哺乳母猪舍环境舒适度评价预测模型优化

陈 冲 刘星桥 刘超吉 常润民

(1.江苏大学电气信息工程学院， 镇江 212013; 2.盐城工学院电气工程学院， 盐城 224051)

0 引言

猪舍环境是猪最基本的生存环境，通常指影响猪生长、发育和繁殖所有外在条件，主要包括温度、相对湿度、通风、光照和有害气体(如NH3、H2S、CO2和CO等)[1-2]。评价预测猪舍环境的舒适度变化状况，可以为畜禽养殖人员决策提供参考，从而保证母猪健康，增强仔猪抵抗力，减少疾病发生，最大限度地发挥智能化饲喂效果[3-5]。

猪舍环境的舒适度受到多种因素的影响，包括物理、化学、微生物和人为因素。猪舍环境是一个多变量、大惯性、非线性的复杂系统，各环境因素之间相互耦合，很难用精确的数学模型描述舒适度和各个因素之间的关系。很多学者还是提出了氨气浓度预测模型和猪舍环境适宜性评价模型，比如：模糊神经推理模型[6]、灰色模型[7]、神经网络模型[8-11]和模糊综合评价模型[12-13]等。但这些模型都存在过学习、欠学习、泛化能力及稳定性能差等问题。

支持向量机是一种基于统计学习理论的机器学习方法，对未知的测试样本具有很好的推广能力。目前，利用支持向量机理论进行评价的研究较多[14-18]，但尚未见针对母猪舍环境舒适度的评价预测研究。支持向量机用于评价预测实质是支持向量机回归问题，模型的预测精度主要取决于正则化参数、核函数形式和核函数参数的选择。因此，必须选择合适的参数寻优算法来优化最小二乘支持向量回归机的参数。

已有研究提出了遗传算法[19]、粒子群算法[20]和蚁群算法[21]等优化算法。遗传算法易早熟，且收敛速度慢；粒子群算法易陷入局部最优，且局部搜索能力差；蚁群算法易出现停滞，且收敛速度慢。针对这些问题，本文结合混沌运动的随机性和遍历性，将混沌优化理论引入布谷鸟优化算法[22-23]，根据监测的哺乳母猪舍多环境因子，评价预测养殖环境舒适度等级，以期为母猪舍环境精准调控提供决策支持。

1 实验材料与数据获取

1.1 猪舍概况

评价预测的母猪舍环境数据来源于农业农村部标准化生猪养殖基地——江苏省镇江市希玛牧业生猪养殖场(119°43′E，32°19′N)，所处位置气候湿润，四季分明。夏季高温天气一般采用风机和湿帘进行主动降温。猪场占地面积约300 hm2，内部建有南北朝向的种猪舍、产仔舍、母猪舍和育肥舍共12栋，砖混结构。每栋猪舍的建筑面积大约为500 m2(50 m×10 m)，猪舍内部采用水泥围栏，以育肥猪舍为例，每列有10个猪栏，中间为过道分隔。

1.2 数据来源

选取养猪场内某个标准母猪养殖猪舍作为实验舍，养殖环境数据来源于江苏大学研制的家猪养殖物联网远程环境监控系统。系统结构如图1所示，该系统每间隔10 min对温度、相对湿度、CO2浓度、NH3浓度和H2S浓度等环境特征在线采样一次。将2018年7月14日—9月12日60 d实测数据作为评价预测的数据源。

图1 系统结构图Fig.1 Structure diagram of proposed system

1.3 建模步骤

猪舍环境恶劣复杂，准确的数据样本可提高预测精度，本文提出了多源数据融合、支持向量机组合评价预测模型，建模步骤如下：

(1)异常数据处理。采用格拉布斯准则对传感器采集的猪舍环境数据进行预处理，判别剔除异常环境数据。

(2)改进分组自适应加权数据融合。首先，将同类传感器采集的数据平均分成4组，分别对每一组传感器测量数据进行自适应加权融合；然后再利用加权自适应算法，对各组传感器融合结果进行一次加权融合；最后得出猪舍多环境因子的最佳估计值。

(3)支持向量机建模与预测。建立哺乳猪舍环境舒适度评价指标体系，利用训练样本建立支持向量机评价预测模型，利用测试样本对评价预测模型进行验证，得到预测结果，检验模型的预测精度。

2 猪舍环境参数采集与处理

由于猪舍内部环境恶劣复杂，传感器采集到的环境参数易受灰尘、恶劣天气、人为干扰等各种因素的影响造成较大的疏失误差。为确保环境监测数据的真实性和有效性，采用格拉布斯准则对连续采集20次的猪舍环境数据剔除异常值，再取平均值作为本轮采集数据。当测量值xi对应的残差εi满足

(1)

σm——测量数据的标准差

g0(n,α)——格拉布斯准则临界值

该测量值应予以剔除。g0(n,α)取决于测量次数n和显著度α，通过查询格拉布斯准则临界值表可获得。测量次数n取20，显著度α取0.05，查得g0(n,α)为2.557。图2是2018年8月23日00:00—23:50采集的母猪舍温度，采用人工饲喂方式，饲喂频率3次/d，饲喂时间08:00、13:00和19:00。由图可见，采用格拉布斯多次采集取平均值可有效去除噪声和疏失误差，确保数据采集的准确性。

图2 数据处理结果Fig.2 Results of data processing

3 改进分组自适应加权数据融合算法

为了提高评价预测模型的精准性，提出改进分组的自适应加权融合算法，对同类传感器分组层层融合，得到接近真实值的测量数据作为LSSVR的输入数据。设各传感器各时刻测量值为x1,x2,…,xn，各传感器权重为w1,w2,…,wn，融合后估计值和权重wp满足

(2)

(3)

总均方误差

(4)

总均方误差δ2是关于权重wp的多元二次函数，存在极小值。根据多元函数求极值理论，建立拉格朗日方程

(5)

式中γξ——拉格朗日乘子

(6)

因为自适应加权数据融合考虑了所有监测传感器每个时间节点的历史数据，所以可得出均方误差最小情况下的数据融合值，设2个编号为p、q的传感器(p、q为1,2,…,n;p≠q)，测量值分别为xp、xq，则传感器p的方差为

(7)

式中Rpp——xp的自互协方差函数

Rpq——xp和xq的互协方差函数

假设传感器监测的数据个数为k，Rpp的时间域估计值为Rpp(k)，Rpq的时间域估计值为Rpq(k)，则

(8)

(9)

4 猪舍养殖环境舒适度评价预测方法

猪舍是由相互耦合的多环境因子共同作用而形成的一个复杂、非线性系统。适宜的母猪舍养殖环境不但有利于保障母猪的机体健康，提高其生产力水平，而且可以提高仔猪的生长性能。母猪舍环境的舒适度评价结果可以为养殖环境精准调控提供参考，从而最大限度地发挥智能饲喂效果，提高猪场的生产效益。

4.1 评价标准建立

根据专家经验和文献[24-26]，本文选取对猪的健康水平和生产力产生重大影响的环境因素，包括：温度、相对湿度、NH3质量浓度、CO2质量浓度和H2S质量浓度作为猪舍环境舒适度评价指标。舒适度程度用3级、2级、1级表示，3级表示舒适，2级表示中等，1级表示差。依据规模猪场环境参数及环境管理国家标准[27]，得出环境舒适度评价范围，可建立哺乳母猪舍环境评价标准如表1所示，评价因素集为{温度，相对湿度，NH3质量浓度，CO2质量浓度，H2S质量浓度}，评语集为{舒适，中等，差}。

4.2 最小二乘支持向量回归机

对监测的环境数据一级融合后作为LSSVR的输入向量。设有训练样本集{(xi,yi),i=1,2，…,m}，其中xi和yi分别为样本输入向量和输出向量。

表1 哺乳母猪舍环境评价标准Tab.1 Evaluation standard of lactating sow building environment

xi为猪舍环境舒适度评价因素集，yi为猪舍环境舒适度评语集。将输入向量通过非线性映射到高维特征空间求解最优超平面，根据结构风险最小化原则，将回归问题转换为优化问题

(10)

s.t.yi=ωTφ(xi)+b+ei

(11)

式中γ——正则化参数ω——权重向量

φ——非线性变换函数ei——误差

b——偏置量

引入拉格朗日乘子αi，利用Lagrange方法把约束优化问题转换为对偶问题，Lagrange函数为

(12)

式中α——拉格朗日乘子向量

由Karush-Kuhn-Tucher(KKT)条件，分别对ω、b、e和α参数求偏导数并令其为0，再消去ω和e，则求解优化问题可转换为线性方程组

(13)

其中

E=[1 1 … 1]T

K=φT(xi)φ(xj)α=[α1α2…αm]TY=[y1y2…ym]T

式中K——符合Mercer条件的核函数

解式(13)可得LSSVR的决策模型

(14)

采用不同的核函数可以构造不同类型的非线性决策面的学习机器，只要满足Mercer条件都可以作为SVR(Support vector regression)的核函数。核函数分为全局核函数和局部核函数2类，前者具有较强的泛化能力，但学习能力较弱，后者则相反。目前SVR常用的核函数有4类：线性(Linear)核函数、多项式(Poly)核函数、高斯(Radial basis function, RBF)核函数和多层感知器(Sigmoid)核函数。选择不同的核函数会产生不同的预测效果。本文将Poly核函数和RBF核函数结合，构造一种适应于多数据源的多核混合核函数，来弥补单一核函数的局限性，提高SVR的预测能力。

K(x,xi)=τKpoly(x,xi)+(1-τ)Krbf(x,xi)=τ(xxi+1)q+(1-τ)exp (-‖x-xi‖2/(2σ2))

(τ∈(0,1))

(15)

式中τ——加权系数σ——RBF核带宽

混合核LSSVR中，含有正则化参数γ、RBF核带宽σ和加权系数τ等3个待定参数，如果参数选择不当，会影响模型的预测精度。本文提出了变尺度的混沌布谷鸟算法对混合核LSSVR中的待定参数进行寻优。

4.3 基于变尺度的混沌布谷鸟优化多核最小二乘支持向量回归机

4.3.1布谷鸟优化算法

(16)

⊕——点对点乘法运算符号

β——步长控制变量

4.3.2变尺度的混沌布谷鸟优化算法(MSCCS)

布谷鸟优化算法结构简单，但是它具有局部搜索能力弱、易陷入局部最优，迭代后期收敛速度慢、收敛精度低等缺点。由于混沌运动的随机性和遍历性等特点，本文将变尺度混沌方法引入布谷鸟优化算法，根据搜索进程动态缩小搜索区间，即初期搜索范围较大，后期搜索范围缩小。这样不但提高了种群的多样性和布谷鸟搜索的遍历性能力，可有效防止算法陷入局部最优，而且提高了布谷鸟优化算法的收敛速度和精度。混沌序列为

xi+1=μxi(1-xi)

(17)

式中μ——控制参数

当μ=4时，系统完全处于混沌状态。由任意初始值x0生成一个时间序列x0,x1,…,xn。设当前最优鸟巢位置x的搜索范围[x1,x2]，一次寻优操作后得到本次最优值x*，变尺度优化为

(18)

(19)

(20)

式中κ——调节系数，κ∈(0,0.5)，κ越大，搜索范围缩小程度越小

k——变尺度优化次数

4.3.3基于MSCCS的混合核LSSVR参数优化

利用MSCCS算法优化选择的参数，得到LSSVR模型，具体流程如图3所示。

图3 混合核MSCCS-LSSVR流程图Fig.3 Flow chart of MSCCS mixed kernel LSSVR

5 结果与分析

为了避免因为模型输入的母猪舍养殖环境参数和输出的母猪舍养殖环境舒适度评价等级之间的数量级差别较大从而引起评价预测模型的误差，对输入预测模型的各参数统一进行无量纲化处理，将其归一到[0,1]区间，以消除各个数据之间的数量级差别。

经过多次实验测试，MSCCS优化混合核LSSVR算法的初始参数设置如下：布谷鸟的鸟巢数量N=20，发现概率Pa=0.25，最大迭代次数Npmax=100，γ和σ的搜索范围分别设置为[0.01, 1 000]和[0.1, 100]，τ的取值范围设为[0.5, 0.99]。实验以均方根误差(Root mean square error, RMSE)为适应度函数，迭代终止条件为达到最大进化代数Npmax，适应度函数曲线如图4所示。由图4可见，随着迭代次数的增加，适应度函数曲线快速收敛，当迭代到35代时，布谷鸟群体中最优适应度显现出来，获得较好的模型参数组合。这表明变尺度混沌布谷鸟算法寻优速度较快，适合LSSVR模型的参数优化选择。

图4 适应度函数收敛曲线Fig.4 Convergent curve of fitness function

选取1 440个数据样本，按交叉验证的思想，将数据样本按照3∶1的比例分为1 080个训练集和360个测试集。经过MSCCS优化混合核LSSVR后得到最佳参数γ=96.52、σ=1.38和τ=0.74。为了检验混合核MSCCS-LSSVR模型的评价预测性能，选用PSO-LSSVR、GA-LSSVR和传统LSSVR等3种预测模型进行对比，针对相同的训练数据集，这3种模型的最优参数γ和σ分别设置为(87.40,1.17)、(84.37, 1.06)和(109.76,1.84)。4种模型的预测误差和预测结果如图5、6所示。由图5可以看出，采用混合核MSCCS-LSSVR对舒适度进行评价预测，预测误差全部分布在[-0.5,0.5]这一区间内，而且绝大部分预测误差为0，占总样本数87.8%。由图6可以看出，混合核MSCCS-LSSVR模型预测值与实测值最为接近，PSO-LSSVR模型预测误差次之，传统LSSVR模型预测值离实测值最远。在训练数据集相同的条件下，4种模型的运行时间分别为7.342 5、7.850 6、8.713 2、9.425 8 s，混合核MSCCS-LSSVR模型运行时间最短，比传统LSSVR模型运行时间快近2.1 s。由此可见，采用变尺度混沌布谷鸟搜索算法优化混合核最小二乘支持向量机具有更高的预测精度和较少的运行时间，能够满足哺乳母猪舍养殖环境精准调控的需要。

图5 4种模型预测误差Fig.5 Prediction errors of four models

图6 4种模型预测结果Fig.6 Prediction results of four models

为了准确、全面地比较4种哺乳母猪舍环境舒适度评价预测模型的性能，采用平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R-squared,R2)评价预测结果。

4种舒适度评价预测模型的预测结果RMSE和MAE如图7所示，可见混合核MSCCS-LSSVR的平均绝对误差和均方根误差均为最小，这也说明混合核MSCCS-LSSVR模型的预测误差最小，使用改进的布谷鸟搜索算法优化混合核最小二乘支持向量机的预测效果最好。通过计算传统LSSVR、GA-LSSVR、PSO-LSSVR和混合核MSCCS-LSSVR这4种预测模型的决定系数R2，分别为0.689 4、0.763 0、0.851 6和0.913 8，说明采用混合核MSCCS-LSSVR模型可以更好地拟合哺乳母猪舍养殖环境因子与舒适度之间的复杂非线性关系，预测值与实测值拟合效果最好。

图7 4种模型预测指标对比Fig.7 Prediction indexes of four models

利用训练好的混合核MSCCS-LSSVR模型预测24 h的母猪舍环境舒适度状况，预测结果如表2所示，其中预测值为反归一化后的数值。将温度、相对湿度、CO2质量浓度、NH3质量浓度和H2S质量浓度等5个单因素作为LSSVR的输入向量，评价预测结果3、2、1分别对应猪舍环境质量等级舒适、中等、差。根据母猪舍对温度、相对湿度、CO2质量浓度、NH3质量浓度和H2S质量浓度的要求，当条件全部满足时，舒适度为3级；若某一条件不满足时，猪舍环境舒适度真实值采用文献[12]的方法确定，该方法处理多环境因子的不确定性和模糊边界问题非常有效。例如，在08:00、9:00及15:00—19:00整点时，舍内温度分别为：22.7、23.1、23.9、23.5、23.2、22.8、22.6℃，温度稍微高于舒适范围；在19:00和20:00时，相对湿度分别为70.4%和71.3%，相对湿度非常接近舒适范围；NH3和H2S质量浓度均在舒适范围内；而CO2质量浓度在舒适度评价中权重最低；最后综合确定这些时刻的舒适度为3级，具体分析计算过程不再赘述。由表2也可以看出，某一时刻母猪舍环境舒适度状况由5个因素共同决定。例如在10:00，单因素评价此时实测的舍内温度为中等，湿度为舒适，CO2质量浓度为中等，NH3质量浓度为舒适，H2S质量浓度为舒适，采用本文的评价预测模型综合考虑各环境因素的影响，评价预测结果为中等，与真实值一致；在12:00，母猪舍环境舒适度评价预测结果为差，主要由于猪舍内温度偏高，大于27℃，此时应加大通风降低舍内温度以改善舍内环境质量，使猪舍环境处于舒适的范围。

为了验证不同容量的数据集对混合核MSCCS-LSSVR模型评价预测结果的影响，选取30 d的实际采样数据来测试模型数据容量。采样数据被分为4组：7、14、21、30 d。每组采样数据随机抽取80%作为训练数据集，剩余20%作为测试数据集。预测误差为0的样本数量占样本总数的比例分别为85.2%、88.5%、92.6%和96.4%。由此可见，使用21～30 d的数据作为训练数据集可以获得较高的预测精度。因为猪舍的舒适度受到气候、光照、动物活动等多方面环境因素的影响，使用较少天数的采样数据会使环境舒适度预测产生较大波动。

表2 混合核MSCCS-LSSVR模型预测结果Tab.2 Prediction results of MSCCS mixed kernel LSSVR

图8 舒适度评价预测模型界面Fig.8 GUI of comfortable degree evaluation prediction model

为了便于猪场饲养员使用评价预测模型，本文基于Matlab GUI开发了舒适度评价预测系统，如图8所示。首先，点击“加载数据”按钮载入包含舒适度等级的历史数据样本，作为训练集和测试集；然后，点击“本文算法”按钮GUI运行回调函数，执行MSCCS-LSSVR程序；最后预测系统给出评价预测结果。如果评价预测结果表明未来某个时刻舒适度为差，饲养员可提前采取必要应对措施，例如控制风机、湿帘等设备的启停。如图8所示，实验时根据当前监测的环境数据评价预测得到未来5 h的舒适度等级，5 h后从历史数据中心查看了真实值分别为2、2、2、1、2级。由此可以看出，模型5 h内评价预测精度高。为了进一步研究模型的预测能力，对当前时间24、48、72 h内的舒适度进行了预测，预测误差为0的样本数量占样本总数的比例分别为95.8%、91.7%和90.3%。说明模型的预测误差随时间推移逐渐增大，这是因为猪舍环境舒适度的变化受多种因素的影响，可以通过更新训练数据集提高预测精度。

6 结论

(1)为实现对哺乳母猪舍养殖环境舒适度的合理评价，建立了哺乳母猪舍多环境因子评价标准，提出了哺乳母猪舍养殖环境舒适度混合核MSCCS- LSSVR评价预测模型。为了提高LSSVR模型的预测精度，提出了改进布谷鸟算法优化混合核LSSVR参数的预测模型，获得了最佳的参数组合，改善了模型的学习能力和泛化能力。

(2)基于Matlab GUI开发了评价预测模型的图形用户界面，利用该模型对镇江市希玛牧业生猪养殖场的哺乳母猪舍监测的环境数据进行了评价预测。结果表明，混合核MSCCS-LSSVR模型预测精度最高，预测值的平均绝对误差和均方根误差分别为0.061 1和0.174 8。通过对母猪舍养殖环境舒适度的在线评价预测，可以及时获取母猪养殖环境的信息，为风机、湿帘等设备的智能化调控以及智慧养殖、精细化管理提供决策支持，确保母猪和仔猪在最舒适的养殖环境中生长，提高猪只健康水平。