设施投料预测方法和系统的制作方法
【技术领域】
[0001] 本发明涉及物联网领域，特别涉及一种设施投料预测方法和系统。
【背景技术】
[0002] 随着人工成本的逐渐上涨和智能化传感设备在企业生产领域的不断渗透，物联网 技术与决策支持方法在设施养殖领域中越发受到重视。
[0003] 目前，传统设施养殖中饲料的投放一直遵循养殖经验和科学数据指导下的半自动 投放，饲料投放量的控制实质由人为决定并实际操作。图1为现有技术中的投料控制示意 图。其中，通过定时投料及手动投料以满足设施养殖投料需求，在出现实际偏差时，由人工 进行巡检纠偏。
[0004] 普遍情况下，企业设施养殖饲料投放的实际情况是通常投放量偏离真实需求。投 放量过多造成浪费成本，过少又不能满足动物正常生长需求。企业为了控制饲料投放的精 度增加多次人工巡检和投放操作产生大量额外的人工成本。
【发明内容】
[0005] 本发明实施例提供一种设施投料预测方法和系统，通过构建BP神经网络模型，确 定BP神经网络模型各层间的连接权重，从而可利用BP神经网络模型预测出一定周期内设施 养殖的最佳投放量，据此进行投放和检测，可达到优化设施投料工艺，节省投料成本，降低 人工成本和提升设施养殖品质的目的。
[0006] 根据本发明的一个方面，提供一种设施投料预测方法，包括：
[0007] 构建后向传播BP神经网络模型；
[0008] 从数据库读取待预测数据和样本数据，并进行归一化处理，其中待预测数据与设 施养殖环境中的温度、质量、时间、养殖数量和单位质量投料成本相关；
[0009] 将经归一化处理的样本数据输入BP神经网络模型进行学习，以确定BP神经网络中 各层之间的连接权重参数；
[0010]将经归一化处理的待预测数据输入BP神经网络模型，以便BP神经网络模型根据各 层间的连接权重参数对经归一化处理的待预测数据进行计算，从而得到预测投料量。
[0011]在一个实施例中，BP神经网络模型包括输入层、隐层和输出层，其中在隐层中，第j 个神经元节点的输入为：
[0013] 其中1 < j <m，m为隐层中神经元节点的个数，1 < i <n，n为输入层中神经元节点的 个数，为输入层中第i个神经元节点提供的输入数据，ωυ为隐层中第j个神经元节点与输 入层中第i个神经元节点的连接权重，9」为隐层中第j个神经元节点的阈值。
[0014] 在一个实施例中，隐层中第j个神经元节点的输出为：
[0015] 〇j = f(Ij)
[0016] 其中f为传递函数。
[0017] 在一个实施例中，传递函数为：
[0019] 在一个实施例中，输入层中的神经元节点个数η为5;
[0020] 隐层中神经元节点的个数m为6;
[0021] 输出层中包括一个神经元节点。
[0022] 在一个实施例中，输出层神经元节点的输出为：
[0024] 其中Vj为输出层神经元节点与隐层中第j个神经元节点的连接权重。
[0025] 在一个实施例中，在输入层中，第一神经元节点接收的数据代表设施养殖环境中 的温度、第二神经元节点接收的数据代表设施养殖环境的质量、第三神经元节点接收的数 据代表设施养殖时间、第四神经元节点接收的数据代表设施养殖数量、第五神经元节点接 收的数据代表单位质量投料成本。
[0026]根据本发明的另一方面，提供一种设施投料预测系统，包括模型构建单元、预处理 单元、参数学习单元和预测单元，其中：
[0027]模型构建单元，用于构建后向传播BP神经网络模型；
[0028]预处理单元，用于从数据库读取待预测数据和样本数据，并进行归一化处理，其中 待预测数据与设施养殖环境中的温度、质量、时间、养殖数量和单位质量投料成本相关； [0029]参数学习单元，用于将经归一化处理的样本数据输入BP神经网络模型进行学习， 以确定BP神经网络中各层之间的连接权重参数；
[0030] 预测单元，用于将经归一化处理的待预测数据输入BP神经网络模型，以便BP神经 网络模型根据各层间的连接权重参数对经归一化处理的待预测数据进行计算，从而得到预 测投料量。
[0031] 在一个实施例中，BP神经网络模型包括输入层、隐层和输出层，其中在隐层中，第j 个神经元节点的输入为：
[0033] 其中1 < j <m，m为隐层中神经元节点的个数，1 < i <n，n为输入层中神经元节点的 个数，为输入层中第i个神经元节点提供的输入数据，ωυ为隐层中第j个神经元节点与输 入层中第i个神经元节点的连接权重，9」为隐层中第j个神经元节点的阈值。
[0034] 在一个实施例中，隐层中第j个神经元节点的输出为：
[0035] 〇j = f(Ij)
[0036] 其中f为传递函数。
[0037]在一个实施例中，传递函数为：
[0039]在一个实施例中，输入层中的神经元节点个数η为5;
[0040] 隐层中神经元节点的个数m为6;
[0041] 输出层中包括一个神经元节点。
[0042] 在一个实施例中，输出层神经元节点的输出为：
[0044] 其中Vj为输出层神经元节点与隐层中第j个神经元节点的连接权重。
[0045] 在一个实施例中，在输入层中，第一神经元节点接收的数据代表设施养殖环境中 的温度、第二神经元节点接收的数据代表设施养殖环境的质量、第三神经元节点接收的数 据代表设施养殖时间、第四神经元节点接收的数据代表设施养殖数量、第五神经元节点接 收的数据代表单位质量投料成本。
[0046] 通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其 优点将会变得清楚。
【附图说明】
[0047] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可 以根据这些附图获得其他的附图。
[0048] 图1为现有技术中的投料控制示意图。
[0049] 图2为本发明设施投料预测方法一个实施例的示意图。
[0050] 图3为BP神经网络模型的示意图。
[0051]图4为本发明BP神经网络模型反向学习一个实施例的示意图。
[0052]图5为本发明设施投料预测系统一个实施例的示意图。
[0053]图6为本发明的投料控制示意图。
【具体实施方式】
[0054]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。以下 对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使 用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提 下所获得的所有其他实施例，都属于本发明保护的范围。
[0055] 除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表 达式和数值不限制本发明的范围。
[0056] 同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际 的比例关系绘制的。
[0057] 对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适 当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
[0058]在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不 是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0059] 应注意到:相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一 个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0060] 图2为本发明设施投料预测方法一个实施例的示意图。其中：
[0061 ] 步骤201，构建BP(Back Propagation，后向传播）神经网络模型。
[0062]例如，BP神经网络模型可包括输入层、隐层和输出层，各层设有相应的神经元节 点。
[0063]步骤202，从数据库读取待预测数据和样本数据，并进行归一化处理，其中待预测 数据与设施养殖环境中的温度、质量、时间、养殖数量和单位质量投料成本相关。
[0064] 通过归一化，将数据设置在0至1之间。例如，对于数据X来说，利用公式
[0065] ( X-Xmim ) / ( Xmax-Xmim )
[0066] 对X进行归一化，其中Xmin为X的最小值，Xmax为X的最大值。
[0067]步骤203,将经归一化处理的样本数据输入BP神经网络模型进行学习，以确定BP神 经网络中各层之间的连接权重参数。
[0068]步骤204,将经归一化处理的待预测数据输入BP神经网络模型，以便BP神经网络模 型根据各层间的连接权重参数对经归一化处理的待预测数据进行计算，从而得到预测投料 量。
[0069]基于本发明上述实施例提供的设施投料预测方法，通过构建BP神经网络模型，确 定BP神经网络模型各层间的连接权重，从而可利用BP神经网络模型预测出一定周期内设施 养殖的最佳投放量，据此进行投放和检测，可达到优化设施投料工艺，节省投料成本，降低 人工成本和提升设施养殖品质的目的。
[0070]图3为本发明所涉及的BP神经网络模型的示意图，其中在各层均设有相应的神经 元节点。其中在隐层中，第j个神经元节点的输入为：
[0072] 其中1 < j <m，m为隐层中神经元节点的个数，1 < i <n，n为输入层中神经元节点的 个数，为输入层中第i个神经元节点提供的输入数据，ωυ为隐层中第j个神经元节点与输 入层中第i个神经元节点的连接权重，9」为隐层中第j个神经元节点的阈值。
[0073] 相应的，隐层中第j个神经元节点的输出为：
[0074] 〇j = f(Ij)
[0075] 其中f为传递函数。
[0076] 优选的，传递函数为：
[0078]其中，输入层和隐层间各神经元节点间的连接权重向量矩阵W为：
[0080]例如，c〇mn为隐层中第m个神经元节点与输入层中第η个神经元节点的连接权重。
[0081] 此外，输入层中各神经元节点接收到的输入信息构成向量X，其中：
[0082] χ={χ1，Χ2，···，Χη} τ
[0083]在一个实施例中，输入层中的神经元节点个数η为5,隐层中神经元节点的个数m为 6,输出层中包括一个神经元节点。
[0084] 优选的，在输入层中，第一神经元节点接收的数据代表设施养殖环境中的温度、第 二神经