一种生猪养殖多变量饲料投喂决策方法及其系统技术方案

本发明专利技术提供一种生猪养殖多变量饲料投喂决策方法及其系统。所述投喂决策方法包括：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。本发明专利技术提供的生猪养殖多变量精量饲料投喂决策方法及其系统，根据生猪不同生长期的生长信息、养殖环境信息以及行为信息综合动态选择满足营养需求成本最低的饲料，从而实现多变量精量饲料投喂，在保证生猪生长达标的前提下，合理投喂，提高饲料利用率，降低养殖成本，减小生态环境污染。

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：信息采集系统，用于获取生猪的生长信息、生长环境信息、行为信息、每天所采食的各营养成分量和养殖场内的饲料信息；BP神经网络系统，用于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，计算生猪所需的各类营养动态需求量；饲料选择决策系统，用于基于养殖场内的饲料信息和所述各类营养动态需求量，确定投喂的饲料种类和饲料量。本申请提出的生猪养殖多变量饲料投喂决策方法及系统的有益效果：1)本申请能够得到在多个变量因子影响下的生猪所需且较为精确的饲料投喂量；2)本专利技术的方法根据生猪不同生长期的生长信息、养殖环境信息以及行为信息，多参数融合来选择满足生猪生长营养需求和成本最低的饲料，提高饲料的转化率，降低生猪饲养成本，提高养殖效益；3)利用计算机技术使用模型计算代替了手工计算饲料投喂量的计算方法，可以快速、简便、准确地得出不同生长阶段，不同环境，不同身体状况下的生猪每天采食所需投喂量，克服了现在养殖中主观性强，仅靠经验误差大等不足；4)本专利技术以成本最小为目标函数，满足营养需要为约束条件构建饲料决策数学模型，通过求解该线性规划数学模型，动态确定投喂的饲料种类和饲料量，降低养殖户饲养成本，增加经济效益，减少生态环境污染。附图说明图1为根据本专利技术实施例中生猪多变量饲料投喂决策方法的总体流程示意图；图2为根据本专利技术一个优选实施例中生猪养殖多变量饲料投喂决策方法的流程示意图；图3为根据本专利技术一个优选实施例中使用神经网络模型计算的流程示意图；图4为根据本专利技术实施例中生猪多变量饲料投喂决策系统的总体流程示意图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。本专利技术所提供的生猪养殖多变量饲料投喂决策方法，如图1所示，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。本专利技术使用BP神经网络模型和饲料选择决策模型代替了手工计算饲料投喂量，可以得到在生猪的生长信息、生长环境信息、行为信息和每天所采食的各营养成分量等多个变量因子的影响下生猪所需且较为精确的饲料投喂量。同时，在实现本专利技术的过程中，研究发现：生猪饲料投喂时，针对不同阶段生猪生长，根据多变量信息进行饲料投喂，能更精确，既降低成本也减少环境污染。其中，BP神经网络模型包括：(1)节点输出模型隐节点输出模型：Oj＝f(Σwij×Xi-qj)(1)输出节点输出模型：Yk＝f(Σtjk×Oj-qk)(2)其中，Xj是样本集合X的一个样本值，f为非线性作用函数，q为神经元阈值，wij为隐层和输入层间神经元的初始权值。式(1)表示为：给定的样本输入Xj计算出隐层的实际输出Oj；tjk是计算输出层与隐层间的权值，式(2)表示为根据上一层的实际输出Oj计算出输出层的实际值为Yk。(2)作用函数模型作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数：f(x)＝1/(1+e-X)(3)(3)误差计算模型误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：EP＝1/2×Σ(tpi-Opi)2(4)其中，tpi为节点i的期望输出值，Opi为节点i的计算输出值。(4)自学习模型神经网络的学习过程，即连接下层节点与上层节点之间的权重矩阵wij的设定和误差修正过程。BP学习方式分为有师学习方式(需要设定期望值)和无师学习方式(只需要输入模式之分)。自学习模型为：Δwij(n+1)＝h×Φi×Oj+α×Δwij(n)(5)其中，h为学习因子，Φi为输出节点i的计算误差，Oj为输出节点j的计算输出，α为动量因子。在本专利技术中，更优选使用其中的误差计算模型来训练样本，以生猪的生长信息、生长环境信息、行为信息和每天所需要的各营养成分量作为输入变量，生猪每天应需要的各营养需求量作为输出变量，通过不断训练样本，将误差降到可接受范围内，以此来动态计算生猪各类营养需求量。在本专利技术的一个优选实施例中，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，见图3：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。在本专利技术的实施例中，为了能更准确地得到生猪每天应需要的各营养需求量，生猪的生长信息通常选用体重信息。按体重可将生猪生长划分为不同生长阶段，饲料需求量也不同，通过信息管理等软件系统可以收集到生猪生长信息。其中，生猪的生长环境信息通常选用生长环境温度信息和生长环境湿度信息，生猪的行为信息包括每天的采食次数、采食时间、排泄次数、活动时间以及活动次数。通常上述信息通过信息管理系统得到。将获取得到的上本文档来自技高网...

【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