基于深度学习的奶牛产奶量预测方法与流程

本发明属于奶牛管理，具体涉及一种基于深度学习的奶牛产奶量预测方法。

背景技术：

1、奶牛是乳用品种的黄牛，经过高强度选育的优良品种，我国的奶牛主要以中国荷斯坦牛为主，此品种适应性强、分布范围广、产奶量高，本地母牛的高代杂交种经长期选育而成。牧场奶牛产奶量的高低决定着乳制品行业的经济效益，然而诸多因素影响着奶牛产奶量的高低，且因素构成较为复杂，其内涵以及外延都有很大的模糊性。奶牛产奶量的预测能够为牧场提供决策作用。一般牧场根据奶牛单日产奶量及初产奶牛305天产奶量进行产奶量的预测。奶牛单日产奶量的预测可以提前确定各乳业公司的原奶需求量，为提前规划运输车辆的调度提供数据支撑；初产奶牛305天产奶量的预测可以为判断该初产牛的育种性能，提早为牧场进行育种选择、加速奶牛育种工作进程提供数据支撑。因此奶牛产奶量预测技术对乳制品行业来说尤为重要。

2、在现有技术中，往往通过经验丰富的饲养员依据历史数据进行产奶量的估计，但是由于采用人工进行估计，不仅仅需要饲养员具有丰富的经验，并且还容易出现失误，最终估计的产奶量准确率偏低，也不具备一致性。

技术实现思路

1、本发明提供一种基于深度学习的奶牛产奶量预测方法，用以解决现有技术通过人工进行产奶量的估计，导致的准确率低以及一致性差的问题。

2、一种基于深度学习的奶牛产奶量预测方法，包括：

3、获取奶牛产奶历史数据，所述奶牛产奶历史数据包括产奶影响因素的历史数据以及对应的历史产奶量；

4、按照预设的比例将奶牛产奶历史数据分为两部分，一部分作为训练数据集，另一部分作为测试数据集；

5、构建多个产奶量预测模型，并采用训练数据集对多个产奶量预测模型进行训练，获取多个训练完成的产奶量预测模型；

6、采用测试数据集对产奶量预测模型进行测试，获取测试结果为测试通过或者测试不通过，若测试结果为测试不通过，则对相应的产奶量预测模型重新训练，直至得到所有测试通过的产奶量预测模型；

7、采集产奶影响因素的实时数据，并通过所有测试通过的产奶量预测模型对实时数据进行识别，得到多个识别结果，并根据多个识别结果获取最终的奶牛产奶量预测结果。

8、进一步地，获取奶牛产奶历史数据，包括：

9、获取存储于数据库中的产奶影响因素的历史数据以及对应的历史产奶量；

10、其中，产奶影响因素包括胎次、体高、体长、胸围、管围、尻宽、腰角宽、体重、乳静脉自然长度以及乳静脉直径。

11、进一步地，构建多个产奶量预测模型，并采用训练数据集对多个产奶量预测模型进行训练，获取多个训练完成的产奶量预测模型，包括：

12、采用分类神经网络构建产奶量预测模型；

13、以所述训练数据集为基础，采用智能学习优化算法对产奶量预测模型进行训练，得到训练完成的产奶量预测模型；

14、对所有产奶量预测模型进行训练，得到多个训练完成的产奶量预测模型。

15、进一步地，以所述训练数据集为基础，采用智能学习优化算法对产奶量预测模型进行训练，得到训练完成的产奶量预测模型，包括：

16、a1、初始化产奶量预测模型的超参数，并将一组参数作为一个解个体，重复获取多个解个体，得到解种群；

17、a2、针对每个解个体，以解种群位置分布为基础，采用引导算法对每个解个体进行一次更新，得到更新后的解个体；

18、a3、在解空间内进行混沌搜索，得到搜索个体，并采用搜索个体随机替换一个更新后的结构体，得到替换后的解种群；

19、a4、判断训练次数是否小于第一训练阈值，若是，则返回步骤a2，否则进入步骤a5；

20、a5、以所述训练数据集为基础，获取解种群中每个接个体的适应度值，并确定适应度值最小的多个较劣个体，对这些较劣个体进行重生，得到重生后的解种群；

21、a6、获取解种群的中心位置，并以所述中心位置为基础，使所有解个体向解种群的中心进行更新，并进入步骤a7；

22、a7、判断训练次数是否到达第二训练阈值，若是，则确定适应度值最大的解个体作为产奶量预测模型的最终超参数，得到训练完成的产奶量预测模型，否则返回步骤a6；

23、其中，第二训练阈值大于第一训练阈值。

24、进一步地，针对每个解个体，以解种群位置分布为基础，采用引导算法对每个解个体进行一次更新，得到更新后的解个体，包括：

25、获取每个解个体对应的适应度值，并确定适应度值最大的个体为全局最优值xg；

26、获取全局最优值xg与其他解个体的平均欧式距离为：

27、

28、其中，dg表示全局最优值对应的平均欧式距离，n表示解个体总数，d表示解个体中超参数维度总数，xjd表示第j个解个体中第d维超参数，xgd表示全局最优值xg中第d维超参数；

29、获取每个解个体与其他解个体的平均欧式距离，并确定最小的平均欧式距离以及最大的平均欧式距离，根据最小的平均欧式距离以及最大的平均欧式距离获取更新参数为：

30、

31、其中，σ表示更新参数；

32、根据所述更新参数σ，获取用于对解个体进行更新的惯性权重为：

33、

34、其中，w表示惯性权重，e表示自然常数；

35、根据所述惯性权重w，对每个解个体进行一次更新为：

36、

37、

38、

39、

40、其中，表示第t次训练过程中第i个个体的第d维超参数，表示更新之后的表示第t+1次训练过程中第i个个体的第d维超参数的更新值，表示第t次训练过程中第i个个体的第d维超参数的更新值，cp表示第一更新系数，rp表示(-1,1)之间的随机数，表示第i个个体在前t次训练过程中的历史最优值，cg表示第二更新系数，rg表示(-1,1)之间的随机数，表示第t次训练过程中全局最优值的第d维超参数；cpmax表示第一更新系数的起始值，cpmin表示第一更新系数的最终值，t1表示第一训练阈值，cgmax表示第二更新系数的起始值，cgmin表示第二更新系数的最终值。

41、进一步地，在解空间内进行混沌搜索，得到搜索个体，并采用搜索个体随机替换一个更新后的结构体，得到替换后的解种群，包括：

42、在超参数的上限与下限之间随机生成一个初始值z1；

43、以所述初始值z1为基础，采用混沌映射机制进行混沌搜索，得到搜索个体为：

44、xd＝xmin+zl+1×(xmax-xmin)

45、zl+1＝ηzl(1-zl)

46、其中，zl表示搜索个体的第l维超参数，l＝1,2,…,d，d表示解个体中超参数维度总数，η表示控制系数，且位于(2，4)中，zl+1表示搜索个体的第l+1维超参数，d＝l；xmax表示超参数上限，xmin表示超参数下限；

47、采用搜索个体随机替换一个更新后的结构体，得到替换后的解种群。

48、进一步地，以所述训练数据集为基础，获取解种群中每个接个体的适应度值，并确定适应度值最小的多个较劣个体，对这些较劣个体进行重生，得到重生后的解种群，包括：

49、将解个体应用至产奶量预测模型种，以产奶影响因素的历史数据作为产奶量预测模型的输入，以对应的历史产奶量作为期望输出，获取解种群中每个接个体的适应度值；

50、确定适应度值最小的多个较劣个体，在超参数上限与下限之间随机生成多个新个体，并采用多个新个体替换多个较劣个体，得到重生后的解种群。

51、进一步地，获取解种群的中心位置，并以所述中心位置为基础，使所有解个体向解种群的中心进行更新，包括：

52、获取解种群的中心位置为：

53、

54、其中，表示第t次训练过程中第i个解个体，表示第t次训练过程中解种群的中心位置；

55、以所述中心位置为基础，使所有解个体向解种群的中心进行更新为：

56、

57、其中，表示更新后的r1表示(0,1)之间的随机数。

58、进一步地，采用测试数据集对产奶量预测模型进行测试，获取测试结果为测试通过或者测试不通过，包括：

59、采用测试数据集对产奶量预测模型进行测试，获取产奶量预测模型对应的精确率、召回率以及误检率；

60、判断产奶量预测模型对应的精确率、召回率以及误检率是否均满足预设条件，若是，则确定测试结果为测试通过，否则确定测试结果为测试不通过。

61、进一步地，采集产奶影响因素的实时数据，并通过所有测试通过的产奶量预测模型对实时数据进行识别，得到多个识别结果，并根据多个识别结果获取最终的奶牛产奶量预测结果，包括：

62、采集产奶影响因素的实时数据，并通过所有测试通过的产奶量预测模型对实时数据进行识别，得到多个识别结果；

63、获取多个识别结果中的众数，并将该众数作为最终的奶牛产奶量预测结果。

64、本发明提供的一种基于深度学习的奶牛产奶量预测方法，通过深度学习的方法进行产奶量的预测，能够有效地学习历史数据中非线性的关系，并采用多个产奶量预测模型同时进行预测，得到多个识别结果，最终根据多个识别结果获取最终的奶牛产奶量预测结果，能够有效避免误检的问题，从而实现更准确地产奶量预测，解决了现有技术中采用人工预测导致的准确率低以及一致性差的问题，并且还提供了一种智能学习优化算法对产奶量预测模型进行训练，能够产生更好的训练效果，从而实现更准确地产奶量预测。