一种智能蝇蛆环境养殖系统技术方案

本发明专利技术公开了一种智能蝇蛆环境养殖系统，通过环境监测模块对蝇蛆养殖环境的温度

【技术实现步骤摘要】
一种智能蝇蛆环境养殖系统


[0001]本专利技术涉及蝇蛆养殖
、
智能控制领域，具体涉及一种智能蝇蛆环境养殖系统
。

技术介绍

[0002]蝇蛆养殖最初是从一些发达国家开始的，
20
世纪
60
年代，美欧等国家为了解决家禽家畜粪便处理
、
防止环境污染及动物饲料蛋白缺乏等问题，开始利用禽畜粪便进行人工蝇蛆养殖
。
现在，人工养殖蝇蛆在我国也不少见，但养殖技术水平相对落后，并没有形成规模
、
也没有相应的产品出现，从事蝇蛆养殖研究的人员不多，分布也不均匀
。
现有的自然资源中，规模大
、
分布广
、
营养丰富的资源首先应属昆虫资源，一些发达国家已经投入巨资把昆虫资源开发生产列入高新技术产业
。
昆虫资源中，特别是家蝇的开发利用十分引人注目
。
[0003]蛆虫是高蛋白动物饲料，它可以代替鱼粉等商品饲料饲喂经济动物，使用蛆虫作为饲料具有成本低
、
生长快
、
抗病强
、
肉质好等优点
。
蛆虫体内的蛋白不仅可以作为优质蛋白饲料，而且可以提取抗菌蛋白，开发高级营养食品，生产过程中还可以同时得到脂肪
、
抗菌素
、
凝集素等多种生化产品
。
抗菌蛋白能消灭一切真菌微生物，具有很强的杀菌作用
。
蛆虫的蛆壳是提取甲壳素的上好原料，甲壳素是除了糖
、
蛋白脂肪
、
维生素与矿物质外，人体必需的第六生命元素
。
但目前我国的蝇蛆养殖存在许多的问题，比如蝇蛆的产卵率低
、
蝇蛆未长大就脱离养料等问题，因此需要一种设备来对蝇蛆养殖进行自动化管理，降低人工成本的同时，避免由于人工走动频繁导致蝇虫受到惊吓，最终导致的蝇蛆产量过低的情况，提高每个养殖周期的蝇蛆产量以及经济效益
。

技术实现思路

[0004]专利技术目的：针对
技术介绍
中指出的问题，本专利技术公开了一种智能蝇蛆环境养殖系统，对蝇蛆养殖活动进行自动化管理，解决现阶段蝇蛆养殖行业存在的蝇蛆产量低
、
养殖过程管理困难的难题，提高蝇蛆养殖的经济效益
。
[0005]技术方案：本专利技术提供了一种智能蝇蛆环境养殖系统，包括设置于蝇蛆养殖箱的养料成分检测仪
、
填料时间预测模块
、
智能填料装置以及智能控制器；
[0006]所述养料成分检测仪用于检测蝇蛆养殖箱的养料成分数据，所述养料成分数据结合蝇蛆当前的成长状态作为所述填料时间预测模块的输入，蝇蛆当前的成长状态包括幼虫
、
中期
、
成熟期；所述填料时间预测模块构建
IFOA
‑
MLR
填料时间预测模型，利用改进果蝇优化算法
IFOA
对
MLP
多元线性回归预测模型的回归系数进行寻优，利用优化后的
IFOA
‑
MLR
填料时间预测模型以养料成分数据
、
蝇蛆当前的成长状态作为输入，预测最接近的下次填料的时间；所述改进果蝇优化算法
IFOA
的改进点为：对原始算法中的搜索步长进行改进：
[0007]R
＝
α
×
e
‑
(
β
×
g)/Margen
[0008]其中，
α
为步长控制因子，
β
为指数调控因子，
g
为当前迭代次数，
Maxge
为最大迭代次数；
[0009]所述填料时间预测模块的输出与所述智能控制器连接，所述智能控制器根据预测
的最接近的下次填料的时间控制所述智能填料装置进行智能填料
。
[0010]进一步地，所述
MLP
多元线性回归预测模型具体如下：
[0011]1)
建立
MLP
多元线性回归预测模型，模型一般形式如下所示：
[0012]y0＝
b0+b1x
1i
+b2x
2i
+...+b
m
x
mi
+
ε
i
(i
＝
1,2,...,n)
[0013]式中，
b0、b
j
(j
＝
1,2,...,m)
表示模型回归系数；
ε
i
表示除自变量
x
j
(j
＝
1,2,...,m)
的影响之外，
y
i
产生的随机变量，称为随机误差；
[0014]2)
计算随机误差，计算公式如下所示：
[0015][0016]进一步地，利用改进果蝇优化算法
IFOA
对
MLP
多元线性回归预测模型的回归系数进行寻优具体操作为：
[0017]1)
初始化果蝇种群规模
Sizepop、
最大迭代次数
Maxgen
以及果蝇群体位置
X
axis
和
Y
axis
；
[0018]2)
赋予果蝇个体随机的搜索方向和距离，计算公式如下所示：
[0019][0020]其中，
X
i
表示果蝇个体的搜索方向，
Y
i
表示果蝇个体的搜索距离，
X
axis
表示果蝇个体初始方向，
Y
axis
表示果蝇个体的初始距离，
RandomValue
表示
[
‑
1,1]之间的随机数；
[0021]3)
对搜索步长进行优化改进，改进公式如下：
[0022]R
＝
α
×
e
‑
(
β
×
g)/Margen
[0023]其中，
α
为步长控制因子，
β
为指数调控因子，
g
为当前迭代次数，
Maxge
为最大迭代次数；
[0024]4)
得到改进后果蝇个体更新位置，更新公式如下所示：
[0025][0026]5)
计算果蝇个体到原点的距离
Dist
，计算公式如下所示：
[0027][0028]6)
计算味道浓度判定值
S
i
，计算公式如下所示：
[0029]S
i
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能蝇蛆环境养殖系统，其特征在于，包括设置于蝇蛆养殖箱的养料成分检测仪
、
填料时间预测模块
、
智能填料装置以及智能控制器；所述养料成分检测仪用于检测蝇蛆养殖箱的养料成分数据，所述养料成分数据结合蝇蛆当前的成长状态作为所述填料时间预测模块的输入，蝇蛆当前的成长状态包括幼虫
、
中期
、
成熟期；所述填料时间预测模块构建
IFOA
‑
MLR
填料时间预测模型，利用改进果蝇优化算法
IFOA
对
MLP
多元线性回归预测模型的回归系数进行寻优，利用优化后的
IFOA
‑
MLR
填料时间预测模型以养料成分数据
、
蝇蛆当前的成长状态作为输入，预测最接近的下次填料的时间；所述改进果蝇优化算法
IFOA
的改进点为：对原始算法中的搜索步长进行改进：
R
＝
α
×
e
‑
(
β
×
g)/Margen
其中，
α
为步长控制因子，
β
为指数调控因子，
g
为当前迭代次数，
Maxge
为最大迭代次数；所述填料时间预测模块的输出与所述智能控制器连接，所述智能控制器根据预测的最接近的下次填料的时间控制所述智能填料装置进行智能填料
。2.
根据权利要求1所述的智能蝇蛆环境养殖系统，其特征在于，所述
MLP
多元线性回归预测模型具体如下：
1)
建立
MLP
多元线性回归预测模型，模型一般形式如下所示：
y0＝
b0+b1x
1i
+b2x
2i
+...+b
m
x
mi
+
ε
i
(i
＝
1,2,...,n)
式中，
b0、b
j
(j
＝
1,2,...,m)
表示模型回归系数；
ε
i
表示除自变量
x
j
(j
＝
1,2,...,m)
的影响之外，
y
i
产生的随机变量，称为随机误差；
2)
计算随机误差，计算公式如下所示：
3.
根据权利要求2所述的智能蝇蛆环境养殖系统，其特征在于，利用改进果蝇优化算法
IFOA
对
MLP
多元线性回归预测模型的回归系数进行寻优具体操作为：
1)
初始化果蝇种群规模
Sizepop、
最大迭代次数
Maxgen
以及果蝇群体位置
X
axis
和
Y
axis
；
2)
赋予果蝇个体随机的搜索方向和距离，计算公式如下所示：其中，
X
i
表示果蝇个体的搜索方向，
Y
i
表示果蝇个体的搜索距离，
X
axis
表示果蝇个体初始方向，
Y
axis
表示果蝇个体的初始距离，
RandomValue
表示
[
‑
1,1]
之间的随机数；
3)
对搜索步长进行优化改进；
4)
得到改进后果蝇个体更新位置，更新公式如下所示：
5)
计...

【专利技术属性】
技术研发人员：郭仁威，周孟雄，汤健康，苏姣月，纪润东，纪捷，王夫诚，秦泾鑫，张佳钰，靖阳，林张楠，黄慧，陈帅，夏奥运，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：