少，其预测方法主要有专家评估系统、时间序列、灰色理论法、神经网络法和支持向量回归机等，在取得良好的预测效果的同时难免存在一些不足，比如欠学习和过学习、参数难以确定、易陷入局部最优的问题，无法满足对氨气预测的更高要求。而且这些方法直接在原始时序数据上建模，没有有效地分析环境变化对氨气浓度变化过程的影响，未能揭示本质规律，从而影响变化环境下氨气浓度的预测精度。
发明内容
为解决生猪养殖环境中氨气浓度传统预测方法引入不良样本、预测精度低、速度慢等问题,本发明提出了一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，本发明的组合预测方法先使用ISODATA聚类方法优化样本空间，再使用Elman神经网络进行连续精准预测，以便实时精准调控猪舍环境参数，减小猪舍内氨气对生猪健康水平以及生产能力的影响；有利于解决生猪养殖厂中氨气浓度长时域预测精度低、泛化能力差等问题，可供高端、精细化生猪养殖参考。
本发明的技术方案如下：
本发明提出一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，包括如下步骤：
步骤S1：采用灰色关联度筛选猪舍内影响氨气浓度的关键因子，降低输入维度；
步骤S2：自定义相似日统计量——相似度，应用ISODATA聚类方法把历史日样本分成若干类，分类识别出与预测日相似度最高的一类历史日样本集；
步骤S3：将相似度最大的那一类样本与预测日的实测环境因素作为预测模型的输入样本，建立Elman神经网络获得最终氨气的预测值。
所述步骤S1具体为：
假设对于氨气数列x0有若干个比较数列x1,x2,…,xn，即温度、湿度、光照、CO2、压强、硫化氢等。各比较数列与氨气数列在各个时刻的关联系数ζ可由公式(1)计算出：
其中，mini mink|x0(k)-xi(k)|是第二级最小差，maxi maxk|x0(k)-xi(k)|是两级最大差，为分辨系数，范围为0到1，本发明取0.5。将氨气浓度数列与其他数列计算得到的关联系数求平均值，得到如公式(2)所示的关联度：
通过灰色关联度法计算猪舍内氨气与温度、湿度、光照、CO2、压强、硫化氢等之间的关联度，若一个环境因子与氨气浓度的关联系数越大，此环境因子就与氨气浓度越相关。各比较数列与氨气浓度的关联系数计算结果如表1所示。为降低输入维度、减少计算成本，本发明将各关联系数按从大到小进行排序，经过与关联系数平均值进行比较，筛选得到与氨气关联度大的关键因子为温度、湿度、光照和CO2四个参数，将该四个参数一起作为预测的输入因子。
表1各环境因子与氨气的关联系数
所述步骤S2具体为：
ISODATA算法基本步骤和思路如下：
Step 1选定初始值，从输入数据点开始随机选择一个聚类中心k,将温度、湿度、氨气、CO2、硫化氢等环境参数样本X按指标分配到各个簇类中心中去，进行各环境因子关联度的聚类中心值选取，通过环境样本中心自迭代，得到环境因子样本数据空间的最佳聚类数s。
Step 2计算当前和每个簇中心之间的标准差和相似度距离。
Step 3根据要求，将前一次获得的聚类集进行分裂和合并处理，当某一类的标准差大于用户定义的阈值，将其分裂成两类；当距离小于用户定义的阈值，则合成一类，获得新的聚类中心。
Step 4重复步骤1-3，迭代运算，计算各项指标，判断聚类结果是否满足群集要求。经过多次迭代后，结果收敛，则操作结束，此时可识别出与预测日相似度最高的一类历史日样本集。
本发明中设全部样本为X，X＝{x1,x2,...,xi}，xi为第i天的样本。t为监测时刻(本发明t＝48)，每个样本中包含着一天48个时间段收集的监测数据，每个样本具备m个特征指标，每个样本的数据矩阵为：
在聚类前要选定一些参数，其中，θc为沿每个轴的簇中心点的标准差，其计算公式为：
其中，
intra_max(k)＝maxi(maxj‖xi-zi‖),(j＝1,2,…,Ni)；
inter_min(k)＝min(‖zi-zp‖),(i＝1,2,…,k-1,p＝i+1,…,k)。k是簇数目，N为数据的总数目，xi是每天的样本数，sj是总样本的数量，Ni是第i个簇中元素的总数，zi是第i个簇的中心，Pi表示第i+1个样本的数量，Zp表示第i+1个簇的中心。intra_average、intra_max、inter_average、inter_min四个函数分别表示类内平均标准差、类内最大标准差、类间平均标准差和类间最小标准差，和/>分别代表“类间-类内平均标准差的指标”和“类间-类内边缘标准差的指标”。根据“类间-类内边缘标准差的指标”比“类间-类内平均标准差的指标”更能体现聚类特征的要求，并借鉴黄金分割的思想来定义θc。
在聚类算法中，通过对待分类的样本与中心间的相似度的不同进行分类，得到不同的聚类结果。聚类中选用欧式距离与余弦相似度来判断各个类的相似度。欧氏距离是用在需要从维度的数值大小中体现差异的分析，余弦相似度是利用两个向量之间的夹角的余弦值来衡量两个向量之间的余弦相似度。一个在值上衡量两个样本的相似程度，一个在形相上衡量两个样本的相似度，都不能全面的反映样本间的相似程度。本发明方法根据历史数据的数值与走势，结合欧氏距离和余弦相似度，借用“黄金分割”的规则提出一种改进的相似度距离统计量评估函数为：
Lxy＝plxy+qlcosxy (5)
其中，样本x和样本y的相似度为Lxy，Lxy越接近0就越相似；xij和yij分别为样本x,y在第i时刻第j特征因素的数值；εj表示样本中的第j个特征因素的权值，根据关联度分析计算所得，本发明取温度、湿度、光照、CO2、风速、压强、硫化氢的特征因素的εj值分别为0.624、0.353、0.172、0.187、0.036、0.0473、0.013。p和q分别为欧式距离lxy和夹角余弦lcosxy权重系数，p+q＝1，本发明方法借用“黄金分割”的规则取p＝0.618,q＝0.392。
在原始样本聚类成n簇后，需要将待预测的新样本识别其所属簇。由聚类得各个簇的中心公式为：
w为第i类的样本数。将前47个时间点监测到的数据作为预测日样本，根据相似度统计量Lxy的公式算出预测日样本同各个聚类中心的相似度，选取相似度最大的簇为预测日样本的所属簇。
所述步骤S3具体为：
如图4所示，本发明采用四层的Elman神经网络结构：输入层、隐藏层、上下文层和输出层。输入层单元仅在信号传输中起作用，输出层单元起线性加权的作用。隐藏层单元的传递函数可以是线性或非线性函数。上下文层用于反馈前一个时间步骤中的隐藏层的输出，作为延迟算子，用于记忆输出隐藏层单元的上一瞬间的值并将其返回到网络的输入，它的特点是隐藏层的输出被上下文层延迟或存储，并自动链接到隐藏层的输入。内部反馈网络的添加增强了网络处理动态信息的能力，因此达到动态建模的目的。每层中包含的神经元用于将信息从一层传到另一层。上下文层中隐藏状态神经元激活的变化动态公式为如下所示的Si(t)。
上式中，Sk(t)和Ij(t)分别表示t时刻的上下文层和输入神经元的输出；Vik和Wij表示他们对应的权重；g(·)是sigmoid传递函数。
隐藏层和输出层函数选择对网络预测精度有较大的影响，本发明的隐藏层节点转移函数为tansig、输出层节点转移函数为purelin。隐藏层和上下文单元之间的这些连接以权重1固定。采用反向传播学习算法将输入层的信息通过标准的前馈网络进行传播。网络共有5个输入神经元，分别为温度、湿度、光照、CO2和NH3，11个上下文神经元、11个隐藏神经元(选择二倍加一时的逼近效果最好)和1个输出神经元，即NH3浓度的预测值。为了避免神经元饱和，本发明将输入层的输入数据归一化，并将每个值转换为0到1之间。将训练样本作为输入样本，通过Elman神经网络得到预测结果，用测试样本测试网络的预测性能，对其进行验证。在Matlab R2016b环境下，通过神经网络工具箱学习训练，最大学习次数为2000，学习精度为10-4，最佳训练误差为0.020，建立神经网络预测模型，最后对在输出层获得的预测数据进行残差修正和反归一化操作得到预测结果。
本发明的有益效果：
1.在预测前通过采用ISODATA聚类方法将历史日样本划分为若干类，分类识别出与预测日相似度最高的一类历史日样本集，避免引入不良数据样本、预测精度低等问题，并对相似日统计量——相似度进行改进，解决传统方法的局限性。
2.可达到连续预测的效果。在动态猪舍环境下，对标准化猪舍内实现平稳化通风和环境参数智能化控制等方面提供有效的的预测模型。
附图说明
图1是猪舍环境远程监控系统图
图2是ISODATA_Elman神经网络的组合预测流程图
图3是氨气浓度与关键因子温度、湿度、CO2浓度和光照强度的时间序列图
图4是Elman神经网络拓扑结构图
图5是氨气浓度实际值、本发明预测值和未经过相似日聚类的预测值比较图
图6是在异常环境下氨气浓度实测值、本发明预测值和未经过相似日聚类的预测值比较图
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的实施例数据来源于如图1所示的江苏大学刘星桥课题组研制的猪舍环境远程监控系统。此系统主要由现场监控设备(物联网中的感知层)、信息传输部分(物联网中的传输层)和远程监控软件(物联网中的应用层)组成。本发明方法也适用于对其他物联网系统采集到的数据进行研究，具有一定的可参考性与先验性。此系统每隔30min对猪舍内的温度、湿度、光照、氨气、风速、CO2、硫化氢等环境数据进行一次采集。选取从2017年4月1日至6月30日、2018年4月1日至6月30日共的240天68956个数据作为研究的数据源。由于每天获取到的数据具有日周期性变化的特征，所以将每日得到的一个数据集作为一个样本，一共240个样本。试验选取的训练样本和预测样本为7:3，经过数据预处理作为输入样本验证系统的性能。
图2是ISODATA_Elman神经网络的组合预测流程图，首先对数据进行预处理，运用“极差化”方法对初始数据做无量纲化处理，使其归一映射到[0,1]区间。然后通过公式(1)公式(2)所述的灰色关联度分析计算环境因子的关联系数，确定最佳的影响因子。图3选出的是与氨气关联度最大的温度、湿度、光照和二氧化碳一起作为预测的输入因子。
通过公式(3)将历史日样本划分为若干类，通过公式(5)～(7)计算待分类的样本与中心间的相似度，按照不同相似度进行分类，得到不同的聚类结果。在原始样本聚类成n个簇后，通过公式(8)将待预测样本识别其所属簇，分类识别出与预测日相似度最高的一类历史日样本集为预测日样本所属簇。
选用轮廓系数评价聚类效果好坏。设ISODATA聚类已将待分类数据分成K个簇，对于簇中的每个向量，分别计算它们的轮廓系数，其公式为：
其中a(i)＝average(i向量到它所属簇的其他点的距离)，b(i)＝average(i向量到它所属簇的点的距离)。可得轮廓系数的值是介于[-1,1]之间，然后对各个聚类点的轮廓系数求平均，得到如下公式所示该聚类结果总的轮廓系数，选择轮廓系数最接近于1的簇目数。
为进一步检测Elman神经网络性能，本发明预测结果由平均绝对百分误差(MAPE)和均方根误差(RMSE)进行评估。其公式如下：
式中MAPE为平均绝对百分误差，RMSE为均方根误差，Yt和ft分别为真实观测值和预测值；T为预测时间点的个数。
表2-两种预测氨气浓度方法结果评价
为验证本方法是否具有优越性，选取经过本发明的相似日聚类的ISODATA_Elman神经网络组合预测方法(简称方法1)，同时选取不经过相似日聚类、所有样本集直接进行预测的Elman神经网络预测方法(简称方法2)，与实际观测值进行比较，数据选取2017年5月14日和5月20日为验证日。5月14日这天猪舍内温湿度正常，风机湿帘等设备正常运作。图5可以看出，从全局角度出发，方法1的预测曲线比方法2更贴近真实曲线，说明通过相似日聚类后的效果更好。进一步的，从表2可知，方法1的均方根误差与平均绝对百分误差比方法2的低，说明通过相似日聚类后的预测精度更高，同时5月20日14时-18时，猪舍内有一台风机和一台湿帘的不工作使得温湿度出现异常。从图6可看出，方法1能够准确感知到猪舍环境参数发生变化，快速获取最新训练样本，降低预测的误差，与实际值接近。方法2预测曲线存在明显波动，与实际值误差大，效果不佳。从表2可知的方法1的均方根误差与平均绝对百分误差比方法2的低，可知方法1能够更为出色的应对突发情况。总体而言，本发明的ISODATA_Elman组合预测方法的预测精度在异常环境下更优于传统Elman模型，有着更强的泛化能力和更好的鲁棒性。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，其特征在于，包括：
步骤S1：采用灰色关联度筛选猪舍内影响氨气浓度的关键因子，降低输入维度；
步骤S2：采用ISODATA聚类方法把历史日样本分成若干类，分类识别出与预测日相似度最高的一类历史日样本集；
所述步骤S2的具体过程包括：
S2.1选定初始值，从输入数据点开始随机选择一个聚类中心k，将温度、湿度、氨气、CO2、硫化氢环境参数样本X按指标分配到各个簇类中心中去，进行各环境因子关联度的聚类中心值选取，通过环境样本中心自迭代，得到环境因子样本数据空间的最佳聚类数s；
S2.2计算当前和每个簇中心之间的标准差和相似度距离；
S2.3将前一次获得的聚类集进行分裂和合并处理，当某一类的标准差大于用户定义的阈值，将其分裂成两类；当距离小于用户定义的阈值，则合成一类，获得新的聚类中心；
S2.4重复步骤2.1-2.3，迭代运算，计算各项指标，判断聚类结果是否满足群集要求；经过多次迭代后，结果收敛，则操作结束，根据相似度统计量公式算出预测日样本同各个聚类中心的相似度，选取相似度最大的簇为预测日样本的所属簇；
步骤S3：将相似度最大的那一类样本与预测日的实测环境因素作为预测模型的输入样本，建立Elman神经网络获得最终氨气的预测值；
所述步骤S3的Elman神经网络的设计包括如下：
采用四层Elman神经网络结构：输入层、隐藏层、上下文层和输出层；输入层单元仅在信号传输中起作用，输出层单元起线性加权的作用；隐藏层单元的传递函数是线性或非线性函数；上下文层用于反馈前一个时间步骤中的隐藏层的输出，作为延迟算子，用于记忆输出隐藏层单元的上一瞬间的值并将其返回到网络的输入；每层中包含的神经元用于将信息从一层传到另一层，上下文层中隐藏状态神经元激活的变化动态如公式(8)：
式中，Sk(t)和Ij(t)分别表示上下文层和输入神经元的输出；Vik和Wij表示他们对应的权重；g(·)是sigmoid传递函数；
隐藏层节点转移函数为tansig、输出层节点转移函数为purelin；隐藏层和上下文单元之间的这些连接以权重1固定，采用反向传播学习算法将输入层的信息通过标准的前馈网络进行传播；
网络共有5个输入神经元，分别为温度、湿度、光照、CO2和NH3，11个上下文神经元、11个隐藏神经元和1个输出神经元，即NH3浓度的预测值；其中输入层的输入数据进行归一化处理，将每个值转换为0到1之间。
2.根据权利要求1所述的一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，其特征在于，所述S1的具体过程包括：
设对于氨气浓度数列x0有若干个比较数列x1,x2,…,xn，各比较数列与氨气数列在各个时刻的关联系数ζ由公式(1)计算出：
其中，minimink|x0(k)-xi(k)|是第二级最小差，maximaxk|x0(k)-xi(k)|是两级最大差，l为分辨系数，范围为0到1，取0.5；
将氨气数列与其他比较数列计算得到的关联系数求平均值，得到如公式(2)所示的关联度：
通过灰色关联度法计算猪舍内氨气浓度与比较数列之间的关联度，并将各关联度按从大到小进行排序，经过与关联系数平均值进行比较，筛选得到与氨气关联度大的关键因子，降低输入维度。
3.根据权利要求2所述的一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，其特征在于，所述比较数列x1,x2,…,xn包括温度、湿度、光照、CO2、压强、硫化氢数值组成的数列。
4.根据权利要求2所述的一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，其特征在于，所述得到与氨气关联度大的关键因子为温度、湿度、光照和CO2四个参数。
5.根据权利要求1所述的一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，其特征在于，所述S2.1中样本X＝{x1,x2,...,xi}，xi为第i天的样本，设t为监测时刻，每个样本中包含着一天t个时间段收集的监测数据，每个样本具备m个特征指标，每个样本的数据矩阵为：
6.根据权利要求1所述的一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法，其特征在于，所述S2.2中标准差和相似度距离的计算方法如下：
所述标准差计算公式为：
其中，
intra_max(k)＝maxi(maxj‖xi-zi‖),j＝1,2,…,Ni；
inter_min(k)＝min(‖zi-zp‖),i＝1,2,…,k-1,p＝i+1,…,k；K是簇数目，N为数据的总数目，xi是每天的样本数，sj是总样本的数量，Ni是第i个簇中元素的总数，zi是第i个簇的中心,pi表示第i+1个样本的数量；
相似度距离为：
Lxy＝plxy+qlcosxy (5)
其中，t表示一天中监测的t个时间段，样本x和样本y的相似度为Lxy，Lxy越接近0就越相似；xij和yij分别为样本x,y在第i时刻第j特征因素的权值；εj表示样本中的第j个特征因素的权值，p和q分别为欧式距离lxy和夹角余弦lcosxy权重系数，p+q＝1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010846983.6A CN112149870B (zh) | 2020-08-21 | 2020-08-21 | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010846983.6A CN112149870B (zh) | 2020-08-21 | 2020-08-21 | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149870A CN112149870A (zh) | 2020-12-29 |
| CN112149870B true CN112149870B (zh) | 2024-03-22 |
Family
ID=73888222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010846983.6A Active CN112149870B (zh) | 2020-08-21 | 2020-08-21 | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149870B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862096A (zh) * | 2021-02-04 | 2021-05-28 | 百果园技术(新加坡)有限公司 | 一种模型训练和数据处理方法、装置、设备及介质 |
| CN115826515B (zh) * | 2022-11-04 | 2023-07-14 | 广东科云诚新材料有限公司 | 一种应用于聚酯增塑剂生产的温度控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
| CN109583566A (zh) * | 2018-11-20 | 2019-04-05 | 东北农业大学 | 一种基于经验模态分解与Elman神经网络的寒地猪舍内氨气浓度预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550744A (zh) * | 2015-12-06 | 2016-05-04 | 北京工业大学 | 一种基于迭代的神经网络聚类方法 |
-
2020
- 2020-08-21 CN CN202010846983.6A patent/CN112149870B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
| CN109583566A (zh) * | 2018-11-20 | 2019-04-05 | 东北农业大学 | 一种基于经验模态分解与Elman神经网络的寒地猪舍内氨气浓度预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于K-means聚类和ELM神经网络的养殖水质溶解氧预测;宦娟;刘星桥;;农业工程学报;20160908(17);全文 * |
| 基于模糊聚类识别及统计相关的短期负荷预测;张艳杰, 刘耀年, 祝滨, 祝洪博;电网技术;20021124(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149870A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
| CN107315884B (zh) | 一种基于线性回归的建筑能耗建模方法 | |
| CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| Hu et al. | Research and application of a hybrid model based on Meta learning strategy for wind power deterministic and probabilistic forecasting | |
| CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
| CN112149870B (zh) | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| CN110045771B (zh) | 一种鱼塘水质智能监测系统 | |
| CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
| CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
| CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
| CN114764682B (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN116070669B (zh) | 一种基于改进深度置信网络的车间能耗预测方法与管理系统 | |
| CN117078114A (zh) | 引水工程影响下受水湖泊水质评价方法和系统 | |
| CN115033893B (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
| Huan et al. | A dissolved oxygen prediction method based on k-means clustering and the elm neural network: a case study of the Changdang Lake, China | |
| CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
| CN114219051B (zh) | 图像分类方法、分类模型的训练方法、装置及电子设备 | |
| CN115049136A (zh) | 一种变压器负荷预测方法 | |
| CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
| CN115471122A (zh) | 基于元数据模型的能耗评估方法及系统 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| Yuan et al. | Prediction of fishing ground based on RBF 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |