融合SSA-Elman网络模型和鸽群启发算法的环境控制方法技术

本发明专利技术涉及禽畜养殖环境控制技术领域，公开了一种融合SSA

【技术实现步骤摘要】
融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法


[0001]本专利技术涉及一种融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法，属于禽畜养殖环境控制


技术介绍

[0002]随着经济的快速发展，广大人民群众的生活水平不断提高，作为改善公众膳食结构、提高人民健康素养的重要视频，禽类肉制品的需求也呈现出持续增长的趋势。肉鸡作为生活中最常见的饲养禽类，具有饲养周期短、料肉比低、肉质鲜嫩等特点。同时，由于屠宰时间短、资金回笼快，非常适合养殖户的个体化养殖。随着肉鸡养殖业的快速发展，如何在激烈的竞争中提高肉鸡养殖的效率，成为每个养殖企业最关心的问题。肉鸡鸡舍环境中的温度、湿度、热辐射量、风速和日龄等参数对肉鸡产肉量有显著影响，因此，为进一步提高肉鸡产量，降低料重比和死淘率，需要探索鸡舍环境参数控制的新方法。

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融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法。
[0004]本专利技术所述的一种融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法，包括以下步骤：
[0005]步骤S1：构建样本数据，环境监测传感器采集肉鸡舍内环境参数数据，并发送至上位机进行存储，同时人工记录肉鸡日增重、料重比、死淘率及日龄数据并存储至上位机，环境参数数据及人工记录的数据共同组成该样本数据；
[0006]步骤S2：样本数据预处理，采用主成分分析的时序处理方法，即SSA分析方法填补缺失值和异常值；将异常值进行删除，并填补时间数据序列空缺值，得到完整肉鸡舍温湿度、热辐射量、风速时间序列；
[0007]步骤S3：构建SSA
‑
Elman网络模型，初始化网络结构，将数据进行归一化处理，以鸡舍中环境参数数据以及记录的肉鸡日增重、料重比、死淘率、日龄数据为输入层，以环境参数数据相对应的肉鸡周最适环境参数为输出层，建立基于SSA
‑
Elman网络模型的环境参数的非线性回归预测模型；
[0008]步骤S4：对SSA
‑
Elman网络模型的权值进行优化，采用鸽群启发算法优化SSA
‑
Elman网络模型各层之间的权值；
[0009]步骤S5：对鸡舍环境进行控制，利用鸽群启发算法输出的最优解，作为SSA
‑
Elman网络模型中权值的初值，对鸡舍中环境温度、湿度、热辐射量、风速进行调控。
[0010]优选地，所述步骤S2中，采用SSA分析方法对缺失值和异常值进行填补和删除的具体步骤如下：
[0011]步骤S21：分解，定义窗口长度，对接收的信号进行空间重构，构造出接收信号z的迹矩阵，计算公式如下：
[0012][0013]式中，z
i
＝[z
i z
i+1
ꢀ…ꢀ
z
i+L
‑1]；i＝1,2，
…
，k，k＝n
‑
L+1；
[0014]步骤S22：重构，令协方差矩阵令协方差矩阵Y＝ZZT，并进行SVD分解，记分解后的特征值和特征向量分别为λ1，λ2，
…
，λ
L
，且满足λ1≥λ2≥
…
≥λ
L
和U1，U2，
…
，U
L
，且满足U1≥U2≥
…
≥U
L
，则迹矩阵经SSA分解后可以表示为：
[0015]Z＝P1+P1+
…
+P
L
[0016][0017]式中，为迹矩阵Z的第i个奇异值，V
i
，U
i
分别为对应奇异值的左右奇异向量。
[0018]优选地，所述步骤S22中，若z为含噪信号，矩阵Z设为满秩矩阵，其秩为k(k<n)，λi为奇异值分解得到的第i(0＜i＜k)个奇异值，如果从第i+1奇异值起，后续奇异值明显小于前i个奇异值，则可将第i+1奇异值起的后续奇异值看作是信号中的噪声分量对应的奇异值，即信号中的有效分量只与前i个奇异值有关。
[0019]优选地，所述步骤S2中，填补时间数据序列空缺值采用平移窗口均值法，计算公式如下所示：
[0020]N
i
＝
△
(N
i
‑1+N
i
‑2+N
i
‑3+...+N
i
‑
m
)/m
[0021]式中，N
i
为所缺数据填补值，N
i
‑
m
为数据点N
i
前的m个数据点，m为平移窗口宽度，
△
为修正系数。
[0022]优选地，所述步骤S3中，归一化处理的公式如下所示：
[0023][0024]式中，a
*
为归一化后的肉鸡舍环境相关参数的时间序列数据，a为需要进行归一化处理的数据变量，min(a)为变量a内的数据最小值，max(a)为变量a内的数据最大值。
[0025]优选地，所述步骤S4中采用鸽群启发算法优化SSA
‑
Elman网络模型各层之间的权值的具体步骤如下：
[0026]步骤S41：输入SSA
‑
Elman网络模型的权值和阈值，通过SSA
‑
Elman网络模型初始化网络机构，获得各层之间的权值向量初值；
[0027]步骤S42：初始化鸽群和速度，对SSA
‑
Elamn网络模型的权值进行实数编码，作为鸽群启发算法的初始鸽群，由输入层与隐含层、隐层到输出层、状态层1到隐层以及状态层1到隐层的权值向量几部分组成，代表了一个Elman网络模型的连接关系；
[0028]步骤S43：计算种群适应度，并更新最优个体和对应的适应度值，将鸽群启发算法中的搜索个体依次带入到目标函数J中计算个体适应度，并进行排序，将最优个体对应的适应度与公告牌中的记录进行比对，更新公告牌记录；目标函数的计算公式如下所示：
[0029][0030]其中P
target
和T
target
分别为输出目标值和优化目标值；第一行中的元素b
1,i
对应于第i个参量对输出目标值P
target
的控制效率；第二行中的元素b
2,i
表示第i个参量对输出目标值T
target
的控制效率；n为控制参量总个数；
[0031]步骤S44：输出最优个体，算法搜索结束并将公告牌中最优个体分解为SSA
‑
Elman网络模型的各层权值，用最优的权值作为SSA
‑
Elman网络模型的初始权值向量。...

【技术保护点】

【技术特征摘要】
1.一种融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，包括以下步骤：步骤S1：构建样本数据，环境监测传感器采集肉鸡舍内环境参数数据，并发送至上位机进行存储，同时人工记录肉鸡日增重、料重比、死淘率及日龄数据并存储至上位机，环境参数数据及人工记录的数据共同组成该样本数据；步骤S2：样本数据预处理，采用主成分分析的时序处理方法，即SSA分析方法填补缺失值和异常值；将异常值进行删除，并填补时间数据序列空缺值，得到完整肉鸡舍温湿度、热辐射量、风速时间序列；步骤S3：构建SSA
‑
Elman网络模型，初始化网络结构，将数据进行归一化处理，以鸡舍中环境参数数据以及记录的肉鸡日增重、料重比、死淘率、日龄数据为输入层，以环境参数数据相对应的肉鸡周最适环境参数为输出层，建立基于SSA
‑
Elman网络模型的环境参数的非线性回归预测模型；步骤S4：对SSA
‑
Elman网络模型的权值进行优化，采用鸽群启发算法优化SSA
‑
Elman网络模型各层之间的权值；步骤S5：对鸡舍环境进行控制，利用鸽群启发算法输出的最优解，作为SSA
‑
Elman网络模型中权值的初值，对鸡舍中环境温度、湿度、热辐射量、风速进行调控。2.根据权利要求1所述的融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S2中，采用SSA分析方法对缺失值和异常值进行填补和删除的具体步骤如下：步骤S21：分解，定义窗口长度，对接收的信号进行空间重构，构造出接收信号z的迹矩阵，计算公式如下：式中，z
i
＝[z
i z
i+1
ꢀ…ꢀ
z
i+L
‑1]；i＝1,2，
…
，k，k＝n
‑
L+1；步骤S22：重构，令协方差矩阵令协方差矩阵Y＝ZZT，并进行SVD分解，记分解后的特征值和特征向量分别为λ1，λ2，
…
，λ
L
，且满足λ1≥λ2≥
…
≥λ
L
和U1，U2，
…
，U
L
，且满足U1≥U2≥
…
≥U
L
，则迹矩阵经SSA分解后可以表示为：Z＝P1+P1+
…
+P
L
式中，式中，为迹矩阵Z的第i个奇异值，V
i
，U
i
分别为对应奇异值的左右奇异向量。3.根据权利要求2所述的融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S22中，若z为含噪信号，矩阵Z设为满秩矩阵，其秩为k(k<n)，λi为奇异值分解得到的第i(0＜i＜k)个奇异值，如果从第i+1奇异值起，后续奇异值明显小于前i个奇异值，则可将第i+1奇异值起的后续奇异值看作是信号中的噪声分量对应的奇异值，即信
号中的有效分量只与前i个奇异值有关。4.根据权利要求1所述的融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S2中，填补时间数据序列空缺值采用平移窗口均值法，计算公式如下所示：N
i
＝
△
(N
i
‑1+N
i
‑2+N
i
‑3+...+N
i
‑
m
)/m式中，N
i
为所缺数据填补值，N
i
‑
m
为数据点N
i
前的m个数据点，m为平移窗口宽度，
△
为修正系数。5.根据权利要求1所述的融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S3中，归一化处理的公式如下所示：式中，a
*
为归一化后的肉鸡舍环境相关参数的时间序列数据，a为需要进行归一化处理的数据变量，min(a)为变量a内的数据最小值，max(a)为变量a内的数据最大值。6.根据权利要求1所述的融合SSA
‑
Elman网络模型和鸽群启发算法的环境控制方法，其特征在于，所述步骤S4中采用鸽群启发算法优化SSA
‑
Elman网络模型各层之间的权值的具...

【专利技术属性】
技术研发人员：王福宝，金鑫，贺凯讯，赵雅坤，曹鹏飞，
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：