一種生豬養殖多變量飼料投喂決策方法及其系統技術方案

本發明專利技術提供一種生豬養殖多變量飼料投喂決策方法及其系統。所述投喂決策方法包括：S1：基于生豬的生長信息、生長環境信息、行為信息和每天所采食的各營養成分量，利用BP神經網絡模型計算得到生豬所需的各類營養需求量；S2：基于養殖場內的飼料信息和所述各類營養動態需求量，利用飼料選擇決策模型得到投喂的飼料種類和飼料量。本發明專利技術提供的生豬養殖多變量精量飼料投喂決策方法及其系統，根據生豬不同生長期的生長信息、養殖環境信息以及行為信息綜合動態選擇滿足營養需求成本最低的飼料，從而實現多變量精量飼料投喂，在保證生豬生長達標的前提下，合理投喂，提高飼料利用率，降低養殖成本，減小生態環境污染。

Multi variable feed feeding decision method for pig breeding and system thereof

The invention provides a feeding method and a system for feeding a multi variable feed of pig breeding. Including the Fed decision method: S1: pig growth growth information, environmental information, information and behavior based on the components of the daily nutrients into the food, calculated various nutritional requirement of pigs required by the BP neural network model; S2: feed channel of the breeding farm income and the demand of all kinds of nutrient dynamics based on selection decision model to obtain the investment type and amount of feed feed feed feed utilization. The invention provides a multi variable precision pig feed decision method and system, according to the different growth stages of the growth of pig breeding environment information and comprehensive information, dynamic information can meet the nutritional needs of the lowest cost of feed, so as to realize the multi variable precision feed feed, under the premise of ensuring the standard of pig growth, reasonable investment Hello, improve the feed efficiency, reduce production cost, reduce the pollution to the ecological environment.

【技術實現步驟摘要】
一種生豬養殖多變量飼料投喂決策方法及其系統
本專利技術涉及生豬養殖領域，更具體地，涉及一種生豬養殖多變量飼料投喂決策方法及其系統。
技術介紹
生豬飼養主要成本來自于投喂飼料，飼料成本占規模化生豬養殖總成本的60％-70％，居成本首位，在養豬效益中起關鍵作用。在生豬飼養過程中的溫度、濕度等生豬生長環境，生豬采食、生豬排泄和生豬活動等生豬行為都會影響生豬生長。傳統的人工投喂方法更多側重于生豬的體重、年齡等信息來確定飼料投喂的量及營養成分，造成過量投喂降低飼料轉化率，污染生態環境，增加生豬養殖成本。隨著生豬養殖業的集約化迅猛發展，基于多變量精量飼料投喂成為降低生豬養殖成本有效途徑。歐美國家在精確化養殖方面進行了大量系統性研究，荷蘭使用Velos智能化母豬管理系統和AgrovisionFARM豬場管理軟件，實現生豬養殖過程中的精細投喂，但在多變量精量飼料投喂方面研究較少。我國在生豬投喂方面也進行大量研究，這些研究主要側重于飼料添加劑和配方的研究，對于多變量精量飼料投喂的研究也很少。
技術實現思路
本專利技術提供一種克服上述問題或者至少部分地解決上述問題的一種生豬養殖多變量飼料投喂決策方法及其系統。本專利技術所提供的一種生豬養殖多變量飼料投決策方法，包括：S1：基于生豬的生長信息、生長環境信息、行為信息和每天所采食的各營養成分量，利用BP神經網絡模型計算得到生豬所需的各類營養動態需求量；S2：基于養殖場內的飼料信息和所述各類營養動態需求量，利用飼料選擇決策模型得到投喂的飼料種類和飼料量。根據本專利技術的另一個方面，提供一種生豬養殖多變量飼料投喂決策系統，包括：信息采集系統，用于獲取生豬的生長信息、生長環境信息、行為信息、每天所采食的各營養成分量和養殖場內的飼料信息；BP神經網絡系統，用于基于生豬的生長信息、生長環境信息、行為信息和每天所采食的各營養成分量，計算生豬所需的各類營養動態需求量；飼料選擇決策系統，用于基于養殖場內的飼料信息和所述各類營養動態需求量，確定投喂的飼料種類和飼料量。本申請提出的生豬養殖多變量飼料投喂決策方法及系統的有益效果：1)本申請能夠得到在多個變量因子影響下的生豬所需且較為精確的飼料投喂量；2)本專利技術的方法根據生豬不同生長期的生長信息、養殖環境信息以及行為信息，多參數融合來選擇滿足生豬生長營養需求和成本最低的飼料，提高飼料的轉化率，降低生豬飼養成本，提高養殖效益；3)利用計算機技術使用模型計算代替了手工計算飼料投喂量的計算方法，可以快速、簡便、準確地得出不同生長階段，不同環境，不同身體狀況下的生豬每天采食所需投喂量，克服了現在養殖中主觀性強，僅靠經驗誤差大等不足；4)本專利技術以成本最小為目標函數，滿足營養需要為約束條件構建飼料決策數學模型，通過求解該線性規劃數學模型，動態確定投喂的飼料種類和飼料量，降低養殖戶飼養成本，增加經濟效益，減少生態環境污染。附圖說明圖1為根據本專利技術實施例中生豬多變量飼料投喂決策方法的總體流程示意圖；圖2為根據本專利技術一個優選實施例中生豬養殖多變量飼料投喂決策方法的流程示意圖；圖3為根據本專利技術一個優選實施例中使用神經網絡模型計算的流程示意圖；圖4為根據本專利技術實施例中生豬多變量飼料投喂決策系統的總體流程示意圖。具體實施方式下面結合附圖和實施例，對本專利技術的具體實施方式作進一步詳細描述。以下實施例用于說明本專利技術，但不用來限制本專利技術的范圍。本專利技術所提供的生豬養殖多變量飼料投喂決策方法，如圖1所示，包括：S1：基于生豬的生長信息、生長環境信息、行為信息和每天所采食的各營養成分量，利用BP神經網絡模型計算得到生豬所需的各類營養動態需求量；S2：基于養殖場內的飼料信息和所述各類營養動態需求量，利用飼料選擇決策模型得到投喂的飼料種類和飼料量。本專利技術使用BP神經網絡模型和飼料選擇決策模型代替了手工計算飼料投喂量，可以得到在生豬的生長信息、生長環境信息、行為信息和每天所采食的各營養成分量等多個變量因子的影響下生豬所需且較為精確的飼料投喂量。同時，在實現本專利技術的過程中，研究發現：生豬飼料投喂時，針對不同階段生豬生長，根據多變量信息進行飼料投喂，能更精確，既降低成本也減少環境污染。其中，BP神經網絡模型包括：(1)節點輸出模型隱節點輸出模型：Oj＝f(Σwij×Xi-qj)(1)輸出節點輸出模型：Yk＝f(Σtjk×Oj-qk)(2)其中，Xj是樣本集合X的一個樣本值，f為非線性作用函數，q為神經元閾值，wij為隱層和輸入層間神經元的初始權值。式(1)表示為：給定的樣本輸入Xj計算出隱層的實際輸出Oj；tjk是計算輸出層與隱層間的權值，式(2)表示為根據上一層的實際輸出Oj計算出輸出層的實際值為Yk。(2)作用函數模型作用函數是反映下層輸入對上層節點刺激脈沖強度的函數又稱刺激函數，一般取為(0,1)內連續取值Sigmoid函數：f(x)＝1/(1+e-X)(3)(3)誤差計算模型誤差計算模型是反映神經網絡期望輸出與計算輸出之間誤差大小的函數：EP＝1/2×Σ(tpi-Opi)2(4)其中，tpi為節點i的期望輸出值，Opi為節點i的計算輸出值。(4)自學習模型神經網絡的學習過程，即連接下層節點與上層節點之間的權重矩陣wij的設定和誤差修正過程。BP學習方式分為有師學習方式(需要設定期望值)和無師學習方式(只需要輸入模式之分)。自學習模型為：Δwij(n+1)＝h×Φi×Oj+α×Δwij(n)(5)其中，h為學習因子，Φi為輸出節點i的計算誤差，Oj為輸出節點j的計算輸出，α為動量因子。在本專利技術中，更優選使用其中的誤差計算模型來訓練樣本，以生豬的生長信息、生長環境信息、行為信息和每天所需要的各營養成分量作為輸入變量，生豬每天應需要的各營養需求量作為輸出變量，通過不斷訓練樣本，將誤差降到可接受范圍內，以此來動態計算生豬各類營養需求量。在本專利技術的一個優選實施例中，利用BP神經網絡模型計算得到生豬所需的各類營養需求量的具體步驟為，見圖3：S11：參數初始化，隨機初始化網絡的權值矩陣以及閾值；初始化訓練誤差E＝0，最小訓練誤差Emin為一個小的正數；設置訓練樣本數為P，學習率0＜η＜1；S12：輸入訓練樣本，即生豬的生長信息、生長環境信息、行為信息和每天的采食的各營養成分量，計算神經網絡各層的輸出向量；S13：計算網絡的輸出誤差，根據式計算總體輸出誤差，其中，tpi為節點i的期望輸出值，Opi為節點i的計算輸出值；S14：計算各層的誤差信號；S15：調整各層的權值矩陣，根據自學習模型更新權值矩陣；S16：檢查是否完成一次訓練，若計數器p，p＜P，p＝p+1，返回步驟S12；否則，轉向步驟S17；S17：檢查網絡總體輸出誤差是否滿足精度要求，若滿足E＜Emin，則訓練結束；否則，置E為“0”，p為“1”，返回步驟S12。在本專利技術的實施例中，為了能更準確地得到生豬每天應需要的各營養需求量，生豬的生長信息通常選用體重信息。按體重可將生豬生長劃分為不同生長階段，飼料需求量也不同，通過信息管理等軟件系統可以收集到生豬生長信息。其中，生豬的生長環境信息通常選用生長環境溫度信息和生長環境濕度信息，生豬的行為信息包括每天的采食次數、采食時間、排泄次數、活動時間以及活動次數。通常上述信息通過信息管理系統得到。將獲取得到的上本文檔來自技高網...

【技術保護點】
一種生豬養殖多變量飼料投喂決策方法，其特征在于，包括：S1：基于生豬的生長信息、生長環境信息、行為信息和每天所采食的各營養成分量，利用BP神經網絡模型計算得到生豬所需的各類營養需求量；S2：基于養殖場內的飼料信息和所述各類營養動態需求量，利用飼料選擇決策模型得到投喂的飼料種類和飼料量。

【技術特征摘要】
1.一種生豬養殖多變量飼料投喂決策方法，其特征在于，包括：S1：基于生豬的生長信息、生長環境信息、行為信息和每天所采食的各營養成分量，利用BP神經網絡模型計算得到生豬所需的各類營養需求量；S2：基于養殖場內的飼料信息和所述各類營養動態需求量，利用飼料選擇決策模型得到投喂的飼料種類和飼料量。2.根據權利要求1所述的投喂決策方法，其特征在于，S1中所述BP神經網絡模型包括誤差計算模型。3.根據權利要求1所述的投喂決策方法，其特征在于，所述S1中利用BP神經網絡模型計算得到生豬所需的各類營養需求量的具體步驟為：S11：參數初始化，隨機初始化網絡的權值矩陣以及閾值；初始化訓練誤差E＝0，最小訓練誤差Emin為一個小的正數；設置訓練樣本數為P，學習率0＜η＜1；S12：輸入訓練樣本，即生豬的生長信息、生長環境信息、行為信息和每天的采食的各營養成分量，計算神經網絡各層的輸出向量；S13：計算網絡的輸出誤差，根據式計算總體輸出誤差，其中，tpi為節點i的期望輸出值，Opi為節點i的計算輸出值；S14：計算各層的誤差信號；S15：調整各層的權值矩陣，根據自學習模型更新權值矩陣；S16：檢查是否完成一次訓練，若計數器p，p＜P，p＝p+1，返回步驟S12；否則，轉向步驟S17；S17：檢查網絡總體輸出誤差是否滿足精度要求，若滿足E＜Emin，則訓練結束；否則，置E為“0”，p為“1”，返回步驟S12。4.根據權利要求1所述的投喂決策方法，其特征在于，S1中所述生長信息為體重信息；所述生長環境信息包括溫度和濕度信息；所述行為信息包括每天采食次數、采食時間、排泄次數、活動時間以及活動次數。5.根據權利要求1所述的投喂決策方法，其特征在于，所述決策模型通過以成本最小為目標函數和以滿足營養需要為約束條件聯合構建。6.根據權利要求5所述的投喂決策方法，其特征在于，S2的具體步驟包括：S21：基于養殖場內各飼料的市場單價和各飼料的日投喂量，得到最小投喂成本目標函數；S22：基于養殖場內各飼料的日投喂量和各飼料中所含的營養元素，列舉方程組，得到含有所述約束條件的線性規劃模型；S23：基于所述各類營養動態需求量...

【專利技術屬性】
技術研發人員：孫龍清，鄒遠炳，李玥，李億楊，
申請(專利權)人：中國農業大學，
類型：發明
國別省市：北京,11