CN113361747A - 一种预测不同体重阶段商品猪净能需要量的方法及应用 - Google Patents
一种预测不同体重阶段商品猪净能需要量的方法及应用 Download PDFInfo
- Publication number
- CN113361747A CN113361747A CN202110497052.4A CN202110497052A CN113361747A CN 113361747 A CN113361747 A CN 113361747A CN 202110497052 A CN202110497052 A CN 202110497052A CN 113361747 A CN113361747 A CN 113361747A
- Authority
- CN
- China
- Prior art keywords
- net energy
- daily
- net
- pigs
- energy
- 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
- 241000282887 Suidae Species 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008021 deposition Effects 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 45
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 29
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 29
- 235000019577 caloric intake Nutrition 0.000 claims abstract description 17
- 235000016709 nutrition Nutrition 0.000 claims abstract description 11
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 238000000151 deposition Methods 0.000 claims description 76
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 55
- 238000012360 testing method Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 30
- 229910052757 nitrogen Inorganic materials 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 20
- 238000012423 maintenance Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 230000002485 urinary effect Effects 0.000 claims description 13
- 230000000241 respiratory effect Effects 0.000 claims description 10
- 230000002550 fecal effect Effects 0.000 claims description 9
- 230000004060 metabolic process Effects 0.000 claims description 9
- 238000007707 calorimetry Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000001079 digestive effect Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 235000013305 food Nutrition 0.000 claims description 5
- 238000010992 reflux Methods 0.000 claims description 5
- 230000029087 digestion Effects 0.000 claims description 4
- 230000003636 fecal output Effects 0.000 claims description 4
- 230000035924 thermogenesis Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000004861 thermometry Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims 2
- 235000001434 dietary modification Nutrition 0.000 claims 1
- 230000035764 nutrition Effects 0.000 abstract description 10
- 230000033228 biological regulation Effects 0.000 abstract description 4
- 238000009395 breeding Methods 0.000 abstract description 2
- 230000001488 breeding effect Effects 0.000 abstract description 2
- 241000282898 Sus scrofa Species 0.000 abstract 4
- 238000013528 artificial neural network Methods 0.000 description 9
- 241001465754 Metazoa Species 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000002700 urine Anatomy 0.000 description 5
- 210000003608 fece Anatomy 0.000 description 4
- 235000021050 feed intake Nutrition 0.000 description 4
- 206010059410 Faecaluria Diseases 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 208000003098 Ganglion Cysts Diseases 0.000 description 2
- 208000005400 Synovial Cyst Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 235000019728 animal nutrition Nutrition 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000006027 corn-soybean meal Substances 0.000 description 1
- 235000021316 daily nutritional intake Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000005298 paramagnetic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000021195 test diet Nutrition 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fodder In General (AREA)
Abstract
本发明涉及商品猪养殖技术领域,具体涉及一种预测不同体重阶段商品猪净能需要量的方法及应用。本发明通过将不同体重阶段商品猪的体重、每日总能摄入量输入到已经建立的最佳神经网络模型中,精确预测出该体重阶段商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量,有助于解决我国生猪产业中商品猪的净能需要量测定困难的问题,建立的模型推动了基于净能体系的猪实时配方的实现,同时为实现猪胴体组成的实时营养调控以及猪的精准营养配方奠定了理论基础。
Description
技术领域
本发明涉及商品猪养殖技术领域,具体涉及一种预测不同体重阶段商品猪净能需要量的方法及应用。
背景技术
应用于猪生产上的能量体系包括总能、消化能、代谢能和净能体系,在对动物可利用能量的描述上,四种能量体系的准确性依次递增。以净能体系为基础,准确测定不同体重阶段商品猪的能量需要量水平,对于提高饲料的利用效率和养猪的生产效率、最终推动猪精准营养配方的实现具有重要的意义。
然而,动物的营养需要量随着自身的生长发育和所处生理状态的改变而不断变化,实时监测每一体重阶段下商品猪的能量需要量需要花费大量的人力和物力,因此利用体重等易监测的指标参数建立猪能量需要量的动态预测模型显得十分必要。
传统的畜牧学科中建立模型的方法主要为线性和简单非线性回归法,其预测效果有限;而近年来兴起的机器学习模型,如神经网络模型等的预测准确度,普遍高于传统建模手段,且更适用于存在复杂关系或不确定关系的变量间的预测建模。
因此,亟需建立一种基于神经网络模型来预测不同体重阶段商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量的方法。
发明内容
本发明第一方面提供一种预测不同体重阶段商品猪的净能需要量的方法。利用该方法,通过将不同体重阶段商品猪的体重、每日总能摄入量输入到已经建立的最佳神经网络模型中,精确预测出该体重阶段商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量,解决传统建模手段预测不准确的问题,推动了基于净能体系的猪实时配方的实现,同时为实现猪胴体组成的实时营养调控以及猪的精准营养配方奠定了理论基础。
本发明所提供的预测不同体重阶段商品猪的净能需要量的方法,包括:
(1)获取不同体重阶段商品猪的体重、每日总能摄入量,以及所对应的商品猪的净能需要量数据,建立对应关系,构建数据库;
(2)以所述体重、每日总能摄入量作为输入变量,以所述净能需要量作为输出变量,建立多个神经网络模型;
(3)以所述数据库中的一部分数据作为训练集,训练每一个神经网络模型;
(4)以所述数据库中的另一部分数据作为测试集,验证每一个训练后的神经网络模型;根据验证结果,确定最佳神经网络模型;
(5)利用最佳神经网络模型预测不同体重阶段商品猪的净能需要量。
下面对上述方法作进一步说明。
本发明所述方法的步骤(1)中,所述净能需要量为维持净能需要量、沉积净能需要量、蛋白沉积净能需要量和脂肪沉积净能需要量。
其中,所述净能需要量的数据通过呼吸测热试验获得的方法为:将若干头商品猪饲养于开放回流呼吸测热室内,记录猪只的O2消耗量以及CO2和CH4的排放量;进而计算出猪的总产热与绝食产热;再进一步通过析因法、氮平衡和消化代谢实验分别计算猪的净能需要量。
其中,维持净能需要量(kJ/d)=绝食产热(kJ/d)
其中,沉积净能需要量(kJ/d)=每日总能摄入量(kJ/d)-每日粪能排出量(kJ/d)-每日尿能排出量(kJ/d)-每日气体能排出量(kJ/d)-每日总产热(kJ/d)
其中,蛋白沉积净能需要量(kJ/d)=(每日氮摄入量,g/d-每日粪氮排出量,g/d-每日尿氮排出量,g/d)×6.25×23.86(kJ/g)
其中,脂肪沉积净能需要量(kJ/d)=沉积净能需要量(kJ/d)-蛋白沉积净能需要量(kJ/d);
以上,所述绝食产热、每日粪能排出量、每日尿能排出量、每日气体能排出量、每日总产热、每日氮摄入量、每日粪氮及尿氮排出量根据呼吸测热试验和消化代谢试验测定。
其中,所述每日总能摄入量通过试验中饲料所含能量水平和猪的饲料日采食量计算得出,每日总能摄入量(kJ/d)=饲料总能值(kJ/kg)×日采食量(kg/d)。
上述所得数据须进行补全、去噪、归一化处理。
其中,所述商品猪为杜×长×大三元杂交商品猪。
本发明所述方法的步骤(2)中,所述神经网络模型含有不同激活函数及不同隐藏层节点数。
所述激活函数包括双曲正切函数、线性函数和高斯函数。
所述隐藏层节点数为1-5个。
对于所述神经网络模型中其余参数均采用常规值;例如算法为前馈算法;层数为3层;迭代次数为1000;学习率为0.1;惩罚方法为平方;seed=1。
本发明所述方法的步骤(3)和(4)中,所述数据库中80%数据用作训练集,20%数据用作测试集。训练集与测试集的数据选择为软件随机选取
本发明所述方法的步骤(4)中,所述最佳神经网络模型的确定指标为:所述测试集的R2和RMSE。具有最高R2和最小RMSE值的测试集的神经网络模型被认为是最佳神经网络模型。
本发明第二方面提供了上述预测方法在实现基于净能体系的猪实时配方、猪胴体组成的实时营养调控及猪的精准营养配方中的应用。
本发明有益效果如下:
本发明首次建立了基于神经网络的、对不同体重阶段商品猪净能需要量的预测方法,其预测精度高,有助于解决商品猪的净能需要量测定困难的问题,推动了基于净能体系的猪实时配方的实现,同时为提高饲料资源的利用效率、实现猪胴体组成的实时营养调控以及猪的精准营养配方奠定了理论基础。
附图说明
图1为本发明提供的预测不同体重阶段商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量的方法的流程图。
图2为预测维持净能需要量的最佳神经网络模型的结构图。
图3为预测沉积净能需要量的最佳神经网络模型的结构图。
图4为预测蛋白沉积能量需要量的最佳神经网络模型的结构图。
图5为预测脂肪沉积能量需要量的最佳神经网络模型的结构图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
输入变量、输出变量的确定:
在畜牧学中,净能指的是真实为动物维持和生产利用的能量。无论是饲料原料的净能含量还是猪的净能需要量,其测定通常采用比较屠宰法与间接测热法,测定程序繁琐复杂。
根据动物营养学中对净能需要量的定义,本发明中,将净能需要量剖分为维持净能需要量和沉积净能需要量。
猪从日粮中获取到的净能,用于维持与生长,具体地,猪的生长主要是蛋白组织与脂肪组织的生长,因此沉积净能需要量可分解为蛋白沉积净能需要量与脂肪沉积净能需要量。
而猪所有的净能来自猪摄入的总能,并且不同生理状态下的猪对于能量的消化吸收效率不同;并且发明人发现,猪的体重、每日总能摄入量和其净能需要量高度相关;因此,本发明中,将体重与每日总能摄入量作为神经网络模型的输入变量,维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量作为神经网络模型的输出变量。
神经网络模型筛选参数的确定:
神经网络模型的准确度与众多参数相关,包括神经网络算法、层数、隐藏层节点数、激活函数、迭代次数、学习率等。
一般输入变量与输出变量关系简单、高度相关时,3层的神经网络便足够精确预测。
学习率较小,达到收敛所需的迭代次数越高,学习率较大,则会出现无法收敛的现象;迭代次数越大,预测结果越准确,但是也越容易出现“过拟合”现象。
为避免神经网络的筛选参数过多,本发明控制神经网络模型的激活函数和隐藏层节点数;其余参数为常规值,神经网络层数为3层,算法为前馈算法,学习率为0.1,惩罚方法为平方,迭代次数为1000,seed=1。
最佳神经网络模型的判断标准:
R2和RMSE分别代表决定系数与均方根误差,是衡量预测结果准确度的指标。本发明中,具有最高R2和最小RMSE值的测试集的神经网络模型被认为是最佳神经网络模型。
实施例1建立一种预测不同体重阶段商品猪的净能需要量的方法
建立一种预测不同体重阶段商品猪的净能需要量的方法,如图1所示,步骤如下:
(1)通过呼吸测热试验和消化代谢试验,获取不同体重阶段杜×长×大三元杂交商品猪的体重、每日总能摄入量以及所对应的商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量数据,建立对应关系,构建数据库,具体方式如下:
呼吸测热试验和消化代谢试验于河北某动物试验中心进行,以保证试验过程与数据的严谨性。
试验选取24头体重为34.4±2.6kg的杜×长×大三元杂交健康去势公猪,按照完全随机试验设计分为4组,每组6头猪,根据体重阶段饲喂三种不同的玉米-豆粕型标准日粮(表1)。
表1试验日粮组成和化学值(%,饲喂基础)
利用猪专用开放回流呼吸测热系统,同时开展间接呼吸测热试验和消化代谢试验。
其中每组猪轮流进入开放回流呼吸测热室1周,进行间接呼吸测热试验,其余3组猪同时在代谢笼中饲养。试验共持续13周,其中包括适应期1周,用于适应代谢笼以及试验饲粮。正式试验期持续12周。结束试验时,所有猪的体重为97.0±8.6kg。
正式试验期内,每组猪在开放回流呼吸测热室的1周时间包括1天的呼吸测热室适应期,5天的粪尿收集期和1天的绝食期,其中第7天不再饲喂日粮,第8天早晨8点移出小室。每组猪每月在呼吸测热室外的3周时间中,第一周为恢复期,第二周为全收粪尿期,第三周为适应新日粮期。在移入和移出呼吸测热室时以及呼吸测热室外全收粪尿法开始和结束时记录每头猪的体重,在此期间记录每天的采食量和剩料量,用全收粪法收集每头猪的粪样和尿样。
实验结束后测定饲料样品、粪样和尿样中的氮含量和总能。根据呼吸测热系统记录的O2的消耗量以及CO2和CH4的排放量计算动物的总产热和绝食产热,通过绝食产热估测猪的维持净能,进一步通过析因法、氮平衡和能量平衡原理分别计算猪的沉积净能、蛋白沉积净能和脂肪沉积净能需要量。
氮含量按照中华人民共和国国家标准GB/T6432-1994方法测定。总能、粪能、尿能的测定按照国际标准ISO9831:1998推荐的方法,使用氧弹式测热仪(Parr6300Calorimeter,Moline,IL)测定。O2测定采用顺磁氧分析仪测定(Oxymat6E,西门子,慕尼黑,德国)。CO2和CH4的测定采用红外线分析仪测定(Ultramate6E,西门子,慕尼黑,德国)。
其中,输入变量与输出变量,即每日总能摄入量、维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量的计算公式如下:
每日总能摄入量(kJ/d)=饲料总能(kJ/kg)×日采食量(kg/d)
维持净能需要量(kJ/d)=绝食产热(kJ/d)
沉积净能需要量(kJ/d)=每日总能摄入量(kJ/d)-每日粪能排出量(kJ/d)-每日尿能排出量(kJ/d)-每日气体能排出量(kJ/d)-每日总产热(kJ/d)
蛋白沉积净能需要量(kJ/d)=(每日氮摄入量,g/d-每日粪氮排出量,g/d-每日尿氮排出量,g/d)×6.25×23.86(kJ/g)
脂肪沉积净能需要量(kJ/d)=沉积净能需要量(kJ/d)-蛋白沉积净能需要量(kJ/d);
其中,上述公式所需基础数据的计算公式如下:
每日总产热(kJ/d)=16.1753×O2(L)+5.0208×CO2(L)–2.1673×CH4(L)–5.9873×尿氮(g)
绝食产热(kJ/d)=绝食期间日均产热量(kJ/d)
每日氮摄入量(g/d)=饲料氮含量(%)×日采食量(kg/d)
每日粪氮排出量(g/d)=粪中氮含量(%)×日均排粪量(g/d)
每日尿氮排出量(g/d)=尿中氮含量(%)×日均排尿量(g/d)
(2)建立最优神经网络模型预测不同体重阶段商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量,具体方式如下:
从上述步骤(1)中得到不同体重阶段商品猪的体重、每日总能摄入量以及所对应的商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量数据,建立对应关系,构建数据库。将数据库中所有数据进行补全、去噪、归一化处理后,剩余共计70组数据,表2显示了用于训练和测试神经网络模型的数据库统计信息。
表2.训练和测试神经网络模型的数据库的统计信息
项目 | 最小值 | 最大值 | 平均值 | 标准差 | 中位数 |
平均体重,kg | 33.8 | 109.7 | 68.8 | 20.7 | 67.2 |
每日总能摄入量,kJ/d | 17702 | 50250 | 34086 | 7441 | 33453 |
维持净能需要量,kJ/d | 5379 | 15985 | 10143 | 1947 | 9897 |
沉积净能需要量,kJ/d | 3738 | 26855 | 14619 | 5278 | 13891 |
蛋白沉积净能需要量,kJ/d | 1780 | 8474 | 4675 | 1319 | 4777 |
脂肪沉积净能需要量,kJ/d | 1460 | 19956 | 9940 | 4339 | 9401 |
以体重、每日总能摄入量为输入变量,以商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量为输出变量,输入到神经网络模型中。
神经网络模型的建模软件选择JMP Pro14.0,程序选择为神经网络建模,筛选参数为激活函数与隐藏层神经节点数,具体地,激活函数为3种,分别为双曲正切函数、线性函数以及高斯函数,神经节点数的选择范围为1-5个,其余参数固定为:神经网络层数为3层,算法为前馈算法,学习率为0.1,惩罚方法为平方,迭代次数为1000,seed=1。
表3显示了不同神经网络模型预测维持净能需要量的结果,表4显示了不同神经网络模型预测沉积净能需要量的结果,表5显示了不同神经网络模型预测蛋白沉积净能需要量的结果,表6显示了不同神经网络模型预测脂肪沉积净能需要量的结果。
表3.不同激活函数与节点数的维持净能需要量预测模型
表4.不同激活函数与节点数的沉积净能需要量预测模型
表5.不同激活函数与节点数的蛋白沉积净能需要量预测模型
表6.不同激活函数与节点数的脂肪沉积净能需要量预测模型
根据测试集结果,拥有最高R2及最低RMSE的为最佳神经网络模型,具体结果如下:
不同激活函数与节点数的维持净能需要量预测模型中,最佳激活函数为高斯函数,最佳节点数为5,其测试集R2为0.88,RMSE为590。
不同激活函数与节点数的沉积净能需要量预测模型中,最佳激活函数为高斯函数,最佳节点数为4,其测试集R2为0.97,RMSE为994。
不同激活函数与节点数的蛋白沉积净能需要量预测模型,最佳激活函数为双曲正切函数,最佳节点数为2,其测试集R2为0.84,RMSE为509。
不同激活函数与节点数的脂肪沉积净能需要量预测模型,最佳激活函数为高斯函数,最佳节点数为4,其测试集R2为0.94,RMSE为1147。
以上4种预测模型的R2都高于0.8,RMSE小,说明神经网络的预测值与真实值误差较小,表明了本发明中的最佳神经网络模型预测结果是准确的。
图2、图3和图4分别为预测维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量的最佳神经网络的结构图。
综上所述,本发明提供的一种预测不同体重阶段杜×长×大三元杂交商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量的方法,可以利用商品猪的体重与每日总能摄入量,精确预测出该体重阶段下商品猪的维持净能、沉积净能、蛋白沉积净能和脂肪沉积净能需要量。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种预测不同体重阶段商品猪的净能需要量的方法,其特征在于,包括:
(1)获取不同体重阶段商品猪的体重、每日总能摄入量,以及所对应的商品猪的净能需要量数据,建立对应关系,构建数据库;
(2)以所述体重、每日总能摄入量作为输入变量,以所述净能需要量作为输出变量,建立多个神经网络模型;
(3)以所述数据库中的一部分数据作为训练集,训练每一个神经网络模型;
(4)以所述数据库中的另一部分数据作为测试集,验证每一个训练后的神经网络模型;根据验证结果,确定最佳神经网络模型;
(5)利用最佳神经网络模型预测不同体重阶段商品猪的净能需要量。
2.根据权利要求1所述的预测不同体重阶段商品猪的净能需要量的方法其特征在于,所述净能需要量为维持净能需要量、沉积净能需要量、蛋白沉积净能需要量和脂肪沉积净能需要量。
3.根据权利要求1所述的预测不同体重阶段商品猪的净能需要量的方法,其特征在于,步骤(2)中,所述神经网络模型含有不同激活函数及不同隐藏层节点数。
4.根据权利要求2所述的预测不同体重阶段商品猪的净能需要量的方法其特征在于,所述净能需要量的数据通过呼吸测热试验获得的方法为:
将若干头商品猪饲养于开放回流呼吸测热室内,记录猪只的O2消耗量以及CO2和CH4的排放量;
进而计算出猪的总产热与绝食产热;
再进一步通过析因法、氮平衡和消化代谢实验分别计算猪的净能需要量。
5.根据权利要求4所述的预测不同体重阶段商品猪的净能需要量的方法,其特征在于:
维持净能需要量(kJ/d)=绝食产热(kJ/d)
沉积净能需要量(kJ/d)=每日总能摄入量(kJ/d)-每日粪能排出量(kJ/d)-每日尿能排出量(kJ/d)-每日气体能排出量(kJ/d)-每日总产热(kJ/d)
蛋白沉积净能需要量(kJ/d)=(每日氮摄入量,g/d-每日粪氮排出量,g/d-每日尿氮排出量,g/d)×6.25×23.86(kJ/g)
其中,脂肪沉积净能需要量(kJ/d)=沉积净能需要量(kJ/d)-蛋白沉积净能需要量(kJ/d);
其中,所述绝食产热、每日粪能排出量、每日尿能排出量、每日气体能排出量、每日总产热、每日氮摄入量、每日粪氮及尿氮排出量根据呼吸测热试验和消化代谢试验测定。
6.根据权利要求5所述的预测不同体重阶段商品猪的净能需要量的方法,其特征在于,所述激活函数包括双曲正切函数、线性函数和高斯函数。
7.根据权利要求5所述的预测不同体重阶段商品猪的净能需要量的方法,其特征在于,所述隐藏层节点数为1-5个。
8.根据权利要求5所述的预测不同体重阶段商品猪的净能需要量的方法,其特征在于,所述神经网络模型中,算法为前馈算法;层数为3层;迭代次数为1000;学习率为0.1;惩罚方法为平方;seed=1。
9.根据权利要求5所述的预测不同体重阶段商品猪的净能需要量的方法,其特征在于,所述最佳神经网络模型的确定指标为:所述测试集的R2和RMSE。
10.权利要求1-9任一项所述的预测不同体重阶段商品猪的净能需要量的方法在实现基于净能体系的猪实时配方、猪胴体组成的实时营养调控,以及推广猪的精准营养配方的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497052.4A CN113361747A (zh) | 2021-05-07 | 2021-05-07 | 一种预测不同体重阶段商品猪净能需要量的方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110497052.4A CN113361747A (zh) | 2021-05-07 | 2021-05-07 | 一种预测不同体重阶段商品猪净能需要量的方法及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361747A true CN113361747A (zh) | 2021-09-07 |
Family
ID=77525852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110497052.4A Pending CN113361747A (zh) | 2021-05-07 | 2021-05-07 | 一种预测不同体重阶段商品猪净能需要量的方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361747A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669167A (zh) * | 2020-12-15 | 2021-04-16 | 中国农业大学 | 一种预测商品猪生产性能的方法及其应用 |
-
2021
- 2021-05-07 CN CN202110497052.4A patent/CN113361747A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669167A (zh) * | 2020-12-15 | 2021-04-16 | 中国农业大学 | 一种预测商品猪生产性能的方法及其应用 |
Non-Patent Citations (6)
Title |
---|
刘建新;: "中国反刍动物营养研究进展", 饲料与畜牧, no. 12 * |
李德发;张瑞霜;: "中国猪饲料原料净能体系的研究进展", 饲料与畜牧, no. 12 * |
杨凤主编: "《动物营养学 畜牧专业 动物营养及饲料加工专业用》", 中国农业出版社, pages: 240 - 251 * |
江秋雨;何阳;呙于明;张炳坤;: "家禽净能体系的构建及其在饼粕类饲料上的应用", 动物营养学报, no. 09 * |
熊本海;易渺;: "猪的净能体系研究进展", 饲料工业, no. 23 * |
许贵善;刁其玉;纪守坤;邓凯东;姜成钢;屠焰;刘洁;赵一广;马涛;楼灿;: "20―35kg杜寒杂交公羔羊能量需要参数", 中国农业科学, no. 24, pages 5082 - 5090 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuhi et al. | A review of mathematical functions for the analysis of growth in poultry | |
WO2006015018A2 (en) | System and method for optimizing animal production | |
CN108029628B (zh) | 一种可提高番鸭产蛋量的选育方法 | |
CN112116145A (zh) | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 | |
EP1913536A2 (en) | System and method for optimizing animal production using genotype information | |
WO2023197590A1 (zh) | 维持净能需要量的预测方法、装置及电子设备 | |
Lopez | Non-linear functions in animal nutrition. | |
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 | |
Strathe et al. | Bayesian simultaneous equation models for the analysis of energy intake and partitioning in growing pigs | |
CN107251870B (zh) | 一种基于产蛋量最多的蛋鸡生长发育规律的研究方法 | |
CN112669167B (zh) | 一种预测商品猪生产性能的方法及其应用 | |
CN107182900B (zh) | 一种基于合格种蛋数最多的种鸡生长发育规律的研究方法 | |
CN107182901B (zh) | 一种基于产蛋数最多的地方鸡生长发育规律的研究方法 | |
Quigley et al. | Models to predict dry feed intake in Holstein calves to 4 months of age | |
Cavallini et al. | Predicting fibre digestibility in Holstein dairy cows fed dry-hay-based rations through machine learning | |
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 | |
Oduntan et al. | A predictive model for improving cereals crop productivity using supervised machine learning algorithm | |
Quigley et al. | Managing variation in calf and heifer programs | |
Rashad et al. | Comparison among models to describe growth curves of Rahmani lambs in relation to ewe milk yield and composition | |
Wang et al. | Modeling net energy partition patterns of growing–finishing pigs using nonlinear regression and artificial neural networks | |
Petrusewicz et al. | Productivity and energetics | |
Robinson et al. | Relationship between diet quality and fecal nitrogen, fecal diaminopimelic acid and behavior in a captive group of pronghorn | |
CN116796897A (zh) | 一种代谢能需要量动态预测方法 | |
Mayasari et al. | EXPLORATORY ANALYSIS IN THE RELATIONSHIP OF PARITY AND LACTATION PERIOD ON MILK PRODUCTION | |
CN115656472A (zh) | 基于特定源分析的人体重金属暴露风险动态模拟方法 |
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 |