基于NeuroSolutions神经网络软件预测猪瘟发病风险

陈培廉

龙海市颜厝畜牧兽医站 福建龙海 363100

猪瘟（Swine fever）是由猪瘟病毒引起的一种具有高度接触性的传染病。世界动物卫生组织（OIE）已将其列为法定的A类传染病，我国农业农村部已将猪瘟列为法定动物疫病一类传染病。猪瘟病毒对环境抵抗力不强，一般情况下不能在环境中长期存活，但伴随着含毒介质、温度等其他气候条件的变化，猪瘟病毒存活时间也会发生很大变化[1]。根据猪瘟临诊症状可分为急性型猪瘟、慢性型猪瘟、迟发型猪瘟。近年来我国又出现一些临诊症状为非典型的猪瘟患猪。非典型猪瘟不同于往常的猪瘟，其无典型症状，需要经过大量剖检和实验室检查方可诊断，从患猪提取出来的病毒经易感动物传代后毒力增强，经实验室检验后证明与石门系猪瘟强毒为同一血清型[1]；猪瘟在世界各地广布，对养猪业具有严重的危害性。如今人们通过疫苗等方式控制猪瘟的暴发，但还是没有办法真正消灭猪瘟。根据相关资料得知，欧洲和美洲一些国家先后采取消灭猪瘟措施，并获得成功，但近几年那些已宣布消灭猪瘟的部分欧洲国家又出现猪瘟暴发与流行，同时野猪也出现猪瘟感染的情况。我国多年来实行以免疫预防为主的猪瘟防控策略，使猪瘟急性暴发式流行得到控制[2-4]。但其形式已从频繁发生的大流行转变为周期性、波浪式的地区性、散发性流行，通常3～4年一个周期，疫点显著减少，多局限于所谓“猪瘟不稳定地区”的散发性流行，局限于某些地区、某些猪场，在形式上类似于寄生虫病的疫源地[5]。我国是生猪生产、饲养与消费大国，生猪饲养量占全球比例接近70%[6]，若能建立好的数学预测模型，有效地预测猪瘟的阻断率，就能有助于动物疫病防疫部门和相关的养殖单位尽早了解猪瘟暴发的趋势。在风险较大的地方进行提前预防，从而降低猪瘟对养殖业的经济伤害。

目前，BP神经网络 （Back Propagation Network）是最具可信度的预测方式，它是依据人的脑和神经系统处理信息的原理而研发出来的信息处理技术，具有人脑的学习能力、记忆能力和分析归纳能力，能朝着满足给定的输入和输出关系方向进行自我组织。一般神经网络结构由三个部分组成，包括输入层、隐含层和输出层。每层有相应的几个节点，每个节点通过连接权重来接受其他节点的信息，然后通过内部转换函数从而输出信息。BP算法的学习是通过正向传播与反向传播两个过程来完成的，正向传播是指输信息从输入层到隐含层再传入输出层的过程，如果输出层得不到期望的输出，就进入反向传播，而反向传播是指将误差信号沿着原来的连接通路返回，其通过修改各层节点之间的权重值从而不断调整网络参数，直到误差函数达到最小为止。BP算法的实质就是最小均方(LMS)算法的延伸。BP网络具有强大的自学能力，且具有高度非线性的映射能力和通过非线性函数（S型）的多次复合，以任意精度逼任意连续函数的信息处理和模式识别能力，是目前被广泛采用的一种人工神经网络模型[7-10]，通过充分训练的神经网络是有信赖度的。神经网络被广泛运用于各行业的预测，例如产品品质分析、化工程序诊断，股票投资、债券投资，品资管理、时程管理，医学，石油产量等。在神经网络有关软件中又以NeuroSolutions最具权威性和可信赖度，其功能强大，可分析任意种类的信息。猪瘟病毒会伴随着含毒介质、温度、降水量等气候变量的变化，存活时间也会发生很大变化，所以，预测猪瘟的趋势可以通过气温、降水量以及猪的抗体水平来预测。

1 材料与方法

1.1 材料 猪瘟的阻断率资料选自龙岩学院动物医学研究所收集的2013年10～12月龙岩新罗区、永定县、漳平市的部分猪瘟阻断率资料。其中猪瘟阻断率是通过酶联免疫吸附剂测定（ELISA）方法测定的。气象因素选取龙岩新罗区、永定县、漳平市2013 年 10～12 月的月平均气温(℃)、月降水量(mm)，气象资料来自龙岩市气象局。

1.2 NeuroSolutions软件的使用 试验采用的是NeuroSolutions人工神经网络。它利用神经系统向导（Neural Wizard）协助找寻需要的网络，并且提供专家系统（Neural Expert）用于快速找到所需的模型类型，以询问的方式协助构建网络模型。测试向导（Testing Wizard），协助快速测试神经网络，同时可以通过NeuroSulution For Excel整理数据[11]。

1.3 神经网络预测模型的建立

1.3.1 数据的选择与分析

1.3.1.1 训练数据 以2013年10月份的相关数据作为建模用的训练输入数据（traininput），以2013年11月份的猪瘟阻断率作为训练期望数据（traindesire），以此训练模型。对建模所需的训练数据在minitab中的描述性统计进行数据分析，可得表1。

表1 训练数据中阻断率的描述性统计

图1 训练完成的神经网络

从表中可以看到，无论是traininput还是traindesire的变异系数和标准差的数值都是比较大的，试验建模数据的数值差异大，具有随机性。同时也可以发现traininput和traindesire的平均值、平均值标准误差、标准差以及变异系数都比较相似，可以预判适合用于建模。

1.3.1.2 测试数据 将2013年11月份的相关数据作为测试输入数据（testinput），2013年12月份的阻断率作为测试期望数据（testdesire）。

1.3.2 NeuroSolutions神经网络的构建与训练 （1）整理数据：让训练数据和测试数据的数量比约为1：4，再整理成txt格式。（2）选择能够通过询问方式智能协助构建神经网络的Neural Expert。（3）选择解决问题的类型Prediction，输入训练输入数据、训练期望输出数据。（4）建立类神经网络。（5）训练网络至收敛，利用权重值进行猪瘟阻断率预测。

完成上述各项设定后，系统就会自动完成类神经网络（见图1）。

1.4 神经网络测试 保存以上神经网络模型，选择Test按键，输入测试输入数据、测试期望数据。

1.5 卡方检验 用软件卡方检验计算器检验期望值与预测值之间的差异性。

2 结果与分析

按照上述过程对选取数据进行猪瘟阻断率预测，由图2可见，经软件测试后得出的预测阻断率曲线与期望阻断率实际曲线拟合较好。

图2 2013年12月份猪瘟阻断率的预测曲线

由表2可知，期望阻断率和预测阻断率的误差相对较小，误差绝对值的平均值约为6.97。猪瘟抗体阻断率≥50%时表示抗体阳性；阻断率≤40%时表示抗体阴性；阻断率在40%～50%时，则应在数日后再对该动物重新进行检测。所以，阻断率只要在相应的阈值之内就达到预测效果。

表2 2013年12月份部分猪瘟阻断率期望值与预测值比较

由表3可知，期望值里有31头猪表现为阳性；3头表现为阴性，发病率为7.9%。预测值里则有32头猪表现为阳性，4头表现为阴性，发病率为10.5%。发病率差距相对较小。经卡方检验计算得出，期望值与预测值之间差异不显著（P＞0.05）。

表3 期望值与预测值的发病率对比

3 讨 论

NeuroSolutions软件是一款容易操作且可以很好地建立神经网络模型并用于预测的工具，在相关BP神经网络软件中最享有名誉。它对数据要求不高（具有模糊推论能力），可以建立非线性且拟合度高的模型，能够适时学习，对于不懂神经网络算法的人也可以轻易上手，适合于相关监测预防部门以及研究部门。

前人的研究多为研究猪瘟或其他疫病与气候因素的关系，并利用显著相关的气象要素对该地区猪瘟或其他疫病发病风险月内的月发病率进行预测[12-13]。根据前人的研究，以对猪瘟具有显著相关的气候因素作为试验的输入变量，可提高建模及结果准确性；本试验的优点在于通过将气候因素与猪瘟阻断率相结合作为输入变量，进而预测下一个月的猪瘟阻断率，而得到的阻断率数据可以直观了解该区域或是该猪场的猪群抗体水平，从而可更好地做好预防工作。母猪猪瘟抗体（阻断值）采用ELISA法检测，疫苗免疫后，抗体阻断率≥50%时表示抗体阳性；阻断率≤40%时表示抗体阴性；阻断率在40%～50%时，则应在数日后再对该动物重新检测。

根据相关资料表明，猪瘟病毒粒子呈球形，可随风引起远距离跳跃式变化，因此，风速大，病毒传播距离远、传播范围大、发病率高[14]。一般来说，随着输入变量的增多，网络预测的精度就会上升，预测能力也会提高[14-15]。所以，本试验可以在原来的基础上增加样本的数量、增加相关性强的输入变量来对网络结构进行调整。如可以加入风速作为输入变量，从而让网络再学习、再训练，优化网络并提高其准确性，使得预测结果更有价值。

4 结 论

1）本研究训练完后的网络的预测能力较高，其预测猪瘟的阻断率的误差绝对值较小，平均值约为6.97。猪瘟的实际发病率约为7.9%，通过人工神经网络软件得出的发病率约为10.5%，两者间差异不显著（P＞0.05），预测具有可信度。

2）NeuroSolutions神经网络软件建立的模型可以较好地预测猪的疾病，它对于可进行系列跟踪的猪场以及预测监督部门可以起到较好的预测功能。