謝秋菊，蘇中濱，劉佳薈，鄭 萍，馬鐵民，王 雪

（1.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱 150030；2.黑龍江八一農(nóng)墾大學(xué)信息技術(shù)學(xué)院，黑龍江 大慶 163319；3.索尼信息系統(tǒng)（大連）有限公司，遼寧 大連 116085）

豬舍環(huán)境因素包括：空氣溫濕度、通風(fēng)、光照、粉塵、有害氣體等[1]。氨氣是反映豬舍空氣環(huán)境的一項重要指標(biāo)。氨氣濃度持續(xù)超過一定限制值時，會對豬的呼吸系統(tǒng)及中樞系統(tǒng)造成危害，影響豬生長性能、降低飼料利用率和種豬繁殖性能。對于豬舍環(huán)境的預(yù)測及控制己引起廣泛關(guān)注[2]。國內(nèi)外研究者對不同條件下，豬舍內(nèi)氨氣變化情況做大量研究工作[3-7]，Ni等對豬舍內(nèi)氨氣散發(fā)進(jìn)行測量，建立氨氣散發(fā)模型[8]，葛廣軍等對豬舍內(nèi)一年中不同月份氨氣的排放量研究[9]。黃建清基于BP神經(jīng)網(wǎng)絡(luò)對測量養(yǎng)殖環(huán)境中缺失的氨氣數(shù)據(jù)恢復(fù)[2]。但是由于氨氣濃度受舍內(nèi)溫濕度和通風(fēng)等環(huán)境因素影響，難以建立準(zhǔn)確預(yù)測模型。僅依靠監(jiān)測設(shè)備對舍內(nèi)氨氣濃度監(jiān)測，雖可獲取氨氣濃度數(shù)據(jù)，但存在調(diào)控滯后性問題，未對豬舍內(nèi)氨氣濃度建立有效的預(yù)測模型。

本文針對規(guī)?；B(yǎng)豬場中豬舍內(nèi)環(huán)境參數(shù)進(jìn)行采集，根據(jù)采集數(shù)據(jù)基于L-M優(yōu)化算法建立BP神經(jīng)網(wǎng)絡(luò)氨氣濃度預(yù)測模型。采用傳統(tǒng)梯度下降方法，網(wǎng)絡(luò)收斂速度慢、效率低[2]。本文采用L-M優(yōu)化算法建立的模型收斂速率快，預(yù)測誤差與實際數(shù)據(jù)驗證誤差很小，可實現(xiàn)豬舍氨氣濃度預(yù)測，為豬舍氨氣濃度控制及預(yù)警提供技術(shù)支持。

1 L-M優(yōu)化算法

1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及訓(xùn)練方法

BP（Back propagation）神經(jīng)網(wǎng)絡(luò)是Rumelhart和McCelland等于1986年提出，是目前應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練多層前饋網(wǎng)絡(luò)[10]。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（Input）、隱層（Hide layer）和輸出層（Output layer）[11]。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力需求，中間層設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。為確定神經(jīng)網(wǎng)絡(luò)輸入與輸出關(guān)系，需選定神經(jīng)網(wǎng)絡(luò)層次、各層的節(jié)點數(shù)、轉(zhuǎn)移函數(shù)及確定各層間節(jié)點連接權(quán)值。

BP網(wǎng)絡(luò)訓(xùn)練過程是由正向傳播和誤差反向傳播組成。給定網(wǎng)絡(luò)一組輸入樣本，BP網(wǎng)絡(luò)依次對輸入樣本中的每個輸入樣本進(jìn)行訓(xùn)練。主要過程是：對于一組輸入樣本，通過BP神經(jīng)網(wǎng)絡(luò)計算實際輸出。用BP網(wǎng)絡(luò)實際輸出與輸出樣本間誤差修正網(wǎng)絡(luò)連接權(quán)值，直至二者誤差達(dá)到設(shè)定值[12-14]。這一較小值稱擬合誤差，一般用實際輸出與輸出樣本間誤差平方和表示，即：

公式（1）式稱為誤差函數(shù)，tpi樣本的輸出值；opi為實際輸出值。

1.2 L-M優(yōu)化算法

BP神經(jīng)網(wǎng)絡(luò)可無限逼近非線性函數(shù)，但收斂速度慢、易陷入局部極小值和網(wǎng)絡(luò)學(xué)習(xí)不穩(wěn)定。L-M優(yōu)化算法可改進(jìn)BP神經(jīng)網(wǎng)絡(luò)缺陷，加速網(wǎng)絡(luò)收斂速度、提高網(wǎng)絡(luò)訓(xùn)練精度。

L-M（Levenberg-Marquardt）優(yōu)化算法是梯度下降法和牛頓法的結(jié)合，結(jié)合梯度下降法在開始幾步時下降速度較快和牛頓法在最優(yōu)值附近可產(chǎn)生理想搜索方向特點。L-M優(yōu)化算法搜索方向定義為：

令η(k)=1，則X(k+1)=X(k)+S（X(k)）

開始時，λ取一個很大的數(shù)值，此時的L-M優(yōu)化算法相當(dāng)于步長很小的梯度下降法；隨著最優(yōu)點的接近，λ減小到零，搜索方向從負(fù)梯度方向轉(zhuǎn)向牛頓法方向。

L-M優(yōu)化算法迭代過程如下[15-16]：

其中，z（i）表示第i次迭代的權(quán)值和閾值組成的向量，z（i+1）是第i+1次權(quán)值和閾值組成的向量。

對于牛頓法，Δz=-[?2E（z）]-1·?E（z）， ?E（z）為梯度。

設(shè)誤差評價函數(shù)為：

公式（4）中，ei（x）為誤差。

對于高斯牛頓法有

公式（7）中，比例系數(shù)μ＞0為常數(shù)，J為單位矩陣。

L-M優(yōu)化算法在迭代時，首先給出訓(xùn)練誤差允許值ε、β、μ，以及初始化權(quán)值和閾值向量z（0），然后計算出（3）式，K和（7）式的值，最后計算出E（x），當(dāng)E（x）＜ε時迭代停止；否則令k=k+1，μ=，繼續(xù)迭代，直到E（x）＜ε為止。

豬舍氨氣濃度變化受舍內(nèi)多個環(huán)境因素影響，具有時變和延時特性，根據(jù)豬舍環(huán)境調(diào)控應(yīng)用需求，本文針對基于梯度下降的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法訓(xùn)練時間長、精度低等問題，采用L-M優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)存在缺陷進(jìn)行改進(jìn)，提高網(wǎng)絡(luò)收斂速度和訓(xùn)練精度。

2 基于L-M優(yōu)化算法的豬舍氨氣濃度預(yù)測模型

由于氨氣濃度受舍內(nèi)溫濕度、通風(fēng)、豬舍結(jié)構(gòu)等環(huán)境因素影響，本文選取溫度、濕度、風(fēng)速和氨氣濃度作為豬舍環(huán)境監(jiān)測因素，建立環(huán)境預(yù)警模型。由于豬舍環(huán)境因素與時間、空間等多種影響因素相關(guān)，各因素間相互作用，是非線性系統(tǒng)?；贚-M優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)能有效地將非線性模型中的輸入與輸出之間內(nèi)部蘊含規(guī)律進(jìn)行映射，可任意精度逼近任意函數(shù)，因此本文基于L-M優(yōu)化算法，對豬舍的環(huán)境進(jìn)行預(yù)測，根據(jù)預(yù)測模型可以建立相應(yīng)的預(yù)警措施。

2.1 數(shù)據(jù)采集

數(shù)據(jù)采集是監(jiān)測和預(yù)警的基礎(chǔ)，豬舍環(huán)境數(shù)據(jù)采集是在豬舍內(nèi)合理布置傳感器節(jié)點，對節(jié)點采集的有效數(shù)據(jù)通過數(shù)據(jù)融合獲得當(dāng)前環(huán)境數(shù)據(jù)值。本文環(huán)境監(jiān)測數(shù)據(jù)取自黑龍江大慶市某規(guī)?；B(yǎng)豬場的哺乳母豬舍，從2013年3月1日至2013年5月1日連續(xù)對豬舍內(nèi)環(huán)境進(jìn)行監(jiān)測。豬舍建筑樣式為密閉式、南北朝向，長度為70 m，南北跨度為10 m，高度為5 m，雙列式鋼質(zhì)圍欄，舍內(nèi)飼養(yǎng)母豬數(shù)量為60頭，仔豬數(shù)量為200頭。在豬舍內(nèi)不同位置分別布置6個數(shù)據(jù)采集節(jié)點，分別放置在兩列圍欄的兩端和中間位置，高度為1 m，傳感器布置如圖1所示。每個節(jié)點同時對溫度、濕度和氨氣濃度采集，溫濕度采集選用SHT10溫濕度傳感器，氨氣濃度采集選用ME3-NH3電化學(xué)氨氣傳感器，豬舍環(huán)境數(shù)據(jù)現(xiàn)場采集設(shè)備如圖2。每間隔10 min對豬舍內(nèi)環(huán)境數(shù)據(jù)進(jìn)行一次采集，由于在舍內(nèi)布置多個采集節(jié)點，需對這些節(jié)點數(shù)據(jù)進(jìn)行處理，本文將同一時刻同種類傳感器數(shù)據(jù)利用求加權(quán)平均值的方法處理，作為舍內(nèi)環(huán)境實時數(shù)據(jù)。

圖1 豬舍環(huán)境數(shù)據(jù)采集節(jié)點布置Fig.1 Layout of barn environmental data collection nodes

圖2 豬舍環(huán)境數(shù)據(jù)現(xiàn)場采集圖像Fig.2 Photo of piggery environmental data collection

設(shè)豬舍中的6個采樣節(jié)點分別為x1，x2，…，x6，每個節(jié)點的信息表示為xi（ti，hi，ni，ωi），其中：ti，hi，ni，ωi分別表示節(jié)點xi某時刻的溫度值、濕度值、氨氣濃度及權(quán)重[17]。由于豬舍的溫濕度、氨氣濃度一般會在入口處數(shù)值較低，依據(jù)距離豬舍入口距離遠(yuǎn)近不同，傳感器權(quán)重ωi取值如公式（8）所示。某時刻牛舍內(nèi)的溫度T、濕度H、氨氣N，則可表示為公式（9）、（10）和（11）所示。

在公式（8）中，mi為傳感器距離豬舍入口的距離。

將T，H，N的值作為豬舍某時刻的環(huán)境數(shù)值存入數(shù)據(jù)庫，作為環(huán)境預(yù)測模型的輸入數(shù)據(jù)。

本文在連續(xù)采集的2個月環(huán)境數(shù)據(jù)中，選取其中30 d的溫度、濕度、風(fēng)速和氨氣濃度數(shù)據(jù)，將這些環(huán)境數(shù)據(jù)每隔60 min進(jìn)行求平均值處理，共得到720組數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表1所示。

表1 豬舍環(huán)境數(shù)據(jù)Table 1 Piggery environmental data

2.2 豬舍氨氣濃度預(yù)測模型的建立

2.2.1 預(yù)測模型數(shù)據(jù)預(yù)處理

由于母豬的生長周期長，豬舍四季溫濕度變化較大，為反映近期豬舍環(huán)境變化規(guī)律，選取訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的時間跨度不宜過長。在對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練之前，首先需要對網(wǎng)絡(luò)的樣本數(shù)據(jù)進(jìn)行歸一化處理[18]，將數(shù)據(jù)變換為（0，1）區(qū)間的值，歸一化處理采用最大最小算法，如公式（12）所示。

公式（12）中，xi表示輸入數(shù)據(jù)，xmin表示數(shù)據(jù)的最小值，xmax表示數(shù)據(jù)的最大值。

2.2.2 預(yù)測模型的結(jié)構(gòu)

BP網(wǎng)絡(luò)的泛化能力與網(wǎng)絡(luò)隱層數(shù)和隱層節(jié)點數(shù)有關(guān)。雖然隱層數(shù)目增加可以提高網(wǎng)絡(luò)的非線性影射能力，但是隱層數(shù)目超過一定值時，反而會降低網(wǎng)絡(luò)性能[19]。因此，隱層數(shù)要盡量簡單，具有較強(qiáng)的泛化能力[20]。本文設(shè)計三層BP網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。輸入層的節(jié)點分別為影響環(huán)境質(zhì)量的主要因素：溫度、濕度和風(fēng)速，輸入層神經(jīng)元個數(shù)為3；根據(jù)Kolmogorov定理、設(shè)計者的經(jīng)驗和多次試驗，證明隱層神經(jīng)元個數(shù)為7時逼近效果最好；輸出層是氨氣濃度，輸出層神經(jīng)元個數(shù)為1。網(wǎng)絡(luò)結(jié)構(gòu)為3-7-1三層結(jié)構(gòu)。隱層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig[21]。

圖3 模型結(jié)構(gòu)Fig.3 Model structure

以前29 d實測并經(jīng)過歸一化處理的696組溫度、濕度和風(fēng)速數(shù)據(jù)作為網(wǎng)絡(luò)輸入樣本，網(wǎng)絡(luò)的輸出樣本為696組數(shù)據(jù)對應(yīng)的實測氨氣濃度數(shù)據(jù)，以第30天24組實測并經(jīng)過歸一化處理的溫度、濕度和風(fēng)速數(shù)據(jù)作為測試樣本。通過Matlab建立三層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)，使用L-M優(yōu)化算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定網(wǎng)絡(luò)訓(xùn)練步數(shù)為1000，性能目標(biāo)誤差為0.001，學(xué)習(xí)速率為0.05，動量常數(shù)為0.9。

2.3 模型預(yù)測結(jié)果與實測數(shù)據(jù)驗證分析

由于對網(wǎng)絡(luò)訓(xùn)練采用L-M算法，網(wǎng)絡(luò)收斂速度很快，模型完全達(dá)到設(shè)計性能，網(wǎng)絡(luò)在經(jīng)過90步訓(xùn)練后，對696組訓(xùn)練數(shù)據(jù)達(dá)到目標(biāo)誤差，模型訓(xùn)練性能如圖4所示。

圖4 網(wǎng)絡(luò)訓(xùn)練性能Fig.4 Performance of network training

本模型對24組測試數(shù)據(jù)進(jìn)行氨氣濃度的預(yù)測，預(yù)測值與實際值驗證如圖5所示。

圖5 網(wǎng)絡(luò)預(yù)測值與實測值對比Fig.5 Comparison between network prediction and actual value

表2 預(yù)測模型驗證Table 2 Verification of prediction model

由圖4、5和表2可以看出，基于L-M優(yōu)化算法預(yù)測模型最大相對誤差為1.72%，最小相對誤差為0.11%，平均相對誤差為0.57%，相關(guān)性R=0.99337；線性預(yù)測方法最大相對誤差為6.34%，最小相對誤差為2.05%，平均相對誤差為3.62%，相關(guān)性R=0.95142。因此，基于L-M優(yōu)化算法預(yù)測模型性能良好，預(yù)測值與實際測量值相對誤差很小，能夠滿足豬舍氨氣濃度預(yù)測的需求。

3 結(jié)論

本文建立的預(yù)測模型對受多環(huán)境因素影響的豬舍氨氣濃度預(yù)測，實際環(huán)境數(shù)據(jù)作為輸入樣本及測試樣本，對樣本訓(xùn)練采用L-M優(yōu)化算法，經(jīng)過90步訓(xùn)練達(dá)到預(yù)定誤差。通過預(yù)測值與實際測值對比試驗研究結(jié)果表明，網(wǎng)絡(luò)收斂速度快，最大相對誤差僅為1.72%，與線性預(yù)測方法相比提高豬舍氨氣濃度預(yù)測準(zhǔn)確性與及時性，可為豬舍環(huán)境預(yù)警及控制提供數(shù)據(jù)技術(shù)支持。

[1] 黃建清.具有缺失數(shù)據(jù)恢復(fù)估算的畜禽養(yǎng)殖有害物質(zhì)數(shù)據(jù)處理系統(tǒng)設(shè)計[D].鎮(zhèn)江:江蘇大學(xué),2009.

[2] 陳長喜,張宏福,王兆毅,等.畜禽健康養(yǎng)殖預(yù)警體系研究與應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2010,26(11):215-220．

[3] Seedorf J,Hartung J,Schroder M,et al.Concentrations and emissions of airborne Endotoxins and microorganisms in livestock buildings in Northern Europe[J].Agric Engng Res,1998,70:97-109.

[4] Angelika H,Eberhard H,Thomas J,et al.Cooling effects and evaporation characteristics of fogging systems in an experimental piggery[J].Biosystems Engineering,2007(97):395-405.

[5] Farmer C,Devillers N,Widowski T,et al.Impacts of a modified farrowing pen design on sow and litter performances and air quality during two seasons[J].Livestock Science,2006(104):303-312.

[6] Ki Y K,Chi N K.Airborne microbiological characteristics in public buildings of Korea[J].Building and Environment,2007(42):2188-2196.

[7] 王宗尉.舍內(nèi)環(huán)境與豬健康水平多元回歸模型分析[D].哈爾濱:東北農(nóng)業(yè)大學(xué),2009.

[8] Ni J Q,Vinckier C,Coenegrachts J,et al.Effect of manure on ammonia emission from a fattening pig house with partly slatted floor[J].Livestock Production Science,1999,59:25-31.

[9] 葛廣軍.畜禽飼養(yǎng)場環(huán)境測控系統(tǒng)及數(shù)據(jù)處理的研究[D].鎮(zhèn)江:江蘇大學(xué),2006.

[10] Rumelhart D E,Mcclelland J L.Parallel distributed processing[M].Cambridge:The MITPress,1986.

[11] 田景文,高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京:北京理工大學(xué)出版社,2006.

[12] Atiya A,Ji C Y.How initial conditions affect generalization performance in large networks[J].IEEETrans Neural Networks,1997,8(2):448-451.

[13] 江學(xué)軍,唐煥文.前饋神經(jīng)網(wǎng)絡(luò)泛化能力的系統(tǒng)分析[J].系統(tǒng)工程理論與實踐,2000,20(8):36-40.

[14] 張兵,袁壽其,成立,等.基于L-M優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)的作物需水量預(yù)測模型[J].農(nóng)業(yè)工程學(xué)報,2004,20(6):73-76.

[15] 王建梅,覃文忠.基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)分類器[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2005,30(10):85-88.

[16] 項文強(qiáng),張華,王姮,等.基于L-M算法的BP網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制,2011,39(8):100-111.

[17] 王雷雨,孫瑞志,曹振麗.畜禽健康養(yǎng)殖中環(huán)境監(jiān)測及預(yù)警系統(tǒng)研究[J].農(nóng)機(jī)化研究,2012,10:199-203.

[18] 李秀金.養(yǎng)殖場氣味的產(chǎn)生及控制技術(shù)[J].農(nóng)業(yè)工程學(xué)報,2001(9):78-81.

[19] 田大鋼.前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力[J].系統(tǒng)工程理論與實踐,2005(5):105-109.

[20] Bogdan M W,Chen Y X.Effieient algorithm for training neural networks with one hidden layer[A].M A leks-andered.Proc of the Int,1Joint Conf on Neural Networks Vol.31[C].Washington D C:IEEE Press,1999:1725-1728.

[21] 飛恩科技術(shù)產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB 7實現(xiàn)[M].北京:電子工業(yè)出版社,2005.