CN115220501A - 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 - Google Patents
融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 Download PDFInfo
- Publication number
- CN115220501A CN115220501A CN202210826803.7A CN202210826803A CN115220501A CN 115220501 A CN115220501 A CN 115220501A CN 202210826803 A CN202210826803 A CN 202210826803A CN 115220501 A CN115220501 A CN 115220501A
- Authority
- CN
- China
- Prior art keywords
- ssa
- network model
- elman network
- layer
- pigeon
- 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
- 241000272201 Columbiformes Species 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 30
- 244000144992 flock Species 0.000 title claims abstract description 24
- 241000287828 Gallus gallus Species 0.000 claims abstract description 48
- 230000007613 environmental effect Effects 0.000 claims abstract description 36
- 230000005855 radiation Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 9
- 235000013330 chicken meat Nutrition 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000009395 breeding Methods 0.000 abstract description 8
- 230000001488 breeding effect Effects 0.000 abstract description 8
- 244000144972 livestock Species 0.000 abstract description 3
- 235000021051 daily weight gain Nutrition 0.000 abstract description 2
- 230000001276 controlling effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 235000013594 poultry meat Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003307 slaughter Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Algebra (AREA)
- Agronomy & Crop Science (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Automation & Control Theory (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及禽畜养殖环境控制技术领域，公开了一种融合SSA‑Elman网络模型和鸽群启发算法的环境控制方法，其包括，步骤S1：构建样本数据，环境监测传感器采集肉鸡舍内环境参数，发送至上位机，同时记录肉鸡日增重等数据存储至上位机；步骤S2：样本数据预处理，得到完整肉鸡舍温湿度、热辐射量、风速时间序列；步骤S3：构建SSA‑Elman网络模型，初始化网络结构，步骤S4：对SSA‑Elman网络模型的权值进行优化，采用鸽群启发算法优化SSA‑Elman网络模型各层之间的权值；步骤S5：对鸡舍环境进行控制，利用鸽群启发算法输出的最优解，作为SSA‑Elman网络模型中权值的初值，对鸡舍中环境参数进行相应的调控。本发明能更好的对鸡舍环境参数进行控制，提高肉鸡的产量和收益。
Description
技术领域
本发明涉及一种融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，属于禽畜养殖环境控制技术领域。
背景技术
随着经济的快速发展，广大人民群众的生活水平不断提高，作为改善公众膳食结构、提高人民健康素养的重要视频，禽类肉制品的需求也呈现出持续增长的趋势。肉鸡作为生活中最常见的饲养禽类，具有饲养周期短、料肉比低、肉质鲜嫩等特点。同时，由于屠宰时间短、资金回笼快，非常适合养殖户的个体化养殖。随着肉鸡养殖业的快速发展，如何在激烈的竞争中提高肉鸡养殖的效率，成为每个养殖企业最关心的问题。肉鸡鸡舍环境中的温度、湿度、热辐射量、风速和日龄等参数对肉鸡产肉量有显著影响，因此，为进一步提高肉鸡产量，降低料重比和死淘率，需要探索鸡舍环境参数控制的新方法。
发明内容
针对现有技术存在的上述缺陷，本发明提出了一种融合SSA-Elman网络模型和鸽群启发算法的环境控制方法。
本发明所述的一种融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，包括以下步骤：
步骤S1：构建样本数据，环境监测传感器采集肉鸡舍内环境参数数据，并发送至上位机进行存储，同时人工记录肉鸡日增重、料重比、死淘率及日龄数据并存储至上位机，环境参数数据及人工记录的数据共同组成该样本数据；
步骤S2：样本数据预处理，采用主成分分析的时序处理方法，即SSA分析方法填补缺失值和异常值；将异常值进行删除，并填补时间数据序列空缺值，得到完整肉鸡舍温湿度、热辐射量、风速时间序列；
步骤S3：构建SSA-Elman网络模型，初始化网络结构，将数据进行归一化处理，以鸡舍中环境参数数据以及记录的肉鸡日增重、料重比、死淘率、日龄数据为输入层，以环境参数数据相对应的肉鸡周最适环境参数为输出层，建立基于SSA-Elman网络模型的环境参数的非线性回归预测模型；
步骤S4：对SSA-Elman网络模型的权值进行优化，采用鸽群启发算法优化SSA-Elman网络模型各层之间的权值；
步骤S5：对鸡舍环境进行控制，利用鸽群启发算法输出的最优解，作为SSA-Elman网络模型中权值的初值，对鸡舍中环境温度、湿度、热辐射量、风速进行调控。
优选地，所述步骤S2中，采用SSA分析方法对缺失值和异常值进行填补和删除的具体步骤如下：
步骤S21：分解，定义窗口长度，对接收的信号进行空间重构，构造出接收信号z的迹矩阵，计算公式如下：
式中，zi＝[zi zi+1 … zi+L-1]；i＝1,2，…，k，k＝n-L+1；
步骤S22：重构，令协方差矩阵令协方差矩阵Y＝ZZT，并进行SVD分解，记分解后的特征值和特征向量分别为λ1，λ2，…，λL，且满足λ1≥λ2≥…≥λL和U1，U2，…，UL，且满足U1≥U2≥…≥UL，则迹矩阵经SSA分解后可以表示为：
Z＝P1+P1+…+PL
式中，
为迹矩阵Z的第i个奇异值，Vi，Ui分别为对应奇异值的左右奇异向量。
优选地，所述步骤S22中，若z为含噪信号，矩阵Z设为满秩矩阵，其秩为k(k<n)，λi为奇异值分解得到的第i(0＜i＜k)个奇异值，如果从第i+1奇异值起，后续奇异值明显小于前i个奇异值，则可将第i+1奇异值起的后续奇异值看作是信号中的噪声分量对应的奇异值，即信号中的有效分量只与前i个奇异值有关。
优选地，所述步骤S2中，填补时间数据序列空缺值采用平移窗口均值法，计算公式如下所示：
Ni＝△(Ni-1+Ni-2+Ni-3+...+Ni-m)/m
式中，Ni为所缺数据填补值，Ni-m为数据点Ni前的m个数据点，m为平移窗口宽度，△为修正系数。
优选地，所述步骤S3中，归一化处理的公式如下所示：
式中，a*为归一化后的肉鸡舍环境相关参数的时间序列数据，a为需要进行归一化处理的数据变量，min(a)为变量a内的数据最小值，max(a)为变量a内的数据最大值。
优选地，所述步骤S4中采用鸽群启发算法优化SSA-Elman网络模型各层之间的权值的具体步骤如下：
步骤S41：输入SSA-Elman网络模型的权值和阈值，通过SSA-Elman网络模型初始化网络机构，获得各层之间的权值向量初值；
步骤S42：初始化鸽群和速度，对SSA-Elamn网络模型的权值进行实数编码，作为鸽群启发算法的初始鸽群，由输入层与隐含层、隐层到输出层、状态层1到隐层以及状态层1到隐层的权值向量几部分组成，代表了一个Elman网络模型的连接关系；
步骤S43：计算种群适应度，并更新最优个体和对应的适应度值，将鸽群启发算法中的搜索个体依次带入到目标函数J中计算个体适应度，并进行排序，将最优个体对应的适应度与公告牌中的记录进行比对，更新公告牌记录；目标函数的计算公式如下所示：
其中Ptarget和Ttarget分别为输出目标值和优化目标值；第一行中的元素b1,i对应于第i个参量对输出目标值Ptarget的控制效率；第二行中的元素b2,i表示第i个参量对输出目标值Ttarget的控制效率；n为控制参量总个数；
步骤S44：输出最优个体，算法搜索结束并将公告牌中最优个体分解为SSA-Elman网络模型的各层权值，用最优的权值作为SSA-Elman网络模型的初始权值向量。
优选地，所述步骤S41中SSA-Elman网络模型的计算公式如下所示：
其中，in_hi，out_hi分别表示隐层第i个节点的输入和输出，in_c1i，in_c2i分别表示状态层1、状态层2的第i个节点的输入，o_c1i，o_c2i分别表示状态层1、状态层2的第i个节点的输出，g(x)为隐层节点的激活函数，k为训练次数，w1、w2权值向量连接输入层、隐层到隐层、输出层；w3、w4权值向量连接状态层1、状态层2到隐层、输出层。
优选地，所述步骤S42中对Elamn网络模型的权值进行实数编码的具体步骤如下：
初始化SSA-Elman网络模型的权值向量，并对初始化的权值进行编码，编码信息中包含：连接输入层、隐层到隐层、输出层的权值向量w1、w2；连接状态层1、状态层2到隐层、输出层的权值向量w3、w4；
对编码后的粒子初始化生成初始鸽群u和鸽群的速度V，计算公式如下所示：
V＝[vg,1…vg,i…vg,n]
其中，ui,n为SSA-Elman网络模型的权值向量的编码结果，vg,i为随机产生的种群速度；
并利用下式计算Elman网络模型前向传播所得响应与实际响应之间的误差作为对粒子的评价：
E＝0.5(Yout-Y2)T(Yout-Y2)
式中：X1、Y1和X2、Y2分别代表隐含层的输入、输出和输出层的输入、输出，B1、f1和B2、 f2分别代表隐含层的输入偏差、激活函数和输出层的输入偏差、激活函数，E代表Elman网络模型前向传播误差，YOut代表样本集中的实际输出。
优选地，所述步骤S43中将最优个体对应的适应度与公告牌中的记录进行比对，更新公告牌记录的具体步骤如下：
若迭代中的最优个体对应的适应度值比公告牌中记录的更优秀，则记录迭代中的最优个体和对应的适应度值，更新公告牌上最优个体和最优适应度；
若未达到最大迭代次数，则按照下式搜索移动，并重复步骤S43，否则进行步骤S44，
式中，Vg为鸽群移动速度，Rand为0～1之间的随机数，t为迭代次数；
若迭代次数到达设定值，算法搜索结束并肩该公告牌中最优个体分解为SSA-Elman网络模型的各层权值，用最优的权值作为SSA-Elman网络模型的初始权值向量。
本发明的有益效果是：本发明所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，将SSA-Elman网络模型和鸽群算法相融合，利用鸽群算法对SSA-Elman网络模型各层之间的权值向量进行优化，用优化后的SSA-Elman网络模型对鸡舍环境参数进行控制，能够帮助企业更好的了解及控制肉鸡的生长环境，有理由肉鸡保持良好的健康水平和生产性能；对肉鸡的料重比、死淘率进行控制，有利于企业降低养殖成本，提高经济效益，对于提高肉鸡的产量和收益具有一定的应用价值。
附图说明
图1是本发明的流程框图。
图2是SSA-Elman网络模型结构图。
图3是鸽群启发算法优化SSA-Elman网络模型的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
如图1至图3所示，本发明所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，SSA是主成分分析的时序处理方法，它的基本思想是将一个一维时间序列数据转化为轨迹矩阵，然后对该矩阵进行奇异值分解，对于每一个特征值和相应的特征向量均可以重构出一个时间序列，选取合适的窗口即可将原时间序列分解为含有不同频率的时间序列和噪声以及趋势项。Elman网络是一种典型的动态反馈神经网络，它具备映射动态特征的功能，具有适应时变特性的能力。鸽群算法是通过模拟自然界中各自利用给地球磁场、太阳位置为参考建立地图确定大致搜索方向，当鸽子找到熟悉的地标后会直接飞向目的地实现快速收敛，鸽群启发算法具有原理简明、快速收敛、易于实现和鲁棒性强等特点，本发明中将SSA-Elman 网络模型和鸽群算法相融合，具体包括以下步骤：
步骤S1：构建样本数据。
在肉鸡舍内部安装环境监测传感器，环境监测传感器采集肉鸡舍内环境参数，环境监测传感器包括温度传感器、湿度传感器、热辐射计、风速仪等传感器，分别用于采集实时肉鸡舍内的温度、湿度、热辐射量、风速等环境参数数据，这些传感器搭建成为数据采集系统并连接上位机，将环境参数数据发送至上位机后上位机进行存储，同时人工记录肉鸡日增重、料重比、死淘率及日龄数据存储至上位机；环境参数数据以及记录的肉鸡日增重、料重比、死淘率、日龄数据共同组成样本数据。
步骤S2：样本数据预处理，采用主成分分析的时序处理方法，即SSA分析方法填补缺失值和异常值；将异常值进行删除，并填补时间数据序列空缺值，得到完整肉鸡舍温湿度、热辐射量、风速时间序列。
采用SSA分析方法对缺失值和异常值进行填补和删除的具体步骤如下：
步骤S21：分解，定义窗口长度，对接收的信号进行空间重构，构造出接收信号z的迹矩阵，计算公式如下：
式中，zi＝[zi zi+1 … zi+L-1]；i＝1,2，…，k，k＝n-L+1；
步骤S22：重构，令协方差矩阵令协方差矩阵Y＝ZZT，并进行SVD分解，记分解后的特征值和特征向量分别为λ1，λ2，…，λL，且满足λ1≥λ2≥…≥λL和U1，U2，…，UL，且满足U1≥U2≥…≥UL，则迹矩阵经SSA分解后可以表示为：
Z＝P1+P1+…+PL
式中，
为迹矩阵Z的第i个奇异值，Vi，Ui分别为对应奇异值的左右奇异向量。
若z为含噪信号，矩阵Z设为满秩矩阵，其秩为k(k<n)，λi为奇异值分解得到的第 i(0＜i＜k)个奇异值，如果从第i+1奇异值起，后续奇异值明显小于前i个奇异值，则可将第i+1奇异值起的后续奇异值看作是信号中的噪声分量对应的奇异值，即信号中的有效分量只与前i个奇异值有关，因此只要选择这些奇异值进行重构矩阵就能实现对Z的范数意义下的最佳逼近，并消除噪声。
填补时间数据序列空缺值采用平移窗口均值法，计算公式如下所示：
Ni＝△(Ni-1+Ni-2+Ni-3+...+Ni-m)/m
式中，Ni为所缺数据填补值，Ni-m为数据点Ni前的m个数据点，m为平移窗口宽度，△为修正系数。
步骤S3：构建SSA-Elman网络模型，初始化网络结构，将数据进行归一化处理，以鸡舍中的环境参数及记录的肉鸡日增重、料重比、死淘率及日龄为输入层，以环境参数相对应的肉鸡周最适环境参数(肉鸡周最适环境参数根据相关的肉鸡养殖标准，并结合肉鸡舍实际情况认为进行设定)为输出层，建立基于SSA-Elman网络模型的环境参数的非线性回归预测模型；环境参数包括周平均温度、湿度、热辐射量、风速。
归一化处理的公式如下所示：
式中，a*为归一化后的肉鸡舍环境相关参数的时间序列数据，a为需要进行归一化处理的数据变量，min(a)为变量a内的数据最小值，max(a)为变量a内的数据最大值。
步骤S4：对SSA-Elman网络模型的权值进行优化，采用鸽群启发算法优化SSA-Elman网络模型各层之间的权值；
采用鸽群启发算法优化SSA-Elman网络模型各层之间的权值的具体步骤如下：
步骤S41：通过SSA-Elman网络模型初始化网络机构，获得各层之间的权值向量初值：
SSA-Elman网络模型的计算公式如下所示：
其中，in_hi，out_hi分别表示隐层第i个节点的输入和输出，in_c1i，in_c2i分别表示状态层1、状态层2的第i个节点的输入，o_c1i，o_c2i分别表示状态层1、状态层2 的第i个节点的输出，g(x)为隐层节点的激活函数，k为训练次数，w1、w2权值向量连接输入层、隐层到隐层、输出层；w3、w4权值向量连接状态层1、状态层2到隐层、输出层。
步骤S42：对SSA-Elamn网络模型的权值进行实数编码，作为鸽群启发算法的初始鸽群，由输入层与隐含层、隐层到输出层、状态层1到隐层以及状态层1到隐层的权值向量几部分组成，代表了一个Elman网络模型的连接关系；
对Elamn网络模型的权值进行实数编码的具体步骤如下：
初始化SSA-Elman网络模型的权值向量，并对初始化的权值进行编码，编码信息中包含：连接输入层、隐层到隐层、输出层的权值向量w1、w2；连接状态层1、状态层2到隐层、输出层的权值向量w3、w4。
对编码后的粒子初始化生成初始鸽群u和鸽群的速度V，公式如下所示，
V＝[vg,1…vg,i…vg,n]
其中，ui,n为SSA-Elman网络模型的权值向量的编码结果，vg,i为随机产生的种群速度。
然后利用下式计算Elman网络模型前向传播所得响应与实际响应之间的误差作为对粒子的评价：
E＝0.5(Yout-Y2)T(Yout-Y2)
式中：X1、Y1和X2、Y2分别代表隐含层的输入、输出和输出层的输入、输出，B1、f1和B2、 f2分别代表隐含层的输入偏差、激活函数和输出层的输入偏差、激活函数，E代表Elman网络模型前向传播误差，YOut代表样本集中的实际输出。
定义误差函数为E，SSA-Elman网络模型学习的目的就是确定w1、w2、w3、w4使得误差函数E小于设定值，误差函数E的公式如下所示：
Yi (k)是网络的输出层的第i个节点的真实输出，T为计算次数。
步骤S43：将鸽群启发算法中的搜索个体依次带入到目标函数J中计算个体适应度fit(ug)，并进行排序，将最优个体ubest k对应的适应度fit(ubest k)与公告牌中的记录进行比对，更新公告牌记录；目标函数的计算公式如下所示：
其中Ptarget和Ttarget分别为输出目标值和优化目标值；第一行中的元素b1,i对应于第i个参量对输出目标值Ptarget的控制效率；第二行中的元素b2,i表示第i个参量对输出目标值Ttarget的控制效率；n为控制参量总个数；
若迭代中的最优个体对应的适应度值比公告牌中记录的更优秀，则记录迭代中的最优个体和对应的适应度值，更新公告牌上最优个体ubest和最优适应度fit(ubest)；
若未达到最大迭代次数，则按照下式搜索移动，并重复步骤S43，否则进行步骤S44；
式中，Vg为鸽群移动速度，Rand为0～1之间的随机数，t为迭代次数。
若迭代次数到达设定值，算法搜索结束并将该公告牌中最优个体分解为SSA-Elman网络模型的各层权值，用最优的权值作为SSA-Elman网络模型的初始权值向量。
步骤S44：算法搜索结束并将公告牌中最优个体分解为SSA-Elman网络模型的各层权值，用最优的权值作为SSA-Elman网络模型的初始权值向量。
步骤S5：对鸡舍环境进行控制，利用鸽群启发算法输出的最优解，作为SSA-Elman网络模型中权值的初值，对鸡舍中环境温度、湿度、热辐射量、风速等参数进行相应的调控。
本发明可广泛运用于禽畜养殖环境控制场合。
Claims (9)
1.一种融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，包括以下步骤：
步骤S1：构建样本数据，环境监测传感器采集肉鸡舍内环境参数数据，并发送至上位机进行存储，同时人工记录肉鸡日增重、料重比、死淘率及日龄数据并存储至上位机，环境参数数据及人工记录的数据共同组成该样本数据；
步骤S2：样本数据预处理，采用主成分分析的时序处理方法，即SSA分析方法填补缺失值和异常值；将异常值进行删除，并填补时间数据序列空缺值，得到完整肉鸡舍温湿度、热辐射量、风速时间序列；
步骤S3：构建SSA-Elman网络模型，初始化网络结构，将数据进行归一化处理，以鸡舍中环境参数数据以及记录的肉鸡日增重、料重比、死淘率、日龄数据为输入层，以环境参数数据相对应的肉鸡周最适环境参数为输出层，建立基于SSA-Elman网络模型的环境参数的非线性回归预测模型；
步骤S4：对SSA-Elman网络模型的权值进行优化，采用鸽群启发算法优化SSA-Elman网络模型各层之间的权值；
步骤S5：对鸡舍环境进行控制，利用鸽群启发算法输出的最优解，作为SSA-Elman网络模型中权值的初值，对鸡舍中环境温度、湿度、热辐射量、风速进行调控。
2.根据权利要求1所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S2中，采用SSA分析方法对缺失值和异常值进行填补和删除的具体步骤如下：
步骤S21：分解，定义窗口长度，对接收的信号进行空间重构，构造出接收信号z的迹矩阵，计算公式如下：
式中，zi＝[zi zi+1 … zi+L-1]；i＝1,2，…，k，k＝n-L+1；
步骤S22：重构，令协方差矩阵令协方差矩阵Y＝ZZT，并进行SVD分解，记分解后的特征值和特征向量分别为λ1，λ2，…，λL，且满足λ1≥λ2≥…≥λL和U1，U2，…，UL，且满足U1≥U2≥…≥UL，则迹矩阵经SSA分解后可以表示为：
Z＝P1+P1+…+PL
式中，
为迹矩阵Z的第i个奇异值，Vi，Ui分别为对应奇异值的左右奇异向量。
3.根据权利要求2所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S22中，若z为含噪信号，矩阵Z设为满秩矩阵，其秩为k(k<n)，λi为奇异值分解得到的第i(0＜i＜k)个奇异值，如果从第i+1奇异值起，后续奇异值明显小于前i个奇异值，则可将第i+1奇异值起的后续奇异值看作是信号中的噪声分量对应的奇异值，即信号中的有效分量只与前i个奇异值有关。
4.根据权利要求1所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S2中，填补时间数据序列空缺值采用平移窗口均值法，计算公式如下所示：
Ni＝△(Ni-1+Ni-2+Ni-3+...+Ni-m)/m
式中，Ni为所缺数据填补值，Ni-m为数据点Ni前的m个数据点，m为平移窗口宽度，△为修正系数。
5.根据权利要求1所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S3中，归一化处理的公式如下所示：
式中，a*为归一化后的肉鸡舍环境相关参数的时间序列数据，a为需要进行归一化处理的数据变量，min(a)为变量a内的数据最小值，max(a)为变量a内的数据最大值。
6.根据权利要求1所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S4中采用鸽群启发算法优化SSA-Elman网络模型各层之间的权值的具体步骤如下：
步骤S41：输入SSA-Elman网络模型的权值和阈值，通过SSA-Elman网络模型初始化网络机构，获得各层之间的权值向量初值；
步骤S42：初始化鸽群和速度，对SSA-Elamn网络模型的权值进行实数编码，作为鸽群启发算法的初始鸽群，由输入层与隐含层、隐层到输出层、状态层1到隐层以及状态层1到隐层的权值向量几部分组成，代表了一个Elman网络模型的连接关系；
步骤S43：计算种群适应度，并更新最优个体和对应的适应度值，将鸽群启发算法中的搜索个体依次带入到目标函数J中计算个体适应度，并进行排序，将最优个体对应的适应度与公告牌中的记录进行比对，更新公告牌记录；目标函数的计算公式如下所示：
其中Ptarget和Ttarget分别为输出目标值和优化目标值；第一行中的元素b1,i对应于第i个参量对输出目标值Ptarget的控制效率；第二行中的元素b2,i表示第i个参量对输出目标值Ttarget的控制效率；n为控制参量总个数；
步骤S44：输出最优个体，算法搜索结束并将公告牌中最优个体分解为SSA-Elman网络模型的各层权值，用最优的权值作为SSA-Elman网络模型的初始权值向量。
7.根据权利要求6所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S41中SSA-Elman网络模型的计算公式如下所示：
其中，in_hi，out_hi分别表示隐层第i个节点的输入和输出，in_c1i，in_c2i分别表示状态层1、状态层2的第i个节点的输入，o_c1i，o_c2i分别表示状态层1、状态层2的第i个节点的输出，g(x)为隐层节点的激活函数，k为训练次数，w1、w2权值向量连接输入层、隐层到隐层、输出层；w3、w4权值向量连接状态层1、状态层2到隐层、输出层。
8.根据权利要求6所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S42中对Elamn网络模型的权值进行实数编码的具体步骤如下：
初始化SSA-Elman网络模型的权值向量，并对初始化的权值进行编码，编码信息中包含：连接输入层、隐层到隐层、输出层的权值向量w1、w2；连接状态层1、状态层2到隐层、输出层的权值向量w3、w4；
对编码后的粒子初始化生成初始鸽群u和鸽群的速度V，计算公式如下所示：
V＝[vg,1…vg,i…vg,n]
其中，ui,n为SSA-Elman网络模型的权值向量的编码结果，vg,i为随机产生的种群速度；
并利用下式计算Elman网络模型前向传播所得响应与实际响应之间的误差作为对粒子的评价：
E＝0.5(Yout-Y2)T(Yout-Y2)
式中：X1、Y1和X2、Y2分别代表隐含层的输入、输出和输出层的输入、输出，B1、f1和B2、f2分别代表隐含层的输入偏差、激活函数和输出层的输入偏差、激活函数，E代表Elman网络模型前向传播误差，YOut代表样本集中的实际输出。
9.根据权利要求6所述的融合SSA-Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S43中将最优个体对应的适应度与公告牌中的记录进行比对，更新公告牌记录的具体步骤如下：
若迭代中的最优个体对应的适应度值比公告牌中记录的更优秀，则记录迭代中的最优个体和对应的适应度值，更新公告牌上最优个体和最优适应度；
若未达到最大迭代次数，则按照下式搜索移动，并重复步骤S43，否则进行步骤S44，
式中，Vg为鸽群移动速度，Rand为0～1之间的随机数，t为迭代次数；
若迭代次数到达设定值，算法搜索结束并肩该公告牌中最优个体分解为SSA-Elman网络模型的各层权值，用最优的权值作为SSA-Elman网络模型的初始权值向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210826803.7A CN115220501A (zh) | 2022-07-13 | 2022-07-13 | 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210826803.7A CN115220501A (zh) | 2022-07-13 | 2022-07-13 | 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115220501A true CN115220501A (zh) | 2022-10-21 |
Family
ID=83611190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210826803.7A Pending CN115220501A (zh) | 2022-07-13 | 2022-07-13 | 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115220501A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| KR20190101924A (ko) * | 2019-08-13 | 2019-09-02 | 엘지전자 주식회사 | 실내 환경 조절을 위한 온습도계 및 온습도 제어 방법 |
| CN110390436A (zh) * | 2019-07-25 | 2019-10-29 | 上海电力大学 | 一种基于ssa与lstm深度学习的电厂存煤量短期预测方法 |
| CN113505519A (zh) * | 2021-04-13 | 2021-10-15 | 北京工业大学 | 基于pso-bp神经网络和nsga-ii的激光切割加工建模及参数优化选择方法 |
| CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
-
2022
- 2022-07-13 CN CN202210826803.7A patent/CN115220501A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107168402A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 基于can现场总线的鸡舍环境温度智能监测系统 |
| CN110390436A (zh) * | 2019-07-25 | 2019-10-29 | 上海电力大学 | 一种基于ssa与lstm深度学习的电厂存煤量短期预测方法 |
| KR20190101924A (ko) * | 2019-08-13 | 2019-09-02 | 엘지전자 주식회사 | 실내 환경 조절을 위한 온습도계 및 온습도 제어 방법 |
| CN113505519A (zh) * | 2021-04-13 | 2021-10-15 | 北京工业大学 | 基于pso-bp神经网络和nsga-ii的激光切割加工建模及参数优化选择方法 |
| CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 程绪超;陈新宇;郭平;: "基于改进Elman网络模型的软件可靠性预测", 通信学报, no. 211, 30 April 2011 (2011-04-30), pages 86 - 93 * |
| 董丽媛: "基于AGA和ELM的蛋鸡舍环境参数多目标优化研究", no. 2021, 15 January 2021 (2021-01-15), pages 50 - 338 * |
| 蔡辰光;尹华鑫;邓日青;: "Elman神经网络与遗传算法在变速器故障诊断中的融合应用", 农业装备与车辆工程, no. 09, 10 September 2007 (2007-09-10) * |
| 郭梦旭: "基于鸽群启发算法的风电场多目标优化功率控制方法研究", no. 2022, 31 January 2022 (2022-01-31), pages 9 - 11 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
| CN112418406B (zh) | 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法 | |
| CN113094357A (zh) | 一种基于时空注意力机制的交通缺失数据补全方法 | |
| CN111027630B (zh) | 一种基于卷积神经网络的图像分类方法 | |
| CN114154401A (zh) | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 | |
| CN111814878A (zh) | 基于ssda-helm-softmax的农业投入品实时分类预测方法 | |
| CN117454124A (zh) | 一种基于深度学习的船舶运动预测方法及系统 | |
| CN113947198A (zh) | 一种基于非线性自回归神经网络模型的测井曲线重构方法 | |
| CN114942951A (zh) | 一种基于ais数据的渔船捕鱼行为分析方法 | |
| CN113627240B (zh) | 一种基于改进ssd学习模型的无人机树木种类识别方法 | |
| CN115220501A (zh) | 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 | |
| CN113283642A (zh) | 一种家禽饲料检测与配方系统 | |
| Yang et al. | Genetic programming for symbolic regression: A study on fish weight prediction | |
| CN117349622A (zh) | 基于混合深度学习机制的风电场风速预测方法 | |
| Ashikhmina et al. | Mathematical model for dynamics of the number of pelt products from the local population of Mantchurian squirrels | |
| Clark et al. | Higher-order probabilistic perceptrons as Bayesian inference engines | |
| Feng et al. | A back-propagation neural network based on a hybrid genetic algorithm and particle swarm optimization for image compression | |
| Ma et al. | Improved seismic impedance inversion based on uncertainty analysis | |
| Sun et al. | An adaptive HMM method to simulate and forecast ocean chemistry data in aquaculture | |
| CN116797851B (zh) | 图像分类模型的类脑连续学习方法、图像分类方法和装置 | |
| CN116895344A (zh) | 水体溶解氧预测方法 | |
| Garcia-Cardona et al. | Structure prediction from scattering profiles: A neutron-scattering use-case | |
| D'sky et al. | A Novel Multi-Modal Deep Learning Method for Fish's Appetite Detection | |
| CN115659260A (zh) | 基于FDPCA降维和XGBoost回归的热应激程度评价模型的建立方法 | |
| Lein | Mapping environmental carrying capacity using an artificial neural network: a first experiment |
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 |