CN112613688B - 一种基于pso-bp神经网络的tmr日粮瘤胃发酵甲烷产量的预测方法 - Google Patents
一种基于pso-bp神经网络的tmr日粮瘤胃发酵甲烷产量的预测方法 Download PDFInfo
- Publication number
- CN112613688B CN112613688B CN202110033003.5A CN202110033003A CN112613688B CN 112613688 B CN112613688 B CN 112613688B CN 202110033003 A CN202110033003 A CN 202110033003A CN 112613688 B CN112613688 B CN 112613688B
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- data
- particle
- pso
- 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
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Processing Of Solid Wastes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PSO‑BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法,属于甲烷产量的预测领域。构建PSO‑BP神经网络,对输入样本的数据进行归一化处理;建立数据集;根据所述数据集对BP神经网络进行初始化,得到权值和阈值;种群经过初始化后,得到粒子群适应度值;确定个体极值和群体极值;更新粒子速度位置,判断迭代数是否达到初始化设置的结束条件,若达到结束条件,获得最优权值阈值,计算更新权值阈值,判断迭代数是否达到初始化设置的结束条件,若满足则开始仿真,得到预测结果;本发明用以解决目前已有的瘤胃发酵产甲烷预测系统出现了许多数据预处理不理想,导致预测误差较大的问题。
Description
技术领域
本发明属于甲烷产量的预测领域,具体涉及一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法。
背景技术
本世纪以来,由于温室气体排放造成的全球性气候变暖现象一直备受关注。甲烷(CH4)是半衰期较长的一种温室气体,其增温潜势力是CO2的25-30倍,对全球变暖的影响作用在近100多年里占到所有影响气候变暖作用的15%-20%,而畜牧业则是导致大气中甲烷累积的主要贡献者。全球每年CH4的排放量达到5.35×108t,其中反刍动物的CH4年平均排放量占已知散发到大气中CH4排放总量的15%。其中牛类(除水牛外)的甲烷排放量约占反刍动物排放总量的75%。高产奶牛每年均产甲烷128千克,其他牛均产甲烷53千克。就动物营养学而言,根据动物饲养水平、饲粮结构组成和营养物质消化率的不同,反刍动物以CH4形式损失的能量占饲料总能的2%-15%。反刍动物肠道发酵CH4排放的建模和准确预测是寻找减缓CH4排放策略和提高畜牧生产效率、减少能量不必要损耗的基础,因此其在反刍动物营养领域变得越来越重要。
在过去的几十年里,有很多学者建立了预测反刍动物CH4产量的模型,包括线性回归模型(Holter and Young,1992;Moe and Tyrrell,1979),非线性回归模型(Blaxter andClapperton,1965;Mills,2003)和动态机械模型(Dijkstra et al.,1992)等。这些模型成功的模拟了一些反刍动物的CH4产量,然而有一些模型存在预测精度不高的问题,部分原因可能是:1)在假设模型的基础上进行的回归,具有一定的局限性;2)回归方程对样本数据的自带噪声处理能力较差;3)近似计算产生的误差较大时影响回归模型的精度。
瘤胃发酵产甲烷是一个复杂的过程,主要受饲料成分的影响。国内外已经已有不少学者从各方面讨论了与瘤胃消化及产气相关的因素。
发明内容
本发明的目的是为了为了一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法,以克服现有的瘤胃发酵产甲烷结果精度不达标和误差大的问题,本发明提供一种基于PSO-BP神经网络的TMR(全混合)日粮瘤胃发酵甲烷产量的预测方法,所述预测方法具体步骤如下:
(1)构建PSO-BP神经网络,对输入的待检测的TMR日粮瘤胃发酵的甲烷产量的样本的数据进行归一化处理;
(2)建立数据集:包括输入数据和输出数据,所述输入数据为TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量,所述输出数据为甲烷产量或总产气量;
(3)根据所述数据集对BP神经网络进行初始化,确定网络拓扑结构,得到初始权值和阈值;
(4)种群经过初始化后,种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值;
(5)根据所述粒子群适应度值确定个体极值和群体极值;
(6)利用公式,处理所述个体极值和群体极值,更新粒子速度位置,其中,Vid为粒子的迭代速度;Xid为粒子的迭代位置;c1和c2为学习因子,c1=c2,取值范围为(1,3);r1和r2为随机函数,取值区间为(0,1);Vid(t)和Xid(t)为粒子第t次迭代的速度和位置;Pbest为个体极值,Gbest为群体极值;
(7)判断迭代数是否达到初始化设置的结束条件,若达到结束条件,获得最优权值阈值,否则继续执行步骤(4),直至迭代结束;
(8)将得到的最优权值阈值输入BP神经网络,作为BP神经网络的初始权值阈值。采用交叉熵损失函数,计算并更新权值阈值。
(9)判断迭代数或损失值是否达到预设的结束条件,若满足则得到仿真预测结果,将仿真预测结果进行反归一化处理;若不满足继续执行步骤(8)直至迭代结束。
进一步地限定,步骤(1)中所述PSO-BP神经网络的训练次数为3000次,输入层至隐含层、隐含层至输出层传递函数均为单级Sigmoid函数。
进一步地限定,步骤(1)所述的归一化处理,计算公式为i=1,2,3,4,5,6,Ti为训练样本数据的第i个输入,T′i为进行归一化计算后的数据,T′i∈[a,b],Timax为Ti中的最大值,Timin为Ti中的最小值,a是T′i的最小值,b是T′i的最大值。
进一步地限定,所述TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量与CH4产量之间的目标函数关系式为Y=F(X)=f(V·f(W·X+θ1)+θ2),f()为传递函数;X为输入向量,Y为输出向量,F(X)为输入值与输出值之间的关系,W为输入层到隐藏层的权值矩阵,θ1为隐藏层的阈值,V为隐藏层到输出层的权值矩阵,θ2为输出层的阈值。
进一步地限定,步骤(4)所述种群初始化具体为设置粒子的初始位置为X0,初始速度为V0,粒子数为N,最大迭代数为m,学习因子分别为c1和c2,c1=c2。
进一步地限定,步骤(5)的步骤为算出全部粒子当前适应值fi,如果fi<Pbest,则Pbest就是个体最优,如果Xi=Pbest,fi为个体最优;如果fi<Gbest,Gbest就是全局最优解;Xi=Gbest,fi为最优解,其中Xi是粒子的当前位置。
进一步地限定,步骤(9)所述对仿真预测结果进行反归一化处理,公式为i=1,2,3,4,5,6,其中,Ti为训练样本数据的第i个输入,T′i为进行归一化计算后的数据,T′i∈[a,b],Timax为Ti中的最大值,Timin为Ti中的最小值,a是T′i的最小值,b是T′i的最大值。
有益效果:现有的瘤胃发酵产甲烷结果精度不达标和误差大,通过BP神经网络对瘤胃发酵产甲烷进行预测,能够对历史数据进行训练,并通过对现有的数据进行分析从而得到预测的结果,粒子群算法(PSO)对数据具有极强的寻优效果,能够对数据进行有效的预处理,从而减小BP神经网络的预测误差,使预测TMR日粮瘤胃发酵甲烷产量的更准确。
附图说明
图1为本发明的PSO-BP模型实现的流程图;
图2为本发明的BP网络神经结构图,其中,Total Gas为总气体;
图3为本发明的PSO-BP模型CH4预测值与实测值对比,其中,横坐标为甲烷实测值,纵坐标为甲烷预测值;
图4为本发明的适应度值的变化图,其中,横坐标为迭代数,纵坐标为适应度值。
具体实施例
实施例1.
图1为PSO-BP模型实现流程图,一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法,所述预测方法具体步骤如下:
(1)构建PSO-BP神经网络,对输入的待检测的TMR日粮瘤胃发酵的甲烷产量样本的数据进行归一化处理;
(2)建立数据集:包括输入数据和输出数据,所述输入数据为TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量,所述输出数据为甲烷产量或总产气量;
(3)根据所述数据集对BP神经网络进行初始化,确定网络拓扑结构,得到初始权值和阈值;
(4)种群经过初始化后,种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值;
(5)根据所述粒子群适应度值确定个体极值和群体极值;
(6)利用公式,处理所述个体极值和群体极值,更新粒子速度位置,其中,Vid为粒子的迭代速度;Xid为粒子的迭代位置;c1和c2为学习因子,c1=c2,取值范围为(1,3);r1和r2为随机函数,取值区间为(0,1);Vid(t)和Xid(t)为粒子第t次迭代的速度和位置;Pbest为个体极值,Gbest为群体极值;
(7)判断迭代数是否达到初始化设置的结束条件,若达到结束条件,获得最优权值阈值,否则继续执行步骤(4),直至迭代结束;
(8)将得到的最优权值阈值输入BP神经网络,作为BP神经网络的初始权值阈值。采用交叉熵损失函数,计算并更新权值阈值。
(9)判断迭代数或损失值是否达到预设的结束条件,若满足则得到仿真预测结果,将仿真预测结果进行反归一化处理;若不满足继续执行步骤(8)直至迭代结束。
步骤(1)中所述PSO-BP神经网络的训练次数为3000次,输入层至隐含层、隐含层至输出层传递函数均为单级Sigmoid函数。所述BP神经网络的隐含层神经元数计算公式为其中,p为隐含层神经元数,n为输入层节点数,q为输出层节点数,z调节值,取值在1-10之间。经计算,本模型隐藏神经元数在4-14之间,通过对网络的性能检测,得到的隐藏神经元数为5。
步骤(1)所述的归一化处理,计算公式为i=1,2,3,4,5,6,Ti为训练样本数据的第i个输入,T′i为进行归一化计算后的数据,T′i∈[a,b],Timax为Ti中的最大值,Timin为Ti中的最小值,a是T′i的最小值,b是T′i的最大值。
BP网络神经结构图如图2所示,所述TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量与CH4产量之间的目标函数关系式为Y=F(X)=f(V·f(W·X+θ1)+θ2),f()为传递函数;X为输入向量,Y为输出向量,F(X)为输入值与输出值之间的关系,W为输入层到隐藏层的权值矩阵,θ1为隐藏层的阈值,V为隐藏层到输出层的权值矩阵,θ2为输出层的阈值。
步骤(4)所述种群初始化的步骤为粒子的初始位置为X0,初始速度为V0,粒子数为N,最大迭代数为m,学习因子分别为c1和c2,c1=c2。
步骤(5)的步骤为算出全部粒子当前适应值fi,如果fi<Pbest,则Pbest就是个体最优,如果Xi=Pbest,fi为个体最优;如果fi<Gbest,Gbest就是全局最优解;Xi=Gbest,fi为最优解,其中Xi是粒子的当前位置。
试验分析:
采集了12种不同全混合日粮进行体外发酵实验,并测定其总能(GE)以及其中中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、干物质(DM)、粗蛋白(CP)的含量。12种奶牛TMR日粮取自黑龙江省的不同牧场。在投料车给料后进行多点采集,用四分法取得(500±50g)TMR日粮样品,于65℃烘箱中48h烘干,过40目筛保存备用。将称取0.2g的TMR样品装入纤维袋中作为发酵底物,每个发酵瓶设三个重复。试验瘤胃液来自两头体况良好、体重(650±20kg),安装永久性瘤胃瘘管的荷斯坦奶牛,试验在东北农业大学阿城试验基地进行。经整理,一共得到60组数据,前48组用作训练模型,后12组用于测试模型。建模数据如表1所示,测试数据如表2所示。
表1建模数据
表2测试数据
以干物质含量、粗蛋白含量、中性洗涤纤维、酸性洗涤纤维、总能为奶牛全混合日粮TMR营养指标变量,以瘤胃甲烷排放量为单输出变量,建立了PSO-BP模型进行奶牛瘤胃甲烷预测研究,PSO-BP模型预测CH4的预测值与实测值进行对比得到对比图如图3所示,拟合线为函数y=0.97x-0.8315,模型能较准确的预测不同TMR全混合日粮条件下的瘤胃甲烷产量;适应度值根据迭代次数变化图如图4所示,PSO-BP模型适应度值在第80代稳定在0.7,说明粒子群算法对BP神经网络优化效果明显,模型模拟效果好。
构建的PSO-BP模型能较好的模拟TMR日粮组成对奶牛瘤胃CH4排放量的响应规律,相关系数R2=0.91,均方根误RMSE=1.47ml/g。
Claims (7)
1.一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法,其特征在于,所述预测方法具体步骤如下:
(1)构建PSO-BP神经网络,对输入的待检测的TMR日粮瘤胃发酵的甲烷产量样本的数据进行归一化处理;
(2)建立数据集:包括输入数据和输出数据,所述输入数据为TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量,所述输出数据为甲烷产量或总产气量;所述TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量与CH4产量之间的目标函数关系式为Y=F(X)=f(V·f(W·X+θ1)+θ2),f()为传递函数;X为输入向量,Y为输出向量,F(X)为输入值与输出值之间的关系,W为输入层到隐藏层的权值矩阵,θ1为隐藏层的阈值,V为隐藏层到输出层的权值矩阵,θ2为输出层的阈值;
(3)根据所述数据集对BP神经网络进行初始化,确定网络拓扑结构,得到初始权值和阈值;
(4)种群经过初始化后,种群中的每个个体都包含了一个网络所有权值和阈值,个体通过适应度函数计算个体适应度值;
(5)根据粒子群适应度值确定个体极值和群体极值;
(6)利用公式,处理所述个体极值和群体极值,更新粒子速度位置,其中,Vid为粒子的迭代速度;Xid为粒子的迭代位置;c1和c2为学习因子,c1=c2,取值范围为(1,3);r1和r2为随机函数,取值区间为(0,1);Vid(t)和Xid(t)为粒子第t次迭代的速度和位置;Pbest为个体极值,Gbest为群体极值;
(7)判断迭代数是否达到初始化设置的结束条件,若达到结束条件,获得最优权值阈值,否则继续执行步骤(4),直至迭代结束;
(8)将得到的最优权值阈值输入BP神经网络,作为BP神经网络的初始权值阈值,采用交叉熵损失函数计算损失值并更新BP神经网络权值阈值;
(9)判断迭代数或损失值是否达到预设的结束条件,若满足则得到仿真预测结果,将仿真预测结果进行反归一化处理;若不满足继续执行步骤(8)直至迭代结束。
2.根据权利要求1所述的预测方法,其特征在于,步骤(1)中所述PSO-BP神经网络的训练次数为3000次,输入层至隐含层、隐含层至输出层传递函数均为单级Sigmoid函数。
5.根据权利要求1所述的预测方法,其特征在于,步骤(4)所述种群初始化具体为设置粒子的初始位置为X0,初始速度为V0,粒子数为N,最大迭代数为m,学习因子分别为c1和c2,c1=c2。
6.根据权利要求1所述的预测方法,其特征在于,步骤(5)的步骤为算出全部粒子当前适应值fi,如果fi<Pbest,则Pbest就是个体最优,如果Xi=Pbest,fi为个体最优;如果fi<Gbest,Gbest就是全局最优解;Xi=Gbest,fi为最优解,其中Xi是粒子的当前位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033003.5A CN112613688B (zh) | 2021-01-11 | 2021-01-11 | 一种基于pso-bp神经网络的tmr日粮瘤胃发酵甲烷产量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033003.5A CN112613688B (zh) | 2021-01-11 | 2021-01-11 | 一种基于pso-bp神经网络的tmr日粮瘤胃发酵甲烷产量的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613688A CN112613688A (zh) | 2021-04-06 |
CN112613688B true CN112613688B (zh) | 2022-03-29 |
Family
ID=75253797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110033003.5A Active CN112613688B (zh) | 2021-01-11 | 2021-01-11 | 一种基于pso-bp神经网络的tmr日粮瘤胃发酵甲烷产量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613688B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106102079A (zh) * | 2016-06-08 | 2016-11-09 | 西安电子科技大学 | 基于改进pso的c‑ran载波迁移资源需求预测方法 |
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
CN112070318A (zh) * | 2020-09-18 | 2020-12-11 | 辽宁省粮食科学研究所 | 基于改进粒子群算法的平房仓粮温bp神经网络预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102221763B1 (ko) * | 2018-11-19 | 2021-02-26 | 포항공과대학교 산학협력단 | 이진 신경망에서의 저항성 메모리 기반 배치 정규화 장치 |
-
2021
- 2021-01-11 CN CN202110033003.5A patent/CN112613688B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106102079A (zh) * | 2016-06-08 | 2016-11-09 | 西安电子科技大学 | 基于改进pso的c‑ran载波迁移资源需求预测方法 |
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
CN112070318A (zh) * | 2020-09-18 | 2020-12-11 | 辽宁省粮食科学研究所 | 基于改进粒子群算法的平房仓粮温bp神经网络预测方法 |
Non-Patent Citations (2)
Title |
---|
PSO-BP Neural Network in Reservoir Parameter Dynamic Prediction;Zhang Liumei 等;《Computational Intelligence and Security (CIS), 2011 Seventh International Conference on》;20120112;第123-126页 * |
基于主成分分析和粒子群优化神经网络的粮食产量预测;郭亚菲 等;《江苏农业科学》;20191104;第47卷(第19期);第241-245页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613688A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Connolly et al. | Genetic differences based on a beef terminal index are reflected in future phenotypic performance differences in commercial beef cattle | |
Wheadon et al. | Plasma nitrogen isotopic fractionation and feed efficiency in growing beef heifers | |
CN103353508B (zh) | 一种预测牧草干物质消化率和代谢能的方法 | |
CN114360652B (zh) | 细胞株相似性评价方法及相似细胞株培养基配方推荐方法 | |
CN104663484A (zh) | 实时寻找群养家畜、家禽生长速度拐点调整饲粮的方法及系统 | |
CN112613688B (zh) | 一种基于pso-bp神经网络的tmr日粮瘤胃发酵甲烷产量的预测方法 | |
CN107155932B (zh) | 一种基于无线传感器网络的牛舍环境温度检测系统 | |
CN116579504A (zh) | 基于机器学习的池塘海水养殖水温的预测方法 | |
CN103931560A (zh) | 苏太猪一般抗病力综合选择指数选择育种方法 | |
CN110378505A (zh) | 一种体重预测方法 | |
CN112926209B (zh) | 一种水产动物粪便成形程度的鉴定方法及应用 | |
Wu et al. | Body condition score for dairy cows method based on vision transformer | |
CN114419432A (zh) | 一种鱼群摄食强度评估方法及装置 | |
CN112669167B (zh) | 一种预测商品猪生产性能的方法及其应用 | |
CN108460235A (zh) | 一种通过数学模型预测猪饲料磷表观全肠道消化率的方法 | |
Shi et al. | Division of pig growth stages according to body component variation using computer Vision | |
CN113361747A (zh) | 一种预测不同体重阶段商品猪净能需要量的方法及应用 | |
CN113487107B (zh) | 基于多层径向基网络的大型动物体重自动评估方法、系统及介质 | |
CN115762666A (zh) | 基于集成学习的牛瘤胃发酵预测方法及系统 | |
Barghi et al. | Comparison of different non-linear models for describing plasma lysozyme activity in quail | |
Wang et al. | Phenotypic Parameters Prediction of Lettuce based on Computer Vision and Regression | |
Liu et al. | Egg-Laying Rate Prediction Based on PSO-DBN Model Under Multiple Variables | |
LU503667B1 (en) | A vibration detection device and method of chicken breast quality based on neural network analysis | |
Safa et al. | Modeling fuel consumption in wheat production using neural networks | |
Shivahre et al. | Effect of nongenetic factors on semen production charecteristics of Murrah buffalo bulls at Organized semen station |
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 |