【技术实现步骤摘要】
本专利技术涉及温度预测，尤其是涉及基于lstm网络的鸡舍环境信息虚拟采集系统。
技术介绍
1、智慧农业是现代农业发展的必经之路，也是一个国家农业现代化和信息化的标志之一，农业信息化是国家信息化重要推动力。数字孪生逐渐应用在温室、作物生产中。构建鸡舍数字孪生系统分为数据保障层、网络传输层、孪生功能层。数据保障层为环境信息采集系统，它是数字孪生体的基础，需要布置大量传感器采集数据才能使数字孪生体更真实。由于现有的养殖环境数据采集系统存在布线困难、数据精度小、系统抗干扰性能差的问题，且布置大量传感器数量会带来的网络拥塞的问题，不利于对真实养殖环境的数字孪生系统构建。
2、现有的技术方案“陈斌.基于数字孪生技术的猪舍环境监测系统研究[d].吉林农业大学，2023.”，该文献对在分析系统性能需求的基础上设计了猪舍实体层、感知控制层和智能应用层的三层架构，针对系统业务流程及数据库存储进行了设计。完成了系统的整体方案设计，对猪舍三维场景建模过程进行了说明，基于uinty3d渲染引擎构建了三维猪舍虚拟场景。在系统监测界面ui设计和接口设计完成后，对前端界面与后端数据进行了调测。最后进行系统的检测试验。结果表明，该系统实时监测、远程访问、数据存储、超标预警及虚拟漫游等功能运行正常，可为研究猪舍内环境因素的变化规律提供有效数据。
3、但是依旧存在如下技术缺点：
4、(1)没有考虑实体层养殖环境信息采集的问题，即大量传感器数据上传会网络拥塞问题。
5、(2)没考虑现实养殖环境传感器安装问题，即布线困难问
技术实现思路
1、本专利技术的目的是提供基于lstm网络的鸡舍环境信息虚拟采集系统，引入“虚拟采集”概念，可以通过减少传感器数量且采集点不减少的情况下，解决布线困难和网络拥塞问题，克服传统环境信息采集手段的局限性，避免由于鸡舍环境参数采集不准确，导致数字孪生构建效果差的问题。
2、为实现上述目的，本专利技术提供了基于lstm网络的鸡舍环境信息虚拟采集系统，包括：
3、数据采集模块，用于采集鸡舍内的温度数据；
4、区域划分模块，用于将温度采集点进行区域划分；
5、参考点选择模块，用于选取区域内的最佳参考点；
6、虚拟采集模块，用于根据参考点的实时采集数据，输出虚拟采集数据。
7、优选的，所述区域划分模块包括：将得到的数据使用欧几里得距离为距离度量，使用轮廓系数找出最佳划分区域个数，将相似度高于t的测温点划分为一个区域，为寻找参考点做准备。
8、优选的，欧几里得计算公式：d(x，y)＝sqrt(∑(xi-yi)2)
9、其中，d(x，y)表示两点x和y之间的距离，d(x，y)取值在[0，1]，t＝d(x，y)，xi和yi分别表示x和y点在i维空间中的坐标，sqrt()函数表示求给定值的平方根；
10、轮廓系数计算公式：s(i)＝(b(i)-a(i))/max(a(i)，b(i))
11、其中，s(i)是样本i的轮廓系数，a(i)是样本i与同一簇内其他样本的平均距离，b(i)是样本i与最近邻不属于同一簇的样本的平均距离。
12、优选的，所述参考点选择模块包括：提取鸡舍温度传感器数据，同时将得到的数据分为训练集和测试集两个部分，网格搜索优化超参数，确保预测结果更准确，根据性能评估找到同区域最佳参考点。
13、优选的，优化的lstm模型有以下超参数：
14、lstm层数：nlayers
15、lstm单元数：nunits
16、学习率：nlearning-rate
17、超参数都有各自的取值集合，分别为：
18、lstm层数的取值集合：vlayers＝(vlayers，vlayeers，…，vlayers)
19、lstm单元数的取值集合：vunits＝(vunits，vunits，…，vunits)
20、学习率的取值集合：
21、vlearning-rate＝(vlearning-rate，vlearning-rate，…，vlearning-rate)
22、网格搜索优化lstm超参数的数学表达式可以表示为：
23、超参数组合数量＝|vlayers|×|vunits|×|vlearning-rate|
24、其中，|vlayers|、|vunits|、|vlearning-rate|分别表示lstm层数、lstm单元数、学习率的可能取值个数。
25、优选的，评估指标：均方误差公式
26、其中，mse为均方误差；n为样本数量；yi为第i个观测值的实际值；为第i个观测值的预测值；σ为表示对所有样本求和。
27、优选的，计算步骤为：对每个样本，计算实际值与预测值之差对这些差值求平方，以消除正负差值带来的影响；将所有样本的平方差值相加；最后，将总和除以样本数量n，得到均方误差mse。
28、优选的，所述虚拟采集模块包括：使用待采集位置的传感器历史数据和参考位置的传感器历史数据对lstm网络模型进行离线训练，将参考点的传感器的实时数据输入进行离线训练后的lstm网络模型输出待采集点的实时数据。
29、优选的，具体的虚拟采集方法包括以下步骤：
30、s1、初始化遗忘门、输入门和输出门的权重矩阵和偏置项：
31、遗忘门：ft＝σ(wf·[ht-1，xt]+bf)
32、输入门：it＝σ(wi·[ht-1，xt]+bi)
33、输出门：ot＝σ(wo·[ht-1，xt]+bo)
34、其中，wf，wi，wo是权重矩阵，bf，bi，bo是偏置项，ht-1是上一个时间步的隐藏状态，xt是当前时间步的输入数据；
35、s2、按照时间顺序输入温度数据，逐时刻计算输入门输出：
36、输入门输出：
37、s3、计算遗忘门输出，确定哪些历史细胞状态需要保留：
38、遗忘门输出：
39、其中，⊙表示逐元素乘法；
40、s4、根据输入门和遗忘门的输出，更新细胞状态：
41、更新细胞状态：ht＝ot⊙tanh(ct)；
42、s5、计算输出门输出，得到预测的温度值：
43、预测温度值：yt＝softmax(wy·ht+by)
44、其中，wc，wy是权重矩阵，bc，by是偏置项；
45、s6、重复步骤s2-s5，直到预测整个时间序列的温度。
46、因此，本专利技术采用上述基于lstm网络的鸡舍环境信息虚拟采集系统，引入“虚拟采集”概念，可以通过减少传感器数量且采集点不减少的情况下，解决布线困难和网络拥塞问题，克服传统环境信息采集手段的局限性，避免由于鸡舍环境参数采集不准确，导致数字孪生构建效果差的问题。<本文档来自技高网...
【技术保护点】
1.基于LSTM网络的鸡舍环境信息虚拟采集系统，其特征在于，包括：
2.根据权利要求1所述的基于LSTM网络的鸡舍环境信息虚拟采集系统，其特征在于，所述区域划分模块包括：将得到的数据使用欧几里得距离为距离度量，使用轮廓系数找出最佳划分区域个数，将相似度高于t的测温点划分为一个区域，为寻找参考点做准备。
3.根据权利要求2所述的基于LSTM网络的鸡舍环境信息虚拟采集系统，其特征在于，欧几里得计算公式：d(x，y)＝sqrt(∑(xi-yi)2)
4.根据权利要求1所述的基于LSTM网络的鸡舍环境信息虚拟采集系统，其特征在于，所述参考点选择模块包括：提取鸡舍温度传感器数据，同时将得到的数据分为训练集和测试集两个部分，网格搜索优化超参数，确保预测结果更准确，根据性能评估找到同区域最佳参考点。
5.根据权利要求4所述的基于LSTM网络的鸡舍环境信息虚拟采集系统，其特征在于，优化的LSTM模型有以下超参数：
6.根据权利要求5所述的基于LSTM网络的鸡舍环境信息虚拟采集系统，其特征在于，评估指标：均方误差公式
7.根据
8.根据权利要求1所述的基于LSTM网络的鸡舍环境信息虚拟采集系统，其特征在于，所述虚拟采集模块包括：使用待采集位置的传感器历史数据和参考位置的传感器历史数据对LSTM网络模型进行离线训练，将参考点的传感器的实时数据输入进行离线训练后的LSTM网络模型输出待采集点的实时数据。
9.根据权利要求8所述的基于LSTM网络的鸡舍环境信息虚拟采集系统，其特征在于，具体的虚拟采集方法包括以下步骤：
...【技术特征摘要】
1.基于lstm网络的鸡舍环境信息虚拟采集系统，其特征在于，包括：
2.根据权利要求1所述的基于lstm网络的鸡舍环境信息虚拟采集系统，其特征在于，所述区域划分模块包括：将得到的数据使用欧几里得距离为距离度量，使用轮廓系数找出最佳划分区域个数，将相似度高于t的测温点划分为一个区域，为寻找参考点做准备。
3.根据权利要求2所述的基于lstm网络的鸡舍环境信息虚拟采集系统，其特征在于，欧几里得计算公式：d(x，y)＝sqrt(∑(xi-yi)2)
4.根据权利要求1所述的基于lstm网络的鸡舍环境信息虚拟采集系统，其特征在于，所述参考点选择模块包括：提取鸡舍温度传感器数据，同时将得到的数据分为训练集和测试集两个部分，网格搜索优化超参数，确保预测结果更准确，根据性能评估找到同区域最佳参考点。
5.根据权利要求4所述的基于lstm网络的鸡舍环境信息虚拟采集系统，其特征在于，...
【专利技术属性】
技术研发人员：贾宇琛，李丽华，高立艾，付安楠，于尧，霍利民，谢宗奎，桂蕴，刘伯华，褚素乔，李丽丽，赵学康，张云飞，胡靖轩，
申请(专利权)人：河北农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。