一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法技术

本发明专利技术公开了一种基于PSO‑BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法，属于甲烷产量的预测领域。构建PSO‑BP神经网络，对输入样本的数据进行归一化处理；建立数据集；根据所述数据集对BP神经网络进行初始化，得到权值和阈值；种群经过初始化后，得到粒子群适应度值；确定个体极值和群体极值；更新粒子速度位置，判断迭代数是否达到初始化设置的结束条件，若达到结束条件，获得最优权值阈值，计算更新权值阈值，判断迭代数是否达到初始化设置的结束条件，若满足则开始仿真，得到预测结果；本发明专利技术用以解决目前已有的瘤胃发酵产甲烷预测系统出现了许多数据预处理不理想，导致预测误差较大的问题。

【技术实现步骤摘要】
一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法
本专利技术属于甲烷产量的预测领域，具体涉及一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法。
技术介绍
本世纪以来，由于温室气体排放造成的全球性气候变暖现象一直备受关注。甲烷(CH4)是半衰期较长的一种温室气体，其增温潜势力是CO2的25-30倍，对全球变暖的影响作用在近100多年里占到所有影响气候变暖作用的15％-20％，而畜牧业则是导致大气中甲烷累积的主要贡献者。全球每年CH4的排放量达到5.35×108t,其中反刍动物的CH4年平均排放量占已知散发到大气中CH4排放总量的15％。其中牛类(除水牛外)的甲烷排放量约占反刍动物排放总量的75％。高产奶牛每年均产甲烷128千克，其他牛均产甲烷53千克。就动物营养学而言，根据动物饲养水平、饲粮结构组成和营养物质消化率的不同，反刍动物以CH4形式损失的能量占饲料总能的2％-15％。反刍动物肠道发酵CH4排放的建模和准确预测是寻找减缓CH4排放策略和提高畜牧生产效率、减少能量不必要损耗的基础，因此其在反刍动物营养领域变得越来越重要。在过去的几十年里，有很多学者建立了预测反刍动物CH4产量的模型，包括线性回归模型(HolterandYoung,1992；MoeandTyrrell，1979)，非线性回归模型(BlaxterandClapperton，1965；Mills，2003)和动态机械模型(Dijkstraetal.，1992)等。这些模型成功的模拟了一些反刍动物的CH4产量，然而有一些模型存在预测精度不高的问题,部分原因可能是：1)在假设模型的基础上进行的回归，具有一定的局限性；2)回归方程对样本数据的自带噪声处理能力较差；3)近似计算产生的误差较大时影响回归模型的精度。瘤胃发酵产甲烷是一个复杂的过程，主要受饲料成分的影响。国内外已经已有不少学者从各方面讨论了与瘤胃消化及产气相关的因素。
技术实现思路
本专利技术的目的是为了为了一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法，以克服现有的瘤胃发酵产甲烷结果精度不达标和误差大的问题，本专利技术提供一种基于PSO-BP神经网络的TMR(全混合)日粮瘤胃发酵甲烷产量的预测方法，所述预测方法具体步骤如下：(1)构建PSO-BP神经网络，对输入的待检测的TMR日粮瘤胃发酵的甲烷产量的样本的数据进行归一化处理；(2)建立数据集：包括输入数据和输出数据，所述输入数据为TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量，所述输出数据为甲烷产量或总产气量；(3)根据所述数据集对BP神经网络进行初始化，确定网络拓扑结构，得到初始权值和阈值；(4)种群经过初始化后，种群中的每个个体都包含了一个网络所有权值和阈值，个体通过适应度函数计算个体适应度值；(5)根据所述粒子群适应度值确定个体极值和群体极值；(6)利用公式，处理所述个体极值和群体极值，更新粒子速度位置，其中，Vid为粒子的迭代速度；Xid为粒子的迭代位置；c1和c2为学习因子，c1＝c2，取值范围为(1，3)；r1和r2为随机函数，取值区间为(0，1)；Vid(t)和Xid(t)为粒子第t次迭代的速度和位置；Pbest为个体极值，Gbest为群体极值；(7)判断迭代数是否达到初始化设置的结束条件，若达到结束条件，获得最优权值阈值，否则继续执行步骤(4)，直至迭代结束；(8)将得到的最优权值阈值输入BP神经网络，作为BP神经网络的初始权值阈值。采用交叉熵损失函数，计算并更新权值阈值。(9)判断迭代数或损失值是否达到预设的结束条件，若满足则得到仿真预测结果，将仿真预测结果进行反归一化处理；若不满足继续执行步骤(8)直至迭代结束。进一步地限定，步骤(1)中所述PSO-BP神经网络的训练次数为3000次，输入层至隐含层、隐含层至输出层传递函数均为单级Sigmoid函数。进一步地限定，所述BP神经网络的隐含层神经元数计算公式为其中，p为隐含层神经元数，n为输入层节点数，q为输出层节点数，z调节值，取值在1-10之间。进一步地限定，步骤(1)所述的归一化处理，计算公式为i＝1,2,3,4,5,6，Ti为训练样本数据的第i个输入，T′i为进行归一化计算后的数据，T′i∈[a,b]，Timax为Ti中的最大值，Timin为Ti中的最小值，a是T′i的最小值，b是T′i的最大值。进一步地限定，所述TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量与CH4产量之间的目标函数关系式为Y＝F(X)＝f(V·f(W·X+θ1)+θ2)，f()为传递函数；X为输入向量，Y为输出向量，F(X)为输入值与输出值之间的关系，W为输入层到隐藏层的权值矩阵，θ1为隐藏层的阈值，V为隐藏层到输出层的权值矩阵，θ2为输出层的阈值。进一步地限定，步骤(4)所述种群初始化具体为设置粒子的初始位置为X0，初始速度为V0，粒子数为N，最大迭代数为m，学习因子分别为c1和c2，c1＝c2。进一步地限定，步骤(5)的步骤为算出全部粒子当前适应值fi，如果fi＜Pbest，则Pbest就是个体最优，如果Xi＝Pbest，fi为个体最优；如果fi＜Gbest，Gbest就是全局最优解；Xi＝Gbest，fi为最优解，其中Xi是粒子的当前位置。进一步地限定，步骤(9)所述对仿真预测结果进行反归一化处理，公式为i＝1,2,3,4,5,6，其中，Ti为训练样本数据的第i个输入，T′i为进行归一化计算后的数据，T′i∈[a,b]，Timax为Ti中的最大值，Timin为Ti中的最小值，a是T′i的最小值，b是T′i的最大值。有益效果：现有的瘤胃发酵产甲烷结果精度不达标和误差大，通过BP神经网络对瘤胃发酵产甲烷进行预测，能够对历史数据进行训练，并通过对现有的数据进行分析从而得到预测的结果，粒子群算法(PSO)对数据具有极强的寻优效果，能够对数据进行有效的预处理，从而减小BP神经网络的预测误差，使预测TMR日粮瘤胃发酵甲烷产量的更准确。附图说明图1为本专利技术的PSO-BP模型实现的流程图；图2为本专利技术的BP网络神经结构图，其中，TotalGas为总气体；图3为本专利技术的PSO-BP模型CH4预测值与实测值对比，其中，横坐标为甲烷实测值，纵坐标为甲烷预测值；图4为本专利技术的适应度值的变化图，其中，横坐标为迭代数，纵坐标为适应度值。具体实施例实施例1.图1为PSO-BP模型实现流程图，一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法，所述预测方法具体步骤如下：(1)构建PSO-BP神经网络，对输入的待检测的TMR日粮瘤胃发酵的甲烷产量样本的数据进行归一化处理；(2)建立数据集：包括输入数据和输出数据，所述输入数据为TMR日粮体外发酵测本文档来自技高网...

【技术保护点】
1.一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法，其特征在于，所述预测方法具体步骤如下：/n(1)构建PSO-BP神经网络，对输入的待检测的TMR日粮瘤胃发酵的甲烷产量样本的数据进行归一化处理；/n(2)建立数据集：包括输入数据和输出数据，所述输入数据为TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量，所述输出数据为甲烷产量或总产气量；/n(3)根据所述数据集对BP神经网络进行初始化，确定网络拓扑结构，得到初始权值和阈值；/n(4)种群经过初始化后，种群中的每个个体都包含了一个网络所有权值和阈值，个体通过适应度函数计算个体适应度值；/n(5)根据所述粒子群适应度值确定个体极值和群体极值；/n(6)利用公式，

【技术特征摘要】
1.一种基于PSO-BP神经网络的TMR日粮瘤胃发酵甲烷产量的预测方法，其特征在于，所述预测方法具体步骤如下：
(1)构建PSO-BP神经网络，对输入的待检测的TMR日粮瘤胃发酵的甲烷产量样本的数据进行归一化处理；
(2)建立数据集：包括输入数据和输出数据，所述输入数据为TMR日粮体外发酵测定的总能、中性洗涤纤维的含量、酸性洗涤纤维含量、干物质含量和粗蛋白含量，所述输出数据为甲烷产量或总产气量；
(3)根据所述数据集对BP神经网络进行初始化，确定网络拓扑结构，得到初始权值和阈值；
(4)种群经过初始化后，种群中的每个个体都包含了一个网络所有权值和阈值，个体通过适应度函数计算个体适应度值；
(5)根据所述粒子群适应度值确定个体极值和群体极值；
(6)利用公式，处理所述个体极值和群体极值，更新粒子速度位置，其中，Vid为粒子的迭代速度；Xid为粒子的迭代位置；c1和c2为学习因子，c1＝c2，取值范围为(1，3)；r1和r2为随机函数，取值区间为(0，1)；Vid(t)和Xid(t)为粒子第t次迭代的速度和位置；Pbest为个体极值，Gbest为群体极值；
(7)判断迭代数是否达到初始化设置的结束条件，若达到结束条件，获得最优权值阈值，否则继续执行步骤(4)，直至迭代结束；
(8)将得到的最优权值阈值输入BP神经网络，作为BP神经网络的初始权值阈值，采用交叉熵损失函数计算损失值并更新BP神经网络权值阈值；
(9)判断迭代数或损失值是否达到预设的结束条件，若满足则得到仿真预测结果，将仿真预测结果进行反归一化处理；若不满足继续执行步骤(8)直至迭代结束。


2.根据权利要求1所述的预测方法，其特征在于，步骤(1)中所述PSO-BP神经网络的训练次数为3000次，输入层至隐含层、隐含层至输出层传递函数均为单级Sigmoid函数。


3.根据权利要求2所述的预测方法，其特征在于...

【专利技术属性】
技术研发人员：魏晓莉，沈维政，王鑫杰，王艳，付强，张永根，熊本海，孙建，
申请(专利权)人：东北农业大学，
类型：发明
国别省市：黑龙江;23