一种畜禽舍环境大数据检测系统

本发明涉及畜禽舍环境参数检测与处理技术领域，具体涉及一种畜禽舍环境大数据检测系统。

背景技术：

我国是畜禽产销大国，猪肉的消费量占世界猪肉消费量近半。随着人们生活水平的提高，对高品质的肉制品需求愈来愈大。中国的畜禽养殖正在逐步由小规模向集约化、工厂化转变和发展。畜禽环境作为重要的养殖环节，直接影响猪的采食量和消化率，恶劣的养殖环境违背动物的正常生长规律，损害养殖场动物福利，造成肉制品质量低下。

从畜禽养殖场中影响畜禽健康生长环境因子分析入手，研究畜禽环境实时监控系统，利用云平台为畜禽养殖管理人员提供畜禽生长环境的实时信息，可远程控制养殖场内的风机、湿帘以及供暖等设备，改善畜禽生长环境，从而有效保障畜禽健康生长。养殖场内影响畜禽健康生长的主要环境因子包含温湿度和有害气体等，畜禽温度和湿度是影响畜禽生长过程和猪场生产经济效益重要环境因素。温度直接影响猪的进食欲、采食量和抵抗力；湿度影响到微生物的生长与繁殖，导致畜禽生长过程中抵抗力减弱，引起风湿、肠炎和呼吸道疾病发病率增高等危害。料重比随着畜舍内氨气浓度的升高而升高，然而，畜禽的日增重却是随着畜舍内氨气浓度升高而下降，氨气还可诱发其它疾病。畜禽在有害气体超标的环境中，主要表现为精神萎靡、食欲不佳等，容易感染传染病，生长缓慢。由此可见，有害气体等不良环境不仅影响畜禽健康成长，而且也会污染周围环境。对畜禽环境的有效监控，可保障猪的健康生长，提升猪的福利化水平，有利于提高经济效益，故而具有重要意义。

技术实现要素：

本发明提供了一种畜禽舍环境大数据检测系统，本发明有效解决了现有畜禽养殖环境没有根据畜禽养殖环境参数变化的非线性、大滞后和畜禽养殖环境面积大复杂等对畜禽养殖环境产量影响，没有对畜禽养殖环境产量进行预测和对畜禽养殖环境参数精确检测与调节，从而极大的影响畜禽养殖环境产量预测和生产管理问题。

本发明通过以下技术方案实现：

一种畜禽舍环境大数据检测系统，所述检测系统包括畜禽舍环境参数采集与控制平台和畜禽舍环境大数据处理子系统组成，实现对畜禽环境参数进行检测、调节和产量预测。

本发明进一步技术改进方案是：

畜禽舍环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台、远程监控计算机和手机app组成，检测节点采集畜禽舍环境参数经网关节点上传到云平台，云平台提供畜禽环境参数给远程监控计算机进行web可视化畜禽舍环境参数界面管理，远程监控计算机对控制节点下指令实施环境远程控制，在云平台端存储数据和发布信息；手机app通过云平台提供的畜禽舍环境信息可实时监测畜禽舍环境参数；检测节点和控制节点负责采集畜禽舍环境参数和控制畜禽舍环境设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台、远程监控计算机和手机app的双向通信，实现畜禽舍环境参数采集和畜禽舍设备控制；畜禽舍环境大数据处理检测系统结构图1所示。

本发明进一步技术改进方案是：

畜禽养殖环境大数据处理子系统包括参数检测传感器、3个参数检测模型和产量预测模型，参数检测传感器包括温度传感器、湿度传感器和风速传感器，多个温度传感器、多个湿度传感器和多个风速传感器的输出分别是3个对应的参数检测模型对输入，3个参数检测模型输出的温度梯形模糊数、湿度梯形模糊数、风速梯形模糊数分别是产量预测模型的3个对应的按拍延迟线tdl(tappeddelayline)的输入，畜禽舍产量历史数据作为产量预测模型的对应的按拍延迟线tdl(tappeddelayline)的输入，畜禽养殖环境大数据处理子系统见图2，产量预测模型的输出为畜禽舍产量预测值，产量预测模型见图3。

本发明进一步技术改进方案是：

参数检测模型由多个按拍延迟线tdl(tappeddelayline)、多个flnn函数连接型神经网模型、多个drnn神经网络模型模型、多个积分回路和gmdh神经网络模型组成，2个积分算子s相串联构成一个积分回路；参数测量传感器输出作为对应的按拍延迟线tdl的输入，每个按拍延迟线tdl输出的一段时间的参数测量传感器值分别作为对应的flnn函数连接型神经网模型的输入，多个flnn函数连接型神经网模型的输出分别作为多个drnn神经网络模型模型的输入，每个drnn神经网络模型模型的输出分别作为对应的每个积分回路的输入和gmdh神经网络模型的对应输入，每个积分回路的2个积分算子连接端的输出作为gmdh神经网络模型的1个对应输入，每个积分回路的输出作为gmdh神经网络模型的1个对应输入，gmdh神经网络模型的输出为代表一段时间参数测量传感器值大小的动态梯形模糊数为[a，b，c，d]，[a，b，c，d]构成在一段时间内参数检测模型输出参数测量传感器值的动态梯形模糊数值，a、b、c和d分别代表参数测量传感器值的最小值、极小值、极大值和最大值，参数检测模型把一段时间参数测量传感器值转换为被测量参数的梯形模糊数值。

本发明进一步技术改进方案是：

产量预测模型由4个按拍延迟线tdl(tappeddelayline)、多个动态递归小波神经网络预测模型、2个自联想神经网络和elman神经网络预测模型组成，畜禽舍产量的历史数据作为对应的按拍延迟线tdl的输入，该按拍延迟线tdl输出的一段时间畜禽舍产量的历史数据作为多个动态递归小波神经网络预测模型的输入，多个动态递归小波神经网络预测模型输出作为对应的自联想神经网络的输入，3个参数检测模型输出的温度梯形模糊数、湿度梯形模糊数和风速梯形模糊数作为3个对应的按拍延迟线tdl的输入，3个按拍延迟线tdl输出一段时间的温度梯形模糊数、湿度梯形模糊数和风速梯形模糊数作为对应的自联想神经网络的输入，2个自联想神经网络的输出作为elman神经网络预测模型的输入，elman神经网络预测模型输出的梯形模糊数为畜禽舍产量的预测值。

本发明与现有技术相比，具有以下明显优点：

一、本发明flnn函数连接神经网络模型由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，flnn函数连接神经网络模型的网络计算量更小，训练速度更快；可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展畜禽养殖环境的检测参数输入变量，可提高flnn函数连接神经网络模型的网络分辨能力，提高本发明检测畜禽舍环境温度、湿度和风速的准确性。

二、本发明gmdh神经网络模型具有如下两个基本思想:以分析黑箱的方法处理系统畜禽舍环境温度、湿度和风速输入输出关系，用网络间元素的互联关系描述网络的功能。gmdh神经网络模型的构建过程主要是一个不断产生活动神经元，由外部准则对神经元进行筛选，筛选得到的神经元将结合再产生下一层神经元，直至具有最佳复杂性的畜禽舍环境温度、湿度和风速预测模型被选出的这样一个过程。①能得到明确函数解析式表达的模型结果，自组织gmdh神经网络模型综合了神经网络和统计建模的思想，能够给出函数式表达的结果，甚至是其它建模方法难以达到的多变量高次回归方程；②建模过程自组织控制和不需任何初始假设，gmdh神经网络模型则允许上百的输入变量，再以大量的变量逐层产生大量待选模型，算法根据数据驱动找寻对被解释变量有实质影响的输入项，自组织生成最优网络结构，尽量减少建模者主观因素的影响；③最优复杂性及高精度预测，gmdh经网络模型的最优复杂特性保证了其能从近似的、不确定的，甚至是相互矛盾的畜禽舍环境温度、湿度和风速知识环境中做出决策，也因其同时避免了模型结构的过拟合和不足拟合，模型更加接近系统的真实情况，从而具有更高畜禽舍环境温度、湿度和风速的预测可靠性。

三、本发明所采用elman神经网络预测模型实现对畜禽舍产量的预测，该elman神经网络预测模型一般分为4层:输入层、中间层(隐含层)、承接层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一次延时算子。elman神经网络预测模型的特点是隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到了动态建模的目的。elman神经网络预测模型回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入，这种自联方式使其对畜禽舍产量的历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，有利于畜禽舍产量预测的动态过程的建模；该elman神经网络预测模利用关联层动态神经元的反馈连接，未来预测畜禽舍产量网络和过去畜禽舍产量预测网络的信息进行融合，使网络对时间序列特征信息的记忆得到加强，从而提高畜禽舍产量预测的精确度和鲁棒性。

四、本发明畜禽舍环境的温度、湿度和风速存在非线性、大滞后和动态变化复杂等特点，在测量畜禽舍环境参数的的传感器很容易受到干扰，所以畜禽舍环境参数测量中常常包含较大的噪声。另一方面，畜禽舍环境的测量参数多于其独立变量的数量，即在这些测量参数中存在冗余信息。自联想神经网络通过对畜禽舍环境温度、湿度和风速信息的压缩及解压缩过程，能够利用冗余信息抑制其测量噪声。在畜禽舍环境大数据处理过程中，应用自联想神经网络对测量参数进行预处理，可以大大提高畜禽舍环境参数的准确率。

五、本发明由于通过多个积分回路联引入本畜禽舍环境被检测参数预测值的一次和二次变化量，在非线性参数的时间序列预测中应用gmdh神经网络模型根据被检测参数的预测值以及变化量的影响把被检测参数转换为梯形模糊数具有更好的预测精度和自适应能力，提高gmdh神经网络模型的泛化能力。

附图说明

图1为本发明的畜禽舍环境参数采集与控制平台；

图2为本发明的畜畜禽养殖环境大数据处理子系统；

图3为本发明的产量预测模型；

图4为本发明的检测节点；

图5为本发明的控制节点；

图6为本发明的网关节点；

图7为本发明的现场监控端软件。

具体实施方式

结合附图1-7，对本发明技术方案作进一步描述：

一、系统总体功能的设计

本发明一种畜禽舍环境大数据处理检测系统实现对畜禽舍养殖环境参数进行检测和预测，该系统由畜禽舍环境参数采集与控制平台和畜禽舍养殖环境大数据处理子两部分组成。畜禽舍环境参数采集与控制平台包括畜禽舍养殖环境参数的检测节点、控制节点、网关节点、现场监控端、云平台、远程监控端和手机app组成，检测节点和控制节点构建成lora网络通信来实现检测节点、控制节点和网关节点之间的lora网络通信；检测节点将检测的畜禽舍养殖环境参数通过网关节点发送给现场监控端和云平台，网关节点、云平台、现场监控端、远程监控端和手机app之间实现畜禽舍养殖环境参数和相关控制信息的双向传输,手机app通过云平台提供的畜禽舍环境信息可实时监测畜禽舍环境参数。畜禽舍环境参数采集与控制平台见图1所示。

二、检测节点的设计

采用大量基于lora通信网络的检测节点1作为畜禽舍养殖环境参数感知终端，检测节点通过lora通信网络实现现场监控端之间的信息相互交互。检测节点包括采集畜禽舍养殖环境湿度、温度、风速和光照度参数的传感器和对应的信号调理电路、stm32微处理器和lora网络通信的sx1278射频模块；检测节点的软件主要实现lora网络通信和畜禽舍养殖环境参数的采集与预处理。软件采用c语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图4。

三、控制节点的设计

控制节点通过lora网络实现与网关节点之间的信息相互交互，控制节点包括控制外部设备对应的4个数模转换电路、stm32微处理器、4个外部设备控制器和lora通信网络模块sx1278射频模块；4个外部设备控制器分别为温度控制器、湿度控制器、风速控制器和光照控制器。控制节点见图5。

四、网关节点设计

网关节点包括sx1278、nb-iot模块、stm32单片机和rs232接口，网关节点包括sx1278射频模块实现与检测节点和控制节点之间通信的lora通信网络，nb-iot模块实现网关与云平台之间的数据双向交互，rs232接口连接现场监控端实现网关与现场监控端之间的信息交互。网关节点见图6。

五、云平台设计

云平台支持多种传输协议为各种跨平台物联网应用、行业解决方案提供简便的海量连接、云端存储、消息分发和大数据分析等优质服务，具有良好的可视化应用。首先在云平台创建一个畜禽舍环境监控的产品，将检测节点、控制节点、网关节点、现场监控端、远程监控计算机和手机app按照平台的传输协议接入到创建的产品中，完成与接入互联网与云平台服务器建立tcp连接和传输数据等操作，实现它们之间数据和信息的双向传输。

六、远程监控计算机设计

远程监控计算机进行web可视化畜禽舍环境参数界面管理，对控制节点下指令实施环境远程控制，在云平台端存储数据和发布信息，养殖人员应用基于b/s架构的远程监控计算机浏览器访问并查看畜禽实时环境信息、查询与导出历史数据以及对畜禽养殖设备实施远程控制，远程监控计算机的web页面具有自动报警功能以便管理人员及时采取措施。

七、现场监控端软件设计

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参数进行处理，实现与网关节点之间信息交互，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畜禽养殖环境大数据处理子系统。畜禽养殖环境大数据处理子系统结构见图2。该管理软件选择了microsoftvisual++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见图7。畜禽养殖环境大数据处理子系统包括3个参数检测模型和产量预测模型，多个温度传感器、多个湿度传感器和多个风速传感器的输出分别是3个对应的参数检测模型对输入，3个参数检测模型输出的温度梯形模糊数、湿度梯形模糊数、风速梯形模糊数分别是产量预测模型的3个对应的按拍延迟线tdl(tappeddelayline)的输入，畜禽舍产量历史数据作为产量预测模型的对应的按拍延迟线tdl(tappeddelayline)的输入，产量预测模型见图3，产量预测模型的输出为畜禽舍产量预测值，参数检测模型和产量预测模型的设计过程如下：

1、参数检测模型设计

参数检测模型由多个按拍延迟线tdl(tappeddelayline)、多个flnn函数连接型神经网模型、多个drnn神经网络模型模型、多个积分回路和gmdh神经网络模型组成。flnn函数连接型神经网模型、drnn神经网络模型模型和gmdh神经网络模型设计如下：

a、flnn函数连接型神经网模型设计

参数测量传感器输出作为对应的按拍延迟线tdl的输入，每个按拍延迟线tdl输出的一段时间的参数测量传感器值分别作为对应的flnn函数连接型神经网模型的输入，多个flnn函数连接型神经网模型的输出分别作为多个drnn神经网络模型模型的输入。flnn函数型连接神经网络是一个函数型神经网络模型，该模型中的函数型连接的作用是将畜禽养殖环境的检测参数的输入模式的每个分量乘以整个模式向量，其结果是产生一个原始模式向量的张积。flnn函数连接型神经网络通过对畜禽养殖环境的检测参数输入模式预先进行非线性扩展，在flnn函数型连接神经网络中引入“高阶”项，通过对畜禽养殖环境的检测参数输入模式的非线性扩展，将畜禽养殖环境的检测参数输入模式映射到一个更大的模式空间，增强了畜禽养殖环境的检测参数输入信号的模式表达，大大简化了flnn函数连接型神经网模型的网络结构。虽然flnn函数连接型神经网模型输入的畜禽养殖环境的检测参数信息并没有增多，但flnn函数连接型神经网模型模式的增强带来了flnn函数连接型神经网模型的网络结构的简化和学习速度的提高，用单层网络就可以实现“监督”学习，相对于多层前向神经网络具有很大的优势。flnn函数连接型神经网模型用单层网络实现监督学习，这个求解过程可由下述自适应监督学习算法完成。flnn函数型连接神经网络模型的学习算法可由下式表示：

权值调整：

其中：fi(k)、ei(k)和wn(k)分别为第i个输入模式的期望输出、估计输出、误差和函数型网络在第k步的第n个连接权；α为学习因子，影响稳定性和收敛速度。flnn函数连接神经网络模型采用函数扩展的方式，对原始畜禽养殖环境的检测参数输入进行扩展，使原始畜禽养殖环境的检测参数输入转化到另外一个空间，将增强后的模式作为flnn函数连接神经网络模型的网络输入层的输入，通过这种方法来更好地处理非线性问题；flnn函数连接神经网络模型由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，flnn函数连接神经网络模型的网络计算量更小，训练速度更快。可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展畜禽养殖环境的检测参数输入变量，可提高flnn函数连接神经网络模型的网络分辨能力。

b、drnn神经网络模型模型设计

多个flnn函数连接型神经网模型的输出分别作为多个drnn神经网络模型模型的输入，每个drnn神经网络模型模型的输出分别作为对应的每个积分回路的输入和gmdh神经网络模型的1个对应输入，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畜禽养殖环境的检测参数的动态变化性能，多个drnn神经网络模型模型并联同时预测可以更加精确畜禽养殖环境的检测参数，每个drnn神经网络模型的网络结构为n-2n+1-1的3层网络结构，其隐层为动态回归层。设

i＝x1(t)，x2(t)，…xn(t)为drnn神经网络模型输入向量，其中ii(t)为多drnn神经网络模型模型输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为xj(t)，sj(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神经网络模型的输出。则drnn神经网络模型的输出层输出为：

c、gmdh神经网络模型设计

每个drnn神经网络模型的输出分别作为对应的每个积分回路的输入和gmdh神经网络模型的1个对应输入，每个积分回路的2个积分算子连接端的输出作为gmdh神经网络模型的1个对应输入，每个积分回路的输出作为gmdh神经网络模型的1个对应输入，gmdh神经网络模型的输出为代表一段时间参数测量传感器值大小的动态梯形模糊数为[a，b，c，d]，[a，b，c，d]构成在一段时间内参数检测模型输出参数测量传感器值的动态梯形模糊数值，a、b、c和d分别代表参数测量传感器值的最小值、极小值、极大值和最大值，参数检测模型把一段时间参数测量传感器值转换为被测量参数的梯形模糊数值。gmdh神经网络模型(gmdh)是一种自组织数据挖掘的算法，若该gmdh神经网络模型有m个输入变量x1,x2,…,xm和输出为y。gmdh的目的就是要建立起输入与输出关系的系数待定和形式已知的函数关系f，可以通过应用用volterra级数展开的多项式去逼近f：

gmdh神经网络模型主要用于处理小样本数据，通过自动寻找样本中各变量之间的相关性构建畜禽舍环境参数预测模型。首先根据参考函数的初始模型产生第一代中间候选模型，然后从第一代中间候选模型中筛选出若干项加上计算法则生成第二代中间候选模型，重复此过程直得出最优畜禽舍环境参数预测模型为止，因此gmdh神经网络模型能够根据自变量自适应的建立一个对因变量有解释能力的高阶多项式模型。设rj为第j层最大神经元数量，xkl为第l个输入样本的第k维，yjkl为网络第j层中第k个神经元对第l个输入样本额预测值，为网络第j层中第k个神经元的阀值均方根，y为网络的预测值。gmdh神经网络模型采用自适应多层迭代的方法构建畜禽舍环境参数预测的网络结构，通过最小偏差准则选择网络最优模型，并构建出基于kolmogorov－gabor多项式的畜禽舍环境参数的输入和输出之间非线性映射。数据预处理将数据集划分为训练集和测试集；对输入量配对，并辨识得出局部多项式模型，从而生成竞争模型集，计算选择准则值作为下一层输入，直至选出最优复杂度模型为止。gmdh神经网络模型的学习进化过程如下：①设定网络各层最大神经元数量rj和网络的初始变量个数d0，选择网络最小偏差准则。②根据输入数据维数构建只包含第1层神经元的初始网络。③依次计算每个神经元的阀值均方根对于网络第j层，从大到小排序取前rj个做为被选中神经元加以保留，其余做为未被选中的神经元。对于被选中的神经元，找出最小并与上一层最小进行比较，如果小于则执行步骤④，否则执行步骤⑤。④根据当前被选中的神经元产生下一层神经元。⑤网络构建完毕。

2、产量预测模型设计

产量预测模型由4个按拍延迟线tdl(tappeddelayline)、多个动态递归小波神经网络预测模型、2个自联想神经网络和elman神经网络预测模型组成，畜禽舍产量的历史数据作为对应的按拍延迟线tdl的输入，该按拍延迟线tdl输出的一段时间畜禽舍产量的历史数据作为多个动态递归小波神经网络预测模型的输入，多个动态递归小波神经网络预测模型输出作为对应的自联想神经网络的输入，3个参数检测模型输出的温度梯形模糊数、湿度梯形模糊数和风速梯形模糊数作为3个对应的按拍延迟线tdl的输入，3个按拍延迟线tdl输出一段时间的温度梯形模糊数、湿度梯形模糊数和风速梯形模糊数作为对应的自联想神经网络的输入，2个自联想神经网络输出的2个梯形模糊数作为elman神经网络预测模型的输入，elman神经网络预测模型输出的梯形模糊数为畜禽舍产量的预测值，动态递归小波神经网络预测模型、自联想神经网络和elman神经网络预测模型的设计过程如下：

a、自联想神经网络设计

本发明的多个动态递归小波神经网络预测模型输出作为对应的自联想神经网络的输入，该自联想神经网络输出的是代表畜禽舍产量的梯形模糊数；3个参数检测模型输出的温度梯形模糊数、湿度梯形模糊数和风速梯形模糊数作为3个对应的按拍延迟线tdl的输入，3个按拍延迟线tdl输出一段时间的温度梯形模糊数、湿度梯形模糊数和风速梯形模糊数作为对应的自联想神经网络的输入，该自联想神经网络输出的代表该畜禽舍环境质量等级的梯形模糊数。自联想神经网络(auto-associativeneuralnetwor，aann)，一种特殊结构的前馈神经网络，自联想神经网络结构包括一个输入层，一定数量的隐含层和一个输出层。首先通过畜禽舍环境参数和产量的输入层、映射层以及瓶颈层实现了输入数据信息的压缩，从畜禽舍环境参数和产量输入的高维参数空间中提取了反映畜禽舍环境参数和产量系统结构的最具代表性的低维子空间，同时有效地滤去了畜禽舍环境参数和产量输入数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现畜禽舍环境参数和产量数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各畜禽舍环境参数和产量输入数据的重构。为了达到畜禽舍环境参数和产量信息压缩的目的，自联想神经网络络瓶颈层节点数目明显小于输入层，又为了防止形成畜禽舍环境参数和产量的输入输出层之间的简单单一映射，除了输出层激励函数采用线形函数外，其它各层均采用非线形的激励函数。从本质来讲，自联想神经网络的隐含层第一层叫作映射层，映射层的节点传递函数可能是s型函数也可能是其他类似的非线性函数；隐含层第二层叫做瓶颈层，瓶颈层的维数是网络中最小的，它的传递函数可能是线性的或者是非线性，瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系，它使网络对畜禽舍环境参数和产量信号进行编码和压缩得到输入传感器数据的相关模型，并在瓶颈层后进行畜禽舍环境参数和产量解码和解压缩以产生畜禽舍环境参数和产量输入信号的估计值；隐含层第三层或最后一层叫做解映射层，解映射层的节点传递函数是通常是非线性的s型函数，自联想神经网用误差反向传播算法来训练。

b、动态递归小波神经网络预测模型设计

畜禽舍产量的历史数据作为对应的按拍延迟线tdl的输入，该按拍延迟线tdl输出的一段时间畜禽舍产量的历史数据作为多个动态递归小波神经网络预测模型的输入，多个动态递归小波神经网络预测模型输出作为对应的自联想神经网络的输入，多个动态递归小波神经网络预测模型采用并联和自联想神经网络串联根据畜禽舍产量的历史数据预测畜禽舍产量，自联想神经网络输出畜禽舍产量的梯形模糊数。小波神经网络wnn(waveletneuralnetworks)理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络，小波神经网络中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络的畜禽舍环境产量的输入信号可以表示为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，小波神经网络预测模型输出层预测值的计算公式为：

公式中ωij输入层i节点和隐含层j节点间的连接权值，为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利的动态递归小波神经网络预测模型与普通静态小波神经网络的区别在于动态递归小波神经网络预测模型具有两个起存储网络“内部状态”的作用关联层节点，在两个关联层节点上增加了具有固定增益的自反馈环，增强时间序列特征信息的记忆性能，从而增强对畜禽舍养殖产量演化轨迹的跟踪精度以确保更好的预测精度；第一关联层节点用来存储隐含层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；第二关联层节点是用来存储输出层节点在前一时刻相点的状态，下一时刻再传递给隐含层节点；隐含层和输出层的神经元的反馈信息都会影响动态递归小波神经网络预测模型预测的动态处理能力，两个关联层都属于动态递归小波神经网络预测模型内部的状态反馈，形成动态递归小波神经网络预测模型的递归性所特有的动态记忆性能，提高动态递归小波神经网络预测模型预测畜禽舍产量的准确性和动态性能；在动态递归小波神经网络预测模型预测模型的第一关联层节点与输出层节点之间增加了一组连接权值增强动态递归小波神经网络预测模型预测畜禽舍产量的动态逼近能力和提高畜禽舍产量的预测精度。本专利中的动态递归小波神经网络畜禽舍产量预测模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使动态递归小波神经网络预测畜禽舍产量预测模型输出不断逼近期望输出。

c、elman神经网络预测模型设计

2个自联想神经网络输出的2个梯形模糊数作为elman神经网络预测模型的输入，elman神经网络预测模型输出的梯形模糊数为畜禽舍产量的预测值。预测畜禽舍产量的elman神经网络预测模型可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络，除了隐层外，还有一个特别的关联层；关联层从隐层接收反馈信号，每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数一般为sigmoid函数，输出层为线性函数，关联层也为线性函数。为了有效地解决畜禽舍产量预测中的逼近精度问题，增强关联层的作用。设elman神经网络预测模型的输入层、输出层、隐层的个数分别为m，n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵，则elman神经网络预测模型畜禽舍产量预测器的隐含层、关联层和输出层的表达式分别为:

cp(k)＝xp(k-1)(7)

八、一种畜禽舍环境大数据处理检测系统的设计举例

根据畜禽舍大数据检测系统的实际状况，系统布置了畜禽舍参数采集平台与控制的检测节点、、控制节点、网关节点和现场监控端的平面布置安装图，其中检测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。

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。