论文部分内容阅读
随着生活质量的提高,人们对猪肉及其产品的需求也逐渐增加,规模化、集约化的生猪养殖发展迅速。在规模化养猪生产中,猪舍环境对猪的生长发育起着至关重要的作用,良好的生存环境可以有效地提高生猪的健康水平、繁殖能力及猪肉的产量,因此,生猪的养殖环境已经受到多方面的广泛关注。氨气是规模化封闭式猪舍养殖中空气污染的主要成分,对生猪的影响最大,不仅降低畜禽的健康及其生产性能,还容易引起各种疾病,己成为畜禽场的主要空气污染源,也是当前国际上用来衡量畜禽场空气质量的通用指标。由于猪舍内环境之间存在着非线性、时变性的特性,使得猪舍环境的预测和控制面临很多困难,尤其是实现这些环境因素的智能化、精确化预测和控制。预测封闭式生猪养殖场氨气的浓度的主要方法是建立氨气浓度预测模型,该预测模型既是封闭式生猪养殖场空气质量评价的重要指标之一,也是精确预测和管理生猪生长环境的基础依据。由于猪舍内氨气浓度对猪生长发育影响较大,因此建立一个准确的氨气浓度预测模型十分必要。虽然目前有些针对猪舍内氨气浓度预测的研究,但是氨气浓度受到猪舍内多种环境因素的影响,而且氨气浓度和猪舍内的环境是非线性关系的,缺少准确的预测模型。为此本研究构建基于L-M算法优化的BP神经网络、线性神经网络和Elman神经网络对猪舍内氨气浓度进行预测,以实测的4个月共120天的2 880组猪舍内环境数据(包括氨气浓度、温度、湿度、猪的活动量、通风情况、风扇开启情况、通风率)构建训练集和验证集。结果表明,Elman神经网络建立的9-19-19-1四层结构预测模型经过7047步达到目标误差,预测值和真实值的最大绝对误差为0.9466,基于L-M算法优化的BP神经网络建立的9-19-19-1四层结构预测模型经过262步达到目标误差,预测值和真实值的最大绝对误差为1.1647,虽然基于L-M算法优化的BP神经网络预测模型的训练速度很快,但随着训练数据量的增大,基于L-M算法优化的BP神经网络预测模型呈现不稳定状态,对某一时刻的预测误差较大,而Elman神经网络因为他内部具有局部记忆单元的原因联想记忆功能较好,预测比较稳定,与基于L-M算法优化的BP神经网络和线性神经网络的预测方法相比可以提高猪舍氨气浓度预测的准确性和及时性,为猪舍环境预警提供支持,也为其他行业预测模型的建立提供参考。通过建立的氨气浓度预测模型建立了基于Android平台的猪舍氨气浓度预测系统,规模化封闭式猪舍养殖环境中的氨气浓度预测和预警系统能有效地在生猪养殖过程中对氨气浓度进行实时预测,并在监测或预测到氨气浓度过高时自动通知相关人员,有效降低了生猪养殖的风险。