CN113301127A - 一种牲畜饲料检测系统 - Google Patents
一种牲畜饲料检测系统 Download PDFInfo
- Publication number
- CN113301127A CN113301127A CN202110497244.5A CN202110497244A CN113301127A CN 113301127 A CN113301127 A CN 113301127A CN 202110497244 A CN202110497244 A CN 202110497244A CN 113301127 A CN113301127 A CN 113301127A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- livestock
- output
- input
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L12/40006—Architecture of a communication node
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/40—Bus networks
- H04L2012/40208—Bus networks characterized by the use of a particular bus standard
- H04L2012/40215—Controller Area Network CAN
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种牲畜饲料检测系统,所述系统包括牲畜养殖环境参数采集与控制平台和饲料配比大数据处理子系统两部分,牲畜养殖环境参数采集与控制平台实现对牲畜环境参数检测、调节和监控,饲料配比大数据处理子系统实现对畜牧饲料配比的料重比进行预测;本发明有效解决了现有牲畜养殖环境参数检测系统没有根据畜牧养殖环境参数变化的非线性、大滞后和养殖环境大等对牲畜养殖经济效益的影响,没有对牲畜饲料的料重比进行预测和对牲畜饲料配比精确调节,从而极大的影响畜牧养殖经济效益和养殖管理问题。
Description
技术领域
本发明涉及畜牧饲料检测的自动化装备的技术领域,具体涉及一种牲畜饲料检测系统。
背景技术
饲料工业为畜牧业的发展提供了坚实的物质基础,畜牧业为饲料工业的发展提供了巨大的发展空间,随着养殖业生产方式加快转变,特别是规模化、标准化和专业化发展,饲料工业对养殖业的支撑地位更加明显突出,产业拓展空间更加广阔。现阶段,畜牧业和饲料工业发展呈现出融合发展的态势,饲料企业与畜牧养殖企业的结合更加紧密,有些饲料企业已经成为农业产业化龙头企业产业链上的重要一环,产业相互的关联度越来越高,呈现出新的发展趋势和特点。我国畜牧生产成本高,单产水平低,与国际相比市场竞争力还有差距,与居民对安全优质高品质畜产品的需求还有差距,与农牧民期望平稳收益的要求还有差距。因此,本专利研制一种畜牧饲料检测系统实现对牲畜养殖过程的畜牧饲料的料重比进行精确预测,为提高畜牧饲料的生产效益提供遵循。
发明内容
本发明提供了一种牲畜饲料检测系统,本发明有效解决了现有牲畜养殖环境参数检测系统没有根据畜牧养殖环境参数变化的非线性、大滞后和养殖环境大等对牲畜养殖经济效益的影响,没有对牲畜饲料的料重比进行预测和对牲畜饲料配比精确调节,从而极大的影响畜牧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:
一种畜牧饲料检测系统由牲畜养殖环境参数采集与控制平台和饲料配比大数据处理子系统两部分组成,牲畜养殖环境参数采集与控制平台实现对牲畜环境参数检测、调节和监控,饲料配比大数据处理子系统实现对畜牧饲料配比的料重比进行预测,提高检测畜牧饲料配比的料重比的准确性。
本发明进一步技术改进方案是:
牲畜养殖环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和手机APP组成,检测节点采集牲畜养殖环境参数经网关节点上传到云平台,在云平台存储数据和发布信息,手机APP通过云平台提供的牲畜养殖环境信息可实时监测牲畜养殖环境参数,检测节点和控制节点负责采集牲畜养殖环境参数信息和控制牲畜养殖环境设备,通过网关节点实现检测节点、控制节点、现场监控端、云平台和手机APP的双向通信,实现牲畜养殖环境参数采集和牲畜养殖设备控制;牲畜养殖环境参数采集与控制平台结构参加图1。
本发明进一步技术改进方案是:
饲料配比大数据处理子系统由3个CNN卷积神经网络模型、3个NARX神经网络模型、Jordan神经网络模型、ESN神经网络模型、BAM神经网络模型、T-S模糊神经网络模型、时延神经网络模型、LSTM神经网络模型、料重比趋势预测模块和环境评价模块组成,3个CNN卷积神经网络模型分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3,3个NARX神经网络模型分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3,牲畜生长前期饲料配比、牲畜生长中期饲料配比和牲畜生长后期饲料配比分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输入,CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的对应输入,NARX神经网络模型1输出分别是NARX神经网络模型2和Jordan神经网络模型的对应输入,NARX神经网络模型2输出分别是NARX神经网络模型3和Jordan神经网络模型的对应输入,CNN卷积神经网络模型3输出是Jordan神经网络模型的对应输入,Jordan神经网络模型、料重比趋势预测模块和环境评价模块分别是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入,ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的输出是时延神经网络模型的输入,时延神经网络模型的输出值是LSTM神经网络模型的输入,LSTM神经网络模型的输出是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入,时延神经网络模型的输出值是料重比值;饲料配比大数据处理子系统结构参见图2。
本发明进一步技术改进方案是:
料重比趋势预测模块由EMD经验模态分解模型、GM(1,1)灰色预测模型、多个DRNN神经网络模型和NARX神经网络模型组成,料重比历史数据作为EMD经验模态分解模型的输入,EMD经验模态分解模型输出的料重比历史数据的低频趋势部分和多个高频波动部分分别是GM(1,1)灰色预测模型和多个DRNN神经网络模型的输入,GM(1,1)灰色预测模型和多个DRNN神经网络模型的输出是LSTM神经网络模型的输入,LSTM神经网络模型的输出为料重比趋势预测模块输出值;料重比趋势预测模块结构参见图2。
本发明进一步技术改进方案是:
环境评价模块由多个时延神经网络模型、降噪自编码器和NARX神经网络模型组成,多组温度、湿度、风速和光照度传感器器分别是多个时延神经网络模型的输入,多个时延神经网络模型的输出为降噪自编码器的输入,降噪自编码器分别输出的牲畜生长前期环境等级值、牲畜生长中期环境等级值和牲畜生长后期环境等级值作为NARX神经网络模型的对应输入,NARX神经网络模型输出为环境评价模块的输出值;环境评价模块结构参见图2。
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牲畜饲料配方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牲畜饲料配方和畜牧饲料料重比之间的关系的优势,解决牲畜饲料配方和畜牧饲料料重比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;首先将牲畜饲料配方的序列数据输入到CNN卷积神经网络模型中提取牲畜饲料配方的空间特征向量;其次将上一步提取牲畜饲料配方的空间特征向量作为NARX神经网络模型的输入,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牲畜饲料配方料重比的活动序列数据之间的时间特征相互影响问题,从而提高预测牲畜饲料配方的料重比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牲畜饲料配方的空间特征,实现对牲畜饲料配方的特征提取;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,挖掘牲畜饲料配方的时序信息,在时间维度上提取牲畜饲料配方的时间特征,并实现牲畜饲料配方料重比的精确预测。
三、本发明采用CNN卷积神经网络模型的卷积层主要优势在于提取牲畜饲料配方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牲畜饲料配方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,并未使用全局牲畜饲料配方;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,大幅减少了牲畜饲料配方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牲畜饲料配方预测精确度。
四、本发明采用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牲畜饲料配方、畜牧料重比历史数据和水产养殖环境数据中存在的相关关系,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神经网络模型实现牲畜饲料配方料重比和水产养殖池塘环境水质参数等级的预测,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,它携带着牲畜饲料配方的料重比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牲畜饲料配方的料重比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牲畜饲料配方的料重比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牲畜饲料配方的料重比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。牲畜饲料配方的料重比预测数据是序列数据,其变化趋势富有含义。此外,由于牲畜饲料配方的料重比预测的采样间隔相对较小,牲畜饲料配方的料重比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牲畜饲料配方的料重比数据进行重构,然后把生成的牲畜饲料配方料重比数据作为下一级的输入。深层级的预测结果不但基于牲畜饲料配方的料重比数据训练数据中的输入值,还受浅层级牲畜饲料配方的料重比数据结果的影响,这种方法能够更有效地提取牲畜饲料配方的料重比数据输入数据中蕴含的信息,提升模型的预测牲畜饲料配方的料重比数据的准确度。
八、本发明采用NARX神经网络模型的一种通过牲畜饲料配方的料重比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牲畜饲料配方的料重比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牲畜饲料配方的料重比参数来建立料重比组合模型,模型输出的料重比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牲畜饲料配方的料重比连续动态预测。输入包括了一段时间的牲畜饲料配方的料重比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牲畜饲料配方的料重比状态历史信息参与牲畜饲料配方的料重比的预测,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牲畜饲料配方的料重比方法。
九、本发明利用NARX神经网络模型建立牲畜饲料配方的料重比预测模型,由于通过引入输入延时模块及输出反馈建立牲畜饲料配方的料重比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,使其在非线性牲畜饲料配方的料重比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BAM神经网络模型是一种双层反馈神经网络,用它可实现牲畜饲料配方的料重比的异联想记忆功能;其当向其中一层加入牲畜饲料配方的料重比输入信号时,另一层得到输出。由于初始模式可以作用于网络的任一层,牲畜饲料配方的料重比信息也可以双向传播,所以没有明确的输入层或输出层。BAM神经网络模型学习速度快,而BP学习时收敛速度慢,最终收敛达到的还有可能是局部最小点而非全局最小点,而BAM达到的一定是能量最小点;BAM神经网络模型是牲畜饲料配方的料重比有反馈网络,当输入出现错误时,BAM神经网络模型不但可以输出准确的故障原因,还可纠正牲畜饲料配方的料重比原始输入的错误。BAM神经网络模型利用BAM神经网络双向联想存储的特性,提高推理过程中牲畜饲料配方的料重比的不确定信息处理能力。
附图说明
图1为本专利的牲畜养殖环境参数采集与控制平台;
图2为本专利的饲料配比大数据处理子系统;
图3为本专利的检测节点;
图4为本专利的控制节点;
图5为本专利的网关节点;
图6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1-6,对本申请技术方案作进一步描述:
一、系统总体功能的设计
本发明一种畜牧饲料检测系统由牲畜养殖环境参数采集与控制平台和饲料配比大数据处理子系统两部分组成,牲畜养殖环境参数采集与控制平台实现对牲畜环境参数检测、调节和监控,饲料配比大数据处理子系统实现对畜牧饲料配比的料重比进行预测;牲畜养殖环境参数采集与控制平台包括牲畜养殖环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和手机App组成,检测节点和控制节点构建成CAN总线网络通信来实现检测节点、控制节点和网关节点之间的CAN总线网络通信;检测节点将检测的牲畜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之间实现牲畜养殖环境参数和相关控制信息的双向传输。牲畜养殖环境参数采集与控制平台见图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1作为牲畜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。检测节点包括采集牲畜养殖环境的温度、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总线网络通信和牲畜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、控制节点的设计
控制节点通过CAN总线网络实现与网关节点之间的信息相互交互,控制节点包括控制外部设备对应的4个数模转换电路、STM32微处理器、4个外部设备控制器和CAN总线通信网络的CAN接口;4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和光照控制器。控制节点结构图见图4。
四、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和控制节点之间通信的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5.
五、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牲畜养殖环境参数进行采集与处理和预测牲畜饲料配比的料重比,实现与检测节点与控制节点的信息交互,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饲料配比大数据处理子系统对牲畜饲料配比的料重比进行智能预测,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6;饲料配比大数据处理子系统结构如图2所示,饲料配比大数据处理子系统的设计过程如下:
饲料配比大数据处理子系统由3个CNN卷积神经网络模型、3个NARX神经网络模型、Jordan神经网络模型、ESN神经网络模型、BAM神经网络模型、T-S模糊神经网络模型、时延神经网络模型、LSTM神经网络模型、料重比趋势预测模块和环境评价模块组成;各个模型设计如下:
1、CNN卷积神经网络模型设计
3个CNN卷积神经网络模型分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3,牲畜生长前期饲料配比、牲畜生长中期饲料配比和牲畜生长后期饲料配比分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输入,CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的对应输入。CNN卷积神经网络模型能够直接从大量的牲畜饲料配方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,一般将牲畜饲料配方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牲畜饲料配方输入信息,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,从而实现对牲畜饲料配方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。
2、NARX神经网络模型设计
3个NARX神经网络模型分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3,CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的对应输入,NARX神经网络模型1输出分别是NARX神经网络模型2和Jordan神经网络模型的对应输入,NARX神经网络模型2输出分别是NARX神经网络模型3和Jordan神经网络模型的对应输入,CNN卷积神经网络模型3输出是Jordan神经网络模型的对应输入;NARX神经网络模型是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。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,适宜对牲畜饲料配方的料重比进行预测。x(t)表示神经网络的外部输入,即CNN卷积神经网络模型输出值;m表示外部输入的延迟阶数;y(t)是神经网络的输出,即下一时段的料重比预测值;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] (2)
本发明专利的NARX神经网络模型是一种动态的前馈神经网络,NARX神经网络是一个有着外部输入的CNN卷积神经网络模型输出值的非线性自回归网络,它有一个多步时延的动态特性,并通过反馈料重比输出值连接到网络输入的封闭网络的若干层,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料重比不仅取决于过去y(t-n)时刻的输出料重比,还取决于当时的CNN卷积神经网络模型输出作为输入向量X(t)以及输入向量的延迟阶数等。其中CNN卷积神经网络模型输出作为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神经网络模型输出料重比,时延层将NARX神经网络模型输出料重比反馈的信号和CNN卷积神经网络模型输出作为输入层的信号进行延时,然后输送到隐层。
3、Jordan神经网络模型设计
NARX神经网络模型1输出分别是NARX神经网络模型2和Jordan神经网络模型的对应输入,NARX神经网络模型2输出分别是NARX神经网络模型3和Jordan神经网络模型的对应输入,CNN卷积神经网络模型3输出是Jordan神经网络模型的对应输入,Jordan神经网络模型、料重比趋势预测模块和环境评价模块分别是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入;本发明专利所采用的Jordan神经网络模型除了输入层、隐层、输出层外,还有一个用来记忆系统前一时刻输出值的特殊单元层,可以认为是时延算子,并将隐层状态反馈;Jordan神经网络模型具有输出反馈环节可以反映神经网络的输出特性,通过将隐层的状态反馈,使其能够反映状态特性,这样使得Jordan神经网络模型具有更丰富的性质,适用范围更广泛,更适于料重比的动态预测,相对于前向网络具有明显的优势。设Jordan神经网络网络模型输入层有n个节点,隐层有m个节点,出层有1个节点,目标层和隐含层的输出为:
ot=f(xi(k)-θi) (4)
其中f是sigmoid函数,是阈值,其中:
xc(k)=αxc(k-1)+y(k-1) (6)
其中α大于等于0和小于等于1。
4、ESN神经网络模型设计
Jordan神经网络模型、料重比趋势预测模块和环境评价模块分别是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入,ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的输出是时延神经网络模型的输入;ESN神经网络模型(Echo state network,ESN)是一种新型的动态神经网络,具有动态神经网络的全部优点,同时由于回声状态网络引入了“储备池”概念,所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”,整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构,该结构中神经元相互连接是稀疏的,通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:
式中W为神经网络的状态变量,Win为神经网络的输入变量;Wback为神经网络的输出状态变量连接权矩阵;x(n)表示神经网络的内部状态;Wout为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵;为神经网络的输出偏差或可以代表噪声;f=f[f1,f2,…,fn]为“储备池”内部神经元的n个激活函数;fi为双曲正切函数;fout为ESN神经网络模型的ε个输出函数。ESN神经网络模型输出为料重比的预测值。
5、BAM神经网络模型设计
Jordan神经网络模型、料重比趋势预测模块和环境评价模块分别是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入,ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的输出是时延神经网络模型的输入;BAM神经网络模型是一种反馈型的双向联想记忆神经网络,通过多次反馈训练的模式来进行料重比的进一步预测,它具有联想记忆牲畜饲料配方料重比的功能,自适应性能力强,自动提取牲畜饲料配方料重比值的优点,并且预测误差较小,自出现以来便得到广泛应用;BAM神经网络模型拓扑结构中,网络输入端的初始模式为x(t),通过权值矩阵W1加权后到达输出端y端,经过输出节点的转移特性fy的非线性变换和W2矩阵加权后返回到输入端x,再经过x端输出节点转移特性fx的非线性变换,变为输入端x的输出,反复这一运行过程,BAM神经网络模型状态转移方程见式(8)如下:
6、T-S模糊神经网络模型设计
Jordan神经网络模型、料重比趋势预测模块和环境评价模块分别是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入,ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的输出是时延神经网络模型的输入;T-S模糊神经网络模型Takagi-Sugeno(T-S)的模糊逻辑系统是复杂非线性系统模糊建模中一种经典的模糊动态模型,它是基于T-S模糊逻辑系统和神经网络的融合,得到了一种结构简单的T-S模糊神经网络。T-S模糊神经网络为普通的模糊神经网络共有4层,分别为输入层、模糊化层、规则计算层和输出层,第一层为输入层,每个节点均与输入向量xi相连。第二层为模糊化层,本专利采用高斯函数作为T-S模糊神经网络的隶属度函数,所采用的隶属度函数为:
第三层为规则计算层,每个节点代表一条模糊规则,采用隶属度的连乘作为模糊规则,通过
第四层为输出层,通过下面公式求得到T-S模糊神经网络的输出:
其中T-S模糊神经网络输出的料重比预测值。
7、LSTM神经网络模型设计
时延神经网络模型的输出值是LSTM神经网络模型的输入,LSTM神经网络模型的输出是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入;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(InputGate)、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料重比动态变化,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料重比动态变化信息,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。设输入多个时延神经网络模型输出值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (11)
ft=sigmoid(Whfht-1+WhfXt) (12)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (13)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (14)
ht=ot⊙tanh(ct) (15)
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牲畜饲料配方的料重比值,该方法首先建立LSTM神经网络模型,利用预处理的多个时延神经网络模型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料重比变化的时序性和非线性,具有较高料重比反馈值动态的预测精度。
8、时延神经网络模型设计
ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的输出是时延神经网络模型的输入,时延神经网络模型的输出值是LSTM神经网络模型的输入,时延神经网络模型的输出值是料重比值;
时间延迟神经网络(Time Delay 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ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的输出信号和K以前的d-1个ESN神经网络模型、BAM神经网络模型和T-S模糊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)) (16)
9、料重比趋势预测模块设计
料重比趋势预测模块由EMD经验模态分解模型、GM(1,1)灰色预测模型、多个DRNN神经网络模型和LSTM神经网络模型组成。
(1)、EMD经验模态分解模型设计
料重比历史数据作为EMD经验模态分解模型的输入,EMD经验模态分解模型输出的料重比历史数据的低频趋势部分和多个高频波动部分分别是GM(1,1)灰色预测模型和多个DRNN神经网络模型的输入;EMD经验模态分解模型是一种牲畜饲料料重比历史数据趋势信号筛选方法,具有计算简单、直观、基于经验和自适应的特点,它能将存在于牲畜饲料料重比历史数据信号中不同特征的趋势逐级筛选出来,得到牲畜饲料料重比历史数据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牲畜饲料料重比历史数据分量信号包含了从高到低不同频率段的成分信号,牲畜饲料料重比历史数据包含的频率分辨率都随牲畜饲料料重比信号本身变化,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牲畜饲料料重比历史数据的信息。IMF分量必须同时满足两个条件:①在待分解牲畜饲料料重比历史数据信号中,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,由牲畜饲料料重比历史数据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牲畜饲料料重比历史数据的上限值信号的“筛分”过程步骤如下:(a)确定牲畜饲料料重比历史数据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)再用三次样条线将牲畜饲料料重比历史数据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)牲畜饲料料重比历史数据的上与下包络线的平均值记为m1(t),求出:
x(t)-m1(t)=h1(t) (17)
x(t)为牲畜饲料料重比历史数据原始信号,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) (18)
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牲畜饲料料重比历史数据分解成低频趋势部分和多个高频波动部分。
(2)、GM(1,1)灰色预测模型设计
EMD经验模态分解模型输出的料重比历史数据的低频趋势部分和多个高频波动部分分别是GM(1,1)灰色预测模型和多个DRNN神经网络模型的输入,GM(1,1)灰色预测模型和多个DRNN神经网络模型的输出是LSTM神经网络模型的输入;GM(1,1)灰色预测模型是将无规律的料重比历史数据的趋势部分值进行累加,得到规律性比较强的生成数据序列后预测料重比历史趋势值的预测建模过程,由生成预测GM(1,1)灰色预测模型得到的数据再进行累减得到原始数据的预测值。假设要预测料重比历史数据的趋势部分值的输出数据数列为:
x(0)=(x(0)(1),x(0)(2),…x(0)(n))
一阶累加后生成新的序列为:x(1)=(x(1)(1),x(1)(2),…x(1)(n))
则x(1)序列具有指数增长的规律,即满足一阶线性微分方程:
公式中a成为发展灰数,它反映x(1)和x(0)的发展趋势;u为内生控制灰数,反映了数据之间的变化关系。解上式的微分方程得到x(1)的整个料重比趋势值的预测值为:
通过下面公式的累减还原,得到原始序列x的料重比趋势值的灰色预测模型为:
通过构建GM(1,1)灰色预测被料重比趋势值的预测模型,可以实现对本专利的料重比趋势值的预测。
(3)、多个DRNN神经网络模型设计
EMD经验模态分解模型输出的料重比历史数据的低频趋势部分和多个高频波动部分分别是GM(1,1)灰色预测模型和多个DRNN神经网络模型的输入,GM(1,1)灰色预测模型和多个DRNN神经网络模型的输出是LSTM神经网络模型的输入;DRNN神经网络模型是一种具有反馈的动态回归神经网络和适应时变特性的能力,该网络能够更直接生动地反映料重比历史趋势的高频部分的动态变化性能,可以精确预测重比历史趋势的高频部分变化趋势,每个DRNN神经网络模型为12-21-1的3层网络结构,其隐层为回归层。设为DRNN神经网络输入向量,其中Ii(t)为DRNN神经网络模型输入层第i个神经元t时刻的输入,回归层第j个神经元的输出为Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数,则O(t)为DRNN神经网络模型的输出。则DRNN神经网络模型的输出层输出为:
本专利每个DRNN神经网络模型的输入层、输出层、隐层的个数分别为12,2和1。
(4)、LSTM神经网络模型设计
GM(1,1)灰色预测模型和多个DRNN神经网络模型的输出是LSTM神经网络模型的输入,LSTM神经网络模型的输出为料重比趋势预测模块输出值;LSTM神经网络模型的设计方法参照本专利的有关部分。
10、环境评价模块设计
环境评价模块由多个时延神经网络模型、降噪自编码器和NARX神经网络模型组成。
(1)、时延神经网络模型设计
多组温度、湿度、风速和光照度传感器器分别是多个时延神经网络模型的输入,多个时延神经网络模型的输出为降噪自编码器的输入,时延神经网络模型的设计参照本专利的相关部分。
(2)、降噪自编码器设计
多个时延神经网络模型的输出为降噪自编码器的输入,降噪自编码器分别输出的牲畜生长前期环境等级值、牲畜生长中期环境等级值和牲畜生长后期环境等级值作为NARX神经网络模型的对应输入,NARX神经网络模型输出为环境评价模块的输出值;降噪自编码器(DAE)是一种降维方法,通过训练具有小中心层的多层神经网络,将高维数据转换为低维数据。DAE是一种典型的三层神经网络,在隐藏层和输入层之间有一个编码过程,在输出层和隐藏层之间有一个解码过程。自动编码器通过对输入牲畜养殖环境等级数据的编码操作得到编码表示(编码器),通过对隐含层的输出解码操作得到重构的输入牲畜养殖环境等级数据(解码器),隐含层的数据就是降维数据。然后定义重构误差函数来测量自动编码器的学习效果。基于误差函数,可以添加约束条件,生成各种类型的自动编码器。编码器和解码器以及损失函数如下所示:编码器:h=δ(Wx+b)(23)
AE的训练过程与BP神经网络类似,W和W'为权值矩阵,b和b'为偏置量,h为隐含层的输出值,x为输入向量,为输出向量,δ为激励函数,一般使用Sigmoid函数或tanh函数。降噪自编码器是通过在输入数据中加入噪声数据来训练稀疏自编码网络,由于噪声数据的作用使自编码网络学习的数据特征更具有鲁棒性,自编码网络分为编码过程和解码过程,输入层到隐藏层为编码过程,隐藏层到输出层为解码过程。自编码网络的目标是利用误差函数使输入和输出尽量相近,通过反向传播最小化误差函数,得到自编码网络最优的权值和偏置,为建立深度自编码网络模型做准备。降噪自编码器过程中使用随机概率将原始数据中某些值置为0得到含有噪声数据,根据自编码网络编码解码原理,利用含有噪声数据得到编码数据和解码数据,最后通过解码数据和原始数据构造误差函数,通过反向传播最小化误差函数,得到最优的网络权值和偏置。通过加入噪声来破坏原始数据,然后将损坏的数据作为输入层输入到神经网络中。降噪自编码器神经网络的重构结果应与原始数据近似,通过这种方法,可以消除扰动,并获得稳定的结构。原始输入数据通过加入噪声得到干扰输入,然后输入到编码器中得到特征表达,再通过解码器映射到输出层。
(3)、NARX神经网络模型设计
降噪自编码器分别输出的牲畜生长前期环境等级值、牲畜生长中期环境等级值和牲畜生长后期环境等级值作为NARX神经网络模型的对应输入,NARX神经网络模型输出为环境评价模块的输出值;NARX神经网络模型的设计方法参照本专利的有关部分。
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 (5)
1.一种牲畜饲料检测系统,其特征在于:所述系统包括牲畜养殖环境参数采集与控制平台和饲料配比大数据处理子系统两部分,牲畜养殖环境参数采集与控制平台实现对牲畜环境参数检测、调节和监控,饲料配比大数据处理子系统实现对畜牧饲料配比的料重比进行预测;
所述饲料配比大数据处理子系统由CNN卷积神经网络模型、NARX神经网络模型、Jordan神经网络模型、ESN神经网络模型、BAM神经网络模型、T-S模糊神经网络模型、时延神经网络模型、LSTM神经网络模型、料重比趋势预测模块和环境评价模块组成;
所述CNN卷积神经网络模型分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3, NARX神经网络模型分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3;
牲畜生长前期饲料配比、牲畜生长中期饲料配比和牲畜生长后期饲料配比分别为CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输入,CNN卷积神经网络模型1、CNN卷积神经网络模型2和CNN卷积神经网络模型3的输出分别为NARX神经网络模型1、NARX神经网络模型2和NARX神经网络模型3的对应输入,NARX神经网络模型1输出分别是NARX神经网络模型2和Jordan神经网络模型的对应输入,NARX神经网络模型2输出分别是NARX神经网络模型3和Jordan神经网络模型的对应输入,CNN卷积神经网络模型3输出是Jordan神经网络模型的对应输入,Jordan神经网络模型、料重比趋势预测模块和环境评价模块分别是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入,ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的输出是时延神经网络模型的输入,时延神经网络模型的输出值是LSTM神经网络模型的输入,LSTM神经网络模型的输出是ESN神经网络模型、BAM神经网络模型和T-S模糊神经网络模型的对应输入,时延神经网络模型的输出值是料重比值。
2.根据权利要求1所述的一种牲畜饲料检测系统,其特征在于:所述料重比趋势预测模块由EMD经验模态分解模型、GM(1,1)灰色预测模型、多个DRNN神经网络模型和LSTM神经网络模型组成,料重比历史数据作为EMD经验模态分解模型的输入,EMD经验模态分解模型输出的料重比历史数据的低频趋势部分和多个高频波动部分分别是GM(1,1)灰色预测模型和多个DRNN神经网络模型的输入,GM(1,1)灰色预测模型和多个DRNN神经网络模型的输出是LSTM神经网络模型的输入,LSTM神经网络模型的输出为料重比趋势预测模块输出值。
3.根据权利要求1所述的一种牲畜饲料检测系统,其特征在于:所述环境评价模块由多个时延神经网络模型、降噪自编码器和NARX神经网络模型组成,多组温度、湿度、风速和光照度传感器分别是多个时延神经网络模型的输入,多个时延神经网络模型的输出为降噪自编码器的输入,降噪自编码器分别输出的牲畜生长前期环境等级值、牲畜生长中期环境等级值和牲畜生长后期环境等级值作为NARX神经网络模型的对应输入,NARX神经网络模型输出为环境评价模块的输出值。
4.根据权利要求1或2所述的一种牲畜饲料检测系统,其特征在于:所述牲畜养殖环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和手机APP组成。
5.根据权利要求4所述的一种牲畜饲料检测系统,其特征在于:所述检测节点采集牲畜养殖环境参数经网关节点上传到云平台,在云平台存储数据和发布信息,手机APP通过云平台提供的牲畜养殖环境信息可实时监测牲畜养殖环境参数,检测节点和控制节点负责采集牲畜养殖环境参数信息和控制牲畜养殖环境设备,通过网关节点实现检测节点、控制节点、现场监控端、云平台和手机APP的双向通信,实现牲畜养殖环境参数采集和牲畜养殖设备控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497244.5A CN113301127B (zh) | 2021-05-07 | 2021-05-07 | 一种牲畜饲料检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497244.5A CN113301127B (zh) | 2021-05-07 | 2021-05-07 | 一种牲畜饲料检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113301127A true CN113301127A (zh) | 2021-08-24 |
CN113301127B CN113301127B (zh) | 2022-06-14 |
Family
ID=77321037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497244.5A Active CN113301127B (zh) | 2021-05-07 | 2021-05-07 | 一种牲畜饲料检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113301127B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355848A (zh) * | 2021-12-20 | 2022-04-15 | 淮阴工学院 | 张力检测与智能控制系统 |
CN114397809A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 物料称重大数据检测与包装智能控制系统 |
CN115016275A (zh) * | 2022-06-17 | 2022-09-06 | 淮阴工学院 | 智能化饲喂与畜禽舍大数据物联网系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200050939A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Neural network model deployment method, prediction method and related device |
CN110972993A (zh) * | 2019-11-21 | 2020-04-10 | 华南农业大学 | 基于云服务的畜禽养殖智能化信息管理系统及方法 |
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 CN202110497244.5A patent/CN113301127B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200050939A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Neural network model deployment method, prediction method and related device |
CN110972993A (zh) * | 2019-11-21 | 2020-04-10 | 华南农业大学 | 基于云服务的畜禽养殖智能化信息管理系统及方法 |
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 |
Non-Patent Citations (1)
Title |
---|
王艳等: "基于LabVIEW的生猪养殖环境监控系统设计", 《黑龙江畜牧兽医》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355848A (zh) * | 2021-12-20 | 2022-04-15 | 淮阴工学院 | 张力检测与智能控制系统 |
CN114397809A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 物料称重大数据检测与包装智能控制系统 |
CN115016275A (zh) * | 2022-06-17 | 2022-09-06 | 淮阴工学院 | 智能化饲喂与畜禽舍大数据物联网系统 |
CN115016275B (zh) * | 2022-06-17 | 2023-06-06 | 淮阴工学院 | 智能化饲喂与畜禽舍大数据物联网系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113301127B (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113301127B (zh) | 一种牲畜饲料检测系统 | |
CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
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 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN113281465A (zh) | 一种畜禽舍养殖环境有害气体检测系统 | |
CN113219871B (zh) | 一种养护室环境参数检测系统 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN112904756B (zh) | 一种管网大数据检测系统 | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN115630101B (zh) | 水文参数智能化监控与水资源大数据管理系统 | |
CN113283642A (zh) | 一种家禽饲料检测与配方系统 | |
CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN114397809B (zh) | 物料称重大数据检测与包装智能控制系统 | |
CN114417242B (zh) | 畜禽活动信息的大数据检测系统 | |
CN113218598B (zh) | 一种气密性检测系统 | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
CN112906856A (zh) | 一种基于云平台的畜禽舍环境温度检测系统 | |
CN116108361B (zh) | 油液质量智能检测方法与监测系统 | |
CN115016275B (zh) | 智能化饲喂与畜禽舍大数据物联网系统 | |
CN115905938B (zh) | 基于物联网储罐安全监测方法及系统 | |
CN115511062B (zh) | 巡检机器人的多参数检测系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230118 Address after: Room 6405, No. 233, Tianhe North Road, Tianhe District, Guangzhou, Guangdong, 510000 Patentee after: Guangdong Xinnong Internet Technology Co.,Ltd. Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road. Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |