基于双向递归神经网络的饲料投放量预测及模型构建方法与流程

本发明属于智能化畜牧，尤其涉及一种基于双向递归神经网络的饲料投放量预测及模型构建方法。

背景技术：

1、畜牧业喂食系统在畜牧业生产中扮演着至关重要的角色，提供精确的饲料投放和管理，保障畜禽的健康生长，提高生产效率和经济效益，同时推动畜牧业智能化发展。然而，传统的畜牧业喂食系统通常采用定量喂食方式，存在一定的局限性：

2、1.传统的畜牧业喂食无法根据不同动物个体的需求进行个性化调控。每只动物的生长状态、健康状况、体重和饮食习惯都有所不同，如果对不同动物个体投放相同量的饲料会导致饲料的浪费和动物健康状态的下降。

3、2.传统畜牧业喂食技术的精准度较低，无法根据动物之间的个体差异精确测量和控制饲料的分配量，出现过度喂食或者喂食不足的情况，影响到动物的生长发育和健康状态。

4、3.传统的喂食需要投入大量的人工成本。在增加劳动力成本的同时，还会造成人为疏忽或者误操作，影响到畜禽的生长和养殖效益。此外，人工操作也限制了喂食系统的自动化和智能化程度，无法实现高效的管理和运作。

技术实现思路

1、针对上述问题，本发明提供了一种基于双向递归神经网络的饲料投放量预测模型构建方法，其特征在于，包括以下过程：

2、s1，收集多个健康动物个体在一个确定时刻的年龄、体重、饮水量、采食量和理想饲料投放量；以动物个体的年龄、体重、饮水量和采食量作为样本数据，以该动物的理想饲料投放量作为样本标签，建立训练数据集data＝{data1,ata2,ata3,ata4,abel}；其中data1、data2、data3和data4分别为动物年龄序列、动物体重序列、动物饮水量序列和动物采食量序列；label为理想饲料投放量序列；

3、s2，构建深度自编码器神经网络去除s1所述data数据集中的样本数据中的噪声，获得去噪声后的数据集：

4、

5、s3，设计基于注意力编码网络的特征融合模块对s2中data*样本数据集的样本数据进行特征融合，融合后的特征向量记为fe；

6、s4，构建双向循环神经网络模型，用于预测动物个体的饲料投放量，所述双向循环神经网络模型有效学习s3所述fe特征向量的正向依赖关系和反向依赖关系；

7、s5，采用粒子群算法优化s4所述双向循环神经网络模型的网络结构，最终获得具备最优网络结构的饲料投放量预测模型。

8、优选的，所述s2是通过构建的深度自编码器神经网络去除data中样本数据的噪声，具体过程为：

9、将data中的样本数据data1、data2、data3和data4分别输入公式(1)、(2)、(3)和(4)获得对应的特征向量s1，s2，s3和s4；

10、

11、

12、

13、

14、其中，sigmoid为激活函数，ω是滤波器，λ是偏置值；

15、s1，s2，s3和s4分别输入公式(5)、(6)、(7)和(8)获得对应的降噪后的数据和

16、

17、

18、

19、

20、优选的，所述s3中基于注意力编码网络的特征融合模块包括四个注意力编码器网络和一个全连接网络；每个注意力编码器网络能够逐层深入地从和中提取出有价值的特征信息；同时引入注意力机制，使得编码器网络能够提高特征的表达能力；所述全连接网络负责将四个注意力编码器网络提取的特征进行融合。

21、优选的，所述s4中构建的双向循环神经网络模型包括两个隐含层，分别是前向隐含层和后向隐含层，定义分别如公式(9)和(10)所示：

22、hf( )＝δ(fe( )·wf)+hf( -1)·wf+ f (9)

23、hb( )＝δ(feb( )·wb)+ b( -1)·wb+ b (10)

24、其中，feb是fe的反向序列，ωf是前向隐含层的权重值，后向隐含层的权重值，bf是前向隐含层的偏置值，bb是后向隐含层的偏置值；hf(t)是fe中第t个数据输入双向循环神经网络时计算得到的隐含层特征；hb(t)是feb中第t个数据输入双向循环神经网络时计算得到的隐含层特征；hf(t-1)是fe中第t-1个数据输入双向循环神经网络时计算得到的隐含层特征；hb(t-1)是feb中第t-1个数据输入双向循环神经网络时计算得到的隐含层特征；δ为学习率；

25、双向循环神经网络的预测输出如公式(11)所示：

26、

27、其中，wout是输出层的权重矩阵，bout是输出层的偏置参数；label*(t)为fe中第t个数据输入双向循环神经网络时计算得到饲料投喂量的预测值。

28、优选的，所述s5的具体过程为：

29、s51，基于所述双向循环神经网络的学习率δ、隐含层网络节点数k，隐含层层数l建立双向循环神经网络优化问题目标函数，如公式(12)所示：

30、

31、s52，初始化粒子群：随机生成t个粒子，每个粒子均表示一组学习率δ、隐含层网络节点数k和隐含层层数l的组合，即xj＝[δj,kj,lj]，j∈[1,t]；

32、s53，获取初始化粒子适应度：将每个初始化粒子代入,所述双向循环神经网络，根据公式(12)计算该粒子的适应度值；将粒子群中适应度最小的粒子作为粒子群的最优粒子xbest；

33、s54，更新粒子：利用公式(13)对每个粒子进行更新

34、xj′＝xj+z·rand(xbest-xj)  (13)

35、其中，z为速度更新权重，且z＝0.5，rand(·)为区间[0,1]中的随机数，xj′为更新后的第j个粒子；

36、s55，获取更新后的粒子适应度：将每个更新后的粒子代入,所述双向循环神经网络，根据公式(12)计算该粒子的适应度值；

37、s56，确定全局最优粒子：如果x′j的适应度小于xbest，则xbest＝x′j；

38、s57，重复步骤s54至步骤s56共100次，将最后一次迭代得到的最优粒子xbest：

39、xbest＝[δbest,kbest,lbest]

40、s58，基于s57得到的最优组合方案，最终确定双向循环神经网络模型的最优网络结构。

41、本发明第二方面提供了一种基于双向递归神经网络的饲料投放量预测方法，将如第一方面所述的构建方法所构建的饲料投放量预测模型部署于养殖场控制终端，并包括以下过程：

42、采集养殖场需要投喂饲料的动物的年龄、体重、饮水量和采食量，存储在后台电脑的文本文件中；

43、在pycharm编程环境中读取所述文本文件，利用所述饲料投放量预测模型预测每个动物个体当天的饲料投喂量。

44、本发明第三方面提供了一种基于双向递归神经网络的饲料投放量预测设备，所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如第一方面所述的构建方法所构建的饲料投放量预测模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种基于双向递归神经网络的饲料投放量预测方法。

45、本发明第四方面提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有如第一方面所述的构建方法所构建的饲料投放量预测模型的计算机程序或指令，所述程序或指令被处理器执行时，使处理器执行一种基于双向递归神经网络的饲料投放量预测方法。

46、与现有技术相比，本发明具有如下有益效果：

47、针对传统畜牧业喂食技术人工成本高，无法针对动物个体差异精确喂食的问题，本发明设计了一种基于双向递归神经网络的养殖场饲料投放量预测技术，能够有效降低预测成本，可以实现针对动物个体差异的精确喂食。具体而言：

48、(1)本发明设计了深度自编码器神经网络分别去除动物年龄年龄序列、体重序列、饮水量序列和采食量序列的噪声，获得适合神经网络训练的高质量数据。

49、(2)本发明设计了基于注意力编码网络的特征融合模块，能够有效捕捉动物年龄年龄序列、体重序列、饮水量序列和采食量序列的特征，获得适合神经网络训练的低维特征向量。

50、(3)本发明采用双向循环神经网络学习融合特征的正向依赖性和反向依赖性，提高对饲料投喂量的预测精度。

51、(4)本发明采用粒子群算法获得双向循环神经网络的最优网络结构，能够提高双向循环神经网络的预测精度。