CN112420161A - 一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质 - Google Patents

一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质 Download PDF

Info

Publication number
CN112420161A
CN112420161A CN202011174336.1A CN202011174336A CN112420161A CN 112420161 A CN112420161 A CN 112420161A CN 202011174336 A CN202011174336 A CN 202011174336A CN 112420161 A CN112420161 A CN 112420161A
Authority
CN
China
Prior art keywords
prediction
fatty acid
volatile fatty
rumen
data
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
CN202011174336.1A
Other languages
English (en)
Inventor
雷新建
姚军虎
曹阳春
靳纯嘏
王佩悦
武圣儒
张俊
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.)
Northwest A&F University
Original Assignee
Northwest A&F University
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 Northwest A&F University filed Critical Northwest A&F University
Priority to CN202011174336.1A priority Critical patent/CN112420161A/zh
Publication of CN112420161A publication Critical patent/CN112420161A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Nutrition Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质，属于营养调控预测技术领域。本发明通过对现有数据进行分析，构建瘤胃挥发性脂肪酸预测模型，进而根据日粮信息和动物信息对瘤胃发酵进行预测。本发明通过筛选获取较优的预测模型，有效揭示反刍动物营养学规律，预测反刍动物营养学试验结果。本发明在一定程度上起到了预试验的作用，不仅在试验开展前有效规避无效试验风险，还可在试验期内提供参考以及时调整饲养管理，提高研究效率，因此具有良好的实际应用之价值。

Description

一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质
技术领域
本发明属于营养调控预测技术领域，具体涉及一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
当饲料进入瘤胃时，饲料中的纤维素、半纤维素和淀粉等碳水化合物被细菌发酵消化分解为葡萄糖，经微生物连续降解，最终降解为挥发性脂肪酸(VFA)。瘤胃中产生的VFA主要为乙酸、丙酸和丁酸。它们在瘤胃中以离子化形式迅速转化为乙酸盐、丙酸盐和丁酸盐。瘤胃中产生的VFA可被瘤胃上皮吸收，达到全身循环。乙酸是主要的能量底物，在脂肪细胞中转化为甘油三酸酯，并以脂肪的形式储存，在乳腺中可转化为乳脂。
瘤胃产生的丙酸通过瘤胃壁吸收进入门静脉，并在肝脏中转化为葡萄糖，这是反刍动物葡萄糖的主要来源。葡萄糖是肌肉组织和其他组织的能量来源，乳腺可将葡萄糖转化为乳糖。
瘤胃产生的丁酸主要作用于瘤胃上皮，95％的丁酸被瘤胃上皮细胞利用，其余的(5％)进入血液，在肝脏中被转化为乙酰辅酶A、酮体和长链脂肪酸。酮体可作为反刍动物的能量来源，在脂肪细胞和乳腺中转化为甘油三酯。适当的VFA有利于瘤胃上皮细胞的发育，但过量VFA在瘤胃内积累容易引起瘤胃pH值下降，引起瘤胃酸中毒。
反刍动物营养学研究人力物力投入高、试验强度高、动物个体差异大、饲养管理措施调整滞后等问题，发明人发现，目前尚无技术可直接预测瘤胃发酵参数，因此研发可依据日粮信息和动物信息预测瘤胃发酵参数的技术，既能优化日粮结构，降低饲料成本，又可评估动物营养状况，维持动物健康，及时制定和实施管理措施。
发明内容
针对现有技术的不足，本发明提供一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质。本发明通过对现有数据进行分析，构建瘤胃挥发性脂肪酸预测模型，进而根据日粮信息和动物信息对瘤胃发酵进行预测。本发明通过筛选获取较优的预测模型，有效揭示反刍动物营养学规律，预测反刍动物营养学试验结果。本发明在一定程度上起到了预试验的作用，不仅在试验开展前有效规避无效试验风险，还可在试验期内提供参考以及时调整饲养管理，提高研究效率，因此具有良好的实际应用之价值。
为了实现上述技术目的，本发明采用下述技术方案：
本发明的第一个方面，提供一种瘤胃挥发性脂肪酸预测方法，所述方法包括：
获取待测对象瘤胃挥发性脂肪酸预测相关数据；
根据已建立的瘤胃挥发性脂肪酸预测模型基于相关数据进行预测，得到待测对象的瘤胃挥发性脂肪酸(VFA)参数的预测结果；
其中，所述瘤胃挥发性脂肪酸预测模型是通过将预先采集的瘤胃挥发性脂肪酸预测相关数据采用算法进行模型训练获得。
本发明的第二个方面，提供一种瘤胃挥发性脂肪酸预测系统，所述预测系统至少包括：
数据获取和处理模块：获取瘤胃挥发性脂肪酸预测相关数据并进行预处理得数据集；
模型构建模块：以瘤胃挥发性脂肪酸(VFA)参数为结局，基于数据集使用算法构建预测模型。
本发明的第三个方面，提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述瘤胃挥发性脂肪酸预测方法所进行的步骤。
本发明的第四个方面，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述瘤胃挥发性脂肪酸预测方法所进行的步骤。
上述一个或多个技术方案的有益技术效果：
上述方案基于日粮信息和动物信息对瘤胃发酵进行预测，通过筛选优化获取合适的预测模型，其精度达到80％以上，从而有效揭示反刍动物营养学规律，预测反刍动物营养学试验结果。
上述技术方案在一定程度上起到了预试验的作用，不仅在试验开展前有效规避无效试验风险，还可在试验期内提供参考以及时调整饲养管理，提高研究效率，具有良好的实际应用之价值。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明瘤胃挥发性脂肪酸预测方法流程图。
图2为本发明实施例4中饲粮配方、动物信息的9个指标及其对应的10个瘤胃发酵参数指标的相关性分析图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。应理解，本发明的保护范围不局限于下述特定的具体实施方式；还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方式，而不是为了限制本发明的保护范围。下列具体实施方式中如果未注明具体条件的实验方法，通常按照本领域技术内的常规方法和条件。
本发明的一个具体实施方式中，提供一种瘤胃挥发性脂肪酸预测方法，所述方法包括：
获取待测对象瘤胃挥发性脂肪酸预测相关数据；
根据已建立的瘤胃挥发性脂肪酸预测模型基于相关数据进行预测，得到待测对象的瘤胃挥发性脂肪酸(VFA)参数的预测结果；
其中，所述瘤胃挥发性脂肪酸预测模型是通过将预先采集的瘤胃挥发性脂肪酸预测相关数据采用算法进行模型训练获得。
所述待测对象为反刍动物，包括但不限于奶牛、肉牛、绵羊和山羊。
本发明又一具体实施方式中，所述瘤胃挥发性脂肪酸预测相关数据包括动物种类和日粮信息；
本发明又一具体实施方式中，所述动物为反刍动物，包括但不限于奶牛、肉牛、绵羊和山羊；
本发明又一具体实施方式中，日粮信息包括日粮组成及营养成分，包括但不限于精料占比(Concentrate,％)，粗料占比(Forage,％)，精粗比(C:F)，饲料淀粉含量(Starch,％)，饲料中性洗涤纤维含量(NDF,％)，饲料酸性洗涤纤维含量(ADF,％)，饲料粗蛋白含量(CP,％)，饲料瘤胃降解淀粉含量(RDS,％)；
本发明又一具体实施方式中，所述瘤胃挥发性脂肪酸(VFA)参数包括pH、总挥发酸含量TVFA、乙酸含量Acetate、丙酸含量Propionate、丁酸含量Butyrate、乙酸摩尔比例Acetate％、丙酸摩尔比例Propionate％、丁酸摩尔比例Butyrate％和乙酸丙酸比A：P；
本发明又一具体实施方式中，所述瘤胃挥发性脂肪酸预测模型，其具体构建方法包括：
S1、收集瘤胃挥发性脂肪酸预测相关数据得数据集；
S2、以瘤胃挥发性脂肪酸(VFA)参数为结局，基于数据集使用算法构建预测模型；优选的，所述算法包括但不限于逐步回归分析、偏最小二乘回归分析和BP神经网络；进一步优选为BP神经网络。
本发明又一具体实施方式中，所述步骤S1中，收集瘤胃挥发性脂肪酸预测相关数据并处理得数据集具体为：
从文献数据库(如中国知网、维普、万方等中的一个或多个)中检索并抓取相关文献，获得瘤胃挥发性脂肪酸预测相关数据。抓取标准包括：试验动物为奶牛、肉牛、绵羊和山羊；文献报道日粮组成及营养成分(包括精料占比(Concentrate,％)，粗料占比(Forage,％)，精粗比(C:F)，饲料淀粉含量(Starch,％)，饲料中性洗涤纤维含量(NDF,％)，饲料酸性洗涤纤维含量(ADF,％)，饲料粗蛋白含量(CP,％)，饲料瘤胃降解淀粉含量(RDS,％)等)；试验指标为瘤胃发酵参数(pH、总挥发酸含量TVFA、乙酸含量Acetate、丙酸含量Propionate、丁酸含量Butyrate、乙酸摩尔比例Acetate％、丙酸摩尔比例Propionate％、丁酸摩尔比例Butyrate％和乙酸丙酸比A:P)。
本发明又一具体实施方式中，日粮中RDS以文献报道值为准，如文献未报道该数据，则使用CPM-Dairy软件估测上述参数。
本发明又一具体实施方式中，所述数据集在建模前经标准化处理，并与日粮信息、动物信息相匹配，有利于降低预测建模的工作量，提升系统的运算效率。
所述步骤S2中，
若算法为逐步回归分析或偏最小二乘回归分析，则判定建模成功的方法为：决定系数大于0.6(即R2>0.6)，各项预测指标精确度大于80％；
若算法为BP神经网络，则由于机器学习技术的特殊性，不能使用决定系数作为模型的判定指标，因此为了使预测方法尽可能适用于实际情况，规定各项预测指标精确度大于80％即可判定建模成功。
本发明又一具体实施方式中，所述预测方法中还包括对构建获得预测模型进行评估，所述评估方法包括使用数据集中未进行模型构建的数据用作为测试子集以评估上述预测模型的性能，计算实际值与相应预测之间的绝对误差、相对误差及预测精度等。
本发明又一具体实施方式中，提供一种瘤胃挥发性脂肪酸预测系统，所述预测系统至少包括：
数据获取和处理模块：获取瘤胃挥发性脂肪酸预测相关数据并进行预处理得数据集；
模型构建模块：以瘤胃挥发性脂肪酸(VFA)参数为结局，基于上述数据集使用算法构建预测模型；
瘤胃挥发性脂肪酸预测模块：将待测对象瘤胃挥发性脂肪酸预测相关数据导入上述预测模型中获得瘤胃挥发性脂肪酸预测结果。
进一步的，所述预测系统还包括模型评估模块：所述评估模块包括使用数据集中未进行模型构建的数据用作为测试子集以评估上述预测模型的性能，计算实际值与相应预测之间的绝对误差、相对误差及预测精度等。
本发明又一具体实施方式中，提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述瘤胃挥发性脂肪酸预测方法所进行的步骤。
本发明又一具体实施方式中，提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述瘤胃挥发性脂肪酸预测方法所进行的步骤。
为了使得本领域技术人员能够更加清楚地了解本发明的技术方案，以下将结合具体的实施例详细说明本发明的技术方案。
实施例1
文献检索与数据筛选
文献检索采用中国知网等数据库筛选近10年相关文献数据。采纳标准为：试验动物为奶牛、肉牛、绵羊和山羊；文献报道日粮组成及营养成分(添加剂、RDS、peNDF等)；试验指标为瘤胃发酵参数(pH、TVFA含量、VFA摩尔比例、乙酸丙酸比)。日粮中RDS以文献报道值为准，如文章未报道该数据，则使用CPM-Dairy软件估测这些参数。总计获得55篇文章78组有效数据。
实施例2
逐步回归分析建模
利用逐步回归分析对饲粮配方、动物信息的9个指标及其对应的10个瘤胃发酵参数指标进行逐步回归运算，分别得到10个瘤胃发酵参数指标相关的方程及决定系数(表1)，其中R2 max＝0.50，不满足建模要求。
表1逐步回归模型自变量系数及决定系数
Figure BDA0002748274110000081
实施例3
偏最小二乘回归分析建模
利用偏最小二乘回归分析对饲粮配方、动物信息的9个指标及其对应的10个瘤胃发酵参数指标进行回归运算，分别得到10个瘤胃发酵参数指标相关的方程及决定系数(表2)，其中R2 max＝0.54，不满足建模要求。
表2偏最小二乘回归模型自变量系数及决定系数
Figure BDA0002748274110000082
Figure BDA0002748274110000091
实施例4
BP神经网络建模
(1)数据标准化
数据处理参考前人研究，并随机分为训练和测试数据集(前者用于训练，后者用于验证)。建模前数据集都以相同的方式预处理，其中80％的数据用于估算回归模型参数和进行机器学习训练，剩余20％的数据用于模型测试和校正。每个预测指标单独建模，并规定预测变量为动物种类，日粮信息；响应变量为瘤胃发酵参数。
将数据集标准化有利于降低预测建模的工作量，提升系统的运算效率。数据标准化方法如下：
a.将获取的数据利用SPSS 20.0进行泊松相关性分析，获取预测指标与动物种类、日粮信息的相关性系数(如图2所示)。选取相关显著(P<0.05)的指标纳入训练集或作为输入神经元。
b.获取训练集数据矩阵(P_train和T_train)和测试集数据矩阵(P_test和T_test)，分别进行转置，得到标准化前的数据矩阵。
c.利用Matlab的mapminmax命令将矩阵标准化到0到1之间(即归一化)，公式如下：
y＝(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin
当y∈[0,1]时，ymax＝1，ymin＝0。此时公式简化为
y＝(x-xmin)/(xmax-xmin)
x：原始数据。
y：对原始数据进行归一化后得到的数据。
(2)预测模型的构建
a.使用Matlab的newff函数将机器学习技术应用于标准化后的数据集以预测瘤胃发酵参数。为了使预测方法尽可能适用于实际情况，利用BP神经网络构建预测模型。newff函数如下：
net＝newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)
TF：相关层的传递函数，默认隐含层使用tansig函数，输出层使用purelin函数。
BTF：BP神经网络学习训练函数，默认为trainlm函数。
BLF：权重学习函数，默认为learngdm。
PF：性能函数，默认为mse。
b.模型的输入层由对应于以下变量的节点组成：日粮配方、动物种类。输出层(代表所预测的变量)由与以下参数相关的节点组成：瘤胃发酵参数。
c.根据实验数据的特性，输入层和输出层传输函数为purelin(线性传递函数)，隐含层传输函数为logsig(对数S型传递函数)。调整隐含层神经元数来获得较低的误差，训练方法采用Levenberg-Marquardt迭代算法。
Levenberg-Marquardt算法：xk+1＝xk-[JTJ+μl]-1JTe
其中J是Jacobian矩阵，e是网络误差，H＝JTe是Hessian矩阵。当μ＝0时等价于Newton算法。
d.为了获得较好的逼近效果，隐含层神经元输出应具有较强的代表能力。常用公式l＝(m+n)0.5+a计算隐含层节点数，但更应考虑实际的训练效果。在式中，l为隐含层节点数，m为输入层节点数，n为输出层节点数，a为1到10之间的常数。
e.模型参数设定：最大训练次数50000，网络学习速率0.05，目标误差0.001。
利用BP神经网络对饲粮配方、动物信息的9个指标及其对应的10个瘤胃发酵参数指标进行建模，分别得到10个瘤胃发酵参数指标相关的模型(见表3)。
表3 BP神经网络建模结果
Figure BDA0002748274110000111
实施例5
模型效果评价
使用剩余20％的数据用作测试集(P_test和T_test)以评估模型的性能。计算实际值与相应预测值之间的平均绝对误差(MAD)、平均相对误差(MAPE)、均方误差(MSE)、均方根误差(RMSE)和预测精度。公式如下：
Figure BDA0002748274110000112
Figure BDA0002748274110000121
Figure BDA0002748274110000122
Figure BDA0002748274110000123
预测精度Accuracy＝1-MAPE
(1)实施例2、3所获得模型评估结果如下：
如表4所示，利用逐步回归分析对饲粮配方、动物信息的9个指标及其对应的10个瘤胃发酵参数指标进行逐步回归运算，分别得到10个瘤胃发酵参数指标相关的方程。其中pH、Acetate、Acetate％、Propionate％、Butyrate％预测精确度大于80％，但其决定系数R2均小于0.6，不满足建模要求，故模型建立不成功。
表4逐步回归分析模型效果评价
Figure BDA0002748274110000124
如表5所示，利用偏最小二乘回归分析对饲粮配方、动物信息的9个指标及其对应的10个瘤胃发酵参数指标进行偏最小二乘回归运算，分别得到10个瘤胃发酵参数指标相关的方程。其中pH、TVFA、Acetate、Acetate％、Propionate％、Butyrate％预测精确度大于80％，但其决定系数R2均小于0.6，不满足建模要求，故模型建立不成功。
表5偏最小二乘回归分析模型效果评价
Figure BDA0002748274110000131
(2)在评估实施例4所获得模型时：
a.在测试阶段，先对测试集进行标准化，标准化方法如前所述。
b.利用训练有素的模型来预测瘤胃发酵参数。使用Matlab的sim函数获取预测值，函数算法如下：
SimOut＝sim(‘MODEL’,PARAMETERS)
c.计算实际值与相应预测值之间的平均绝对误差(MAD)、平均相对误差(MAPE)、均方误差(MSE)、均方根误差(RMSE)和预测精度。
如表6所示，pH、TVFA、Acetate、Acetate％、Propionate％、Butyrate％预测精确度大于80％，满足相应建模要求，故利用BP神经网络预测pH、TVFA、Acetate、Acetate％、Propionate％、Butyrate％的模型建立成功。
表6瘤胃发酵参数预测模型测试
Figure BDA0002748274110000132
Figure BDA0002748274110000141
实施例6
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1方法中的各个操作，为了简洁，在此不再赘述。
所述电子设备可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(Smart Phone，如Android手机、IOS手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
应理解，在本发明中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)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。
应注意的是，以上实例仅用于说明本发明的技术方案而非对其进行限制。尽管参照所给出的实例对本发明进行了详细说明，但是本领域的普通技术人员可根据需要对本发明的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。

Claims (10)

1.一种瘤胃挥发性脂肪酸预测方法，其特征在于，所述方法包括：
获取待测对象瘤胃挥发性脂肪酸预测相关数据；
根据已建立的瘤胃挥发性脂肪酸预测模型基于相关数据进行预测，得到待测对象的瘤胃挥发性脂肪酸参数的预测结果；
其中，所述瘤胃挥发性脂肪酸预测模型是通过将预先采集的瘤胃挥发性脂肪酸预测相关数据采用算法进行模型训练获得。
2.如权利要求1所述的瘤胃挥发性脂肪酸预测方法，其特征在于，所述瘤胃挥发性脂肪酸预测相关数据包括动物种类和日粮信息；
优选的，所述动物为反刍动物，包括奶牛、肉牛、绵羊和山羊；
优选的，日粮信息包括日粮组成及营养成分，包括精料占比、粗料占比、精粗比、饲料淀粉含量、饲料中性洗涤纤维含量、饲料酸性洗涤纤维含量、饲料粗蛋白含量和饲料瘤胃降解淀粉含量。
3.如权利要求1所述的瘤胃挥发性脂肪酸预测方法，其特征在于，所述瘤胃挥发性脂肪酸参数包括pH、总挥发酸含量、乙酸含量、丙酸含量、丁酸含量、乙酸摩尔比例、丙酸摩尔比例、丁酸摩尔比例和乙酸丙酸比。
4.如权利要求1所述的瘤胃挥发性脂肪酸预测方法，其特征在于，所述瘤胃挥发性脂肪酸预测模型，其具体构建方法包括：
S1、收集瘤胃挥发性脂肪酸预测相关数据得数据集；
S2、以瘤胃挥发性脂肪酸参数为结局，基于数据集使用算法构建预测模型；优选的，所述算法包括逐步回归分析、偏最小二乘回归分析和BP神经网络；进一步优选为BP神经网络。
5.如权利要求4所述的瘤胃挥发性脂肪酸预测方法，其特征在于，所述步骤S1中，收集瘤胃挥发性脂肪酸预测相关数据并处理得数据集具体为：
从文献数据库中检索并抓取相关文献，获得瘤胃挥发性脂肪酸预测相关数据；
优选的，抓取标准包括：试验动物为奶牛、肉牛、绵羊和山羊；文献报道日粮组成及营养成分，包括精料占比、粗料占比、精粗比、饲料淀粉含量、饲料中性洗涤纤维含量、饲料酸性洗涤纤维含量、饲料粗蛋白含量和饲料瘤胃降解淀粉含量；试验指标为瘤胃发酵参数，包括pH、总挥发酸含量、乙酸含量、丙酸含量、丁酸含量、乙酸摩尔比例、丙酸摩尔比例、丁酸摩尔比例和乙酸丙酸比；
优选的，所述数据集在建模前经标准化处理。
6.如权利要求4所述的瘤胃挥发性脂肪酸预测方法，其特征在于，所述步骤S2中，
若算法为逐步回归分析或偏最小二乘回归分析，则判定建模成功的方法为：决定系数大于0.6，各项预测指标精确度大于80％；
若算法为BP神经网络，则判定建模成功的方法为：各项预测指标精确度大于80％。
7.如权利要求1所述的瘤胃挥发性脂肪酸预测方法，其特征在于，所述预测方法中还包括对构建获得预测模型进行评估；优选的，所述评估方法包括使用数据集中未进行模型构建的数据用作为测试子集以评估所述预测模型的性能，计算实际值与相应预测之间的绝对误差、相对误差及预测精度。
8.一种瘤胃挥发性脂肪酸预测系统，其特征在于，所述预测系统至少包括：
数据获取和处理模块：获取瘤胃挥发性脂肪酸预测相关数据并进行预处理得数据集；
模型构建模块：以瘤胃挥发性脂肪酸参数为结局，基于上述数据集使用算法构建预测模型；
瘤胃挥发性脂肪酸预测模块：将待测对象瘤胃挥发性脂肪酸预测相关数据导入上述预测模型中获得瘤胃挥发性脂肪酸预测结果；
优选的，所述预测系统还包括模型评估模块：所述评估模块包括使用数据集中未进行模型构建的数据用作为测试子集以评估所述预测模型的性能，计算实际值与相应预测之间的绝对误差、相对误差及预测精度。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述瘤胃挥发性脂肪酸预测方法所进行的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述瘤胃挥发性脂肪酸预测方法所进行的步骤。
CN202011174336.1A 2020-10-28 2020-10-28 一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质 Pending CN112420161A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011174336.1A CN112420161A (zh) 2020-10-28 2020-10-28 一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011174336.1A CN112420161A (zh) 2020-10-28 2020-10-28 一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN112420161A true CN112420161A (zh) 2021-02-26

Family

ID=74841513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011174336.1A Pending CN112420161A (zh) 2020-10-28 2020-10-28 一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN112420161A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2728307A1 (fr) * 2008-06-25 2009-12-30 Valorex Procede d'evaluation de la quantite de methane produite par un ruminant laitier et procede pour diminuer et controler cette quantite
CN103270412A (zh) * 2010-10-21 2013-08-28 瓦洛雷克斯公司 由产奶反刍动物产生的甲烷量的评估方法
US20160353710A1 (en) * 2014-02-14 2016-12-08 Gea Farm Technologies Gmbh Method and apparatus for monitoring nutrition, especially fermentation in a rumen of a ruminant
CN109273058A (zh) * 2018-09-20 2019-01-25 中轻国环（北京）环保科技有限公司 一种用于厌氧过程挥发性脂肪酸超标预警的复合算法
US10726359B1 (en) * 2019-08-06 2020-07-28 Clarify Health Solutions, Inc. Computer network architecture with machine learning and artificial intelligence and automated scalable regularization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2728307A1 (fr) * 2008-06-25 2009-12-30 Valorex Procede d'evaluation de la quantite de methane produite par un ruminant laitier et procede pour diminuer et controler cette quantite
US20110081442A1 (en) * 2008-06-25 2011-04-07 Valorisation Par Extrusion Method to evaluate the quantity of methane produced by a dairy ruminant and method to reduce and control this quantity
CN103270412A (zh) * 2010-10-21 2013-08-28 瓦洛雷克斯公司 由产奶反刍动物产生的甲烷量的评估方法
US20160353710A1 (en) * 2014-02-14 2016-12-08 Gea Farm Technologies Gmbh Method and apparatus for monitoring nutrition, especially fermentation in a rumen of a ruminant
CN109273058A (zh) * 2018-09-20 2019-01-25 中轻国环（北京）环保科技有限公司 一种用于厌氧过程挥发性脂肪酸超标预警的复合算法
US10726359B1 (en) * 2019-08-06 2020-07-28 Clarify Health Solutions, Inc. Computer network architecture with machine learning and artificial intelligence and automated scalable regularization

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
毛宏祥等: "化学计量学模型预测中国泌乳奶牛瘤胃 挥发性脂肪酸组成的精度分析", 动物营养学报, pages 1748 - 1759 *
董瑞兰: "基于人工神经网络的人工瘤胃发酵甲烷与挥发性脂肪酸产量预测模型研究", 中国博士学位论文全文数据库(信息科技辑), pages 140 - 50 *

Similar Documents

Publication Publication Date Title
Zhang et al. Real-time sow behavior detection based on deep learning
Amraei et al. Broiler weight estimation based on machine vision and artificial neural network
CN107229947B (zh) 一种基于动物识别的金融保险方法及系统
CN110660484A (zh) 骨龄预测方法、装置、介质及电子设备
CN107945182A (zh) 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法
Martin et al. Comparison of methods to predict feed intake and residual feed intake using behavioral and metabolite data in addition to classical performance variables
CN114627467B (zh) 基于改进神经网络的水稻生育期识别方法及系统
CN110956310A (zh) 基于特征选取和支持向量的鱼饲料投量预测方法及系统
CN113421228A (zh) 一种基于参数迁移的甲状腺结节识别模型训练方法及系统
Majewski et al. Multipurpose monitoring system for edible insect breeding based on machine learning
Revilla et al. Quantifying growth perturbations over the fattening period in swine via mathematical modelling
Ho et al. Predicting the likelihood of conception to first insemination of dairy cows using milk mid-infrared spectroscopy
Prasad et al. Multi-level classification of emphysema in HRCT lung images
CN107392119A (zh) 一种基于Spark Streaming的奶牛场监控视频实时过滤方法与系统
Lee et al. Prediction of average daily gain of swine based on machine learning
CN112420161A (zh) 一种瘤胃挥发性脂肪酸预测方法、系统、设备及介质
CN113011514A (zh) 基于双线性池化应用于ct影像的颅内出血亚类型分类算法
CN110598938B (zh) 一种奶牛产奶量的预测系统
CN115719333A (zh) 基于神经网络的影像质控评价方法、装置、设备、介质
Radun et al. Implementing artificial inteligence as a part of precision dairy farming for enabling sustainable dairy farming
CN115311491A (zh) 一种基于课程学习及空间注意力的骨折假阳性筛除方法
Usman et al. Comparative study of artificial neural network algorithms performance for prediction of FL305DMY in crossbred cattle
CN111985968A (zh) 一种畜牧业评估方法及系统
Van der Waaij et al. Cow feed intake prediction with machine learning
Choi et al. Classification of Livestock Diseases Using GLCM and Artificial Neural Networks

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