基于粒子群优化SVR模型的生猪热应激程度预测方法与流程

基于粒子群优化svr模型的生猪热应激程度预测方法
技术领域
1.本发明涉及一种基于粒子群优化svr模型的生猪热应激程度预测方法，属于畜牧业的环境监测技术领域。


背景技术：

2.现代畜牧业高度集约化、规模化的发展形式，促进了动物的生产效率，但同时也给动物的健康生长带来了安全隐患。当猪舍环境超越适温区上限，牲畜无法驱散体内多余的热量并保持恒定的体内温度时，会经历热应激行为，这对生猪的免疫系统、生长发育和生产机能具有不利影响，进而造成猪场养殖的经济损失。对于热应激的评估一般是直接测量牲畜体温，但就养殖场环境而言，测量体温需要大量劳动，难以实现；因此需要发明一种替代方法，可以使用可控的环境指标和生猪的生理机能评估其在热应激预测方面的适用性，实现对热应激的预测，并反馈环境参数调控方案，保持猪舍良好的生存环境条件，减缓热应激行为。


技术实现要素：

3.针对现有技术存在的上述缺陷，本发明提出了一种基于粒子群优化svr模型的生猪热应激程度预测方法。
4.本发明所述的一种基于粒子群优化svr模型的生猪热应激程度预测方法，其特征在于，包括以下步骤：
5.步骤s1：采集环境参数以及猪只的生理状态；
6.步骤s2：建立可评估热应激程度的参数tsi：通过步骤s1中采集到的环境参数以及猪只的生理状态，建立可评估热应激程度的参数tsi并通过具体参数得到相应数值；
7.步骤s3：建立svr学习模型：对输入向量xi、输出向量yi建立svr学习模型，并将输入向量xi映射到高位向量特征空间，构造回归函数，引入松弛变量，具体公式如下：
[0008][0009]
其中，f(xi)为回归函数；为输入变量投影到特征空间的映射；w
t
和b为待确定模型参数；
[0010]
引入松弛变量具体公式如下：
[0011][0012]
s.t.f(xi)-yi≤ε+ξi[0013]yi-f(xi)≤ε+ξ
i*
[0014]
ξi≥0,ξ
i*
≥0,i＝1,2,
……
,n
[0015]
其中，c为惩罚因子；ε为不敏感损失系数；ξi和ξ
i*
是松弛变量；
[0016]
步骤s4：寻找svr的最优训练模型，得到可评估热应激程度的热应激指数预测模
型：采用粒子群算法对svr学习模型中的惩罚因子进行寻优，最终得到可评估热应激程度的热应激指数。
[0017]
优选地，所述步骤s1中，通过检测装置采集猪舍内的环境参数，环境参数包括环境温度ta、空气湿度rh、风速v、平均辐射tr。
[0018]
优选地，所述步骤s1中，猪只的生理状态通过猪只的呼吸速率得到，猪只的呼吸速率通过猪只胸部的运动表现计算得到。
[0019]
优选地，所述步骤s2中可评估热应激程度的参数tsi的计算公式具体如下：
[0020]
tsi＝ta+β1ta[0021]
其中，ta为环境温度；β1为回归系数，β1的计算公式具体如下：
[0022]
rr＝β0+β1ta[0023]
其中，rr为猪只的呼吸速率，β0为线性回归截距，ta为环境温度。
[0024]
优选地，所述步骤s3中将(ta,rh,v,tr)
it
作为输入向量xi，tsii作为输出变量yi，其中i＝1,2
…
n，n为样本数量；还引入了拉格朗日函数，其中核函数k(xi,x)选用径向基核函数：
[0025]
k(xi,x)＝exp(-g||x
i-x||2)
[0026]
式中xi是输入向量，x是预测输入数据向量，g为核函数的宽度。
[0027]
优选地，所述步骤s4中采用粒子群算法对svr模型的惩罚因子进行寻优具体步骤如下：
[0028]
步骤s41：初始化svr模型训练参数；
[0029]
步骤s42：初始化粒子群训练参数和粒子初始位置与速度；
[0030]
步骤s43：评估个体与全局最优位置；
[0031]
步骤s44：计算粒子的适应度并更新粒子速度与位置：通过比较当前位置与个体最优位置的适应度来更新个体最优位置，再将个体最优位置与群体最优位置进行比较更新全局最优位置，具体计算公式如下：
[0032]
vi＝vi+d1r1(p
best-wi)+d2r2(g
best-wi)
[0033]
wi＝wi+vi[0034]
其中，vi为粒子的速度，wi为粒子的当前位置，d1、d2为学习因子，r1、r2为【0,1】之间的随机数；
[0035]
步骤s45：重复步骤s44，直至满足终止条件输出最优参数，建立最优参数svr学习模型。
[0036]
优选地，所述步骤s41中粒子群相关参数包括惯性权值、最大迭代次数和种群数量。
[0037]
优选地，所述步骤s42中使用均方误差作为适应度函数评估个体最优位置和全局最优位置，具体计算公式如下：
[0038][0039]
其中，为预测值，mi为真实值，n为样本数量。
[0040]
优选地，所述步骤s4后输入测试样本，验证svr学习模型的有效性。
[0041]
本发明所述的基于粒子群优化svr模型的生猪热应激程度预测方法，具有以下有益效果：
[0042]
(1)本发明提出的生猪热应激程度预测方法响应速度快、预测精度高，能够达到对生猪热应激指数快速准确的预测，在一定程度上缓解养殖环境控制效果滞后的问题；
[0043]
(2)无需人工直接测量，大量减少人工劳动，减轻生产负担；
[0044]
(3)能够根据本发明预判猪的应急程度，使生产管理人员能即使对环境参数作出合适的调控，缓解热应激行为对猪只生理机能造成的不利影响，提高存活率，减少养殖的经济损失。
附图说明
[0045]
图1是本发明的流程框图。
[0046]
图2是寻找svr的最优训练模型的流程框图。
具体实施方式
[0047]
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。
[0048]
实施例：
[0049]
如图1至图2所示，本发明所述的基于粒子群优化svr模型的生猪热应激程度预测方法，本发明所述的一种基于粒子群优化svr模型的生猪热应激程度预测方法，包括以下步骤：
[0050]
步骤s1：采集环境参数以及猪只的生理状态；通过检测装置，包括温湿度传感器、风速测量仪和辐射监测仪采集猪舍内的环境参数，环境参数包括环境温度ta、空气湿度rh、风速v、平均辐射tr。猪只的生理状态通过猪只的呼吸速率得到，猪只的呼吸速率通过猪舍内设置的摄像头观测猪只胸部的胸部运动深度得到，具体方法为：采集典型猪只在不同环境参数下的呼吸速率，以构造样本集。幅值波形是将连续帧下的深度幅值数据进行可视化得到呼吸特征时域信号，再对其进行fft变换得到频域信息，从而实现呼吸速率的采集；以呼吸速率rr和环境温度ta分别作为响应变量和解释变量进行线性回归：
[0051]
rr＝β0+β1ta[0052]
其中，rr为呼吸速率；ta为猪舍内环境温度；β1为线性回归系数，β0为线性回归截距，该截距为线性回归后可获得的参数。
[0053]
步骤s2：建立可评估热应激程度的参数tsi：通过步骤s1中采集到的环境参数以及猪只的生理状态，建立可评估热应激程度的参数tsi并通过具体参数得到相应数值；可评估热应激程度的参数tsi的计算公式具体如下：
[0054]
tsi＝ta+β1ta[0055]
其中，ta为环境温度；β1为回归系数。
[0056]
将(ta,rh,v,tr)
it
作为输入向量xi，tsii作为输出变量yi。其中i＝1,2
…
n，n为样本数量，则训练样本s＝{(xi,yi),xi∈r
l
,yi∈r}，l为输入变量数量。
[0057]
为加快模型训练速度，使用最大最小值方法将样本数据进行归一化处理，如下式：
[0058][0059]
式中，zi为原始数值，z
i*
是归一化数值。
[0060]
步骤s3：建立svr学习模型：将处理过的数据拆分为训练样本和测试样本：将数据随机拆分，其中80％作为训练样本，20％作为测试样本，建立svr学习模型，初始化惩罚系数c，svr模型建立的思想是把具有复杂非线性关系的训练数据映射到高维的特征空间中，构造线性回归函数：
[0061][0062]
式中为输入变量投影到特征空间的映射，w
t
和b为待确定模型参数。
[0063]
其求解最小优化约束条件为：
[0064][0065]
s.t.f(xi)-yi≤ε+ξi[0066]yi-f(xi)≤ε+ξ
i*
[0067]
ξi≥0,ξ
i*
≥0,i＝1,2,
……
,n
[0068]
式中c为惩罚因子，ε为不敏感损失系数，ξi和ξ
i*
是松弛变量。
[0069]
引入拉格朗日函数转化为对偶函数，可得非线性函数，
[0070][0071]
其中αi,α
i*
为拉格朗日因子，核函数k(xi,x)选用径向基核函数：
[0072]
k(xi,x)＝exp(-g||x
i-x||2)
[0073]
式中xi是输入向量，x是预测输入数据向量，g为核函数的宽度。
[0074]
步骤s4：寻找svr的最优训练模型，得到可评估热应激程度的热应激指数预测模型：采用粒子群算法对svr学习模型中的惩罚因子进行寻优，最终得到可评估热应激程度的热应激指数。
[0075]
采用粒子群算法对svr模型进行寻优具体步骤如下：
[0076]
步骤s41：初始化svr模型训练参数；包括惯性权值、最大迭代次数tmax和种群数量。
[0077]
步骤s42：初始化粒子群训练参数和粒子初始位置与速度；确定粒子初始位置和速度，并评估个体最优位置p
best
和全局最优位置g
best
，使用均方误差mse作为适应度函数：
[0078][0079]
式中为预测值，mi为真实值，n为样本数量。
[0080]
步骤s43：评估个体与全局最优位置；
[0081]
步骤s44：计算粒子的适应度并更新粒子速度与位置：通过比较当前位置与个体最
优位置的适应度来更新个体最优位置pbest，再将个体最优位置与群体最优位置进行比较更新全局最优位置gbest。粒子按照以下公式更新速度与位置：
[0082]
vi＝vi+d1r1(p
best-wi)+d2r2(g
best-wi)
[0083]
wi＝wi+vi[0084]
其中，i＝1,2
…
n，n为样本数量，vi为粒子的速度，wi为粒子的当前位置，d1、d2为学习因子，学习因子一般取2，r1、r2为[0,1]间的随机数。
[0085]
步骤s45：重复步骤s44，直至满足终止条件输出最优参数，建立最优参数svr学习模型：不断更新个体最优位置p
best
和全局最优位置g
best
，直至达到最大迭代次数t
max
，将此时的粒子位置解码为最优解，输出最优参数c
best
。
[0086]
基于粒子群算法返回的最优惩罚因子c，确定回归函数的模型参数，建立基于粒子群优化svr的预测模型；输入测试样本，验证模型的有效性。
[0087]
预测模型建立后，采集猪舍的环境参数(ta、rh、v、tr)，将以上数据代入所建立的预测模型，可得到热应激指数tsi的数值，达到对热应激行为高效快速的预测。
[0088]
本发明可广泛运用于畜牧业的环境监测场合。
[0089]
涉及到电路和电子元器件和模块均为现有技术，本领域技术人员完全可以实现，无需赘言。