李飛 蔣敏蘭

摘要：蛋雞產(chǎn)蛋率受生物、化學、物理以及人為等多方面因素影響，準確地預測蛋雞產(chǎn)蛋率的變化趨勢，建立蛋雞的產(chǎn)蛋率預測模型對蛋雞養(yǎng)殖具有重要的意義。將蛋雞采食量、蛋雞雞齡、體質(zhì)量、溫度、光照時間以及是否服用營養(yǎng)素等6類影響因子進行處理，作為支持向量機（SVM）的輸入數(shù)據(jù)，對蛋雞的產(chǎn)蛋率進行預測，得到了一個穩(wěn)定性好、適用范圍廣、預測結(jié)果準確的蛋雞產(chǎn)蛋率模型，且預測結(jié)果符合蛋雞的實際產(chǎn)蛋情況;同時為評估和分析SVM蛋雞產(chǎn)蛋率預測模型的性能，以同樣樣本建立BP神經(jīng)網(wǎng)絡的預測模型，并用網(wǎng)絡訓練、測試用時、均方誤差MSE以及相關(guān)系數(shù)r作為預測模型性能的評價指標。結(jié)果表明，基于支持向量機的蛋雞產(chǎn)蛋率預測模型精度和耗時均優(yōu)于神經(jīng)網(wǎng)絡預測模型。

關(guān)鍵詞：蛋雞產(chǎn)蛋率;預測模型;支持向量機回歸;神經(jīng)網(wǎng)絡

中圖分類號： S126 ?文獻標志碼： A ?文章編號：1002-1302（2019）13-0249-04

隨著“數(shù)字農(nóng)業(yè)”[1]在中國的不斷推進，中國蛋雞產(chǎn)業(yè)化及規(guī)?；a(chǎn)[2]有了較大發(fā)展，但與發(fā)達國家的蛋雞養(yǎng)殖相比，我國的蛋雞養(yǎng)殖不夠數(shù)據(jù)化和智能化[3]，還處于傳統(tǒng)養(yǎng)殖階段向智能化過度階段。在國內(nèi)，養(yǎng)殖戶關(guān)心的是飼料、雞蛋價格等淺顯的數(shù)據(jù)，卻忽略了一些更為重要的數(shù)據(jù)，如蛋雞雞舍的環(huán)境參數(shù)、產(chǎn)蛋率、料蛋比以及無法立即出售的雞蛋新鮮度的檢測等。這些數(shù)據(jù)不僅能反映某一階段蛋雞的養(yǎng)殖情況以及全局的效益，更是養(yǎng)殖企業(yè)下一階段生產(chǎn)投入的重要依據(jù)。其中，蛋雞的產(chǎn)蛋率是養(yǎng)殖企業(yè)最為關(guān)心的問題，準確地預測產(chǎn)蛋率的變化趨勢、建立蛋雞的產(chǎn)蛋率預測模型對蛋雞養(yǎng)殖具有重要的意義。

產(chǎn)蛋率是一個受生物、化學、物理以及人為多方面影響的復雜系統(tǒng)，產(chǎn)蛋率呈非線性的變化，傳統(tǒng)的方法很難建立一個精確的產(chǎn)蛋率預測模型。近年來，有不少學者研究并證明了外界的環(huán)境參數(shù)會對蛋雞的產(chǎn)蛋率有一定影響[4-7]，溫度、光照等外界環(huán)境因素以及蛋雞的采食量、雞齡、體質(zhì)量等都會影響蛋雞的產(chǎn)蛋率。因此，結(jié)合某些環(huán)境影響參數(shù)，產(chǎn)蛋率的變化是有規(guī)律可循的。然而，以往的研究也存在不足：一是偏重產(chǎn)蛋率與某單一參數(shù)的相關(guān)性，沒有系統(tǒng)地分析多方面因子對產(chǎn)蛋率的影響;二是沒有重視產(chǎn)蛋率的經(jīng)濟價值和企業(yè)的效益性，建立蛋雞的產(chǎn)蛋率預測模型。隨著檢測技術(shù)的多樣化和精度的提高，通過對檢測數(shù)據(jù)的處理和分析，并借助近年來發(fā)展迅速的機器學習方法，建立基于機器學習的產(chǎn)蛋率非線性預測模型，使產(chǎn)蛋率的預測隨著上述多參數(shù)的變化成為可能[8]。

支持向量機（SVM）是Cherkassky等在統(tǒng)計學習理論的基礎(chǔ)上提出的一種機器學習方法[9-10]。迄今為止，SVM在金融、醫(yī)學以及圖像等領(lǐng)域[11-13]均有成果。上述研究表明，SVM在小樣本、高維度的情況下，對數(shù)據(jù)的分類和擬合能夠產(chǎn)出較優(yōu)的結(jié)果。目前，SVM在農(nóng)業(yè)領(lǐng)域的研究也逐漸興起[14-16]，如農(nóng)產(chǎn)品分類、水產(chǎn)養(yǎng)殖以及病蟲害預測等。本研究以SVM回歸理論為核心，針對產(chǎn)蛋率研究方面存在的不足，建立一種基于SVM回歸的蛋雞產(chǎn)蛋率預測模型。本研究記錄并處理了2批海蘭褐蛋雞從開始產(chǎn)蛋直至出售期間共378 d的產(chǎn)蛋率以及蛋雞采食量、蛋雞雞齡、體質(zhì)量、溫度、光照時間以及是否服用營養(yǎng)素等6類影響因子的數(shù)據(jù);隨后將第1批海蘭褐蛋雞的影響因子和產(chǎn)蛋率數(shù)據(jù)作為訓練樣本，帶入SVM的輸入端和輸出端，得到蛋雞產(chǎn)蛋率的預測模型;之后將第2批海蘭褐蛋雞用于驗證SVM預測模型的精度：將第2批蛋雞的6類影響因子數(shù)據(jù)作為測試樣本帶入訓練好的SVM模型的輸入端，得到第2批蛋雞共378 d 的產(chǎn)蛋率預測值;最后通過比較蛋雞產(chǎn)蛋率的實際值和預測值，反復調(diào)試SVM模型性能，得到一個穩(wěn)定性好、預測精度高的蛋雞產(chǎn)蛋率模型。

1 支持向量機產(chǎn)蛋率預測模型

1.1 支持向量機回歸

2 基于SVM回歸的蛋雞產(chǎn)蛋率預測

2.1 試驗數(shù)據(jù)來源及處理

本研究探討的蛋雞產(chǎn)蛋率預測模型的數(shù)據(jù)來源于安徽省亳州市正大蛋雞養(yǎng)殖場。為保證預測模型的準確性和科學性，本研究記錄2批海蘭褐蛋雞從開始產(chǎn)蛋直至蛋雞售出期間，蛋雞每天的產(chǎn)蛋率以及各項影響產(chǎn)蛋因子的數(shù)據(jù)，第1批海蘭褐蛋雞作為訓練樣本，第2批作為測試樣本，采樣時間為2016年10月28日至2017年11月12日。其中第1批蛋雞為9 889羽，第2批為9 777羽。

由于2批蛋雞的數(shù)目不同，而且在研究的過程中2批蛋雞存在自然死淘，本研究采用1 d的蛋雞總產(chǎn)蛋量除以蛋雞總數(shù)，得出蛋雞的日產(chǎn)蛋率。本研究采集的6種蛋雞產(chǎn)蛋率影響因子樣本也須要處理：（1）蛋雞采食量，本研究用1 d的蛋雞總采集量除以蛋雞總數(shù)，作為采食量數(shù)據(jù);（2）蛋雞體質(zhì)量，由于養(yǎng)殖場體質(zhì)量為1周采集1次，采用Lagrange插值法，得出蛋雞每天的體質(zhì)量。Lagrange插值法是一種多項式插值法，可以給出一個恰好穿過二維平面上已知點的多項式函數(shù)，根據(jù)這個多項式，可以估計出蛋雞每日的體質(zhì)量。（3）是否服用營養(yǎng)液，本研究將藥物混于水中，以保證服用營養(yǎng)液時，每羽蛋雞都能服用。（4）溫度，由于溫度的不穩(wěn)定性以及平均溫度難以精確測出，用雞舍最低溫度和最高溫度表示溫度與蛋雞產(chǎn)蛋率的關(guān)聯(lián)性。光照時間可以準確監(jiān)控、記錄。至此，處理完所有需要的數(shù)據(jù)，得出7組影響蛋雞產(chǎn)蛋率因素的數(shù)據(jù)（表1）。

2.2 支持向量機核函數(shù)選擇和參數(shù)優(yōu)化

SVM回歸的關(guān)鍵在于核函數(shù)類型的選擇，避免了在實行非線性回歸時，低維空間樣本數(shù)據(jù)映射到高維空間的復雜度，且不同的核函數(shù)會導致SVM的推廣性能的不同[17]。本研究選取使用較為廣泛的多項式核函數(shù)和高斯核函數(shù)：

對于不同類型的核函數(shù)，產(chǎn)生的支持向量的個數(shù)變化并不大，但核函數(shù)的相關(guān)參數(shù)對模型的預測性能有重要影響。在使用多項式核函數(shù)時，須要設(shè)置懲罰因子C以及多項式核階數(shù)d 2個控制變量，而高斯核函數(shù)須要設(shè)置懲罰因子C和核函數(shù)寬度σ。為達到上述核函數(shù)參數(shù)的最優(yōu)化，本研究使用網(wǎng)格搜索法和交差驗證結(jié)合的方法來尋找最佳的核函數(shù)參數(shù)。

網(wǎng)格搜索法具有較高的學習精度、算法簡單、容易實現(xiàn)并且可以搜索到劃定網(wǎng)格中的最優(yōu)解。該方法將2個參數(shù)分別取M、N個值，對M×N個參數(shù)的組合，分別訓練不同的模型，再估計其學習精度，從而在這些組合中得到學習精度最高的一個組合作為最優(yōu)參數(shù)。交叉驗證作為一種消除樣本隨機性產(chǎn)生的訓練偏差的統(tǒng)計學方法，將訓練數(shù)據(jù)分為K個子集，以其中任意一個子集作為測試集，將其他的（K-1）個子集作為訓練集從而得到?jīng)Q策函數(shù)。通過不重復循環(huán)直至每個子集都作為測試集被預測1次，最后取整體均方誤差的平均值作為最終預測誤差，從而規(guī)避了過擬合問題。綜合SVM仿真速度和預測模型的準確率，本研究采用十折交叉驗證尋找最優(yōu)參數(shù)組合。多項式核函數(shù)及高斯核函數(shù)尋優(yōu)結(jié)果詳見表2。

2.3 基于SVM的產(chǎn)蛋率預測模型

本研究預測模型和數(shù)據(jù)處理基于MatLab2016a環(huán)境編程

由圖1和圖2的預測模型可知，多項式核函數(shù)和高斯核函數(shù)的預測結(jié)果和實際樣本擬合度較高，且產(chǎn)蛋率上升下降的趨勢吻合，說明基于SVM建立的蛋雞產(chǎn)蛋率預測模型具有可行性和可信度，且具有很強的現(xiàn)實價值。由此可以看出，多項式核函數(shù)在產(chǎn)蛋率前期的預測性能并不是很好，波動性較大，此處與高斯核函數(shù)差距較大。

2.4 預測性能比較結(jié)果

為進一步評估和分析SVM蛋雞產(chǎn)蛋率預測模型的性能，本研究使用BP神經(jīng)網(wǎng)絡建立產(chǎn)蛋率模型用來與SVM回歸預測的性能作對比，結(jié)果如圖3所示。

本研究在比較不同模型對同一蛋雞產(chǎn)蛋率樣本，采用了均方誤差MSE和相關(guān)系數(shù)r作為預測模型性能的指標，均方誤差的值越小，代表預測模型性能越好，相關(guān)系數(shù)的值越接近1，說明預測結(jié)果和實際值之間相關(guān)程度越高。計算公式為：

對比表3的不同核函數(shù)SVM和BP神經(jīng)網(wǎng)絡預測結(jié)果，SVM的預測性能在各項指標上均優(yōu)于BP神經(jīng)網(wǎng)絡，尤其是在樣本的訓練時間上，SVM有著巨大的優(yōu)越性。對比高斯核函數(shù)和多項式核函數(shù)可知，高斯核函數(shù)在該預測模型性能比多項式核函數(shù)高。綜上，SVM預測模型具有較高的預測精度以及推廣性。

3 結(jié)論

本研究基于SVM回歸理論，提出了一種蛋雞產(chǎn)蛋率預測模型，可歸納為以下幾個方面：（1）以往研究偏重產(chǎn)蛋率與某單一參數(shù)的相關(guān)性，多影響因子研究較少。本研究針對這一情況，建立了蛋雞產(chǎn)蛋率與溫度、光照、體質(zhì)量、采食量等6個影響因子的映射關(guān)系。（2）結(jié)合SVM回歸理論，本研究提出了蛋雞產(chǎn)蛋率預測模型，從試驗結(jié)果可以得出結(jié)論，本預測模型預測精度較高，具有可信度和很強的推廣性。（3）為進一步評估SVM蛋雞產(chǎn)蛋率預測模型的性能，本研究以同樣的樣本用BP神經(jīng)網(wǎng)絡建立產(chǎn)蛋率模型作為對比，并設(shè)置相關(guān)評價指標。性能比較結(jié)果證明，基于SVM的蛋雞預測模型性能優(yōu)于BP神經(jīng)網(wǎng)絡，本預測模型穩(wěn)定性好、適用范圍廣、預測結(jié)果準確。

本研究提出的基于SVM的預測模型，不僅僅局限于蛋雞產(chǎn)蛋率的預測，其他禽類產(chǎn)蛋率同樣適用于本預測模型方法。本預測模型具有很強的實用價值，值得推廣并投入實際應用。

參考文獻：

[1]Karner E. The future of agriculture is digital：showcasting e-Estonia[J]. Frontiers in Veterinary Science，2017，4（4）：151.

[2]楊 寧，秦 富，徐桂云，等. 我國蛋雞養(yǎng)殖規(guī)?；l(fā)展現(xiàn)狀調(diào)研分析報告[J]. 中國家禽，2014（7）：2-9.

[3]何萬領(lǐng). 蛋雞養(yǎng)殖數(shù)據(jù)化與智能化需求[J]. 農(nóng)業(yè)知識：科學養(yǎng)殖，2015（8）：27.

[4]于晶華，于晶芳，于 萍. 蛋雞產(chǎn)蛋性能的影響因素及解決辦法[J]. 現(xiàn)代畜牧科技，2017（3）：33.

[5]Otwinowska-Mindur A，Gumulka M，Kania-Gierdziewicz J. Mathematical models for egg production in broiler breeder hens[J]. Annals of Animal Science，2016，16（4）：1185-1198.

[6]時 凱，陳長寬，卞紅春，等. 不同養(yǎng)殖模式及光照度對蛋雞產(chǎn)蛋率的影響[J]. 江蘇農(nóng)業(yè)科學，2016，19（2）：254-255.

[7]嚴華祥，蔡 霞，徐志剛，等. 高產(chǎn)蛋雞100周齡生產(chǎn)性能觀察[J]. 中國畜牧雜志，2015，51（8）：85-89.

[8]笪英云，汪曉東，趙永剛，等. 基于關(guān)聯(lián)向量機回歸的水質(zhì)預測模型[J]. 環(huán)境科學學報，2015，35（11）：3730-3735.

[9]Cherkassky V. The nature of statistical learning theory[J]. IEEE Transactions on Neural Networks，1997，8（6）：1564.

[10] Cortes C，Vapnik V. Support-vector networks [J]. Machine Learning，1995，20（3）：273-297.

[11]Chapellen O，Haffner P，Vapnik V N. Support vector machines for histogram-based image classification[J]. IEEE Transactions on Neural Networks，1999，10（5）：1055-1064.

[12]Chen Y J，Liu Y Y，Zhao G Z，et al. Chinese traditional medicine recognition by support vector machine （SVM） terahertz spectrum[J]. Spectroscopy and Spectral Analysis，2009，29（9）：2346-2350.

[13]Ding Y S，Song X P，Zen Y E. Forecasting financial condition of Chinese listed companies based on support vector machine[J]. Expert Systems with Applications，2008，34（4）：3081-3089.

[14]Liu T L，Su Q Y，Sun Q，et al. Recognition of corn seeds based on pattern recognition and near infrared spectroscopy technology[J]. Spectroscopy and Spectral Analysis，2012，32（6）：1550-1553.

[15]Tang J L. Maize seedling/weed multiclass detection in visible/near infrared image based on SVM[J]. Journal of Infrared and Millimeter Waves，2011，30（2）：97-103.

[16]Deng X Y，Wang Q H，Chen H，et al. Eggshell crack detection using a wavelet-based support vector machine[J]. Computers and Electronics in Agriculture，2010，70（1）：135-143.

[17]奉國和. SVM分類核函數(shù)及參數(shù)選擇比較[J]. 計算機工程與應用，2011，47（3）：123-124，128.