基於CAN現場總線的雞舍環境溫度智能監測系統的製作方法

2024-02-12 06:34:15

本發明涉及農業牲畜養殖自動化裝備的技術領域，具體涉及基於can現場總線的雞舍環境溫度智能監測系統。

背景技術：

雞舍的溫度是影響肉仔雞生長發育的一個重要環境因素，溫度的控制是否得當直接關係到肉仔雞的生長。肉雞飼養前期個體小，絨毛稀、體溫調節能力差，對環境溫度的變化十分敏感。只有為其創造一個適宜的溫度環境，才能能獲得較高的成活率、增重速度和飼料報酬。因此，在肉仔雞的整個飼養期內都要注意對雞舍溫度的控制。對肉雞和蛋雞的生產過程來說，雞舍的溫度控制最為關鍵。在每年夏季高熱天氣情況下，當溫度在27℃以上時就會使得雞群產生不利的應激反應。熱應激反應會對雞群的新陳代謝產生影響，使得雞的採食量降低，影響肉和蛋的轉化。嚴重時會直接引起各種疾病，進而導致雞群死亡。在影響產蛋雞生產性能的諸多因素中，雞舍環境溫度最為突出。每年夏季高溫天氣，當雞舍溫度持續超過27℃時便會不同程度地產生熱應激。熱應激狀態影響產蛋雞的採食量和營養物質代謝等生理機能，進而影響產蛋雞的健康及其生產性能，甚至導致發病或成批地死亡。如何有效地搞好雞舍的降溫工作，為產蛋雞群創造適宜的生活環境，儘可能地減少或避免由於雞舍溫度過高造成的不必要損失，是夏季產蛋雞生產取得較好經濟效益的關鍵。因此，搞好雞舍的降溫工作能夠保證產出，提高肉和蛋的產量，使家禽養殖持續穩定地創造經濟效益。適宜溫度不僅能使雞群健康成長，而且提高經濟效益，最大程度地發揮生產性能。溫度低時會導致雞群採食量增多，從而增加生產成本，也可能導致腹瀉、誘發呼吸道疾病。不論哪一種情況，都可能嚴重影響雞群的健康成長。溫度過高時，會顯著抑制雞群的食慾，尤其當溫度超過40℃時，會導致雞的死亡。高溫也會引起產蛋量的下降，軟殼蛋增多，高溫也會使得精液稀薄，精子數量變少且沒有活力，進而影響受精率。高溫也會直接影響飼料的保質期，降低經濟效益。肉仔雞在適宜溫度環境中,能獲得較高的成活率增重速度和飼料報酬。溫度適宜時,雛雞在室內散布均勻、活潑好動、羽毛光順、緊貼體表,睡眠時較為安靜,吃食時爭先恐後。溫度太低時,雛雞就會出現低溫表現,雛雞擁擠於熱源附近或某角落,羽毛蓬鬆,精神萎頓，發出連續不斷的叫聲。這樣時間長了,容易引起雛雞感冒或被壓死。必須立即加溫,並驅散擠堆雛雞。溫度過高時,雛雞遠離熱源,展翅爬臥,張口喘氣,爭相喝水,飲水器內常常無水,絨毛卻溼了。時間長了,會使雛雞體質衰弱,生長受阻,甚至熱死。溫度過高時要逐漸降溫,但要注意,驟然降溫會引起感冒。隨著我國蛋雞養殖行業的快速發展及蛋雞單棟飼養量的不斷增加，我國的雞舍類型由最初的開放式雞舍基本轉變為密閉式雞舍，實現了雞舍內環境的人為控制，擺脫了雞生產對外界氣候環境的依賴，雞舍環境得到很大程度改善，為蛋雞提供適宜的、相對穩定的生活生產環境。但是由於雞舍設計不合理、設備落後、控制系統不完善等原因導緻密閉式雞舍內環境仍存在許多問題，而相對於春、夏、秋三季，冬季雞舍環境問題更為突出。密閉式雞舍在冬季存在溫度低、溼度高、氨氣濃度高等問題，並且溫度、溼度和氣流等溫熱環境因素是影響動物生理機能、生產性能和健康的關鍵因素。查凌雁等研究密閉式雞舍冬季環境特徵及其對產蛋率的影響，韓玉坤研製基於can總線在大型雞舍溫度測控系統，王進聖等研究雞舍環境控制系統，王歡等研製基於無線傳輸的雞舍環境遠程監測系統，李麗華等設計蛋雞個體生產性能參數監測裝置，但是這些系統都沒有根據雞舍環境溫度變化的非線性、大滯後和雞舍面積大溫度變化複雜等特點，對雞舍環境的溫度進行監測與預測，從而極大的影響雞舍環境溫度的調控。

技術實現要素：

本發明提供了基於can現場總線的雞舍環境溫度智能監測系統，本發明不但有效解決了傳統雞舍環境由於設計不合理、設備落後、控制系統不完善等原因導緻密閉式雞舍內環境仍存在許多問題，而且有效解決了現有的雞舍環境監測系統，沒有根據雞舍環境溫度變化的非線性、大滯後和雞舍面積大溫度變化複雜等特點，對雞舍環境的溫度進行監測與預測，從而極大的影響雞舍環境溫度的調控問題。

本發明通過以下技術方案實現：

基於can現場總線的雞舍環境溫度智能監測系統，其特徵在於：所述溫度智能監測系統由基於can現場總線的雞舍環境參數採集與智能預測平臺、雞舍環境多點溫度融合模型和雞舍環境溫度智能預測模型三部分組成,基於can現場總線的雞舍環境參數採集與智能預測平臺實現對雞舍環境因子參數進行監測、調節和監控，雞舍環境多點溫度融合模型基於雞舍環境多點溫度傳感器的區間數值的相似度矩陣與灰色關聯度矩陣求得的相似度融合權重、灰色關聯度融合權重和均方根組合權重實現對雞舍環境多點檢測點的溫度值進行精確融合，雞舍環境溫度智能預測模型包括遞歸模糊神經網絡模型(hrfnn)、自回歸積分滑動平均模型(arima)和小波神經網絡模型和粒子群算法(pso)優化小波神經網絡模型組成實現對雞舍環境溫度智能預測。

本發明進一步技術改進方案是：

所述基於can現場總線的雞舍環境參數採集與智能預測平臺由檢測節點、控制節點和現場監控端組成，它們通過can現場總線構建成雞舍環境參數採集與智能預測平臺。檢測節點分別由傳感器組模塊、單片機和通信模塊組成，傳感器組模塊負責檢測雞舍環境的溫度、溼度、風速和有害氣體等雞舍小氣候環境參數，由單片機控制採樣間隔並通過通信模塊發送給現場監控端；控制節點實現對雞舍環境參數的調節設備進行控制；現場監控端由一臺工業控制計算機和rs232/can通信模塊組成，實現對檢測節點檢測雞舍環境參數進行管理和對雞舍環境多點溫度進行融合與智能預測。基於can現場總線的雞舍環境參數採集與智能預測平臺見圖1所示。

本發明進一步技術改進方案是：

通過把雞舍環境各個時段檢測點溫度傳感器值轉化為區間糊數，定義區間數的相似度和灰色關聯度，構建相似度矩陣和灰色關聯度矩陣，求得雞舍環境各個檢測點溫度傳感器值的相似度融合權重和灰色關聯度融合權重，基於信息熵原理和兩種融合權重求得雞舍環境多點溫度傳感器值融合的組合權重，雞舍環境各個檢測點溫度傳感器值與各自溫度傳感器值融合的組合權重積的相加和為雞舍環境多個檢測點溫度融合模型的值，該組合權重既考慮了不同檢測點溫度傳感器的區間數值之間相似度，也考慮了不同檢測點溫度傳感器的區間數值之間的關聯度，提高了雞舍環境多點溫度傳感器值融合精度。具體方法見圖2上半部分。

本發明進一步技術改進方案是：

針對雞舍環境溫度的非線性、大滯後和變化複雜較難預測的難題，提出了基於遞歸模糊神經網絡模型、自回歸積分滑動平均模型(arima)和小波神經網絡模型三種方法建立單項預測雞舍環境溫度的子模型，應用粒子群優化算法小波神經網絡組合模型作為最優非線性組合模型的逼近器，構建預測雞舍環境溫度的組合預測模型，一個時延段的雞舍環境多點溫度融合模型的輸出作為三個單項子模型的輸入，三個子模型預測值的輸出作為組合模型的輸入，實現對單項預測子模型結果的融合作為雞舍環境溫度的預測值，預測試驗結果表明，該組合預測是選用多種方法對同一對象進行預測，它可以更大化地利用多種單一預測子模型信息，實現預測信息之間的互補，提高了組合預測模型的魯棒性，通過組合模型對多個子模型預測結果進行融合，實現了多種預測方法的綜合應用，相對單一的預測方法，該組合預測結果更科學和準確。具體方法見圖2下部分。

本發明與現有技術相比，具有以下明顯優點：

一、本發明針對溫度傳感網絡測量雞舍環境溫度過程中，傳感器精度誤差、幹擾和測量溫度值異常等問題存在的不確定性和隨機性，本發明專利將雞舍環境溫度傳感器測量的溫度值用區間數形式表示，有效地處理了雞舍環境溫度傳感器測量參數的模糊性和不確定性，提高了雞舍環境溫度傳感器值融合值的客觀性和可信度。

二、本發明把雞舍環境溫度參數轉化為區間數形式，定義兩兩區間數的相似度，構建相似度矩陣，根據雞舍環境每個檢測點溫度傳感器區間數的相似度佔整個雞舍環境溫度傳感器的溫度傳感器區間數相似度和的比為該檢測點溫度傳感器值的相似度融合權重βi，提高了雞舍環境溫度融合值的精確性和科學性。

三、本發明把雞舍環境溫度參數轉化為區間數形式，定義雞舍環境每個檢測點溫度傳感器區間數與該時刻雞舍環境溫度傳感器極大和極小區間數值的灰色關聯度，分別構建每個檢測點溫度傳感器區間值與極大值和極小值的灰色關聯度矩陣，根據每個檢測點溫度傳感器值的兩種平均關聯度積的倒數佔整個雞舍環境檢測點溫度傳感器值的兩種平均關聯度積的倒數和的比為該檢測點溫度傳感器值的灰色關聯度融合權重αi，提高了雞舍環境溫度融合值的精確性和科學性。

四、本發明根據最小相對信息熵原理，組合權重wi與αi和βi都應儘可能接近，根據每個檢測點的兩種權重αi與βi積的均方根佔整個雞舍環境溫度傳感器的兩種權重積的均方根和的比為該檢測點溫度傳感器值融合的組合權重，該組合權重既考慮了該檢測點溫度傳感器值的相似度融合權重βi，也考慮了該檢測點溫度傳感器值的灰色關聯度融合權重αi，該組合權重提高雞舍環境溫度融合值的精確性、可靠性和科學性，雞舍環境溫度融合值更加反映雞舍環境溫度值的真實性。

五、本發明針對雞舍環境溫度參數的時變性、大滯後和非線性等難以準確在線測量，提出了一種改進型的模糊遞歸神經網絡(hrfnn)用來預測雞舍溫度參數的變化，通過在網絡第三層加入含有內部變量的反饋連接來實現輸出信息的反饋。實驗結果表明，與其他模糊神經網絡相比，該網絡的規模小、精度高，處理動態信息的能力明顯加強。

六、本發明採用hrfnn網絡結構通過在模糊規則層引入內部變量，使靜態網絡具有動態特性；網絡在k時刻每條規則的激活度不僅包括由當前輸入計算得出的激活度值，而且包括前一時刻所有規則激活度值的貢獻，因此提高了網絡辨識的準確性，可以較好地完成雞舍溫度的動態辨識。模糊遞歸神網絡來建立雞舍環境溫度的預測模型，它是一種典型的動態遞歸神經網絡,其反饋連接由一組「結構」單元組成,用於記憶隱層過去的狀態,並且在下一時刻連同網絡輸入一起作為隱層單元的輸入,這一性質使得部分遞歸網絡具有動態記憶功能,從而適合用來建立時間序列雞舍環境溫度的預測模型，仿真實驗表明該模型動態性能好，預測精度高，預測性能穩定。

七、本發明基於粒子群優化算法的小波神經網絡模型,具有結構穩定,算法簡單,全局搜索能力強,收斂速度快,泛化能力強等優點,該網絡能很好地預測雞舍環境非線性和大滯後變化的溫度。對雞舍環境的溫度進行預測90個樣本進行訓練,預測正確率達到97％。表明應用小波神經網絡能很好地預測雞舍溫度值，提出了一種收斂速度快,識別精度高,成本低的模型,具有十分重要的意義。避免了bp網絡在結構設計的盲目性，網絡權係數線性分布和學習目標函數的凸性,使網絡的訓練過程從根本上避免了局部最優化等問題，算法概念簡單,收斂速度快，有較強的函數學習能力,可以高精度逼近任意非線性函數。

八、本發明採用粒子群優化小波神經網絡,避免了梯度下降法中要求激活函數可微,以及對函數求導的過程計算,並且各個粒子搜索時迭代公式簡單,因而計算速度又比梯度下降法快得多。而且通過對迭代公式中參數的調整,還能很好地跳出局部極值，進行全局尋優,簡單有效地提高了網絡的訓練速度。基於粒子群優化算法的小波神經網絡模型的識別正確率更高,誤差更小,收斂速度更快,泛化能力更強。這表明基於小波神經網絡的雞舍環境溫度預測模型預測效果較好,基於粒子群算法的小波神經網絡預測雞舍溫度方法收斂的速度和精度明顯優於bp方法。實例分析表明：與單獨使用小波神經網絡相比，組合預測模型的預測精度提高了5-7倍；通過粒子群算法對小波神經網絡進行參數優化，可以提高組合預測模型的預測穩定性。基於粒子群優化算法的小波神經網絡(pso-wnn)組合預測模型。以小波函數作為隱含層的激勵函數,採用粒子群優化算法,對權值、伸縮參數、平移參數進行調整,構建出基於粒子群優化算法的小波神經網絡組合預測模型。該模型具有算法簡單、結構穩定、計算收斂速度快、全局尋優能力強、識別精度高、泛化能力強的優點。

九、本發明採用arima模型預測雞舍環境溫度整合了雞舍溫度變化的趨勢因素、周期因素和隨機誤差等因素的原始時間序列變量，通過差分數據轉換等方法將非平穩序列轉變為零均值的平穩隨機序列，通過反覆識別和模型診斷比較並選擇理想的模型進行雞舍環境溫度數據擬合和預測。該方法結合了自回歸和移動平均方法的長處，具有不受數據類型束縛和適用性強的特點，是一種對雞舍環境溫度進行短期預測效果較好的模型。

十、本發明不同單一預測方法進行組合時,不同的組合對預測精度影響較大。當單一方法預測誤差之間存在較強的負相關關係時,則組合預測精度將明顯提高；當單一方法預測誤差之間存在較強的正相關關係時,則組合預測精度將改進較小。預測結果表明,組合預測精度均高於單一預測方法的精度,當單一模型預測誤差之間存在較強的負相關與正相關關係時,組合預測改進明顯，提高組合預測精度。

十一、本發明基於遞歸模糊神經網絡模型、自回歸積分滑動平均模型(arima)和小波神經網絡模型三種方法建立單項預測子模型，提出用粒子群優化算法小波神經網絡組合模型作為最優非線性組合模型的逼近器，建立組合預測模型，實現對單項預測子模型結果的融合，通過matlab平臺對雞舍溫度進行預測，結果表明，該種組合預測是選用多種方法對同一對象進行預測，它可以更大化地利用多種單一預測方法信息，實現預測信息之間的互補，提高了組合預測模型的魯棒性，實現了多種方法的預測結果進行融合，相對單一的預測方法，預測結果更科學和準確。

附圖說明

圖1為基於can現場總線的雞舍環境參數採集與智能預測平臺；

圖2為雞舍環境多點溫度融合模型和雞舍環境溫度智能預測模型；

圖3為檢測節點功能圖；

圖4為控制節點功能圖；

圖5為現場監控端軟體功能圖；

圖6為雞舍環境參數採集與智能預測平臺平面布置圖。

具體實施方式

1、系統總體功能的設計

本發明專利設計了一種基於can現場總線的雞舍環境溫度智能監測系統，實現對雞舍環境因子參數進行檢測、雞舍環境多點溫度融合和雞舍環境溫度智能預測，該系統由基於can現場總線的雞舍環境參數採集與智能預測平臺、雞舍環境溫度多點融合模型和雞舍環境溫度智能預測模型3部分組成。基於can現場總線的雞舍環境參數採集與智能預測平臺包括雞舍環境參數的檢測節點1和調節雞舍環境參數的控制節點2，通過can現場總線方式構建成測控網絡來實現檢測節點1、控制節點2和現場監控端3之間的現場通信；檢測節點1將檢測的雞舍環境參數發送給現場監控端3並對傳感器數據進行初步處理；現場監控端3把控制信息傳輸到檢測節點1和控制節點2。整個系統結構見圖1所示。

2、檢測節點的設計

採用基於can現場總線的檢測節點1作為雞舍環境參數感知終端，檢測節點1和控制節點2通過can現場總線方式實現與現場監控端3之間的信息相互交互。檢測節點1包括採集雞舍環境溫度、溼度、風速和有害氣體參數的傳感器和對應的信號調理電路、stc89c52rc微處理器；檢測節點的軟體主要實現現場總線通信和雞舍環境參數的採集與預處理。軟體採用c語言程序設計，兼容程度高，大大提高了軟體設計開發的工作效率，增強了程序代碼的可靠性、可讀性和可移植性。檢測節點結構見圖3。

3、控制節點

控制節點2在輸出通路設計了4路d/a轉換電路實現對溫度、溼度、風速和有害氣體的調節輸出量控制電路、stc89c52rc微處理器和無線通信模塊接口，實現對雞舍環境控制設備進行控制，控制節點見圖4。

4、現場監控端軟體

現場監控端3是一臺工業控制計算機，現場監控端3主要實現對雞舍環境參數進行採集、多點溫度融合和雞舍環境溫度預測，實現與檢測節點1與控制節點2的信息交互，現場監控端3主要功能為通信參數設置、數據分析與數據管理、雞舍環境多點溫度融合和雞舍溫度智能預測。該管理軟體選擇了microsoftvisual++6.0作為開發工具，調用系統的mscomm通信控制項來設計通訊程序，現場監控端軟體功能見圖5。

⑴、雞舍環境多點溫度融合模型

①、雞舍環境溫度傳感器值的轉化為區間數

設雞舍有m個傳感器均衡布置於雞舍環境中實現對雞舍溫度進行檢測，每個溫度傳感器每一段時刻監測的溫度構成一個區間數，m個傳感器在k(1，2，…n)時段構成的溫度矩陣如1式所示。

②、基於灰色關聯度的雞舍溫度傳感器值的灰色關聯度融合權重αi的求取

a、定義雞舍環境溫度傳感器值的灰色關聯度

計算每個傳感器在k時段與m個傳感器在每個k(1，2，…n)時段極大溫度值的關聯度，定義如下公式：

b、構建雞舍環境溫度傳感器值的灰色關聯度矩陣

通過計算每個傳感器在不同時段與極大溫度值的灰色關聯度，可以構建如下的關聯度矩陣：

根據矩陣b可以得到每個傳感器檢測溫度值與極大溫度值的平均關聯度，如下公式所示：

同理，計算每個傳感器在k時段與m個傳感器在每個k(1，2，…n)時段的極小溫度值的關聯度，定義如下公式：

同理，通過計算每個傳感器在不同時段與極小溫度值的灰色關聯度，可以構建如下的關聯度矩陣：

根據矩陣c可以得到每個傳感器檢測溫度值與極小溫度值的平均關聯度，如下公式所示：

c、求取雞舍環境溫度傳感器值的灰色關聯度融合權重

根據每個傳感器在不同時段檢測溫度值與極大溫度值和極小溫度值的灰色關聯度的大小可知，如果關聯度越大，該傳感器檢測雞舍溫度實際值偏離真實值越大，因此可以通過下面的公式確定，每個傳感器在雞舍溫度融合中的權重，公式如下：

③、基於相似度的雞舍環境溫度傳感器值的相似度融合權重βi的求取

a、構建雞舍環境溫度傳感器值的相似度矩陣

根據任意不同兩個傳感器在同一時段檢測雞舍環境溫度的相似度，可以構建傳感器監測雞舍溫度的相似度矩陣s，s如下所示：

b、定義雞舍環境溫度傳感器值的相似度

在相似度矩陣中sab表示a和b的相似度，a為a＝[al,au]和b為b＝[bl,bu]，且設qj(j＝1,2,3,4)為al，au，bl，bu中的第j大的數，sgn為符號函數。矩陣s每行的每個傳感器的相似度為：

c、求取雞舍環境溫度傳感器值的相似度融合權重

根據每個傳感器監測雞舍每個監測點的溫度值的相似度佔所有檢測點傳感器檢測值的相似度和的比可以確定每個檢測點傳感器檢測溫度值在整個雞舍溫度值融合中的權重為：

④、基於最小相對信息熵原理的組合權重wi的求取

根據相似度理論和灰色關聯度確定雞舍溫度傳感器參數融合的權重αi和βi，組合權重wi，顯然wi與αi、βi和都應儘可能接近，根據最小相對信息熵原理有：

用拉格朗日乘子法解上述優化問題得：

⑤根據組合權重得到雞舍環境多點溫度融合模型為：

其中k為時間，i為檢測點，xi為k時刻第i個檢測點溫度，wi為第i個檢測點組合權重。

⑵、雞舍環境溫度智能預測模型

①、遞歸模糊神經網絡模型預測雞舍環境溫度設計

遞歸模糊神經網絡(hrfnn)是多輸入單輸出的網絡拓撲結構，網絡由4層組成：輸入層、成員函數層、規則層和輸出層。網絡包含n個輸入節點，其中每個輸入節點對應m個條件節點，m代表規則數，nm個規則節點，1個輸出節點。圖中第ⅰ層將輸入引入網絡；第ⅱ層將輸入模糊化，採用的隸屬函數為高斯函數；第ⅲ層對應模糊推理；第ⅳ層對應去模糊化操作。用分別代表第k層的第i個節點的輸入和輸出，則網絡內部的信號傳遞過程和各層之間的輸入輸出關係可以描述如下。第ⅰ層：輸入層，該層的各輸入節點直接與輸入變量相連接，網絡的輸入和輸出表示為：

式中和為網絡輸入層第i個節點的輸入和輸出，n表示迭代的次數。

第ⅱ層：成員函數層，該層的節點將輸入變量進行模糊化，每一個節點代表一個隸屬函數，採用高斯基函數作為隸屬函數。網絡的輸入和輸出表示為：

式中mij和σij分別表示第ⅱ層第i個語言變量的第j項高斯基函數的均值中心和寬度值，m為對應輸入節點的全部語言變量數。

第ⅲ層：模糊推理層，即規則層，加入動態反饋，使網絡具有更好的學習效率，反饋環節引入內部變量hk，選用sigmoid函數作為反饋環節內部變量的激活函數。網絡的輸入和輸出表示為：

式中ωjk是遞歸部分的連接權值，該層的神經元代表了模糊邏輯規則的前件部分，該層節點對第二層的輸出量和第三層的反饋量進行π操作，是第三層的輸出量，m表示完全連接時的規則數。反饋環節主要是計算內部變量的值和內部變量相應隸屬函數的激活強度。該激活強度與第3層的規則節點匹配度相關。反饋環節引入的內部變量，包含兩種類型的節點：承接節點，反饋節點。承接節點，使用加權求和來計算內部變量，實現去模糊化的功能；內部變量表示的隱藏規則的模糊推理的結果。反饋節點，採用sigmoid函數作為模糊隸屬度函數，實現內部變量的模糊化。hrfnn網絡的隸屬度函數層使用局部隸屬度函數，與其不同的是：反饋部分在內部變量的論域上採用的是全局隸屬度函數，用來簡化網絡結構和實現全局歷史信息的反饋。承接節點的個數等於反饋節點的個數；承接節點的個數與規則層節點的個數相等。反饋量連接到第3層，作為模糊規則層的輸入量，反饋節點的輸出包含模糊規則激活強度的歷史信息。

第ⅳ層：去模糊化層，即輸出層。該層節點對輸入量進行求和操作。網絡的輸入和輸出表示為：

公式中λj是輸出層的連接權值。遞歸模糊神經網絡具有逼近高度非線性動態系統的性能，加入內部變量的遞歸模糊神經網絡的訓練誤差和測試誤差分別為明顯減少，該網絡預測效果優於帶自反饋遞歸模糊神經網絡和動態建模的模糊神經網絡，這說明加入內部變量後網絡的學習能力得到了增強，並且更充分地反映汙水處理系統的動態特性。仿真結果證明了網絡的有效性。本專利的模糊遞歸神經網絡hrfnn，並採用加入交叉驗證的梯度下降算法對神經網絡的權值進行訓練。使用hrfnn對雞舍溫度參數進行預測。hrfnn通過在反饋環節引入內部變量，將規則層的輸出量加權求和後再反模糊化輸出作為反饋量，並將反饋量與隸屬度函數層的輸出量一起作為規則層的下一時刻的輸入。網絡輸出包含規則層激活強度和輸出的歷史信息，增強了hrfnn適應非線性動態系統的能力。實驗表明，hrfnn可以準確地預測雞舍溫度參數。仿真結果與其他網絡得到的結果進行比較，本專利方法所建立的模型在應用於雞舍溫度預測時網絡規模最小，預測誤差小，表明了該方法的有效性。

②、自回歸積分滑動平均模型(arima)預測雞舍環境溫度設計

arima(autoregressiveintegratedmovingaverage)模型是box和jenkins於20世紀70年代提出的,它將自回歸模型(autoregressive,ar)和滑動平均模型(movingaverage,ma)有機地組合起來,使之成為一種綜合的預測方法。作為有效的現代數據處理方法之一,它被譽為時間序列預測方法中最複雜最高級的模型,30多年來在眾多領域得到了廣泛的應用。在實際應用中,由於原始數據序列往往表現出一定的趨勢或循環特徵,不滿足arma模型對時間序列的平穩性要求,而取差分是消除數據趨勢性的一種方便和有效的方法。基於差分後的數據序列建立的模型稱為arima模型,記為{xt}～arima(p,d,q),其中p、q稱為模型的階,d表示差分的次數。顯然,當d為0時,arima模型為arma模型,其定義為:

xt＝b1xt-1+…+bpxt-p+εt+a1εt-1+…+aqεt-q(18)

{xt}為要預測雞舍環境溫度值數據序列,{εt}～wn(0，σ2)。

arima模型建立主要包括模型的識別、參數估計和模型診斷。模型預測主要包括時間序列的預處理和模型參數的初步定階；模型定階完成之後需要通過時間序列觀察值並結合p，d，q值來對模型中的未知參數進行估計；模型的診斷主要是針對整個模型的顯著性檢驗和模型中參數的顯著性檢驗。通常模型的建立是個不斷優化的過程，模型優化常用的為aic和bic準則，即最小信息量準則其值越小，模型越合適，bic準則是針對aic準則對大樣本序列的不足所做的改進。

③、小波神經網絡模型(wnn)預測雞舍環境溫度設計

小波神經網絡wnn(waveletneuralnetworks)是在小波理論基礎上,結合人工神經網絡而提出的一種前饋型網絡。它是以小波函數為神經元的激勵函數,小波的伸縮、平移因子,以及連接權重,在對誤差能量函數的優化過程中被自適應調整。設小波神經網絡的輸入信號可以表示為一個雞舍環境溫度輸入的一維向量xi(i＝1,2,…,n)，輸出信號表示為yk(k＝1,2,…,m)，小波神經網絡輸出層預測值的計算公式為：

公式中ωij輸入層i節點和隱含層j節點間的連接權值，為小波基函數，bj為小波基函數的平移因子，aj小波基函數的伸縮因子，ωjk為隱含層j節點和輸出層k節點間的連接權值。本專利中的小波神經網絡的權值和閾值的修正算法採用梯度修正法來更新網絡權值和小波基函數參數，從而使小波神經網絡預測輸出不斷逼近期望輸出。

④、粒子群優化算法小波神經網絡組合模型預測雞舍環境溫度設計

設zi1、zi2和zi3分別是多元線性回歸模型、遞歸模糊神經網絡模型、小波神經網絡模型的雞舍溫度預測的值，它們作為基於粒子群算法的小波神經網絡組合預測模型的輸入，輸出作為整個雞舍環境溫度的預測輸出。小波神經網絡用非線性小波基取代常用的非線性sigmoid函數，通過線性疊加所選取的非線性小波基來實現各單一預測模型的雞舍環境溫度的非線性組合。通過採用粒子群優化小波神經網絡組合預測模型。採用粒子群優化小波神經網絡,避免了梯度下降法中要求激活函數可微,以及對函數求導的過程計算,並且各個粒子搜索時迭代公式簡單,因而計算速度又比梯度下降法快得多。而且通過對迭代公式中參數的調整,還能很好地跳出局部極值。算法需要初始化一群隨機粒子,然後通過迭代找到最優解。在每一次迭代中,粒子通過跟蹤二個「極值」來更新自己。第一個就是粒子本身所找到的最優解pbest,這個解稱為個體極值；另一個是整個種群目前找到的最優解,這個解稱為全局極值gbest。用粒子群優化小波神經網絡,就是首先將小波神經網絡的各種參數列為粒子的位置向量x,將均方誤差能量函數式設為用於優化的目標函數,通過粒子群優算法的基本公式進行迭代,尋求最優解。粒子群優化小波神經網絡訓練算法如下:

a、初始化網絡結構,確定網絡隱含層神經元個數。

b、根據網絡結構,確定目標搜索空間的維數d。d＝(輸入參數的個數+1)×隱含層神經元的個數+平移參數的個數+伸縮參數的個數。

c、確定微粒個數m,設定相關參數。初始化微粒的位置向量和速度向量。

d、將粒子的位置向量和速度向量帶入算法迭代公式進行更新,以誤差能量函數作為目標函數進行優化計算。記錄下每個粒子迄今搜索到的最優位置pbest和整個粒子群迄今搜索到的最優位置gbest。

e、)將整個粒子群迄今搜索到最優位置gbest,映射為網絡權值和閾值進行本學習,以誤差能量函數作為粒子的適應度進行化計算。

f、若誤差能量函數值在實際問題允許的誤範圍內,則迭代完畢；反之,轉回算法繼續迭代。

5、雞舍環境溫度智能監測系統的設計舉例

根據雞舍環境的狀況，系統布置了檢測節點1和控制節點2和現場監控端3的平面布置安裝圖，其中檢測節點1均衡布置在被檢測雞舍環境中，整個系統平面布置見圖6，通過該系統實現對雞舍環境參數的採集與雞舍環境溫度檢測和智能化預測。

本發明方案所公開的技術手段不僅限於上述實施方式所公開的技術手段，還包括由以上技術特徵任意組合所組成的技術方案。應當指出，對於本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也視為本發明的保護範圍。