CN115016275B - 智能化饲喂与畜禽舍大数据物联网系统 - Google Patents

Abstract

本发明公开了智能化饲喂与畜禽舍大数据物联网系统由畜禽舍参数检测与饲喂控制平台和温度处理与饲喂控制子系统组成，畜禽舍参数检测与饲喂控制平台负责检测畜禽舍参数检测与管理，畜禽舍参数保存到云平台，畜禽舍管理人员从移动端APP实时查看云平台畜禽舍参数；温度处理与饲喂控制子系统包括实现对畜禽舍环境温度预测与控制饲喂装置；本发明有效解决了现有饲喂系统没有根据畜禽舍环境参数变化的非线性、大滞后和畜禽舍面积大参数变化复杂等对畜禽舍饲喂的影响，没有对畜禽舍温度进行精确检测和对畜禽饲喂装置精确控制，从而极大的影响畜禽生长与生产管理问题。

Description

智能化饲喂与畜禽舍大数据物联网系统

技术领域

本发明涉及畜禽舍环境参数检测与饲喂装置的自动化装备技术领域，具体涉及一种智能化饲喂与畜禽舍大数据物联网系统。

背景技术

采食是畜禽摄取能量的最主要方式，采食水平直接影响畜禽生长性能。在畜牧生产中，畜禽采食行为是由体内外诸多因素共同作用的结果。畜禽所处的环境会对其采食行为产生十分重要的影响。在影响采食行为的众多外界因素中，湿热环境带来的的影响效应是最明显的。蒸发散热是畜禽维持正常体温的主要途径。温热环境涉及温度和湿度两个变量的关系。如果将温度控制在正常范围的话，相对湿度对畜禽散热的抑制作用比较小。处于湿热环境中时，畜禽在其散热方式受抑制的情况下发生了一定程度的热应激，这对动物采食的发起和维持都形成了消极的影响，动物日增重也就随之降低。在饲喂畜禽时环境温度对于畜禽是非常重要的，本发明采用通信网络和智能控制技术，发明智能化饲喂与畜禽舍大数据物联网系统是很有必要的，设计智能化畜禽饲喂系统，实现自动化的液体饲喂，该饲喂控制系统可根据畜禽体重和环境温度自动控制畜禽的精确饲喂，降低人工成本，提高经济效益。

发明内容

本发明提供一种智能化饲喂与畜禽舍大数据物联网系统，本发明有效解决了现有饲喂系统没有根据畜禽舍环境参数变化的非线性、大滞后和畜禽舍面积大参数变化复杂等对畜禽舍饲喂的影响，没有对畜禽舍温度进行精确检测和对畜禽饲喂装置精确控制，从而极大的影响畜禽生长与生产管理问题。

本发明通过以下技术方案实现：

智能化饲喂与畜禽舍大数据物联网系统由畜禽舍参数检测与饲喂控制平台和温度处理与饲喂控制子系统组成，畜禽舍参数检测与饲喂控制平台负责检测畜禽舍环境参数检测与管理，畜禽舍参数保存到云平台，畜禽舍管理人员可从移动端APP实时查看云平台畜禽舍参数；温度处理与饲喂控制子系统实现对畜禽舍的温度进行预测和控制畜禽饲喂装置，智能化饲喂与畜禽舍大数据物联网系统实现了对畜禽舍参数的远程监测和饲喂装置智能化生产管理功能。

本发明进一步技术改进方案是：

畜禽舍参数检测与饲喂控制平台由测控节点、网关节点、现场监控端、云平台以及移动端APP，网关节点为测控节点、网关节点、现场监控端、移动端APP和云平台之间建立双向传输信息，云平台将畜禽舍信息储存在云平台的数据库中，有效地解决了大量数据下传至智能移动设备中而导致占用大量空间的问题。畜禽舍参数检测与饲喂控制平台结构如图1所示。

本发明进一步技术改进方案是：

温度处理与饲喂控制子系统由参数检测模块A、参数检测模块B、HRNN模糊递归神经网络模型、参数自调整因子模糊控制器、PID控制器、LSTM神经网络控制器、PI控制器、NARX神经网络模型和DRNN神经网络模型组成，多个温度传感器输出作为作为参数检测模块A输入，重量传感器输出的时间序列值作为参数检测模块B的输入，压力传感器、参数检测模块A和参数检测模块B的输出分别作为HRNN模糊递归神经网络模型的对应输入，HRNN模糊递归神经网络模型输出与参数检测模块B输出的饲料量误差和饲料量误差变化率分别作为参数自调整因子模糊控制器、NARX神经网络模型和PI控制器的输入，参数自调整因子模糊控制器输出作为LSTM神经网络控制器输入，NARX神经网络模型输出作为PID控制器输入，LSTM神经网络控制器、PI控制器和PID控制器的输出分别作为DRNN神经网络模型的对应输入，DRNN神经网络模型输出作为饲喂装置的饲料量控制值，重量传感器检测饲喂装置的饲料重量，压力传感器检测畜禽体重。温度处理与饲喂控制子系统结构如图2所示。

本发明进一步技术改进方案是：

参数检测模块由NARX神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-LSTM神经网络模型和Vague集的ANFIS模糊神经网络模型、按拍延迟线TDL和模糊小波神经网络模型组成；参数传感器感知被检测环境的参数值分别作为NARX神经网络模型和Adaline神经网络模型的输入，NARX神经网络模型与Adaline神经网络模型输出的差作为被检测参数波动值，时间序列被检测参数波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-LSTM神经网络模型输入，Adaline神经网络模型和多个CNN卷积-LSTM神经网络模型的输出作为Vague集的ANFIS神经网络模型的对应输入，Vague集的ANFIS神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测参数的Vague集的数值为[x，(t，1-f)]，Vague集的ANFIS神经网络模型输出作为按拍延迟线TDL输入，按拍延迟线TDL输出作为模糊小波神经网络模型输入，模糊小波神经网络模型输出作为被检测参数预测值并作为参数检测模块输出。参数检测模块结构如图3所示。

本发明与现有技术相比，具有以下明显优点：

一、本发明针对参数测量过程中，传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性，本发明专利通过参数检测模型将传感器测量的参数值转化为检测参数Vague集的数值形式表示，有效地处理了传感器测量参数的模糊性、动态性和不确定性，提高了传感器检测参数的客观性和可信度。

二、本发明采用的NARX神经网络模型的输入包括一段时间的检测参数传感器输出和NARX神经网络模型输出历史反馈，这部分反馈输入可以认为包含了检测参数传感器输出一段时间的历史信息参与被检测参数的预测，NARX神经网络模型是一种能够有效对检测参数的非线性、非平稳时间序列进行预测的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对被检测参数时间序列的预测精度；NARX神经网络模型由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，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，使其在非线性被检测参数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。

三、本发明的变分模态分解模型能将被检测参数的波动值分解为一系列本征模态函数IMF，并不断迭代更新每个分量的中心频率和频段带宽，分离原始被检测参数的波动值的自适应频率成分，提取包含被检测参数的波动值的特征频率分量，变分模态分解模型可以有效地克服模态混叠问题实现对被检测的波动值的去噪，去噪后的被检测参数的波动值演变曲线密集的峰刺特征消失并逐渐变得平滑，变分模态分解模型提高处理检测参数的波动值的精确性和鲁棒性。

四、本发明根据环境参数样本差异的特点，构建减法聚类分类器对被检测参数波动值的多个IMF分量能量熵样本参数进行分类，设计多个CNN卷积-NARX神经网络模型对被检测参数波动值预测，在对被检测参数波动值预测过程当中，减法聚类分类器把成因相近的被检测参数波动值的多个IMF分量能量熵在时空间的特性数据中抽取出来，以建立针对性更强、能够根据被检测参数波动值的多个IMF分量能量熵的不同特点采用对应的CNN卷积-NARX神经网络模型来预测被检测环境参数波动值来提高预测精度。

五、本发明CNN卷积-LSTM神经网络模型中，CNN卷积神经网络是一种深度前馈神经网络，其典型结构由输入层、卷积层、池化层与全连接层构成，CNN卷积神经网络是对输入数据上进行卷积和池化等操作，通过建立多个滤波器来提取数据的局部特征，得到具有平移旋转不变性的鲁棒特征。LSTM神经网络是包括输入层、隐藏层和输出层，由于隐藏层的各神经单元中加入了记忆单元，可以控制时间序列上的信息被遗忘或输出，解决了RNN中梯度爆炸和梯度消失的问题，在处理长序列数据时远比RNN表现得优异，CNN卷积神经网络输出时间序列上的特征信息能够有效地被LSTM神经网络提取，CNN卷积-LSTM神经网络模型能够充分挖掘CNN卷积神经网络输出数据各变量间的空间特征关系，提取输入历史数据的时序性特征信息，致使CNN卷积-LSTM神经网络模型具有较强的学习能力和泛化能力。

六、本发明提出的Vague集的ANFIS模糊神经网络模型是一种基于Takagi-Sugeno模型的模糊推理系统，是将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并自动产生If-Then规则。Vague集的ANFIS模糊神经网络模型作为一种很有特色的神经网络，Vague集的ANFIS模糊神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测参数的Vague集的数值为[x，(t，1-f)]，具有以任意精度逼近任意线性和非线性函数的功能，并且收敛速度快，样本需要量少，模型运算速度快，结果可靠，取得好效果。

七、本发明LSTM神经网络控制器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参数自调整因子模糊控制器输出的序列数据中提取信息，还能够保留来自于先前较远步骤的参数自调整因子模糊控制器输出的长期相关性的信息。此外，由于参数自调整因子模糊控制器输出的采样间隔相对较小，参数自调整因子模糊控制器输出参数存在长期空间和时间上的相关性，而LSTM神经网络模型有足够的长期记忆来处理参数自调整因子模糊控制器输出参数之间的时空关系，提高处理参数自调整因子模糊控制器输出参数的准确性和鲁棒性。

附图说明

图1为本发明的畜禽舍参数检测与饲喂控制平台；

图2为本发明的温度处理与饲喂控制子系统；

图3为本发明的参数检测模块；

图4为本发明的测控节点；

图5为本发明的网关节点；

图6为本发明的现场监控端软件。

具体实施方式

结合附图1-6，对本发明技术方案作进一步描述：

一、系统总体功能的设计

本发明由畜禽舍参数检测与饲喂控制平台和温度处理与饲喂控制子系统两部分组成。畜禽舍参数检测与饲喂控制平台包括测控节点、网关节点、现场监控端、云平台和移动端APP组成，测控节点和网关节点之间通过构建CAN通信网络来实现测控节点和网关节点之间的通信；测控节点将检测的畜禽舍参数通过网关节点的RS232接口发送给现场监控端进行理；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接口实现畜禽舍信息的双向传输。移动App端为管理人员提供实时畜禽舍数据，满足畜禽舍参数数据信息的便捷可视化，所有来自测控节点的传感器采集的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信息。云平台主要负责处理、存储、分析和显示接收畜禽舍参数，畜禽舍参数检测与饲喂控制平台结构见图1所示。

二、测控节点设计

测控节点由温度、湿度、压力传感器、重量传感器以及对应的4个调理电路、DA转换电路、温度控制器、湿度控制器、饲喂装置、STM32单片机和CAN总线接口组成，主要用于采集与控制畜禽舍检测点环境与饲喂数据信息和调节环境与饲喂装置，该检测点的畜禽舍检测点环境与饲喂数据信息将通过测控节点的CAN总线接口和网关节点的CAN总线接口与NB-IoT模块传输给云平台实现与移动端APP进行实时的交互；通过网关节点的CAN总线接口和RS232接口传输给现场监控端。测控节点结构如图4所示。

三、网关节点设计

网关节点由CAN总线接口、NB-IoT模块、STM32单片机和RS232接口组成，通过CAN总线接口和RS232接口实现测控节点和网关节点与现场监控端之间的数据的双向传输，通过CAN总线接口、NB-IoT模块、RS232接口实现云平台、移动端APP、测控节点和现场监控端之间的双向传输。网关节点结构如图5所示。

四、现场监控端软件的设计

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参数进行采集和畜禽舍装置控制，实现与测控节点的信息交互，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温度处理与饲喂控制子系统。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如附图6所示。温度处理与饲喂控制子系统见图2所示，温度处理与饲喂控制子系统设计过程如下：

1、HRFNN模糊递归神经网络模型设计

多个温度传感器输出作为作为参数检测模块A输入，重量传感器输出的时间序列值作为参数检测模块B的输入，压力传感器、参数检测模块A和参数检测模块B的输出分别作为HRNN模糊递归神经网络模型的对应输入；HRFNN模糊递归神经网络模型是多输入单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。HRFNN模糊递归神经网络包含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，1个输出节点。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：

式中

和/>

为网络输入层第i个节点的输入和输出，N表示迭代的次数。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m_ij和σ_ij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h_k，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ω_jk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。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λ_j是输出层的连接权值，HRNN模糊递归神经网络具有逼近高度非线性动态系统的性能，加入内部变量的递归神经网络的训练误差和测试误差分别为明显减少，本专利的HRFNN模糊递归神经网络模型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。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。HRFNN模糊递归神经网络模型输出包含规则层激活强度和输出的历史信息，增强了HRFNN模糊递归神经网络模型适应非线性动态系统的能力，HRFNN模糊递归神经网络模型可以准确地融合影响饲喂装置的饲喂量精确控制的期望值。

2、参数检测模块设计

多个温度传感器输出作为作为参数检测模块A输入，重量传感器输出的时间序列值作为参数检测模块B的输入，压力传感器、参数检测模块A和参数检测模块B的输出分别作为HRNN模糊递归神经网络模型的对应输入；参数检测模块由NARX神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-LSTM神经网络模型和Vague集的ANFIS模糊神经网络模型、按拍延迟线TDL和模糊小波神经网络模型组成；

(1)、NARX神经网络模型设计

参数传感器感知被检测环境的参数值分别作为NARX神经网络模型和Adaline神经网络模型的输入，NARX神经网络模型与Adaline神经网络模型输出的差作为被检测参数波动值；参数传感器感知被检测环境的时间序列参数值分别作为对应的NARX神经网络模型和Adaline神经网络模型的输入，NARX神经网络模型与Adaline神经网络模型输出的差作为被检测环境的参数波动值；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神经网络模型第i个隐层节点的输出h_i为：

NARX神经网络第j个输出层节点输出o_j为：

(2)、Adaline神经网络模型设计

参数传感器感知被检测环境的时间序列参数值分别作为对应的NARX神经网络模型和Adaline神经网络模型的输入，NARX神经网络模型与Adaline神经网络模型输出的差作为被检测环境的参数波动值；Adaline神经网络模型的自适应线性单元(Adaptive LinearElement)是早期的神经网络模型之一，该模型的输入信号可写成向量的形式：X(K)＝[x₀(K)，x₁(K)，…x_n(K)]^T，每一组输入信号对应有一组权值向量相对应表示为：W(K)＝[k₀(K)，k₁(K)，…k(K)]，x₀(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态，可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为：

在Adaline神经网络模型中，有一特殊输入即理想响应输出d(K)，把它送入Adaline神经网络模型中，然后通过网络的输出y(K)进行比较，将差值送到学习算法机制中，以调整权向量直到获得最佳权向量，y(K)与d(K)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分，Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法，Adaline神经网络模型输出被检测参数的线性值。

(3)、变分模态分解模型设计

NARX神经网络模型与Adaline神经网络模型输出的差作为被检测参数波动值，时间序列被检测参数波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量；变分模态分解模型是一种自适应、非递归的信号时频分析方法，可将时间序列风速波动值信号分解为若干个风速波动值的子信号，即IMF分量u_k，并使所有IMF分量的带宽和最小，u_k是调幅调频函数可表示为：

u_k(t)＝A_kcos[φ_k(t)] (8)

式中φ_k(t)为非递减函数，A_k(t)为包络线，构造约束变分问题求解u_k，对该变分问题求解引入二次惩罚项和拉格朗日乘子，使其变为无约束问题。变分模态分解模型可将待分解的时间序列风速波动值信号分解为若干个IMF分量。能量熵值可衡量时间序列风速波动的规律程度，表示时间序列风速波动信号在不同频带的能量特征，在时间序列风速波动值发生突变，能量也会变化，定义第m个IMF分量的能量为：

式中x_m(i)为时间序列风速波动信号样本分解后的第m个分量，n为采样点数，第m个IMF分量的能量熵为：

(4)、减法聚类分类器设计

变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-LSTM神经网络模型输入，

减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据IMF分量能量熵样本数据密度即可快速确定IMF分量能量熵聚类中心的位置和聚类数，把每一个IMF分量能量熵数据点作为一个潜在的聚类中心的特性，则克服了山峰聚类法计算量随着问题的维数按指数增长的不足，使得IMF分量能量熵聚类的结果与问题的维数无关。因此，IMF分量能量熵减法聚类算法是一种适合基于IMF分量能量熵数据建模的规则自动提取方法。设定m维空间中的N个IMF分量能量熵数据点(X₁，X₂，…X_N)，每个数据点X_i＝(x_i，1，x_i，1，…，x_i，m)都是聚类中心的候选者，i＝1，2，…，N，数据点X_i的密度函数定义为：

式中，半径r_a是一个正数，r_a定义了该点的一个影响邻域，半径以外的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点X_i的密度值，选择具有最高密度指标D_c1的数据点作为第一个聚类中心X_c1；然后修正密度值，消除前面已有聚类中心的影响。

按下式修正密度值：

其中，D_c1是初始聚类中心对应的最高密度值，修正半径r_b的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为r_b＝ηr_a，1.25≤η≤1.5。修正每个数据点的密度指标后，当D_ck与D_c1满足下式时，该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程，直到新的聚类中心X_ck的相应的密度指标D_ck与D_c1满足下式时终止聚类：

D_ck/D_c1＜δ (13)

式中，δ是根据实际情况提前设定的阈值。本发明提出的在线聚类方法基本思想如下：如果一个IMF分量能量熵到一个组的中心的距离小于聚类半径r_a，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入IMF分量能量熵空间数据的不断增加，本发明算法通过实时动态的调整IMF分量能量熵聚类中心与聚类个数获得更好的输入空间划分。

(5)、CNN卷积-LSTM神经网络模型设计

减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-LSTM神经网络模型输入，Adaline神经网络模型和多个CNN卷积-LSTM神经网络模型的输出作为Vague集的ANFIS神经网络模型的对应输入，CNN卷积-LSTM神经网络模型为CNN卷积神经网络的输出作为LSTM神经网络模型的输入，CNN卷积神经网络模型能够直接从大量的时间序列测量参数波动值的IMF分量能量熵值中自动挖掘提取出表征时间序列测量参数波动值波动值的敏感空间特征，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，一般将时间序列测量参数波动值波动值的IMF分量能量熵直接输入。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时间序列测量参数波动值的IMF分量能量熵输入信息，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时间序列测量参数波动值的IMF分量能量熵输入信号进行遍历和卷积运算，从而实现对时间序列测量参数波动值的IMF分量能量熵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，时间序列测量参数波动值的IMF分量能量熵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时间序列测量参数波动值的IMF分量能量熵值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并作为LSTM神经网络模型的输入，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LSTM神经网络模型输入新信息的加入或滤出；遗忘门能忘记需要丢掉的LSTM神经网络模型输入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LSTM神经网络模型输入信息。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模型适合用预测时间序列LSTM神经网络模型输入量的变化，LSTM神经网络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检测LSTM神经网络模型输入依赖信息，同时避免梯度消失问题。LSTM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LSTM神经网络模型输入的动态变化信息，并增加了三种门(Input、Forget、Output)结构来控制LSTM神经网络模型输入历史信息的使用。设输入为检测LSTM神经网络模型输入量的时间序列值为(x₁，x₂，…，x_T)，隐含层状态为(h₁，h₂，…，h_T)，则t时刻有：

i_t＝sigmoid(W_hih_t-1+W_xiX_t) (14)

f_t＝sigmoid(W_hfh_t-1+W_hfX_t) (15)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_hch_t-1+W_xcX_t) (16)

o_t＝sigmoid(W_hoh_t-1+W_hxX_t+W_coc_t) (17)

h_t＝o_t⊙tanh(c_t) (18)

其中i_t、f_t、O_t代表input门、forget门和output门，c_t代表cell单元，W_h代表递归连接的权重，W_x代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数，LSTM神经网络模型输出为被检测区域水分等级非线性值。

(6)、Vague集的ANFIS神经网络模型设计

Adaline神经网络模型和多个CNN卷积-LSTM神经网络模型的输出作为Vague集的ANFIS神经网络模型的对应输入，Vague集的ANFIS神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测参数的Vague集的数值为[x，(t，1-f)]；Vague集的ANFIS神经网络模型是基于神经网络的自适应模糊推理系统，也称为自适应神经模糊推理系统(Adaptive Neuro-FuzzyInference System)，将神经网络和自适应模糊推理系统有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。Vague集的ANFIS神经网络模型中的模糊隶属度函数及模糊规则是通过对大量输入参数信息的已知历史数据的学习得到的，Vague集的ANFIS神经网络模型最大的特点就是基于数据的建模方法，而不是基于经验或是直觉任意给定的。Vague集的ANFIS神经网络模型的主要运算步骤如下：

第1层：将输入参数信息历史数据模糊化，每个节点对应输出可表示为：

式n为每个网络输入隶属函数个数，隶属函数采用高斯隶属函数。

第2层：实现规则运算，输出规则的适用度，ANFIS神经网络模型的规则运算采用乘法如下：

第3层：将各条规则的适用度归一化：

第4层：每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为：

第5层：该层的单节点是一个固定节点，计算ANFIS神经网络模型的输出为：

Vague集的ANFIS神经网络模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。Vague集的ANFIS神经网络模型每一次迭代中首先输入信号沿网络正向传递直到第4层，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层。ANFIS神经网络模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS神经网络模型中给定的参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS神经网络模型参数的收敛速度。Vague集的ANFIS神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测参数的Vague集的数值为[x，(t，1-f)]。

(7)、模糊小波神经网络模型设计

Vague集的ANFIS神经网络模型输出作为按拍延迟线TDL输入，按拍延迟线TDL输出作为模糊小波神经网络模型输入，模糊小波神经网络模型输出作为被检测参数预测值并作为参数检测模块输出；模糊小波网络模型(Fuzzy Wavelet Network，FWNN)。这种基于FWNN具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性，模糊小波神经网络模型包含两部分：模糊神经网络(FNN)和小波神经网络(WNN)。模糊小波神经网络包含4个基本层：第一层是输入层，每个输入向量对应一个神经元；第二层的每个神经元代表一个语言变量值；第三层的每个神经元代表一条模糊规则；第四层是归一化层。同时，模糊神经网络的输入作为小波神经网络的输入，每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组，因此，不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征，不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点，若用小波函数作为神经网络神经元的激励函数，则由于每个神经元的伸缩和平移都可以调节，选用低尺度参数可以学习光滑函数，提高尺度能以较高精度学习局部奇异函数，比相同神经元数和参数的ANN精度高。本专利的模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现，各层神经网络节点数目分别是n，n×M，M，M和3。一旦决定了输入n和规则M的数目，就决定了FWNN模型的结构。其中模糊小波神经网络模型的输入为X＝[x₁，x₂，…x_n]，T_i是第i个规则对应的小波数量；w_ik是权值系数；

是小波函数，/>

是规则i对应的局部模型小波网络线性组合的输出值是：

第一层为输入层：该层的各个节点直接与输入向量的各分量x_j连接，将输入值X＝[x₁，x₂，…x_n]传递到下一层；第二层计算每一个输入变量对应的隶属函数值；第三层计算每条规则的适用度；第四层是小波网络层输出，主要用于输出补偿；第五层为控制信号输出层，也称反模糊化层，在这一层进行解模糊计算。

3、参数自调整因子模糊控制器设计

HRNN模糊递归神经网络模型输出与参数检测模块B输出的饲料量误差和饲料量误差变化率分别作为参数自调整因子模糊控制器、NARX神经网络模型和PI控制器的输入，参数自调整因子模糊控制器输出作为LSTM神经网络控制器输入，NARX神经网络模型输出作为PID控制器输入；参数自调整因子模糊控制器由模糊控制和积分作用两部分并联组成，通过采用自调整因子来改变模糊控制器控制规则，使用更优的控制规则来进行控制，通过对自调整因子的调节从而提高模糊控制器的性能，当水分等级误差较大时，控制系统的主要任务是消除误差，这时使自调整因子取较大值尽快消除水分等级误差的存在；当误差比较小的时候，系统已经接近稳态，主要控制因素是使系统尽快稳定，系统的上升速度加快，为减小系统的超调，应突出对水分等级误差变化的控制作用，自调整因子应选取较小值；当系统响应接近期望值时，由于此时误差及其变化都较小，二者可取相同的权重。

LSTM神经网络控制器和NARX神经网络模型参照本专利的参数检测模块中的LSTM神经网络模型和NARX神经网络模型的设计过程。

4、DRNN神经网络模型设计

LSTM神经网络控制器、PI控制器和PID控制器的输出分别作为DRNN神经网络模型的对应输入，DRNN神经网络模型输出作为饲喂装置的饲料量控制值，重量传感器检测饲喂装置的饲料重量，压力传感器检测畜禽体重。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输入变量的动态变化性能，可以更加精确预测输入变量未来值，每个DRNN网络3-7-1的3层网络结构，其隐层为回归层。在本发明DRNN神经网络模型中，设I＝[I₁(t)，I₂(t)，…，I_n(t)]为网络输入向量，其中I_i(t)为DRNN神经网络模型的输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为X_j(t)，S_j(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网络的输出。则DRNN神经网络模型的输出为：

五、畜禽舍参数检测与饲喂控制平台的设计举例

系统布置了畜禽舍参数检测与饲喂控制平台的测控节点、网关节点和现场监控端的平面布置安装图，其中测控节点的传感器根据检测的需要均衡布置在畜禽舍的各个方位，通过该系统实现对畜禽舍参数进行采集和畜禽舍装置进行控制。

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.智能化饲喂与畜禽舍大数据物联网系统，其特征在于：系统由畜禽舍参数检测与饲喂控制平台和温度处理与饲喂控制子系统组成，畜禽舍参数检测与饲喂控制平台负责检测畜禽舍参数检测与管理，畜禽舍参数保存到云平台，畜禽舍管理人员从移动端APP实时查看云平台畜禽舍参数；温度处理与饲喂控制子系统包括实现对畜禽舍环境温度预测与控制饲喂装置；

温度处理与饲喂控制子系统由参数检测模块、HRNN模糊递归神经网络模型、参数自调整因子模糊控制器、PID控制器、LSTM神经网络控制器、PI控制器、NARX神经网络模型和DRNN神经网络模型组成，参数检测模块包括参数检测模块A、参数检测模块B；

多个温度传感器输出作为参数检测模块A输入，重量传感器输出的时间序列值作为参数检测模块B的输入，压力传感器、参数检测模块A和参数检测模块B的输出分别作为HRNN模糊递归神经网络模型的对应输入，HRNN模糊递归神经网络模型输出与参数检测模块B输出的饲料量误差和饲料量误差变化率分别作为参数自调整因子模糊控制器、NARX神经网络模型和PI控制器的输入，参数自调整因子模糊控制器输出作为LSTM神经网络控制器输入，NARX神经网络模型输出作为PID控制器输入，LSTM神经网络控制器、PI控制器和PID控制器的输出分别作为DRNN神经网络模型的对应输入，DRNN神经网络模型输出作为饲喂装置的饲料量控制值，重量传感器检测饲喂装置的饲料重量，压力传感器检测畜禽体重。

2.根据权利要求1所述的智能化饲喂与畜禽舍大数据物联网系统，其特征在于：所述参数检测模块由NARX神经网络模型、Adaline神经网络模型、变分模态分解模型、减法聚类分类器、CNN卷积-LSTM神经网络模型和Vague集的ANFIS模糊神经网络模型、按拍延迟线TDL和模糊小波神经网络模型组成。

3.根据权利要求2所述的智能化饲喂与畜禽舍大数据物联网系统，其特征在于：参数传感器感知被检测环境的参数值分别作为NARX神经网络模型和Adaline神经网络模型的输入，NARX神经网络模型与Adaline神经网络模型输出的差作为被检测参数波动值，时间序列被检测参数波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数IMF分量，多个IMF分量能量熵作为减法聚类分类器的输入，减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-LSTM神经网络模型输入，Adaline神经网络模型和多个CNN卷积-LSTM神经网络模型的输出作为Vague集的ANFIS神经网络模型的对应输入，Vague集的ANFIS神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，1-f为可信度和不确定度和，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测参数的Vague集的数值为[x，(t，1-f)]，Vague集的ANFIS神经网络模型输出作为按拍延迟线TDL输入，按拍延迟线TDL输出作为模糊小波神经网络模型输入，模糊小波神经网络模型输出作为被检测参数预测值并作为参数检测模块输出。

4.根据权利要求1所述的智能化饲喂与畜禽舍大数据物联网系统，其特征在于：所述畜禽舍参数检测与饲喂控制平台包括测控节点、网关节点、现场监控端、云平台和移动端APP组成。

5.根据权利要求4所述的智能化饲喂与畜禽舍大数据物联网系统，其特征在于：所述测控节点和网关节点之间通过构建CAN通信网络来实现测控节点和网关节点之间的通信；测控节点控制饲喂装置并将检测的畜禽舍参数通过网关节点的RS232接口发送给现场监控端处理；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接口实现畜禽舍信息的双向传输。

6.根据权利要求4或5所述的智能化饲喂与畜禽舍大数据物联网系统，其特征在于：所述移动端APP为管理人员提供实时畜禽舍数据，满足畜禽舍信息的便捷可视化，所有来自测控节点的传感器采集的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信息。

Images