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.
【技术实现步骤摘要】
一种生猪养殖多变量饲料投喂决策方法及其系统
本专利技术涉及生猪养殖领域,更具体地,涉及一种生猪养殖多变量饲料投喂决策方法及其系统。
技术介绍
生猪饲养主要成本来自于投喂饲料,饲料成本占规模化生猪养殖总成本的60%-70%,居成本首位,在养猪效益中起关键作用。在生猪饲养过程中的温度、湿度等生猪生长环境,生猪采食、生猪排泄和生猪活动等生猪行为都会影响生猪生长。传统的人工投喂方法更多侧重于生猪的体重、年龄等信息来确定饲料投喂的量及营养成分,造成过量投喂降低饲料转化率,污染生态环境,增加生猪养殖成本。随着生猪养殖业的集约化迅猛发展,基于多变量精量饲料投喂成为降低生猪养殖成本有效途径。欧美国家在精确化养殖方面进行了大量系统性研究,荷兰使用Velos智能化母猪管理系统和AgrovisionFARM猪场管理软件,实现生猪养殖过程中的精细投喂,但在多变量精量饲料投喂方面研究较少。我国在生猪投喂方面也进行大量研究,这些研究主要侧重于饲料添加剂和配方的研究,对于多变量精量饲料投喂的研究也很少。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的一种生猪养殖多变量饲料投喂决策方法及其系统。本专利技术所提供的一种生猪养殖多变量饲料投决策方法,包括:S1:基于生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量,利用BP神经网络模型计算得到生猪所需的各类营养动态需求量;S2:基于养殖场内的饲料信息和所述各类营养动态需求量,利用饲料选择决策模型得到投喂的饲料种类和饲料量。根据本专利技术的另一个方面,提供一种生猪养殖多变量饲料投喂决策系统,包括:信息采集系 ...
【技术保护点】
一种生猪养殖多变量饲料投喂决策方法,其特征在于,包括:S1:基于生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量,利用BP神经网络模型计算得到生猪所需的各类营养需求量;S2:基于养殖场内的饲料信息和所述各类营养动态需求量,利用饲料选择决策模型得到投喂的饲料种类和饲料量。
【技术特征摘要】
1.一种生猪养殖多变量饲料投喂决策方法,其特征在于,包括:S1:基于生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量,利用BP神经网络模型计算得到生猪所需的各类营养需求量;S2:基于养殖场内的饲料信息和所述各类营养动态需求量,利用饲料选择决策模型得到投喂的饲料种类和饲料量。2.根据权利要求1所述的投喂决策方法,其特征在于,S1中所述BP神经网络模型包括误差计算模型。3.根据权利要求1所述的投喂决策方法,其特征在于,所述S1中利用BP神经网络模型计算得到生猪所需的各类营养需求量的具体步骤为:S11:参数初始化,随机初始化网络的权值矩阵以及阈值;初始化训练误差E=0,最小训练误差Emin为一个小的正数;设置训练样本数为P,学习率0<η<1;S12:输入训练样本,即生猪的生长信息、生长环境信息、行为信息和每天的采食的各营养成分量,计算神经网络各层的输出向量;S13:计算网络的输出误差,根据式计算总体输出误差,其中,tpi为节点i的期望输出值,Opi为节点i的计算输出值;S14:计算各层的误差信号;S15:调整各层的权值矩阵,根据自学习模型更新权值矩阵;S16:检查是否完成一次训练,若计数器p,p<P,p=p+1,返回步骤S12;否则,转向步骤S17;S17:检查网络总体输出误差是否满足精度要求,若满足E<Emin,则训练结束;否则,置E为“0”,p为“1”,返回步骤S12。4.根据权利要求1所述的投喂决策方法,其特征在于,S1中所述生长信息为体重信息;所述生长环境信息包括温度和湿度信息;所述行为信息包括每天采食次数、采食时间、排泄次数、活动时间以及活动次数。5.根据权利要求1所述的投喂决策方法,其特征在于,所述决策模型通过以成本最小为目标函数和以满足营养需要为约束条件联合构建。6.根据权利要求5所述的投喂决策方法,其特征在于,S2的具体步骤包括:S21:基于养殖场内各饲料的市场单价和各饲料的日投喂量,得到最小投喂成本目标函数;S22:基于养殖场内各饲料的日投喂量和各饲料中所含的营养元素,列举方程组,得到含有所述约束条件的线性规划模型;S23:基于所述各类营养动态需求量...
【专利技术属性】
技术研发人员:孙龙清,邹远炳,李玥,李亿杨,
申请(专利权)人:中国农业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。