本发明涉及家禽饲料检测与配方自动化的技术领域，具体涉及一种家禽饲料检测与配方系统。
背景技术：
饲料成本占家禽养殖总成本的比例较大,做好饲料成本的控制工作,对于提高家禽养殖的经济效益非常的重要。根据家禽不同生长发育阶段对营养的需要不同科学合理的配制饲料；随着养殖规模和用户需求的不断变化,家禽饲料配方优化研究也变得越来越重要，家禽饲料配方可以提高饲料的综合有效利用,有助于解决目前日益紧张的原料问题,在经济社会可持续发展中发挥着关键的作用。基于饲料配方设计原则,以饲料配方的经济成本为目标函数,以家禽生长所需原料的用量上限、用量下限为约束条件,构建一种家禽饲料检测与配方系统。
技术实现要素：
本发明提供了一种家禽饲料检测与配方系统，本发明有效解决了现有家禽养殖环境参数检测系统没有根据家禽养殖环境参数变化的非线性、大滞后和家禽饲料配方复杂等对家禽养殖经济效益的影响，没有对家禽饲料料蛋比进行预测和对家禽饲料配方进行精确调节，从而极大影响家禽养殖经济效益和家禽管理问题。
本发明通过以下技术方案实现：
一种家禽饲料检测与配方系统由家禽养殖环境参数采集与控制平台、家禽饲料配方料蛋比预测子系统和饲料配方遗传算法优化子系统组成，实现对家禽养殖环境参数进行检测、家禽饲料配方的料蛋比预测和家禽饲料配方进行优化，提高家禽养殖经济效益和生产管理效率。
本发明进一步技术改进方案是：
家禽养殖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、云平台和手机app组成，检测节点采集家禽养殖环境参数经网关节点上传到云平台，在云平台端存储数据和发布信息，手机app通过云平台提供的家禽养殖环境信息可实时监测家禽养殖环境参数，检测节点和控制节点负责采集家禽养殖环境参数信息和控制家禽养殖环境设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台和手机app的双向通信，实现家禽养殖环境参数采集和家禽养殖设备控制；家禽养殖环境参数采集与控制平台结构如图1所示。
本发明进一步技术改进方案是：
家禽饲料配方料蛋比预测子系统由cnn卷积神经网络模型、narx神经网络模型、多个bam神经网络模型、lstm神经网络模型、时延神经网络模型、料蛋比趋势预测模块和环境评价模块组成；家禽饲料配方作为cnn卷积神经网络模型的输入，cnn卷积神经网络模型输出作为narx神经网络模型的输入，narx神经网络模型、料蛋比趋势预测模块、环境评价模块和时延神经网络模型的输出分别作为每个bam神经网络模型的输入，多个bam神经网络模型输出作为lstm神经网络模型的输入，lstm神经网络模型的输出作为时延神经网络模型的输入，lstm神经网络模型的输出值作为家禽饲料配方的料蛋比预测值；家禽饲料配方料蛋比预测子系统结构如图2所示。
本发明进一步技术改进方案是：
料蛋比趋势预测模块包括emd经验模态分解模型、arima模型、多个esn神经网络模型和narx神经网络模型，家禽饲料料蛋比历史数据作为emd经验模态分解模型的输入，emd经验模态分解模型输出的家禽饲料料蛋比历史数据的低频趋势部分和多个高频波动部分分别作为arima模型和多个esn神经网络模型的输入，arima模型和多个esn神经网络模型的输出作为narx神经网络模型的输入，narx神经网络模型输出作为料蛋比趋势预测模块的输出值；料蛋比趋势预测模块如图2所示。
本发明进一步技术改进方案是：
环境评价模块包括多个时延神经网络模型、模糊c均值聚类算法、多个esn神经网络模型和降噪自编码器，多组温度、湿度、风速和光照度传感器分别作为对应的多个时延神经网络模型的输入，多个时延神经网络模型输出作为模糊c均值聚类算法的输入，模糊c均值聚类算法输出的多类型时延神经网络模型的输出值分别作为对应的多个esn神经网络模型的输入，多个esn神经网络模型输出作为降噪自编码器的输入，降噪自编码器的输出值作为环境评价模块的输出值；环境评价模块如图2所示。
本发明进一步技术改进方案是：
饲料配方遗传算法优化子系统即从初始种群出发，循环地执行选择、交叉和变异操作进化过程，直至满足终止条件；在每一代的进化过程中，保持一定数目的家禽饲料配方个体，经过对各个家禽饲料配方个体适应度值的计算实现对各个家禽饲料配方个体进行评价，各个家禽饲料配方个体适应度的大小作为参与下一代进化机会大小的条件，满足终止条件的家禽饲料配方个体为饲料配方遗传算法优化子系统的最优解；饲料配方遗传算法优化子系统结构如图3所示；
每个家禽饲料配方个体作为家禽饲料配方料蛋比预测子系统的输入，家禽饲料配方料蛋比预测子系统的输出作为该饲料配方个体的料蛋比预测值，每个家禽饲料配方个体的料蛋比预测值的倒数作为该家禽饲料配方个体的适应度，每个家禽饲料配方个体的料蛋比预测值的倒数越大，该家禽饲料配方个体适应度就越高，种群中每个家禽饲料配方个体的料蛋比预测值的倒数的和为该种群总的适应度。
本发明与现有技术相比，具有以下明显优点：
一、本发明利用cnn卷积神经网络模型能够实现家禽饲料配方的空间特征提取且能缩短特征提取时间和narx神经网络模型能够记忆依赖性很强的家禽养殖过程中家禽饲料配方和家禽饲料料蛋比之间的关系的优势，解决家禽饲料配方和家禽饲料料蛋比数据活动序列数据的空间特征提取和时间特征的数据依赖问题；首先将家禽饲料配方的序列数据输入到cnn卷积神经网络模型中提取家禽饲料配方的空间特征向量；其次将上一步提取家禽饲料配方的空间特征向量作为narx神经网络模型的输入，利用narx神经网络模型神经网络模型中输入延时和反馈延时形成的闭环网络预测家禽饲料配方料蛋比的活动序列数据之间的时间特征相互影响问题，从而提高预测家禽饲料配方的料蛋比的精确度和时间效率。
二、本发明利用cnn卷积神经网络模型提取家禽饲料配方的空间特征，实现对家禽饲料配方的特征提取；同时，选用narx神经网络模型对cnn卷积神经网络模型输出的空间特征序列进行处理，挖掘家禽饲料配方的时序信息，在时间维度上提取家禽饲料配方的时间特征，并实现家禽饲料配方料蛋比的精确预测。
三、本发明cnn卷积神经网络模型的卷积层主要优势在于提取家禽饲料配方空间特征中的权值共享和稀疏连接，权值共享是指cnn卷积神经网络模型的卷积核在做卷积运算时自身的权值保持不变，每个卷积核对整个区域的家禽饲料配方来说其权值是一样的；稀疏连接是指cnn卷积神经网络模型的每个卷积核只使用上一层数据中特定的局部区域数据进行运算，并未使用全局家禽饲料配方；cnn卷积神经网络模型的卷积核这种权值共享和稀疏连接的特性，大幅减少了家禽饲料配方的空间特征参数数量，从而预防cnn卷积神经网络模型的过拟合并加快cnn卷积神经网络模型训练速度和提高家禽饲料配方预测精确度。
四、本发明lstm神经网络模型类似于标准的含有递归隐藏层的网络，仅有的变化是使用记忆模块代替原有的隐藏层单元，通过记忆细胞内部状态的自反馈和输入输出对误差的截断，解决梯度消失和激增的问题，相对于bp神经网络和普通的rnn，lstm增加了1个状态单元c和3个控制门，就大大增加了模型的特征包含能力和记忆能力，避免了欠拟合和梯度消失。lstm神经网络模型的功能旨在家禽饲料配方、家禽料蛋比历史数据和水产养殖环境数据中存在的相关关系，记住这种关系以及这种关系在时间上的变化，从而得到更准确的结果。lstm神经网络模型实现家禽饲料配方料蛋比和水产养殖池塘环境水质参数等级的预测，提高预测精确度。
五、本发明lstm神经网络模型具有与标准rnn类似的链状重复网络结构，lstm神经网络模型中的重复网络具有4个交互层，包括3个门层和1个tanh层。处理器状态是lstm神经网络模型中的关键变量，它携带着家禽饲料配方的料蛋比预测先前步骤的信息，并逐步穿过整个lstm神经网络模型。交互层中的门可以根据上一步的隐状态和当前步骤的输入来部分删除上一步的处理器状态和添加家禽饲料配方的料蛋比预测新信息到当前步骤的处理器状态中。每个重复网络的输入包括上一步家禽饲料配方的料蛋比预测的隐状态和处理器状态以及当前步骤的输入。处理器状态根据4个交互层的计算结果进行更新。更新后的处理器状态和隐状态构成输出并传递到下一步。
六、本发明lstm神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从家禽饲料配方的料蛋比预测序列数据中提取信息，还能够保留来自于先前较远步骤的具有长期相关性的信息。家禽饲料配方的料蛋比预测数据是序列数据，其变化趋势富有含义。此外，由于家禽饲料配方的料蛋比预测的采样间隔相对较小，家禽饲料配方的料蛋比预测存在长期空间相关性，而lstm神经网络模型有足够的长期记忆来处理这种问题。
七、本发明在串级lstm神经网络模型中，首先在浅层级对相对容易预测家禽饲料配方的料蛋比数据进行重构，然后把生成的家禽饲料配方料蛋比数据作为下一级的输入。深层级的预测结果不但基于家禽饲料配方的料蛋比数据训练数据中的输入值，还受浅层级家禽饲料配方的料蛋比数据结果的影响，这种方法能够更有效地提取家禽饲料配方的料蛋比数据输入数据中蕴含的信息，提升模型的预测家禽饲料配方的料蛋比数据的准确度。
八、本发明采用narx神经网络模型的一种通过家禽饲料配方的料蛋比预测的延时模块及反馈实现来建立narx神经网络模型的动态递归网络，它是沿着料蛋比参数在时间轴方向的拓展的多个时间家禽饲料配方的料蛋比参数的序列来实现及函数模拟功能的数据关联性建模思想，该方法通过一段时间内家禽饲料配方的料蛋比参数来建立料蛋比组合模型，模型输出的料蛋比参数在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度，该narx神经网络模型实现对家禽饲料配方的料蛋比连续动态预测。输入包括了一段时间的家禽饲料配方的料蛋比输入和输出历史反馈,这部分反馈输入可以认为包含了一段时间的家禽饲料配方的料蛋比状态历史信息参与家禽饲料配方的料蛋比的预测,对于一个合适的反馈时间长度,预测得到了很好的效果,本专利的narx神经网络模型预测模式提供了一种有效的预测家禽饲料配方的料蛋比方法。
九、本发明利用narx神经网络模型建立家禽饲料配方的料蛋比预测模型，由于通过引入输入延时模块及输出反馈建立家禽饲料配方的料蛋比模型的动态递归网络，它将cnn卷积神经网络模型输出作为输入和narx神经网络输出向量延时反馈引入narx神经网络模型训练中，形成新的输入向量，具有良好的非线性映射能力，narx神经网络模型的输入不仅包括原始输入数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性家禽饲料配方的料蛋比时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
十、本发明bam神经网络模型是一种双层反馈神经网络，用它可实现家禽饲料配方的料蛋比的异联想记忆功能；其当向其中一层加入家禽饲料配方的料蛋比输入信号时，另一层得到输出。由于初始模式可以作用于网络的任一层，家禽饲料配方的料蛋比信息也可以双向传播，所以没有明确的输入层或输出层。bam神经网络模型学习速度快,而bp学习时收敛速度慢,最终收敛达到的还有可能是局部最小点而非全局最小点,而bam达到的一定是能量最小点；bam神经网络模型是家禽饲料配方的料蛋比有反馈网络，当输入出现错误时,bam神经网络模型不但可以输出准确的故障原因,还可纠正家禽饲料配方的料蛋比原始输入的错误。bam神经网络模型利用bam神经网络双向联想存储的特性，提高推理过程中家禽饲料配方的料蛋比的不确定信息处理能力。
附图说明
图1为本专利的家禽养殖环境参数采集与控制平台；
图2为本专利的家禽饲料配方料蛋比预测子系统；
图3为本专利的饲料配方遗传算法优化子系统流程图；
图4为本专利的检测节点；
图5为本专利的控制节点；
图6为本专利的网关节点；
图7为本专利的现场监控端软件。
具体实施方式
结合附图1-7，对本申请技术方案作进一步描述：
一、系统总体功能的设计
本申请一种家禽饲料检测与配方系统实现对家禽养殖环境参数进行检测和预测，该系统由家禽养殖环境参数采集与控制平台、家禽饲料配方料蛋比预测子系统和饲料配方遗传算法优化子系统三部分组成。家禽养殖环境参数采集与控制平台包括家禽养殖环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和手机app组成，检测节点和控制节点构建成can总线网络通信来实现检测节点、控制节点和网关节点之间的can总线网络通信；检测节点将检测的家禽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、现场监控端和手机app之间实现家禽养殖环境参数和相关控制信息的双向传输。家禽养殖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can总线通信网络的检测节点1作为家禽养殖环境参数感知终端，检测节点通过can总线通信网络实现现场监控端之间的信息相互交互。检测节点包括采集家禽舍环境的温度、湿度、风速和光照度的传感器和对应的信号调理电路、stm32微处理器和can总线网络通信的can总线接口；检测节点的软件主要实现can总线网络通信和家禽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can总线网络实现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can总线通信网络的can接口；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。控制节点结构图见图5.
四、网关节点设计
网关节点包括can接口、nb-iot模块、stm32单片机和rs232接口，网关节点包括can接口实现与检测节点和控制节点之间通信的can总线通信网络，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。网关节点结构见图6.
五、现场监控端的软件设计
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家禽环境参数进行采集与家禽饲料配方料蛋比进行预测以及家禽饲料配方优化，实现与检测节点与控制节点的信息交互，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、家禽饲料配方料蛋比预测子系统和饲料配方遗传算法优化子系统实现对家禽养殖环境参数检测、家禽饲料配方料蛋比预测和家禽饲料配方的优化，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。家禽饲料配方料蛋比预测子系统如图2所示，饲料配方遗传算法优化子系统流程如图3所示。家禽饲料配方料蛋比预测子系统和饲料配方遗传算法优化子系统流程的设计过程如下：
(一)、家禽饲料配方料蛋比预测子系统设计
家禽饲料配方料蛋比预测子系统由cnn卷积神经网络模型、narx神经网络模型、多个bam神经网络模型、lstm神经网络模型、时延神经网络模型、料蛋比趋势预测模块和环境评价模块组成；各个模型设计如下：
1、卷积神经网络模型设计
家禽饲料配方作为cnn卷积神经网络模型的输入，cnn卷积神经网络模型输出作为narx神经网络模型的输入。cnn卷积神经网络模型能够直接从大量的家禽饲料配方中自动挖掘提取出表征系统状态的敏感空间特征，cnn卷积神经网络模型结构主要包括4个部分：①输入层(input)。输入层即为cnn卷积神经网络模型的输入，一般将家禽饲料配方或预处理后的信号进行归一化后直接输入。②卷积层(conv)。由于输入层数据维度较大，cnn卷积神经网络模型难以直接全面感知所有家禽饲料配方输入信息，需要将输入数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低cnn卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对输入信号进行遍历和卷积运算，从而实现对家禽饲料配方输入信号敏感特征的挖掘与提取。③池化层(pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后，特征提取数据进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层。
2、narx神经网络模型设计
cnn卷积神经网络模型输出作为narx神经网络模型的输入，narx神经网络模型、料蛋比趋势预测模块、环境评价模块和时延神经网络模型的输出分别作为每个bam神经网络模型的输入，narx神经网络模型的输出值作为家禽饲料配方的料蛋比；narx神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的bp神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。narx神经网络具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对家禽饲料配方的料蛋比进行预测。x(t)表示神经网络的外部输入，即cnn卷积神经网络模型输出值；m表示外部输入的延迟阶数；y(t)是神经网络的输出，即下一时段的料蛋比预测值；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，网络的输出y(t+1)的值为：
y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；w](2)
本发明专利的narx神经网络模型是一种动态的前馈神经网络，narx神经网络是一个有着外部输入的cnn卷积神经网络模型输出值的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈料蛋比输出值连接到网络输入的封闭网络的若干层，narx神经网络模型是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。一个典型的narx回归神经网络主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，narx神经网络模型的当时输出料蛋比不仅取决于过去y(t-n)时刻的输出料蛋比，还取决于当时的cnn卷积神经网络模型输出作为输入向量x(t)以及输入向量的延迟阶数等。其中cnn卷积神经网络模型输出作为输入信号通过时延层传递给隐层，隐层对输入信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的narx神经网络模型输出料蛋比，时延层将narx神经网络模型输出料蛋比反馈的信号和cnn卷积神经网络模型输出作为输入层的信号进行延时，然后输送到隐层。
3、bam神经网络模型设计
narx神经网络模型、料蛋比趋势预测模块、环境评价模块和时延神经网络模型的输出分别作为每个bam神经网络模型的输入，多个bam神经网络模型输出作为lstm神经网络模型的输入。bam神经网络模型是一种反馈型的双向联想记忆神经网络，通过多次反馈训练的模式来进行料蛋比的进一步预测，它具有联想记忆家禽饲料配方的料蛋比值的功能，自适应性能力强，自动提取家禽饲料配方的料蛋比值的优点，并且预测误差较小，自出现以来便得到广泛应用；bam神经网络模型拓扑结构中，网络输入端的初始模式为x(t)，通过权值矩阵w1加权后到达输出端y端，经过输出节点的转移特性fy的非线性变换和w2矩阵加权后返回到输入端x，再经过x端输出节点转移特性fx的非线性变换，变为输入端x的输出，反复这一运行过程，bam神经网络预测模型状态转移方程见式(3)。
4、lstm神经网络模型设计
多个bam神经网络模型输出作为lstm神经网络模型的输入，lstm神经网络模型的输出作为时延神经网络模型的输入，lstm神经网络模型的输出值作为家禽饲料配方的料蛋比预测值。lstm神经网络模型由长短期记忆(lstm)单元组成的时间递归神经网络(rnn)称为lstm神经网络模型时间递归神经网络，通常也被称为lstm神经网络模型网络。lstm神经网络模型引入了记忆单元(memorycell)和隐藏层状态(cellstate)的机制来控制隐藏层之间的信息传递。一个lstm神经网络模型神经网络的记忆单元内有3个门(gates)计算结构分别是输入门(inputgate)、遗忘门(forgetgate)和输出门(outputgate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(lstm)结构单元由单元(cell)，输入门(inputgate)，输出门(outputgate)和忘记门(forgetgate)组成。lstm神经网络模型是可以持续较长时间短期记忆的模型适合用预测时间序列检测点的料蛋比动态变化，lstm神经网络模型有效防止了rnn训练时的梯度消失，长短期记忆(lstm)网络是一种特殊的rnn。lstm神经网络模型可以学习长期的依赖信息，同时避免梯度消失问题。lstm神经网络模型在神经元内部结构rnn的隐藏层的神经节点中增加了一种被称为记忆单元(memorycell)的结构用来记忆过去的料蛋比动态变化信息，并增加了三种门(input、forget、output)结构来控制料蛋比历史信息的使用。设输入多个bam神经网络模型输出值为(x1,x2,…,xt)，隐含层状态为(h1,h2,…,ht)，则t时刻有：
it＝sigmoid(whiht-1+wxixt)(4)
ft＝sigmoid(whfht-1+whfxt)(5)
ct＝ft⊙ct-1+it⊙tanh(whcht-1+wxcxt)(6)
ot＝sigmoid(whoht-1+whxxt+wcoct)(7)
ht＝ot⊙tanh(ct)(8)
其中it、ft、ot代表input门、forget门和output门，ct代表cell单元，wh代表递归连接的权重，wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的4个lstm神经网络模型来对进行预测家禽饲料配方的料蛋比值，该方法首先建立lstm神经网络模型，利用预处理的多个bam神经网络模型输出值数据建立训练集并对模型进行训练，lstm神经网络模型考虑了料蛋比变化的时序性和非线性，具有较高料蛋比动态的预测精度。
5、时延神经网络模型设计
lstm神经网络模型的输出作为时延神经网络模型的输入，时延神经网络模型的输出作为bam神经网络模型的对应输入。时间延迟神经网络(timedelayneuralnetworks，tdnn神经网络)是一个自适应线性网络，它的输入从网络左边进入,通过单步延时线d的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前k个时刻lstm神经网络模型输出的信号和k以前的d-1个lstm神经网络模型输出的信号组合而成，神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入-输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，通过在输入层对输入进行延迟，使网络可以利用之前的d步的输入与当前的输入共同预测当前时间点的输出，对于一个输入层延迟步数为d的时延神经网络，r为时延神经网络的前向传播算子，可以简单地把输入序列x与输出序列y之间的关系表示成如下形式：
y(t)＝r(x(t),x(t-1),…,x(t-d))(9)
6、料蛋比趋势预测模块设计
料蛋比趋势预测模块包括emd经验模态分解模型、arima模型、多个esn神经网络模型和narx神经网络模型，家禽饲料料蛋比历史数据作为emd经验模态分解模型的输入，emd经验模态分解模型输出的家禽饲料料蛋比历史数据的低频趋势部分和多个高频波动部分分别作为arima模型和多个esn神经网络模型的输入，arima模型和多个esn神经网络模型的输出作为narx神经网络模型的输入，narx神经网络模型输出作为料蛋比趋势预测模块的输出值。narx神经网络模型设计参见上面的2设计过程，emd经验模态分解模型、arima模型、多个esn神经网络模型设计过程如下：
a、emd经验模态分解模型设计
emd经验模态分解模型是一种家禽饲料料蛋比历史数据趋势信号筛选方法，具有计算简单、直观、基于经验和自适应的特点，它能将存在于家禽饲料料蛋比历史数据信号中不同特征的趋势逐级筛选出来，得到家禽饲料料蛋比历史数据信号的多个高频波动部分(imf)和低频趋势部分。emd经验模态分解模型分解出来的imf家禽饲料料蛋比历史数据分量信号包含了从高到低不同频率段的成分信号，家禽饲料料蛋比历史数据包含的频率分辨率都随家禽饲料料蛋比信号本身变化，具有自适应多分辨分析特性。使用emd经验模态分解模型分解的目的就是为了更准确地提取家禽饲料料蛋比历史数据的信息。imf分量必须同时满足两个条件：①在待分解家禽饲料料蛋比历史数据信号中，信号极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由家禽饲料料蛋比历史数据的局部极大值和局部极小值定义的包络均值为零。经验模态分解方法针对家禽饲料料蛋比历史数据的上限值信号的“筛分”过程步骤如下：(a)确定家禽饲料料蛋比历史数据的所有的局部极值点，然后分别用三次样条线的局部极大值点连接起来形成上包络线。(b)再用三次样条线将家禽饲料料蛋比历史数据的局部极小值点连接起来形成下包络线，上与下包络线应该包络所有的数据点。(c)家禽饲料料蛋比历史数据的上与下包络线的平均值记为m1(t)，求出：
x(t)-m1(t)＝h1(t)(10)
x(t)为家禽饲料料蛋比历史数据原始信号，如果h1(t)是一个imf，那么h1(t)就是x(t)的第一个imf分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足imf条件的分量。(d)将c1(t)从x(t)中分离出来，得到：
r1(t)＝x(t)-c1(t)(11)
将r1(t)作为原始数据重复步骤(a)-步骤(c)，得到x(t)的第2个满足imf条件的分量c2。重复循环n次，得到信号x(t)的n个满足imf条件的分量。这样经验模态分解模型就把家禽饲料料蛋比历史数据分解成低频趋势部分和多个高频波动部分。
b、arima模型设计
arima模型是由box等提出的一种根据时间序列预测料蛋比建模方法,它可延伸到对家禽饲料料蛋比历史数据的时间序列进行分析。本专利对arima模型的料蛋比时间序列特征的研究,采用3个参数用来分析料蛋比变化的时间序列,即自回归阶数(p)、差分次数(d)和移动平均阶数(q)。arima模型被写作为：arima(p,d,q)。以p、d、q为参数的arima模型方程可以表示如下:
δdyt表示yt经d次差分转换之后的序列，εt是时刻的随机误差，是相互独立的白噪声序列，且服从均值为0，方差为常量σ2的正态分布，φi(i＝1,2,…,p)和θj(j＝1,2,…,q)为arima模型的待估计参数，p和q为arima动态预测料蛋比模型的阶。arima动态预测料蛋比模型本质上属于线性模型，建模与预测包含4个步骤:(1)序列平稳化处理。如果料蛋比数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对数据进行差分处理。常用的工具是自相关函数图和偏自相关函数图。如果自相关函数迅速趋于零,则料蛋比时间序列为平稳时间序列。如果时间序列存在一定的趋势,则需要对料蛋比数据进行差分处理,如果存在季节规律还需进行季节差分,如果时间序列存在异方差性,则还需先对料蛋比数据进行对数转换。(2)模型识别。主要通过自相关系数和偏自相关系数来确定arima动态预测料蛋比模型的阶数p，d和q。(3)估计模型的参数和和模型诊断。用极大似然估计得到arima动态预测料蛋比模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建料蛋比模型是否可取，利用选取合适参数的arima动态预测料蛋比模型进行料蛋比预测；并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。(4)利用具有合适参数料蛋比模型进行料蛋比变化趋势进行预测。
c、esn神经网络模型设计
esn神经网络(echostatenetwork，esn)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性系统辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用sd表示相互连接的神经元占总的神经元n的百分比。esn神经网络模型的其状态方程为:
式中w为神经网络的状态变量，win为神经网络的输入变量；wback为神经网络的输出状态变量连接权矩阵；x(n)表示神经网络的内部状态；wout为esn神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵；
7、环境评价模块设计
环境评价模块包括多个时延神经网络模型、模糊c均值聚类算法、多个esn神经网络模型和降噪自编码器，多组温度、湿度、风速和光照度传感器分别作为对应的多个时延神经网络模型的输入，多个时延神经网络模型输出作为模糊c均值聚类算法的输入，模糊c均值聚类算法输出的多类型时延神经网络模型的输出值分别作为对应的多个esn神经网络模型的输入，多个esn神经网络模型输出作为降噪自编码器的输入，降噪自编码器的输出值作为环境评价模块的输出值；环境评价模块如图2所示。时延神经网络模型和多个esn神经网络模型参照上面的设计过程，模糊c均值聚类算法和降噪自编码器设计过程如下：
a、模糊c均值聚类算法设计
多个时延神经网络模型输出作为模糊c均值聚类算法的输入，模糊c均值聚类算法输出的多个类别的多个时延神经网络模型输出分别作为对应的多个esn神经网络模型的输入，设有限集x＝{x1,x2,…xn}是n个多个时延神经网络模型输出样本组成的集合,它们分别是多个时延神经网络模型输出，c为预定的类别,mi(i＝1,2,…c)是每一个聚类的中心,μj(xi)是第i个样本关于第j类的隶属度,聚类准则函数由隶属函数定义为:
式中:||xi-mj||是xi到mj之间的欧氏距离；b是模糊加权幂指数,是可以控制聚类结果模糊程度的参数；m是x的模糊c划分矩阵,v是x的聚类中心集合,模糊c均值聚类算法的结果就是要获得使准则函数达到最小的m和v。在模糊c均值聚类方法中,要求样本对各个聚类的隶属度之和为1,即:
fcm算法可以按照以下迭代步骤完成:
1、设定聚类数目c和参数b,算法终止阈值ε,迭代次数t＝1,允许最大迭代数为tmax；2、初始化各个聚类中心mi；3、用当前聚类中心计算隶属函数；4、用当前隶属函数更新各类聚类中心；5、选取合适的矩阵范数,如果||v(t+1)-v(t)||≤ε或者t≥tmax,停止运算；否则,t＝t+1,返回步骤3。当算法收敛时,得到各类的聚类中心和各个样本对于各类的隶属度,完成模糊聚类划分。最后将模糊聚类结果进行去模糊化,将模糊聚类转变为确定性分类,实现最终的聚类分割。
b、降噪自编码器设计
降噪自编码器(dae)是一种降维方法，通过训练具有小中心层的多层神经网络，将高维数据转换为低维数据。dae是一种典型的三层神经网络，在隐藏层和输入层之间有一个编码过程，在输出层和隐藏层之间有一个解码过程。自动编码器通过对输入数据的编码操作得到编码表示(编码器)，通过对隐含层的输出解码操作得到重构的输入数据(解码器)，隐含层的数据就是降维数据。然后定义重构误差函数来测量自动编码器的学习效果。基于误差函数，可以添加约束条件，生成各种类型的自动编码器。编码器和解码器以及损失函数如下所示:编码器：h＝δ(wx+b)(16)
解码器
损失函数：
ae的训练过程与bp神经网络类似，w和w'为权值矩阵，b和b'为偏置量，h为隐含层的输出值，x为输入向量，
(二)、饲料配方遗传算法优化子系统设计
饲料配方遗传算法优化子系统即从初始种群出发，循环地执行选择、交叉和变异操作进化过程，直至满足终止条件；在每一代的进化过程中，保持一定数目的家禽饲料配方个体，经过对各个家禽饲料配方个体适应度值的计算实现对各个家禽饲料配方个体进行评价，各个家禽饲料配方个体适应度的大小作为参与下一代进化机会大小的条件，满足终止条件的家禽饲料配方个体为饲料配方遗传算法优化子系统的最优解。饲料配方遗传算法优化子系统的优化过程如下：
1、初始种群的生成
根据家禽饲料配方约束条件，随机生成代表家禽饲料配方中的n种材料的n个实数，它们排列在一起构成一个家禽饲料配方个体，连续产生这样的m个家禽饲料配方个体，m为种群的规模，亦即每代家禽饲料配方个体数，初始化代数为0。设家禽饲料配方由玉米、豆饼、磷酸氢钨、石粉为、食盐、油和添加剂组成。且每份家禽饲料配方中的每种材料含量都有一定范围，作为家禽饲料配方的约束条件，每种材料含量在该范围内才能满足家禽生长营养需要，每份家禽饲料配方中的每种材料含量(单位为千克)的限制范围如下：玉米为[55,65]，豆饼为[30,40]，磷酸氢钨为[1.2,2]，石粉为[1,1.5]，食盐为[0.2,0.5]，油为[2.5,3.5]，添加剂为[0.8,1.5]。家禽饲料配方个体由代表7种材料的7个实数组成，并且7个实数都是在7种材料的限制范围内，根据家禽饲料配方约束条件满足家禽生长营养需要，初始种群为60。
2、确定适应度
适应度函数用来评价家禽饲料配方个体的优劣，进行家禽饲料配方优化过程优胜劣汰的依据。家禽饲料配方优化是对家禽饲料配方的材料含量进行优化组合，在达到家禽饲料营养标准的前提下力争家禽饲料配方的效益最好；每个家禽饲料配方个体作为家禽饲料配方料蛋比预测子系统的输入，家禽饲料配方料蛋比预测子系统的输出作为该家禽饲料配方个体的料蛋比预测值，每个家禽饲料配方个体的料蛋比预测值的倒数作为该家禽饲料配方个体的适应度，每个家禽饲料配方个体的料蛋比预测值的倒数越大，该家禽饲料配方个体适应度就越高，种群中每个家禽饲料配方个体的料蛋比预测值的倒数的和为该种群总的适应度。
3、判断终止条件
如运算到指定的最大代数，到达后即停止；或者家禽饲料配方个体适应度与指定的个体适应度的差值小于设定阈值时就可以终止遗传操作，该家禽饲料配方个体为最优解。
4、选择操作
选择操作的目的是根据进化原则从当前家禽饲料配方种群体中选出优良的家禽饲料配方个体，采用轮盘赌法根据每个家禽饲料配方个体适应度与家禽饲料配方种群总的适应度的商作为选择每个家禽饲料配方个体的选择概率，每次选出的家禽饲料配方个体会加入到下一代新的家禽饲料配方种群中，适应度高的家禽饲料配方个体在下一代具有较多的繁殖机会，从而有较多的后代，而适应度较低的家禽饲料配方个体则产生较少的后代，最后逐渐被淘汰。
5、交叉操作
交叉操作的设计分两步，第一步是将选择操作产生的家禽饲料配方个体随机两两配对；第二步两两配对的家禽饲料配方按交叉率pc进行交叉操作；采用如下的算术交叉算子：
设家禽饲料配方2个体分别为x＝(x1,x2,…,xn)和y＝(y1,y2,…,yn)，以交叉率pc选择x,y的某基因对(xi,yi)进行交叉操作，则交叉操作后2个家禽饲料配方个体相对应的基因对分别为：
应将δx＝x′i-xi依次加到个体x中各交叉对基因上，并逐个检查相应的新家禽饲料配方个体是否满足饲料配方的各营养要求(即约束条件)，若满足则新的家禽饲料配方个体作为新一代成员；否则，舍弃新的家禽饲料配方个体，对家禽饲料配方个体y的同x的修改原理。
6、变异操作
变异操作就是某个家禽饲料配方个体的某一基因偶然地随机改变，当变异操作有节制地和交叉操作一起使用时，变异操作就是一种防家禽饲料配方过渡成熟而丢失重要信息的保险策略。变异操作如下：随机选择个体x的一个变元xi，将它加上一个服从正态分布的扰动ξ，即：x′i＝xi+ξ。对每个家禽饲料配方个体产生[0,1]之间的随机小数，若该数大于变异率pm，则选中该家禽饲料配方个体，并对其进行变异操作，再随机选择该家禽饲料配方的一基因为变异点，进行上述变异。应将δx＝x′i-xi依次加到家禽饲料配方个体x中的变异各基因上，并逐个检查相应的新家禽饲料配方个体是否满足约束条件，若满足则新家禽饲料配方个体作为新一代成员；否则，舍弃新家禽饲料配方个体。
八、一种家禽饲料检测与配方系统的设计举例
根据家禽养殖环境大数据检测系统的实际状况，系统布置了家禽环境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家禽养殖舍的各个方位，通过该系统实现对家禽养殖环境参数进行采集。
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。