CN113281465A - 一种畜禽舍养殖环境有害气体检测系统 - Google Patents
一种畜禽舍养殖环境有害气体检测系统 Download PDFInfo
- Publication number
- CN113281465A CN113281465A CN202110497254.9A CN202110497254A CN113281465A CN 113281465 A CN113281465 A CN 113281465A CN 202110497254 A CN202110497254 A CN 202110497254A CN 113281465 A CN113281465 A CN 113281465A
- Authority
- CN
- China
- Prior art keywords
- neural network
- livestock
- harmful gas
- network model
- poultry house
- 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
- 244000144972 livestock Species 0.000 title claims abstract description 173
- 244000144977 poultry Species 0.000 title claims abstract description 168
- 238000009395 breeding Methods 0.000 title claims abstract description 54
- 230000001488 breeding effect Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 239000007789 gas Substances 0.000 claims description 185
- 238000003062 neural network model Methods 0.000 claims description 175
- 238000013527 convolutional neural network Methods 0.000 claims description 59
- 238000000034 method Methods 0.000 claims description 39
- 230000000306 recurrent effect Effects 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 239000003102 growth factor Substances 0.000 claims description 16
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 14
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 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
- 229910021529 ammonia Inorganic materials 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 241001465754 Metazoa Species 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 3
- 238000009313 farming Methods 0.000 claims 1
- 238000005286 illumination Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 61
- 238000013528 artificial neural network Methods 0.000 description 57
- 239000002245 particle Substances 0.000 description 28
- 238000005457 optimization Methods 0.000 description 22
- 238000013461 design Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 16
- 239000013598 vector Substances 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000013507 mapping Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 241000271566 Aves Species 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005312 nonlinear dynamic Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 241000287828 Gallus gallus Species 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- QBPPRVHXOZRESW-UHFFFAOYSA-N 1,4,7,10-tetraazacyclododecane Chemical compound C1CNCCNCCNCCN1 QBPPRVHXOZRESW-UHFFFAOYSA-N 0.000 description 1
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 231100000739 chronic poisoning Toxicity 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229920001021 polysulfide Polymers 0.000 description 1
- 239000005077 polysulfide Substances 0.000 description 1
- 150000008117 polysulfides Polymers 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
- G01N33/0065—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means using more than one threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Housing For Livestock And Birds (AREA)
Abstract
本发明公开了一种畜禽舍养殖环境有害气体检测系统,其特征在于:所述系统包括畜禽舍养殖环境参数采集平台和有害气体大数据处理子系统两部分,畜禽舍养殖环境参数采集平台实现对畜禽舍环境参数检测和有害气体评价,有害气体大数据处理子系统实现对畜禽舍养殖环境有害气体进行预测与预警;本发明有效解决了现有畜禽舍养殖环境参数检测系统没有根据畜禽舍养殖环境参数变化的非线性、大滞后和养殖环境大等对畜禽舍养殖经济效益的影响,没有对畜禽舍环境参数进行预测和对畜禽舍有害气体进行预警,从而极大的影响畜禽养殖经济效益和养殖管理问题。
Description
技术领域
本发明涉及畜禽舍养殖环境参数检测的自动化装备的技术领域,具体涉及一种畜禽舍养殖环境有害气体检测系统。
背景技术
畜禽生产过程中排放的有害气体是农业污染气体的主要来源,畜禽生产过程中产生的有害气体污染不但降低了畜禽业的生产效率,还对全球空气质量造成影响,减少畜禽生产中有害气体的排放能有效改善全球空气质量,减缓温室效应。有害气体在浓度较低时,不会使畜禽出现明显的不良反应,但长期处于含有低浓度有害气体的环境中,畜禽的体质变差、抵抗力降低,发病率和死亡率升高,同时采食量和增重降低,引起慢性中毒。因此,对畜禽生产过程中排放的有害气体进行有效监测具有重要意义。畜禽养殖环境是畜禽业有害气体产生的主要来源,评估畜禽养殖环境有害气体的环境污染,首先要对畜禽生产环境中有害气体进行全面的监测。本专利针对畜禽生产环境中有害气体分布的主要位置,采用一种畜禽舍养殖环境有害气体检测系统对畜禽舍环境有害气体的浓度进行全面的检测与预警。
发明内容
本发明提供了一种畜禽舍养殖环境有害气体检测系统,本发明有效解决了现有畜禽舍养殖环境参数检测系统没有根据畜禽舍养殖环境参数变化的非线性、大滞后和养殖环境大等对畜禽舍养殖经济效益的影响,没有对畜禽舍环境参数进行预测和对畜禽舍有害气体进行预警,从而极大的影响畜禽养殖经济效益和养殖管理问题。
本发明通过以下技术方案实现:
一种畜禽舍养殖环境有害气体检测系统由畜禽舍养殖环境参数采集平台和有害气体大数据处理子系统两部分组成,畜禽舍养殖环境参数采集平台实现对畜禽舍环境参数检测和有害气体评价,有害气体大数据处理子系统实现对畜禽舍养殖环境有害气体进行预测与预警,提高检测畜禽舍养殖环境有害气体的准确性。
本发明进一步技术改进方案是:
畜禽舍养殖环境参数采集平台包括畜禽舍养殖环境参数的检测节点、网关节点、现场监控端、云平台和移动端App组成,检测节点和网关节点之间通过构建CAN通信网络来实现检测节点和网关节点之间的通信;检测节点将检测的畜禽舍养殖环境参数通过网关节点的RS232接口发送给现场监控端并对畜禽舍养殖环境有害气体进行预测与预警;网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现畜禽舍环境参数的双向传输,网关节点与现场监控端之间通过RS232接口实现畜禽舍环境参数信息的双向传输。移动端App为管理人员提供实时畜禽舍环境参数数据,满足畜禽舍环境参数信息的便捷可视化,所有来自检测节点的传感器采集的畜禽舍环境数据都已上传至云平台的数据库中,管理人员通过移动端APP可通过远程查看当前的畜禽舍环境参数信息;畜禽舍养殖环境参数采集平台结构见图1所示。
本发明进一步技术改进方案是:
有害气体大数据处理子系统包括PSO的小波神经网络模型、EMD经验模态分解模型、ARIMA模型、多个CNN卷积神经网络模型、区间数NARX神经网络模型、区间数模糊递归神经网络模型、区间数时延神经网络模型、有害气体浓度评价模块和生长因子影响模块;硫化氢浓度期望值、氨气浓度期望值和二氧化碳浓度期望值作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型输出与有害气体浓度评价模块输出的有害气体浓度差值作为EMD经验模态分解模型的输入,EMD经验模态分解模型输出有害气体浓度差值的低频趋势部分和多个高频波动部分分别作为ARIMA模型和多个CNN卷积神经网络模型的输入,ARIMA模型和多个CNN卷积神经网络模型的输出作为区间数NARX神经网络模型的对应输入,区间数NARX神经网络模型和生长因子影响模块的输出作为区间数模糊递归神经网络模型的输入,区间数模糊递归神经网络模型输出作为区间数时延神经网络模型的输入,区间数时延神经网络模型输出作为区间数NARX神经网络模型的对应输入,区间数模糊递归神经网络模型输出区间数值代表畜禽舍环境有害气体浓度预警等级;根据畜禽舍环境有害气体浓度等级控制的工程实践,区间数模糊递归神经网络模型构建畜禽舍环境有害气体浓度预警等级与5个区间数的对应关系表,畜禽舍环境有害气体浓度预警等级分别为严重超标、超标、正常、较低和很低,计算模糊递归神经网络模型输出的区间数与代表畜禽舍环境有害气体浓度预警5个等级的5个区间数的相似度,其中相似度最大的区间数对应的畜禽舍环境有害气体浓度预警等级确定为被检测畜禽舍环境有害气体浓度预警等级;有害气体大数据处理子系统结构见图2所示。
本发明进一步技术改进方案是:
有害气体浓度评价模块包括多个LSTM神经网络模型、多个自联想神经网络模型和PSO的小波神经网络模型;多组硫化氢、氨气和二氧化碳传感器的输出作为对应的多个LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为多个自联想神经网络模型的输入,多个自联想神经网络模型的输出作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型的输出作为有害气体浓度评价模块的输出值;有害气体浓度评价模块见图2所示。
本发明进一步技术改进方案是:
生长因子影响模块包括多个LSTM神经网络模型、多个自联想神经网络模型和PSO的小波神经网络模型;多组温度、湿度、风速和光照度传感器的输出作为对应的多个LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为多个自联想神经网络模型的输入,多个自联想神经网络模型的输出作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型的输出作为生长因子影响模块的输出值;生长因子影响模块见图2所示。
本发明与现有技术相比,具有以下明显优点:
一、本发明利用CNN卷积神经网络模型能够实现畜禽舍有害气体浓度的空间特征提取且能缩短特征提取时间和NARX神经网络模型能够记忆依赖性很强的畜牧养殖过程中畜禽舍有害气体浓度与有害气体等级之间关系的优势,解决畜禽舍有害气体浓度数据活动序列数据的空间特征提取和时间特征的数据依赖问题;首先将畜禽舍有害气体浓度的序列数据输入到CNN卷积神经网络模型中提取畜禽舍有害气体浓度的空间特征向量;利用NARX神经网络模型中输入延时和反馈延时形成的闭环网络预测畜禽舍有害气体浓度的活动序列数据之间的时间特征相互影响问题,从而提高预测畜禽舍有害气体浓度的精确度和时间效率。
二、本发明利用CNN卷积神经网络模型提取畜禽舍有害气体浓度的空间特征,实现对畜禽舍有害气体浓度的特征提取;同时,选用NARX神经网络模型对CNN卷积神经网络模型输出的空间特征序列进行处理,挖掘畜禽舍有害气体浓度的时序信息,在时间维度上提取畜禽舍有害气体浓度的时间特征,并实现畜禽舍有害气体浓度的精确预测。
三、本发明CNN卷积神经网络模型的卷积层主要优势在于提取畜禽舍有害气体浓度空间特征中的权值共享和稀疏连接,权值共享是指CNN卷积神经网络模型的卷积核在做卷积运算时自身的权值保持不变,每个卷积核对整个区域的畜禽舍有害气体浓度来说其权值是一样的;稀疏连接是指CNN卷积神经网络模型的每个卷积核只使用上一层数据中特定的局部区域数据进行运算,并未使用全局畜禽舍有害气体浓度;CNN卷积神经网络模型的卷积核这种权值共享和稀疏连接的特性,大幅减少了畜禽舍有害气体浓度的空间特征参数数量,从而预防CNN卷积神经网络模型的过拟合并加快CNN卷积神经网络模型训练速度和提高畜禽舍有害气体浓度预测精确度。
四、本发明LSTM神经网络模型类似于标准的含有递归隐藏层的网络,仅有的变化是使用记忆模块代替原有的隐藏层单元,通过记忆细胞内部状态的自反馈和输入输出对误差的截断,解决梯度消失和激增的问题,相对于BP神经网络和普通的RNN,LSTM增加了1个状态单元c和3个控制门,就大大增加了模型的特征包含能力和记忆能力,避免了欠拟合和梯度消失。LSTM神经网络模型的功能旨在畜禽舍有害气体存在的相关关系,记住这种关系以及这种关系在时间上的变化,从而得到更准确的结果。LSTM神经网络模型实现畜禽舍有害气体浓度的预测,提高预测精确度。
五、本发明LSTM神经网络模型具有与标准RNN类似的链状重复网络结构,LSTM神经网络模型中的重复网络具有4个交互层,包括3个门层和1个tanh层。处理器状态是LSTM神经网络模型中的关键变量,它携带着畜禽舍有害气体浓度预测先前步骤的信息,并逐步穿过整个LSTM神经网络模型。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加畜禽舍有害气体浓度预测新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步畜禽舍有害气体浓度预测的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。
六、本发明LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从畜禽舍有害气体浓度的预测序列数据中提取信息,还能够保留来自于先前较远步骤的具有长期相关性的信息。畜禽舍有害气体浓度的预测数据是序列数据,其变化趋势富有含义。此外,由于畜禽舍有害气体浓度的预测的采样间隔相对较小,畜禽舍有害气体浓度的预测存在长期空间相关性,而LSTM神经网络模型有足够的长期记忆来处理这种问题。
七、本发明在串级LSTM神经网络模型中,首先在浅层级对相对容易预测畜禽舍有害气体浓度的数据进行重构,然后把生成的畜禽舍有害气体浓度数据作为下一级的输入。深层级的预测结果不但基于畜禽舍有害气体浓度的数据训练数据中的输入值,还受浅层级畜禽舍有害气体浓度的数据结果的影响,这种方法能够更有效地提取畜禽舍有害气体浓度的数据输入数据中蕴含的信息,提升模型的预测畜禽舍有害气体浓度的数据的准确度。
八、本发明采用NARX神经网络模型的一种通过畜禽舍有害气体浓度的预测的延时模块及反馈实现来建立NARX神经网络模型的动态递归网络,它是沿着料重比参数在时间轴方向的拓展的多个时间畜禽舍有害气体浓度的参数的序列来实现及函数模拟功能的数据关联性建模思想,该方法通过一段时间内畜禽舍有害气体浓度的参数来建立浓度预测模型,模型输出的参数在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度,该NARX神经网络模型实现对畜禽舍有害气体浓度的连续动态预测。输入包括了一段时间的畜禽舍有害气体浓度的输入和输出历史反馈,这部分反馈输入可以认为包含了一段时间的畜禽舍有害气体浓度的状态历史信息参与畜禽舍有害气体浓度的预测,对于一个合适的反馈时间长度,预测得到了很好的效果,本专利的NARX神经网络模型预测模式提供了一种有效的预测畜禽舍有害气体浓度的方法。
九、本发明利用NARX神经网络模型建立畜禽舍有害气体浓度的预测模型,由于通过引入输入延时模块及输出反馈建立畜禽舍有害气体浓度的模型的动态递归网络,它将CNN卷积神经网络模型输出作为输入和NARX神经网络输出向量延时反馈引入NARX神经网络模型训练中,形成新的输入向量,具有良好的非线性映射能力,NARX神经网络模型的输入不仅包括原始输入数据,还包含经过训练后的输出数据,网络的泛化能力得到提高,使其在非线性畜禽舍有害气体浓度的时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
十、本发明采用ARIMA模型预测整合了鸡舍有害气体浓度变化的趋势因素、周期因素和随机误差等因素的原始时间序列变量,通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列,通过反复识别和模型诊断比较并选择理想的模型进行畜禽舍环境有害气体浓度数据拟合和预测。该方法结合了自回归和移动平均方法的长处,具有不受数据类型束缚和适用性强的特点,是一种对畜禽舍环境有害气体进行短期预测效果较好的模型。
十一、本发明采用粒子群优化小波神经网络,避免了梯度下降法中要求激活函数可微,以及对函数求导的过程计算,并且各个粒子搜索时迭代公式简单,因而计算速度又比梯度下降法快得多。而且通过对迭代公式中参数的调整,还能很好地跳出局部极值,进行全局寻优,简单有效地提高了网络的训练速度。基于粒子群优化算法的小波神经网络模型的识别正确率更高,误差更小,收敛速度更快,泛化能力更强。这表明基于小波神经网络的一效果较好,基于粒子群算法的小波神经网络的有害气体浓度评价方法收敛的速度和精度明显优于BP方法。通过粒子群算法对小波神经网络进行参数优化,可以提高一模型的有害气体评价和预测稳定性。基于粒子群优化算法的小波神经网络(PSO-WNN)组合预测模型。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参数、平移参数进行调整,构建出基于粒子群优化算法的小波神经网络评价模型。该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。
十二、本发明基于粒子群优化算法的小波神经网络模型,具有结构稳定,算法简单,全局搜索能力强,收敛速度快,泛化能力强等优点,该网络能很好地评价畜禽舍环境非线性和大滞后变化。应用表明小波神经网络能很好地评价畜禽舍环境有害气体浓度值,提出了一种收敛速度快,识别精度高,成本低的模型,具有十分重要的意义。避免了BP网络在结构设计的盲目性,网络权系数线性分布和学习目标函数的凸性,使网络的训练过程从根本上避免了局部最优化等问题,算法概念简单,收敛速度快,有较强的函数学习能力,可以高精度逼近任意非线性函数。
附图说明
图1为本专利的畜禽舍养殖环境参数采集平台;
图2为本专利的有害气体大数据处理子系统;
图3为本专利的检测节点;
图4为本专利的网关节点;
图5为本专利的现场监控端软件功能图。
具体实施方式
结合附图1-5,对本申请技术方案作进一步描述:
一、系统总体功能的设计
本发明一种畜禽舍养殖环境有害气体检测系统由畜禽舍养殖环境参数采集平台和有害气体大数据处理子系统两部分组成,畜禽舍养殖环境参数采集平台实现对畜禽舍环境参数检测、调节和监控,有害气体大数据处理子系统实现对畜禽舍养殖环境有害气体进行预测与预警;畜禽舍养殖环境参数采集平台包括畜禽舍养殖环境参数的检测节点、网关节点、现场监控端、云平台和手机App组成,检测节点构建成CAN总线网络通信来实现检测节点和网关节点之间的CAN总线网络通信;检测节点将检测的畜禽舍养殖环境参数通过网关节点发送给现场监控端和云平台,网关节点、云平台、现场监控端和手机App之间实现畜禽舍养殖环境参数和相关控制信息的双向传输。畜禽舍养殖环境参数采集平台见图1所示。
二、检测节点的设计
采用大量基于CAN总线通信网络的检测节点作为畜禽舍养殖环境参数感知终端,检测节点通过CAN总线通信网络实现与现场监控端之间的信息相互交互。检测节点包括采集畜禽舍养殖环境的氨气、二氧化碳、硫化氢、温度、湿度、风速和光照度的传感器和对应的信号调理电路、STM32微处理器和CAN总线网络通信的CAN总线接口;检测节点的软件主要实现CAN总线网络通信和畜禽舍养殖环境参数的采集与预处理。软件采用C语言程序设计,兼容程度高,大大提高了软件设计开发的工作效率,增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。
三、网关节点设计
网关节点包括CAN接口、NB-IoT模块、STM32单片机和RS232接口,网关节点包括CAN接口实现与检测节点之间通信的CAN总线通信网络,NB-IoT模块实现网关与云平台之间的数据双向交互,RS232接口连接现场监控端,实现网关与现场监控端之间的信息交互。网关节点结构见图4。
四、现场监控端的软件设计
现场监控端是一台工业控制计算机,现场监控端主要实现对畜禽舍养殖环境参数进行采集与处理和预警,实现与检测节点与网关节点的信息交互,现场监控端主要功能为通信参数设置、数据分析与数据管理和通过有害气体大数据处理子系统对畜禽舍环境的有害气体进行智能预测与预警,该管理软件选择了Microsoft Visual++6.0作为开发工具,调用系统的Mscomm通信控件来设计通讯程序,现场监控端软件功能见图5;有害气体大数据处理子系统结构如图2所示,有害气体大数据处理子系统的设计过程如下:
有害气体大数据处理子系统包括PSO的小波神经网络模型、EMD经验模态分解模型、ARIMA模型、多个CNN卷积神经网络模型、区间数NARX神经网络模型、区间数模糊递归神经网络模型、区间数时延神经网络模型、有害气体浓度评价模块和生长因子影响模块;各个模型设计如下:
1、PSO的小波神经网络模型设计
硫化氢浓度期望值、氨气浓度期望值和二氧化碳浓度期望值作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型输出与有害气体浓度评价模块输出的有害气体浓度差值作为EMD经验模态分解模型的输入;小波神经网络WNN(Wavelet NeuralNetworks)是在小波理论基础上,结合人工神经网络而提出的一种前馈型网络。它是以小波函数为神经元的激励函数,小波的伸缩、平移因子,以及连接权重,在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号可以表示为一个鸡舍环境温度输入的一维向量xi(i=1,2,…,n),输出信号表示为yk(k=1,2,…,m),小波神经网络输出层输出值的计算公式为:
公式中ωij输入层i节点和隐含层j节点间的连接权值,为小波基函数,bj为小波基函数的平移因子,aj小波基函数的伸缩因子,ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数,从而使小波神经网络输出不断逼近期望输出。
设zi1、zi2和zi3分别是多硫化氢浓度期望值、氨气浓度期望值和二氧化碳浓度期望值,它们作为基于粒子群算法(PSO)的小波神经网络模型的输入,输出作为畜禽舍环境有害气体浓度值。小波神经网络用非线性小波基取代常用的非线性Sigmoid函数,通过线性叠加所选取的非线性小波基来实现各单一评价模型的畜禽舍环境有害气体浓度值的非线性组合。通过采用粒子群优化小波神经网络模型。采用粒子群优化小波神经网络避免了梯度下降法中要求激活函数可微,以及对函数求导的过程计算,并且各个粒子搜索时迭代公式简单,因而计算速度又比梯度下降法快得多。而且通过对迭代公式中参数的调整,还能很好地跳出局部极值。粒子群优化算法需要初始化一群随机粒子,然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪二个“极值”来更新自己。第一个就是粒子本身所找到的最优解pbest,这个解称为个体极值;另一个是整个种群目前找到的最优解,这个解称为全局极值gbest。用粒子群优化小波神经网络模型,就是首先将小波神经网络的各种参数列为粒子的位置向量X,将均方误差能量函数式设为用于优化的目标函数,通过粒子群优算法的基本公式进行迭代,寻求最优解。粒子群优化小波神经网络训练算法如下:
A、初始化网络结构,确定网络隐含层神经元个数。
B、根据网络结构,确定目标搜索空间的维数D。D=(输入参数的个数+1)×隐含层神经元的个数+平移参数的个数+伸缩参数的个数。
C、确定微粒个数m,设定相关参数。初始化微粒的位置向量和速度向量。
D、将粒子的位置向量和速度向量带入算法迭代公式进行更新,以误差能量函数作为目标函数进行优化计算。记录下每个粒子迄今搜索到的最优位置pbest和整个粒子群迄今搜索到的最优位置gbest。
E、将整个粒子群迄今搜索到最优位置gbest,映射为网络权值和阈值进行本学习,以误差能量函数作为粒子的适应度进行化计算。
F、若误差能量函数值在实际问题允许的误范围内,则迭代完毕;反之,转回算法继续迭代。
2、EMD经验模态分解模型设计
PSO的小波神经网络模型输出与有害气体浓度评价模块输出的有害气体浓度差值作为EMD经验模态分解模型的输入,EMD经验模态分解模型输出有害气体浓度差值的低频趋势部分和多个高频波动部分分别作为ARIMA模型和多个CNN卷积神经网络模型的输入;EMD经验模态分解模型是一种畜禽舍有害气体浓度差值趋势信号筛选方法,具有计算简单、直观、基于经验和自适应的特点,它能将存在于畜禽舍有害气体浓度差值信号中不同特征的趋势逐级筛选出来,得到畜禽舍有害气体浓度差值信号的多个高频波动部分(IMF)和低频趋势部分。EMD经验模态分解模型分解出来的IMF畜禽舍有害气体浓度差值分量信号包含了从高到低不同频率段的成分信号,畜禽舍有害气体浓度差值包含的频率分辨率都随畜禽舍有害气体浓度差值信号本身变化,具有自适应多分辨分析特性。使用EMD经验模态分解模型分解的目的就是为了更准确地提取畜禽舍有害气体浓度差值的信息。IMF分量必须同时满足两个条件:①在待分解畜禽舍有害气体浓度差值信号中,信号极值点的数目与过零点的数目相等,或最多相差一个;②在任一时间上,由畜禽舍有害气体浓度差值的局部极大值和局部极小值定义的包络均值为零。经验模态分解方法针对畜禽舍有害气体浓度差值的上限值信号的“筛分”过程步骤如下:(a)确定畜禽舍有害气体浓度差值的所有的局部极值点,然后分别用三次样条线的局部极大值点连接起来形成上包络线。(b)再用三次样条线将畜禽舍有害气体浓度差值的局部极小值点连接起来形成下包络线,上与下包络线应该包络所有的数据点。(c)畜禽舍有害气体浓度差值的上与下包络线的平均值记为m1(t),求出:
x(t)-m1(t)=h1(t) (2)
x(t)为畜禽舍有害气体浓度差值原始信号,如果h1(t)是一个IMF,那么h1(t)就是x(t)的第一个IMF分量。记c1(t)=h1k(t),则c1(t)为信号x(t)的第一个满足IMF条件的分量。(d)将c1(t)从x(t)中分离出来,得到:
r1(t)=x(t)-c1(t) (3)
将r1(t)作为原始数据重复步骤(1)-步骤(3),得到x(t)的第2个满足IMF条件的分量c2。重复循环n次,得到信号x(t)的n个满足IMF条件的分量。这样经验模态分解模型就把畜禽舍有害气体浓度差值分解成低频趋势部分和多个高频波动部分。
3、ARIMA模型设计
EMD经验模态分解模型输出有害气体浓度差值的低频趋势部分和多个高频波动部分分别作为ARIMA模型和多个CNN卷积神经网络模型的输入,ARIMA模型和多个CNN卷积神经网络模型的输出作为区间数NARX神经网络模型的对应输入。自回归积分滑动平均模型(ARIMA)模型,ARIMA(Auto regressive Integrated Moving Average)模型是Box和Jenkins于20世纪70年代提出的,它将自回归模型(Autoregressive,AR)和滑动平均模型(Moving Average,MA)有机地组合起来,使之成为一种综合的预测方法。作为有效的现代数据处理方法之一,它被誉为时间序列预测方法中最复杂最高级的模型,30多年来在众多领域得到了广泛的应用。在实际应用中,由于原始有害气体浓度差值的低频趋势部分数据序列往往表现出一定的趋势或循环特征,不满足ARMA模型对时间序列的平稳性要求,而取差分是消除数据趋势性的一种方便和有效的方法。基于差分后的数据序列建立的模型称为ARIMA模型,记为{Xt}~ARIMA(p,d,q),其中p、q称为模型的阶,d表示差分的次数。显然,当d为0时,ARIMA模型为ARMA模型,其定义为:
xt=b1xt-1+…+bpxt-p+εt+a1εt-1+…+aqεt-q (4)
{xt}为要预测有害气体浓度差值的低频趋势部分数据序列,{εt}~WN(0,σ2)。ARIMA模型建立主要包括模型的识别、参数估计和模型诊断。模型预测主要包括时间序列的预处理和模型参数的初步定阶;模型定阶完成之后需要通过时间序列观察值并结合p,d,q值来对模型中的未知参数进行估计;模型的诊断主要是针对整个模型的显著性检验和模型中参数的显著性检验。通常模型的建立是个不断优化的过程,模型优化常用的为AIC和BIC准则,即最小信息量准则其值越小,模型越合适,BIC准则是针对AIC准则对大样本序列的不足所做的改进。
4、CNN卷积神经网络模型设计
EMD经验模态分解模型输出有害气体浓度差值的低频趋势部分和多个高频波动部分分别作为ARIMA模型和多个CNN卷积神经网络模型的输入,ARIMA模型和多个CNN卷积神经网络模型的输出作为区间数NARX神经网络模型的对应输入。CNN卷积神经网络模型能够直接从大量的畜禽舍有害气体浓度差值的多个高频波动中自动挖掘提取出表征系统状态的敏感空间特征,CNN卷积神经网络模型结构主要包括4个部分:①输入层(Input)。输入层即为CNN卷积神经网络模型的输入,一般将畜禽舍有害气体浓度差值的多个高频波动或预处理后的信号进行归一化后直接输入。②卷积层(Conv)。由于输入层数据维度较大,CNN卷积神经网络模型难以直接全面感知所有畜禽舍有害气体浓度差值的多个高频波动输入信息,需要将输入数据分为若干部分进行局部感知,再通过权值共享得到全局信息,同时降低CNN卷积神经网络模型结构的复杂度,这一过程即卷积层的主要功能,具体流程是利用特定尺寸的卷积核以固定步长对输入信号进行遍历和卷积运算,从而实现对畜禽舍有害气体浓度差值的多个高频波动输入信号敏感特征的挖掘与提取。③池化层(Pool,又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大,需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合,因此,在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性,采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后,特征提取数据进入到全连接层,该层中的每个神经层与其前一层的所有神经元进行全连接,将卷积层和池化层提取到的局部特征信息进行整合。同时,为避免过拟合现象,在该层中加入丢失数据(dropout)技术,经过最后一层全连接层的输出值会传递到输出层,将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层。
5、区间数NARX神经网络模型设计
ARIMA模型和多个CNN卷积神经网络模型的输出作为区间数NARX神经网络模型的对应输入,区间数NARX神经网络模型和生长因子影响模块的输出作为区间数模糊递归神经网络模型的输入,区间数时延神经网络模型输出作为区间数NARX神经网络模型的对应输入;区间数NARX神经网络模型是有两个输出节点并构成区间数的一种带输出反馈连接的动态递归神经网络,在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接,其结构由输入层、时延层、隐层和输出层构成,其中输入层节点用于信号输入,时延层节点用于输入信号和输出反馈信号的时间延迟,隐层节点利用激活函数对时延后的信号做非线性运算,输出层节点则用于将隐层输出做线性加权获得最终网络输出。区间数NARX神经网络具有非线性映射能力、良好的鲁棒性和自适应性等特点,适宜对畜禽舍有害气体浓度的进行预测。x(t)表示神经网络的外部输入,m表示外部输入的延迟阶数;y(t)是神经网络的输出,即下一时段的有害气气体浓度差值的预测值;n是输出延迟阶数;s为隐含层神经元的个数;由此可以得到第j个隐含单元的输出为:
上式中,wji为第i个输入与第j个隐含神经元之间的连接权值,bj是第j个隐含神经元的偏置值,网络的输出y(t+1)的值为:
y(t+1)=f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1);W] (6)
区间数NARX神经网络输出有两个节点,两个节点的输出数据构成区间数。本发明专利的区间数NARX神经网络模型是一种动态的前馈神经网络,区间数NARX神经网络是一个有着外部输入的非线性自回归网络,它有一个多步时延的动态特性,并通过有害气体浓度差值预测输出值连接到网络输入的封闭网络的若干层,区间数NARX神经网络模型是非线性动态系统中应用最广泛的一种动态神经网络,其性能普遍优于全回归神经网络。一个典型的NARX回归神经网络主要由输入层、隐层、输出层及输入和输出延时构成,在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数,NARX神经网络模型的当时输出有害气体浓度差值不仅取决于过去y(t-n)时刻的输出有害气体浓度差值,还取决于当时的输入向量X(t)以及输入向量的延迟阶数等。其中输入信号通过时延层传递给隐层,隐层对输入信号进行处理后传递到输出层,输出层将隐层输出信号做线性加权获得最终的NARX神经网络模型输出,时延层将NARX神经网络模型输出反馈作为输入层的信号进行延时,然后输送到隐层。
6、区间数模糊递归神经网络模型设计
区间数NARX神经网络模型和生长因子影响模块的输出作为区间数模糊递归神经网络模型的输入,区间数模糊递归神经网络模型输出作为区间数时延神经网络模型的输入,区间数时延神经网络模型输出作为区间数NARX神经网络模型的对应输入,区间数模糊递归神经网络模型输出区间数值代表畜禽舍环境有害气体浓度预警等级;区间数模糊递归神经网络输出代表畜禽舍环境有害气体浓度预警等级的区间数,区间数模糊递归神经网络(HRFNN)是多输入2输出的网络拓扑结构,网络由4层组成:输入层、成员函数层、规则层和输出层。网络包含n个输入节点,其中每个输入节点对应m个条件节点,m代表规则数,nm个规则节点,2个输出节点。图中第Ⅰ层将输入引入网络;第Ⅱ层将输入模糊化,采用的隶属函数为高斯函数;第Ⅲ层对应模糊推理;第Ⅳ层对应去模糊化操作。用分别代表第k层的第i个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层:输入层,该层的各输入节点直接与输入变量相连接,网络的输入和输出表示为:
第Ⅱ层:成员函数层,该层的节点将输入变量进行模糊化,每一个节点代表一个隶属函数,采用高斯基函数作为隶属函数。网络的输入和输出表示为:
式中mij和σij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值,m为对应输入节点的全部语言变量数。
第Ⅲ层:模糊推理层,即规则层,加入动态反馈,使网络具有更好的学习效率,反馈环节引入内部变量hk,选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为:
式中ωjk是递归部分的连接权值,该层的神经元代表了模糊逻辑规则的前件部分,该层节点对第二层的输出量和第三层的反馈量进行Π操作,是第三层的输出量,m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量,包含两种类型的节点:承接节点,反馈节点。承接节点,使用加权求和来计算内部变量,实现去模糊化的功能;内部变量表示的隐藏规则的模糊推理的结果。反馈节点,采用sigmoid函数作为模糊隶属度函数,实现内部变量的模糊化。HRFNN网络的隶属度函数层使用局部隶属度函数,与其不同的是:反馈部分在内部变量的论域上采用的是全局隶属度函数,用来简化网络结构和实现全局历史信息的反馈。承接节点的个数等于反馈节点的个数;承接节点的个数与规则层节点的个数相等。反馈量连接到第3层,作为模糊规则层的输入量,反馈节点的输出包含模糊规则激活强度的历史信息。
第Ⅳ层:去模糊化层,即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为:
公式中λj是输出层的连接权值。区间数模糊递归神经网络具有逼近高度非线性动态系统的性能,加入内部变量的模糊递归神经网络的训练误差和测试误差分别为明显减少,该网络预测效果优于带自反馈模糊递归神经网络和动态建模的模糊神经网络,这说明加入内部变量后网络的学习能力得到了增强,并且更充分地反映畜禽舍环境有害气体浓度预警的动态特性。仿真结果证明了网络的有效性。本专利的区间数模糊递归神经网络HRFNN,并采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。使用HRFNN对畜禽舍环境有害气体浓度进行预测。HRFNN通过在反馈环节引入内部变量,将规则层的输出量加权求和后再反模糊化输出作为反馈量,并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息,增强了HRFNN适应非线性动态系统的能力。实验表明,HRFNN可以准确地预测畜禽舍环境有害气体浓度参数。仿真结果与其他网络得到的结果进行比较,本专利方法所建立的模型在应用于畜禽舍环境有害气体浓度时网络规模最小,预测误差小,表明了该方法的有效性。根据畜禽舍环境有害气体浓度等级控制的工程实践,区间数模糊递归神经网络模型构建畜禽舍环境有害气体浓度预警等级与5个区间数的对应关系表1,畜禽舍环境有害气体浓度预警等级分别为严重超标、超标、正常、较低和很低,计算模糊递归神经网络模型输出的区间数与代表畜禽舍环境有害气体浓度预警5个等级的5个区间数的相似度,其中相似度最大的区间数对应的畜禽舍环境有害气体浓度预警等级确定为被检测畜禽舍环境有害气体浓度预警等级。
表1有害气体浓度等级与区间数的对应关系表
7、区间数时延神经网络模型设计
区间数模糊递归神经网络模型输出作为区间数时延神经网络模型的输入,区间数时延神经网络模型输出作为区间数NARX神经网络模型的对应输入;区间数时延神经网络模型是的输入为区间数和输出为区间数的时延神经网络模型,时间延迟神经网络(TimeDelay Neural Networks,TDNN神经网络)是一个自适应线性网络,它的输入从网络左边进入,通过单步延时线D的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前K个时刻区间数模糊递归神经网络模型的输出信号和K以前的d-1个区间数模糊递归神经网络模型的输出信号组合而成,神经元采用线性激活函数,时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成,由神经网络建立起“输入-输出”之间的映射关系。不同于传统的神经网络,时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆,通过在输入层对输入进行延迟,使网络可以利用之前的d步的输入与当前的输入共同预测当前时间点的输出,对于一个输入层延迟步数为d的时延神经网络,R为时延神经网络的前向传播算子,可以简单地把输入序列X与输出序列Y之间的关系表示成如下形式:
Y(t)=R(X(t),X(t-1),…,X(t-d)) (11)
8、有害气体浓度评价模块设计
有害气体浓度评价模块包括多个LSTM神经网络模型、多个自联想神经网络模型和PSO的小波神经网络模型。
(1)、多个LSTM神经网络模型设计
多组硫化氢、氨气和二氧化碳传感器的输出作为对应的多个LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为多个自联想神经网络模型的输入;LSTM神经网络模型由长短期记忆(LSTM)单元组成的时间递归神经网络(RNN)称为LSTM神经网络模型时间递归神经网络,通常也被称为LSTM神经网络模型网络。LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络模型神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中,输入门能控制新信息的加入或滤出;遗忘门能忘记需要丢掉的信息以及保留过去有用的信息;输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算,使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell),输入门(Input Gate),输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列检测点的有害气体传感器数据动态变化,LSTM神经网络模型有效防止了RNN训练时的梯度消失,长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络模型可以学习长期的依赖信息,同时避免梯度消失问题。LSTM神经网络模型在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的有害气体传感器数据动态变化信息,并增加了三种门(Input、Forget、Output)结构来控制料重比历史信息的使用。设输入有害气体传感器输出值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (12)
ft=sigmoid(Whfht-1+WhfXt) (13)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (14)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (15)
ht=ot⊙tanh(ct) (16)
其中it、ft、ot代表input门、forget门和output门,ct代表cell单元,Wh代表递归连接的权重,Wx代表输入层到隐含层的权重,sigmoid与tanh为两种激活函数。使用长短期记忆的4个LSTM神经网络模型来对进行反馈的有害气体传感器输出值,该方法首先建立LSTM神经网络模型,利用预处理的有害气体传感器输出值数据建立训练集并对模型进行训练,LSTM神经网络模型考虑了有害气体传感器输出值的时序性和非线性,具有较高有害气体传感器输出值反馈值动态的预测精度。
(2)、多个自联想神经网络模型设计
多个LSTM神经网络模型的输出分别作为多个自联想神经网络模型的输入,多个自联想神经网络模型的输出作为PSO的小波神经网络模型的输入;自联想神经网络模型(Auto-associativeneural network,AANN),一种特殊结构的前馈神经网络,自联想神经网络模型结构包括一个输入层,一定数量的隐含层和一个输出层。首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩,从网络输入的高维参数空间中提取了反映系统结构的最具代表性的低维子空间,同时有效地滤去了畜禽舍环境有害气体传感器的输入数据中的噪声和测量误差,再通过瓶颈层、解映射层和输出层实现数据的解压缩,将前面压缩的信息还原到各个参数值,从而实现各有害气体传感器输入数据的重构。为了达到信息压缩的目的,自联想神经网络模型络瓶颈层节点数目明显小于输入层,又为了防止形成输入输出层之间的简单单一映射,除了输出层激励函数采用线形函数外,其它各层均采用非线形的激励函数。从本质来讲,自联想神经网络模型的隐含层第一层叫作映射层,映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数;隐含层第二层叫做瓶颈层,瓶颈层的维数是网络中最小的,它的传递函数可能是线性的或者是非线性,瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系,它使网络对有害气体传感器信号进行编码和压缩得到输入传感器数据的相关模型,并在瓶颈层后进行解码和解压缩以产生有害气体传感器输入信号的估计值;隐含层第三层或最后一层叫做解映射层,解映射层的节点传递函数是通常是非线性的S型函数,自联想神经网络模型用误差反向传播(back-propagation,BP)算法来训练。
(3)、PSO的小波神经网络模型设计
多个自联想神经网络模型的输出作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型的输出作为有害气体浓度评价模块的输出值;PSO的小波神经网络模型的设计方法参照本专利的相关内容。
9、生长因子影响模块设计
生长因子影响模块包括多个LSTM神经网络模型、多个自联想神经网络模型和PSO的小波神经网络模型;多组温度、湿度、风速和光照度传感器的输出作为对应的多个LSTM神经网络模型的输入,多个LSTM神经网络模型的输出分别作为多个自联想神经网络模型的输入,多个自联想神经网络模型的输出作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型的输出作为生长因子影响模块的输出值;生长因子影响模块中的多个LSTM神经网络模型、多个自联想神经网络模型和PSO的小波神经网络模型参照本专利的有害气体浓度评价模块设计方法。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种畜禽舍养殖环境有害气体检测系统,其特征在于:所述系统包括畜禽舍养殖环境参数采集平台和有害气体大数据处理子系统两部分,畜禽舍养殖环境参数采集平台实现对畜禽舍环境参数检测和有害气体评价,有害气体大数据处理子系统实现对畜禽舍养殖环境有害气体进行预测与预警;
所述有害气体大数据处理子系统包括PSO的小波神经网络模型、EMD经验模态分解模型、ARIMA模型、多个CNN卷积神经网络模型、区间数NARX神经网络模型、区间数模糊递归神经网络模型、区间数时延神经网络模型、有害气体浓度评价模块和生长因子影响模块;
硫化氢浓度期望值、氨气浓度期望值和二氧化碳浓度期望值作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型输出与有害气体浓度评价模块输出的有害气体浓度差值作为EMD经验模态分解模型的输入,EMD经验模态分解模型输出有害气体浓度差值的低频趋势部分和多个高频波动部分分别作为ARIMA模型和多个CNN卷积神经网络模型的输入,ARIMA模型和多个CNN卷积神经网络模型的输出作为区间数NARX神经网络模型的对应输入,区间数NARX神经网络模型和生长因子影响模块的输出作为区间数模糊递归神经网络模型的输入,区间数模糊递归神经网络模型输出作为区间数时延神经网络模型的输入,区间数时延神经网络模型输出作为区间数NARX神经网络模型的对应输入,区间数模糊递归神经网络模型输出区间数值代表畜禽舍环境有害气体浓度预警等级。
2.根据权利要求1所述的一种畜禽舍养殖环境有害气体检测系统,其特征在于:所述有害气体浓度评价模块包括LSTM神经网络模型、自联想神经网络模型和PSO的小波神经网络模型;多组硫化氢、氨气和二氧化碳传感器的输出作为对应的LSTM神经网络模型的输入,LSTM神经网络模型的输出分别作为自联想神经网络模型的输入,自联想神经网络模型的输出作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型的输出作为有害气体浓度评价模块的输出值。
3.根据权利要求1所述的一种畜禽舍养殖环境有害气体检测系统,其特征在于:所述生长因子影响模块包括LSTM神经网络模型、自联想神经网络模型和PSO的小波神经网络模型;多组温度、湿度、风速和光照度传感器的输出作为对应的LSTM神经网络模型的输入,LSTM神经网络模型的输出分别作为自联想神经网络模型的输入,自联想神经网络模型的输出作为PSO的小波神经网络模型的输入,PSO的小波神经网络模型的输出作为生长因子影响模块的输出值。
4.根据权利要求1或2所述的一种畜禽舍养殖环境有害气体检测系统,其特征在于:所述区间数模糊递归神经网络模型构建畜禽舍环境有害气体浓度预警等级与5个区间数的对应关系表,畜禽舍环境有害气体浓度预警等级分别为严重超标、超标、正常、较低和很低,计算模糊递归神经网络模型输出的区间数与代表畜禽舍环境有害气体浓度预警5个等级的5个区间数的相似度,其中相似度最大的区间数对应的畜禽舍环境有害气体浓度预警等级确定为被检测畜禽舍环境有害气体浓度预警等级。
5.根据权利要求1所述的一种畜禽舍养殖环境有害气体检测系统,其特征在于:所述畜禽舍养殖环境参数采集平台包括畜禽舍养殖环境参数的检测节点、网关节点、现场监控端、云平台和移动端App组成。
6.根据权利要求5所述的一种畜禽舍养殖环境有害气体检测系统,其特征在于:所述检测节点和网关节点之间通过构建CAN通信网络来实现检测节点和网关节点之间的通信;检测节点将检测的畜禽舍养殖环境参数通过网关节点的RS232接口发送给现场监控端并对畜禽舍养殖环境有害气体进行预测与预警;网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现畜禽舍环境参数的双向传输,网关节点与现场监控端之间通过RS232接口实现畜禽舍环境参数信息的双向传输;
移动端App为管理人员提供实时畜禽舍环境参数数据,满足畜禽舍环境参数信息的便捷可视化,所有来自检测节点的传感器采集的畜禽舍环境数据都已上传至云平台的数据库中,管理人员通过移动端APP可通过远程查看当前的畜禽舍环境参数信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497254.9A CN113281465A (zh) | 2021-05-07 | 2021-05-07 | 一种畜禽舍养殖环境有害气体检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497254.9A CN113281465A (zh) | 2021-05-07 | 2021-05-07 | 一种畜禽舍养殖环境有害气体检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113281465A true CN113281465A (zh) | 2021-08-20 |
Family
ID=77278101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497254.9A Pending CN113281465A (zh) | 2021-05-07 | 2021-05-07 | 一种畜禽舍养殖环境有害气体检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281465A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002277A (zh) * | 2021-11-02 | 2022-02-01 | 哈尔滨理工大学 | 一种三维有毒有害气体检测系统及其测试方法 |
CN114199962A (zh) * | 2021-12-16 | 2022-03-18 | 山西农业大学 | 一种用于畜禽舍内有害气体分析监测系统 |
CN115062764A (zh) * | 2022-06-17 | 2022-09-16 | 淮阴工学院 | 光照度智能调节与环境参数物联网大数据系统 |
CN116029435A (zh) * | 2023-01-10 | 2023-04-28 | 盐城工学院 | 一种生猪设施养殖环境舒适度预警系统 |
CN116026787A (zh) * | 2023-03-29 | 2023-04-28 | 湖南汇湘轩生物科技股份有限公司 | 一种香精品级检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH078128A (ja) * | 1993-06-25 | 1995-01-13 | Natl Fedelation Of Agricult Coop Assoc | 家畜・家禽飼養管理システム |
CN103631285A (zh) * | 2013-11-28 | 2014-03-12 | 马从国 | 一种基于can总线的鸡舍环境温度控制系统 |
CN107016453A (zh) * | 2016-12-08 | 2017-08-04 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN110119165A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种水产养殖池塘溶解氧检测装置 |
CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力系统故障预警方法和系统 |
CN111461413A (zh) * | 2020-03-20 | 2020-07-28 | 淮阴工学院 | 一种公路路面使用性能检测系统 |
CN111476278A (zh) * | 2020-03-20 | 2020-07-31 | 淮阴工学院 | 一种气体浓度智能化检测系统 |
CN112665656A (zh) * | 2021-01-13 | 2021-04-16 | 淮阴工学院 | 一种农产品生长环境大数据检测系统 |
-
2021
- 2021-05-07 CN CN202110497254.9A patent/CN113281465A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH078128A (ja) * | 1993-06-25 | 1995-01-13 | Natl Fedelation Of Agricult Coop Assoc | 家畜・家禽飼養管理システム |
CN103631285A (zh) * | 2013-11-28 | 2014-03-12 | 马从国 | 一种基于can总线的鸡舍环境温度控制系统 |
CN107016453A (zh) * | 2016-12-08 | 2017-08-04 | 中国农业大学 | 一种水产养殖溶解氧预测方法及装置 |
CN110119165A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种水产养殖池塘溶解氧检测装置 |
CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力系统故障预警方法和系统 |
CN111461413A (zh) * | 2020-03-20 | 2020-07-28 | 淮阴工学院 | 一种公路路面使用性能检测系统 |
CN111476278A (zh) * | 2020-03-20 | 2020-07-31 | 淮阴工学院 | 一种气体浓度智能化检测系统 |
CN112665656A (zh) * | 2021-01-13 | 2021-04-16 | 淮阴工学院 | 一种农产品生长环境大数据检测系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114002277A (zh) * | 2021-11-02 | 2022-02-01 | 哈尔滨理工大学 | 一种三维有毒有害气体检测系统及其测试方法 |
CN114199962A (zh) * | 2021-12-16 | 2022-03-18 | 山西农业大学 | 一种用于畜禽舍内有害气体分析监测系统 |
CN115062764A (zh) * | 2022-06-17 | 2022-09-16 | 淮阴工学院 | 光照度智能调节与环境参数物联网大数据系统 |
CN116029435A (zh) * | 2023-01-10 | 2023-04-28 | 盐城工学院 | 一种生猪设施养殖环境舒适度预警系统 |
CN116029435B (zh) * | 2023-01-10 | 2023-07-07 | 盐城工学院 | 一种生猪设施养殖环境舒适度预警系统 |
CN116026787A (zh) * | 2023-03-29 | 2023-04-28 | 湖南汇湘轩生物科技股份有限公司 | 一种香精品级检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
CN112906735B (zh) | 一种食用菌环境大数据检测系统 | |
CN110647979B (zh) | 一种基于物联网的温室环境多参数智能化监测系统 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN112665656B (zh) | 一种农产品生长环境大数据检测系统 | |
CN112881601B (zh) | 一种基于云平台的水分检测系统 | |
CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
CN113301127B (zh) | 一种牲畜饲料检测系统 | |
CN110083190B (zh) | 一种基于减法聚类分类器的青椒温室环境智能监测系统 | |
CN112904756B (zh) | 一种管网大数据检测系统 | |
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
CN111444947B (zh) | 一种桥梁沉降智能检测系统 | |
CN111476278A (zh) | 一种气体浓度智能化检测系统 | |
CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN115630101A (zh) | 水文参数智能化监控与水资源大数据管理系统 | |
CN110119165B (zh) | 一种水产养殖池塘溶解氧检测装置 | |
CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
CN113283642A (zh) | 一种家禽饲料检测与配方系统 | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN117232817A (zh) | 电动阀智能化的大数据监测方法及物联网系统 | |
CN117221352A (zh) | 物联网数据采集与智能化的大数据处理方法及云平台系统 | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
CN111524348A (zh) | 一种长短期交通流预测模型及方法 |
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 |