基于粒子群优化SVR模型的生猪热应激程度预测方法技术

本发明专利技术涉及畜牧业的环境监测技术领域，公开了一种基于粒子群优化SVR模型的生猪热应激程度预测方法，包括以下步骤：步骤S1：采集环境参数以及猪只的生理状态；步骤S2：建立可评估热应激程度的参数TSI：通过步骤S1中采集到的环境参数以及猪只的生理状态，建立可评估热应激程度的参数TSI并通过具体参数得到相应数值；步骤S3：建立SVR学习模型：将输入向量映射到高位向量特征空间，构造回归函数，并引入松弛变量；步骤S4：寻找SVR的最优训练模型，得到可评估热应激程度的热应激指数预测模型：采用粒子群算法对SVR学习模型中的惩罚因子进行寻优，最终得到可评估热应激程度的热应激指数。本发明专利技术能实现对生猪热应激行为高效快速的预测。测。测。

【技术实现步骤摘要】
基于粒子群优化SVR模型的生猪热应激程度预测方法


[0001]本专利技术涉及一种基于粒子群优化SVR模型的生猪热应激程度预测方法，属于畜牧业的环境监测


技术介绍

[0002]现代畜牧业高度集约化、规模化的发展形式，促进了动物的生产效率，但同时也给动物的健康生长带来了安全隐患。当猪舍环境超越适温区上限，牲畜无法驱散体内多余的热量并保持恒定的体内温度时，会经历热应激行为，这对生猪的免疫系统、生长发育和生产机能具有不利影响，进而造成猪场养殖的经济损失。对于热应激的评估一般是直接测量牲畜体温，但就养殖场环境而言，测量体温需要大量劳动，难以实现；因此需要专利技术一种替代方法，可以使用可控的环境指标和生猪的生理机能评估其在热应激预测方面的适用性，实现对热应激的预测，并反馈环境参数调控方案，保持猪舍良好的生存环境条件，减缓热应激行为。

技术实现思路

[0003]针对现有技术存在的上述缺陷，本专利技术提出了一种基于粒子群优化SVR模型的生猪热应激程度预测方法。
[0004]本专利技术所述的一种基于粒子群优化SVR模型的生猪热应激程度预测方法，其特征在于，包括以下步骤：
[0005]步骤S1：采集环境参数以及猪只的生理状态；
[0006]步骤S2：建立可评估热应激程度的参数TSI：通过步骤S1中采集到的环境参数以及猪只的生理状态，建立可评估热应激程度的参数TSI并通过具体参数得到相应数值；
[0007]步骤S3：建立SVR学习模型：对输入向量x
i
、输出向量y
i
建立SVR学习模型，并将输入向量x
i
映射到高位向量特征空间，构造回归函数，引入松弛变量，具体公式如下：
[0008][0009]其中，f(x
i
)为回归函数；为输入变量投影到特征空间的映射；w
T
和b为待确定模型参数；
[0010]引入松弛变量具体公式如下：
[0011][0012]s.t.f(x
i
)
‑
y
i
≤ε+ξ
i
[0013]y
i
‑
f(x
i
)≤ε+ξ
i*
[0014]ξ
i
≥0,ξ
i*
≥0,i＝1,2,
……
,n
[0015]其中，C为惩罚因子；ε为不敏感损失系数；ξ
i
和ξ
i*
是松弛变量；
[0016]步骤S4：寻找SVR的最优训练模型，得到可评估热应激程度的热应激指数预测模
型：采用粒子群算法对SVR学习模型中的惩罚因子进行寻优，最终得到可评估热应激程度的热应激指数。
[0017]优选地，所述步骤S1中，通过检测装置采集猪舍内的环境参数，环境参数包括环境温度T
a
、空气湿度RH、风速V、平均辐射T
r
。
[0018]优选地，所述步骤S1中，猪只的生理状态通过猪只的呼吸速率得到，猪只的呼吸速率通过猪只胸部的运动表现计算得到。
[0019]优选地，所述步骤S2中可评估热应激程度的参数TSI的计算公式具体如下：
[0020]TSI＝T
a
+β1T
a
[0021]其中，T
a
为环境温度；β1为回归系数，β1的计算公式具体如下：
[0022]RR＝β0+β1T
a
[0023]其中，RR为猪只的呼吸速率，β0为线性回归截距，T
a
为环境温度。
[0024]优选地，所述步骤S3中将(T
a
,RH,V,T
r
)
iT
作为输入向量x
i
，TSIi作为输出变量y
i
，其中i＝1,2
…
n，n为样本数量；还引入了拉格朗日函数，其中核函数K(x
i
,x)选用径向基核函数：
[0025]K(x
i
,x)＝exp(
‑
g||x
i
‑
x||2)
[0026]式中x
i
是输入向量，x是预测输入数据向量，g为核函数的宽度。
[0027]优选地，所述步骤S4中采用粒子群算法对SVR模型的惩罚因子进行寻优具体步骤如下：
[0028]步骤S41：初始化SVR模型训练参数；
[0029]步骤S42：初始化粒子群训练参数和粒子初始位置与速度；
[0030]步骤S43：评估个体与全局最优位置；
[0031]步骤S44：计算粒子的适应度并更新粒子速度与位置：通过比较当前位置与个体最优位置的适应度来更新个体最优位置，再将个体最优位置与群体最优位置进行比较更新全局最优位置，具体计算公式如下：
[0032]v
i
＝v
i
+D1r1(p
best
‑
w
i
)+D2r2(g
best
‑
w
i
)
[0033]w
i
＝w
i
+v
i
[0034]其中，v
i
为粒子的速度，w
i
为粒子的当前位置，D1、D2为学习因子，r1、r2为【0,1】之间的随机数；
[0035]步骤S45：重复步骤S44，直至满足终止条件输出最优参数，建立最优参数SVR学习模型。
[0036]优选地，所述步骤S41中粒子群相关参数包括惯性权值、最大迭代次数和种群数量。
[0037]优选地，所述步骤S42中使用均方误差作为适应度函数评估个体最优位置和全局最优位置，具体计算公式如下：
[0038][0039]其中，为预测值，m
i
为真实值，n为样本数量。
[0040]优选地，所述步骤S4后输入测试样本，验证SVR学习模型的有效性。
[0041]本专利技术所述的基于粒子群优化SVR模型的生猪热应激程度预测方法，具有以下有益效果：
[0042](1)本专利技术提出的生猪热应激程度预测方法响应速度快、预测精度高，能够达到对生猪热应激指数快速准确的预测，在一定程度上缓解养殖环境控制效果滞后的问题；
[0043](2)无需人工直接测量，大量减少人工劳动，减轻生产负担；
[0044](3)能够根据本专利技术预判猪的应急程度，使生产管理人员能即使对环境参数作出合适的调控，缓解热应激行为对猪只生理机能造成的不利影响，提高存活率，减少养殖的经济损失。
附图说明
[0045]图1是本专利技术的流程框图。
[0046]图2是寻找SVR的最优训练模型的流程框图。
具体实施方式
[0047]下面将结合本专利技术实施例中的附图，对本专利技术实施例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群优化SVR模型的生猪热应激程度预测方法，其特征在于，包括以下步骤：步骤S1：采集环境参数以及猪只的生理状态；步骤S2：建立可评估热应激程度的参数TSI：通过步骤S1中采集到的环境参数以及猪只的生理状态，建立可评估热应激程度的参数TSI并通过具体参数得到相应数值；步骤S3：建立SVR学习模型：对输入向量x
i
、输出向量y
i
建立SVR学习模型，并将输入向量x
i
映射到高位向量特征空间，构造回归函数，引入松弛变量，具体公式如下：其中，f(x
i
)为回归函数；为输入变量投影到特征空间的映射；w
T
和b为待确定模型参数；引入松弛变量具体公式如下：s.t.f(x
i
)
‑
y
i
≤ε+ξ
i
y
i
‑
f(x
i
)≤ε+ξ
i*
ξ
i
≥0,ξ
i*
≥0,i＝1,2,
……
,n其中，C为惩罚因子；ε为不敏感损失系数；ξ
i
和ξ
i*
是松弛变量；步骤S4：寻找SVR的最优训练模型，得到可评估热应激程度的热应激指数预测模型：采用粒子群算法对SVR学习模型中的惩罚因子进行寻优，最终得到可评估热应激程度的热应激指数。2.根据权利要求1所述的基于粒子群优化SVR模型的生猪热应激程度预测方法，其特征在于，所述步骤S1中，通过检测装置采集猪舍内的环境参数，环境参数包括环境温度T
a
、空气湿度RH、风速V、平均辐射T
r
。3.根据权利要求1所述的基于粒子群优化SVR模型的生猪热应激程度预测方法，其特征在于，所述步骤S1中，猪只的生理状态通过猪只的呼吸速率得到，猪只的呼吸速率通过猪只胸部的运动表现计算得到。4.根据权利要求1所述的基于粒子群优化SVR模型的生猪热应激程度预测方法，其特征在于，所述步骤S2中可评估热应激程度的参数TSI的计算公式具体如下：TSI＝T
a
+β1T
a
其中，T
a
为环境温度；β1为回归系数，β1的计算公式具体如下：RR＝β0+β1T
a
其中，RR为猪只的呼吸速率，β0为线性回归截距，T
a
为环境温度。5.根据权利要求1所述的基于粒子群优化S...

【专利技术属性】
技术研发人员：赵雅坤，金鑫，王福宝，
申请(专利权)人：青岛科创信达科技有限公司，
类型：发明
国别省市：