遲 宇，郭艷嬌，馮 涵，李 寒，鄭永軍,3

采用多源信息融合的妊娠豬舍環(huán)境質量評價方法

遲 宇1，郭艷嬌1，馮 涵1，李 寒2，鄭永軍1,3※

（1. 中國農業(yè)大學工學院，北京 100083；2. 中國農業(yè)大學信息與電氣工程學院，北京 100083；3. 現代農業(yè)裝備與設施教育部工程研究中心，北京 100083）

妊娠豬舍作為養(yǎng)殖場豬只繁育的基礎條件，其環(huán)境質量對母豬的生產性能有顯著影響。為合理評價妊娠豬舍環(huán)境質量，該研究提出一種基于模擬退火的粒子群算法（Simulated Annealing-Particle Swarm Optimization，SA-PSO）、套索算法（Least Absolute Shrinkage and Selection Operator，LASSO）和反向傳播（Back Propagation，BP）神經網絡的環(huán)境質量評價模型。利用卡爾曼濾波和分批估計自適應加權融合算法，實現多節(jié)點環(huán)境數據的時間與空間序列融合；構建豬舍環(huán)境質量非線性評價模型，采用LASSO算法，篩選得出與環(huán)境質量強相關的特征參數，實現輸入降維；融合SA-PSO算法實現網絡初始權值和閾值的優(yōu)化，形成SA-PSO-LASSO-BP神經網絡評價模型。通過對數據采集系統(tǒng)獲取的實際妊娠豬舍環(huán)境數據進行驗證，結果表明：提出的環(huán)境質量評價模型決定系數為0.918、總準確率為95.85%，相比單純使用BP神經網絡，加入LASSO和SA-PSO算法后決定系數與總準確率分別提高了37.43%、11.09個百分點，具有更高的評價精度和性能，可更好地擬合復雜環(huán)境參數與環(huán)境質量間的非線性關系，為妊娠豬舍環(huán)境質量評價提供參考。

模型；環(huán)境；妊娠豬舍；環(huán)境質量；BP神經網絡；LASSO算法；SA-PSO算法

0 引 言

在生豬養(yǎng)殖集約化、規(guī)?；l(fā)展的過程中，母豬的繁殖性能和健康作為影響?zhàn)B殖企業(yè)經濟效益的關鍵因素，受到妊娠豬舍內環(huán)境質量（適宜性或舒適度）的直接影響[1-3]。因此建立可監(jiān)測特征環(huán)境參數與舒適度之間的關系、及時準確地評價妊娠豬舍環(huán)境質量，是改善環(huán)境調控措施、實現豬舍環(huán)境舒適度精準調控的重要前提，對于減輕母豬生長與繁育過程中受到的環(huán)境脅迫、提高養(yǎng)殖效益有實際意義。

目前，對于豬舍環(huán)境質量評價主要分為2類：模糊綜合評價模型與機器學習模型。由于豬舍環(huán)境是一個由多環(huán)境參數共同作用所形成的復雜非線性時變系統(tǒng)，且環(huán)境參數間相互影響，因此舍內環(huán)境質量與環(huán)境參數間的關系難以使用準確的數學模型進行映射。模糊綜合評價法[4-6]作為豬舍環(huán)境質量常用的評價方法，雖然能夠有效解決多環(huán)境參數的不確定性和模糊邊界問題，但未能挖掘環(huán)境參數間的耦合關系和環(huán)境參數與環(huán)境質量間的非線性關系，存在欠學習的問題。由此，程捷等[7]提出一種基于改進D-S（Dempster-Shafer）證據理論的數據融合算法，能夠兼顧各環(huán)境參數的數據特征和內在聯系，有效地識別豬舍環(huán)境狀態(tài)?？紤]到環(huán)境參數與環(huán)境適宜性之間的非線性關系，孫聰[8]利用改進CS（Cuckoo Search）算法優(yōu)化的BP（Back Propagation）神經網絡構建豬舍環(huán)境適宜度評價模型；朱保釧[9]通過改進的C4.5算法實現對育肥豬舍環(huán)境適宜性的預測；陳沖等[10]提出了一種基于MSCCS-LSSVR（Mutative Scale Chaos Cuckoo Search-Least Square Support Vector Regression）模型的哺乳母豬舍環(huán)境舒適度評價預測方法。由于豬舍內環(huán)境受到舍外環(huán)境、地理位置等因素影響，不同豬舍內環(huán)境參數的變化范圍和變化趨勢存在實際差異。以上方法雖能擬合豬舍環(huán)境參數與適宜性之間的非線性關系，但未對參數選取原則與其對環(huán)境質量的影響程度作深入分析，模型存在應用普適性和泛化性差的問題。

BP神經網絡是一種多層前饋型網絡模型，具有高度的自學習和非線性映射能力，已在畜禽舍內環(huán)境參數評估預測方面取得良好的效果[11-12]。因此本文采用BP神經網絡構建非線性評價模型，但其性能易受初始權值和閾值隨機性的影響，仍需采用優(yōu)化算法對其初始參數進行優(yōu)化[12-13]，進一步提升網絡性能和預測精度。針對妊娠豬舍內環(huán)境質量的特征參數選擇與BP神經網絡參數優(yōu)化問題，采用LASSO（Least Absolute Shrinkage and Selection Operator）算法篩選特征參數，簡化多環(huán)境參數結構；利用SA-PSO（Simulated Annealing-Particle Swarm Optimization）算法優(yōu)化BP神經網絡的初始權值和閾值，構建SA-PSO-LASSO-BP神經網絡模型，實現妊娠豬舍環(huán)境質量的可靠評價，為后續(xù)環(huán)境質量精準調控提供決策支持。

1 數據獲取

1.1 采集設備與采集方案

采集現場為湖南省株洲某生豬養(yǎng)殖基地。該基地是一個典型的集生豬培育、種豬繁殖于一體的集約化生豬養(yǎng)殖基地，本研究所選豬舍為密閉環(huán)境，長40 m、寬14 m、高3 m，內部為4列式豬欄結構，如圖1a所示。該豬舍內限位欄長2.2 m、寬0.65 m、高1 m，共養(yǎng)殖228頭長白豬。依據國家標準[14]，豬舍環(huán)境評價主要包括豬舍空氣、豬舍通風、豬舍采光、豬舍噪聲等4個方面，且每方面均包含多個環(huán)境參數。其中溫度、相對濕度、NH3質量濃度、CO2質量濃度、H2S質量濃度、PM2.5質量濃度、PM10質量濃度、光照強度、噪聲等9個指標是豬舍環(huán)境質量的主要影響因素[15-17]，均可通過傳感器直接獲得。經預檢測，將傳感器安裝于距離地面2 m處，數值波動較小且可避免豬舍噴水、清潔等管理工作對傳感器造成的損壞。試驗采用的多種傳感器組成1個采集節(jié)點，布置見圖1b，實現數據的可持續(xù)監(jiān)測。各傳感器及參數指標見表1。

圖1 豬舍結構及采集節(jié)點布置

表1 傳感器參數

利用Arduino Mega 2560作為控制核心建立數據采集系統(tǒng)，總體結構如圖2所示。該系統(tǒng)的10個采集節(jié)點每間隔10 min對環(huán)境數據進行1次采集，并通過WIFI模塊將各傳感器采集的環(huán)境數據傳輸至物聯網監(jiān)測平臺數據中心，實現數據的存儲與遠程監(jiān)控。采集周期為2021年10月1日至2021年12月31日（92 d）。

圖2 數據采集系統(tǒng)

1.2 數據預處理

1.2.1 單一傳感器時間序列數據融合

由于環(huán)境參數傳感器在工作過程中易受到妊娠豬舍日常生產與管理工作的干擾而產生噪聲。采用卡爾曼濾波算法[17]對原始數據進行濾波處理，能夠有效地抑制系統(tǒng)與環(huán)境噪聲，減小隨機誤差的影響，較好地實現時間序列數據融合。以下以溫度傳感器數據為例，說明數據預處理過程。

本文對2021年10月1日至2日豬舍內一個溫度傳感器連續(xù)采集的288個數據進行預處理。為填補無線傳輸丟包造成的缺失數據，將同一時刻其他同質傳感器采集數據的平均值作為本傳感器缺失的時點數據。采集到的原始溫度時序數據經卡爾曼濾波平滑后消除了峰值突變（圖3），實現異常數據修正與環(huán)境噪聲實時動態(tài)計算和補償。濾波前后溫度數據的方差分別為1.49和1.43，濾波后數據的方差較濾波前下降了4.03%，數據波動性降低，確保了數據的準確性和有效性。

圖3 卡爾曼濾波結果

1.2.2 多源同質傳感器空間序列數據融合

單一傳感器時間序列數據融合后，需要對10個采集節(jié)點的同質傳感器數據進行空間序列融合。本研究以分批估計自適應加權融合算法[18]為核心，首先利用等分法將單一傳感器連續(xù)采集的10個數據劃分為2組，根據分批估計理論分別求取2組數據的局部方差；再采用自適應加權融合算法計算多源同質傳感器數據的整體方差，獲得各傳感器數據的加權因子，從而實現多源同質傳感器空間序列融合。

為驗證分批估計自適應加權融合算法的可行性，首先分別對妊娠豬舍內布置的10個采集節(jié)點獲得的原始溫度數據進行卡爾曼濾波，再對同一時刻不同溫度傳感器數據進行空間序列融合，融合數據的均方誤差（Mean Square Error，MSE）與算術平均法和自適應加權融合算法對比，結果如圖4所示。

注：本文算法為分批估計自適應加權融合算法。

由圖4可知，利用算術平均法對傳感器數據進行空間融合，MSE分布于0.455～2.358，使用自適用應權融合算法融合數據的MSE分布于0.006～0.141，而分批估計自適應加權融合算法融合數據的MSE最大值僅為0.055。本文采用的分批估計自適應加權融合算法效果最優(yōu)，融合數據的MSE較算術平均法下降了92.14%以上，有效提高了融合精度，減少了數據冗余。

按以上缺失時點數據同質均值補償、卡爾曼濾波、分批估計自適應加權等流程對所有傳感器的數據融合預處理后，進行歸一化處理，統(tǒng)一于[0,1]區(qū)間，消除各項參數的量綱與數值差異。

2 環(huán)境質量評價模型

由于豬舍環(huán)境是一個由多種環(huán)境參數共同作用所形成的時變系統(tǒng)，為挖掘環(huán)境參數間的耦合關系、擬合環(huán)境參數與環(huán)境質量之間的非線性關系，本研究采用BP神經網絡對環(huán)境質量進行評價。通過LASSO算法對特征環(huán)境參數進行篩選，重置BP神經網絡的結構參數，確定BP神經網絡的拓撲結構，進一步提高環(huán)境質量評價精度；利用SA-PSO算法優(yōu)化BP神經網絡的初始權值和閾值，提高BP神經網絡的收斂速度與收斂精度，最終形成的SA-PSO-LASSO-BP神經網絡算法流程如圖 5所示。

圖5 SA-PSO-LASSO-BP神經網絡算法流程圖

2.1 評價標準建立

參考國家標準GB/T 17824.3—2008《規(guī)模豬場環(huán)境參數及環(huán)境管理》，將環(huán)境質量識別框架分為3級：1級（適宜）、2級（較適宜）、3級（不適宜），并確定9種環(huán)境因素在3種環(huán)境質量識別框架下的特征值范圍，構建妊娠豬舍環(huán)境質量評價標準（表2）。

表2 環(huán)境質量評價標準

注：其他情況為9種環(huán)境參數處于不同環(huán)境質量評價等級特征值范圍。

Note: Other conditions indicate that nine environmental parameters are in the range of characteristic values of different environmental quality evaluation grades.

當9種環(huán)境參數均滿足同一等級的特征值要求時，可直接確定其對應的等級。對同一時刻環(huán)境參數處于不同等級特征值范圍的情況，當其中某一項環(huán)境參數嚴重超標時，采用“一項否決”策略評價為3級；否則，通過層次分析法和梯形隸屬度函數計算確定豬舍環(huán)境質量等級[4]。

基于數據采集系統(tǒng)獲得的92 d數據，預處理后選取3種環(huán)境質量識別框架下的傳感器數據共5 110組。采用上述評價標準進行環(huán)境質量等級評定，最終獲得1等級樣本數據1 566組，2等級樣本數據1 785組，3等級樣本數據1 759組，可作為特征選擇、環(huán)境質量評價模型構建優(yōu)化的數據訓練集與測試集。

2.2 特征選擇

在采用BP神經網絡進行豬舍環(huán)境質量評價時，若將9種環(huán)境參數均作為輸入量會增加模型結構的復雜性，降低模型的性能和泛化能力；若輸入特征參數不足，則會降低模型的評價精度。因此，本文采用LASSO算法[19]對9種環(huán)境參數進行特征選擇，優(yōu)化輸入參數量。該方法在回歸系數縮減的過程中，將特征性較弱的環(huán)境參數的回歸系數縮減為0，從而達到“變量選擇”的目的，其目標函數為

式中為樣本數量；為環(huán)境因素個數；y為第個樣本對應的環(huán)境質量等級；β為第個環(huán)境因素對應的回歸系數；x為第個樣本對應的第個影響因素；為懲罰因子。

隨機從預處理后的各等級環(huán)境數據中抽取700組數據，共獲得2 100組樣本數據。為提高模型的泛化能力和特征選擇的準確性，采用十折交叉驗證，按照9∶1的比例從2 100組樣本數據中每種等級隨機抽取數據，共獲得1 890組訓練集和210組測試集，求解得到不同值下對應的均方根誤差（Root Mean Squared Error，RMSE）如圖6所示。由圖6可知，當處于0.1～0.2時，均方根誤差存在最小值。考慮交叉驗證是隨機分組，為保證模型的泛化性和魯棒性，選取10次交叉驗證結果的平均值作為LASSO算法最佳懲罰因子，即0.147。

圖6 不同λ取值下的均方根誤差

圖7為LASSO算法分析后各環(huán)境參數所對應的回歸系數軌跡圖，由圖7可知，隨著值的增加，環(huán)境參數的標準化回歸系數逐漸收斂。當= 0.147時，溫度、相對濕度、NH3質量濃度、CO2質量濃度的標準化回歸系數分別為0.57、-0.097、0.138、0.185，H2S質量濃度、PM2.5質量濃度、PM10質量濃度、光照強度、噪聲的標準化回歸系數均為0，在特征選擇的過程中被淘汰。因此，本文選取溫度、相對濕度、NH3質量濃度、CO2質量濃度4種環(huán)境參數作為BP神經網絡模型的輸入量。

圖7 9種環(huán)境參數的標準化回歸系數

2.3 特征分析

妊娠豬舍2021年11月24日—2021年11月30日特征環(huán)境參數的分布如圖8所示。由圖可知妊娠豬舍溫度于14:00—15:00達到峰值，然后隨時間逐漸下降，在08:00—09:00達到最低，然后逐漸升高；相反，相對濕度、CO2質量濃度和NH3質量濃度于08:00—09:00達到峰值而后逐漸下降，于14:00—15:00降至最低值后波動上升。妊娠豬舍內溫度、相對濕度、NH3質量濃度、CO2質量濃度呈現出明顯的非線性變化趨勢，且具有一定的周期性和相關性。

對特征環(huán)境參數進行Pearson相關性分析，分析結果如表3所示。由表3可知，溫度與相對濕度、NH3質量濃度、CO2質量濃度之間的相關系數分別為-0.637、-0.871、-0.737，說明溫度與其他特征環(huán)境參數間存在顯著負相關關系（<0.01）；此外，相對濕度與NH3質量濃度、CO2質量濃度之間的相關系數為0.330、0.723，表明相對濕度與NH3質量濃度、CO2質量濃度間存在顯著正相關關系（<0.01），與圖8中各環(huán)境參數的變化規(guī)律一致。這是因為溫度的上升加速了舍內水分的蒸發(fā)，從而導致相對濕度下降；隨著溫度的持續(xù)升高，豬在行為上表現出精神萎靡、呼吸深度變淺、采食量減退等現象[20]，機體的排泄量也隨之減少[21]，舍內CO2質量濃度和NH3質量濃度降低。因此，溫度、相對濕度、NH3質量濃度、CO2質量濃度呈現出此種變化趨勢和相關關系。

由于豬舍特征環(huán)境參數呈非線性變化趨勢，且各參數間存在相關關系，因此難以使用準確的數學模型描述環(huán)境參數與環(huán)境質量之間的關系。BP神經網絡作為一種多層前饋型網絡模型，具有高度的自學習、自適應和泛化能力，較強的非線性映射能力[22]，能夠充分挖掘環(huán)境參數間的耦合關系，擬合復雜環(huán)境參數與環(huán)境質量之間的非線性關系，從而達到良好的識別與分類目的。因此，本研究使用BP神經網絡進行建模，實現妊娠豬舍環(huán)境質量的可靠性評價。

注：7d，2021-11-24至2021-11-30；1d，2021-11-24。

表3 特征環(huán)境參數間的相關系數

注（Note）: *,<0.01.

2.4 BP神經網絡模型結構的確定

BP神經網絡由輸入層、隱含層和輸出層組成，其中輸入層為特征選擇后的4種環(huán)境參數（4個節(jié)點），輸出層為對應的環(huán)境質量等級（1個節(jié)點），隱含層的節(jié)點數需進行求解。目前，沒有固定的方法求解隱含層節(jié)點數，但可依據Kolmogorov定理進行隱含層節(jié)點數的經驗估計，其經驗公式[12, 23]為

式中為輸入層節(jié)點數；為輸出層節(jié)點數；為常數，取值范圍為1～10。

在本研究中，= 4，= 1，最終計算得到隱含層節(jié)點數的取值范圍為4～12。

為確定隱含層節(jié)點具體數量，在I5-7300 HQ、2.5 GHz、8 GB內存、Window 10系統(tǒng)集成開發(fā)環(huán)境下，使用MATLAB編寫相關程序。經反復試驗確定輸入層到隱含層的傳遞函數為“tansig”，隱含層到輸出層的傳遞函數為“purelin”“trainlm”作為常用的訓練函數之一，具有收斂速度快、誤差小、訓練效果優(yōu)等特點[23]，因此本文選取“trainlm”為訓練函數；同時，設置BP神經網絡的迭代次數為1 000，學習率為0.01。在此基礎上，將2100組環(huán)境數據按照9∶1的比例劃分為訓練集和測試集后，分別訓練具有4～12個隱含層節(jié)點個數的BP神經網絡。

為了對不同隱含層節(jié)點數量下模型的預測結果進行定量分析，采用平均絕對誤差（Mean Absolute Error，MAE）、RMSE、決定系數（Coefficient of determination，2）、準確率（Accuracy，ACC）作為評價指標，不同隱含層節(jié)點數量下BP神經網絡的性能如圖9所示。由圖9可知，當隱含層節(jié)點數為11時，BP神經網絡的MAE、RMSE、2、ACC分別達到0.077、0.277、0.878、92.33%，均為最優(yōu)值。相較于其他模型，隱含層節(jié)點數為11的BP神經網絡2與ACC至少提高了5.73%、2.50%，MAE與RMSE至少下降了3.75%、2.12%，具有更高的性能和評價精度。因此，本研究確定最佳隱含層節(jié)點數=11。

注：R2，決定系數；ACC，準確率，%。

2.5 BP神經網絡模型參數的優(yōu)化

基于單一BP神經網絡對豬舍環(huán)境質量進行評價時，其性能受到網絡初始權值和閾值等參數的影響，存在收斂速度慢、易陷入局部極小值等問題，從而無法尋得全局最優(yōu)值。為提高妊娠豬舍環(huán)境質量評價精度，本研究采用粒子群算法（Particle Swarm Optimization，PSO）對BP神經網絡的初始權值和閾值進行優(yōu)化，既保留神經網絡的非線性擬合能力，又能夠發(fā)揮粒子群算法的全局尋優(yōu)能力，綜合提升BP神經網絡的收斂速度和尋優(yōu)精度[24]。

PSO算法雖然收斂速度快，但存在易過早收斂、易陷入局部最優(yōu)等缺點[25]，因此本文將模擬SA算法嵌入PSO算法中。參考文獻[25]，在SA-PSO算法中，采用帶壓縮因子的方法選擇合適的參數提高PSO算法的收斂性；同時對PSO算法的最優(yōu)解進行優(yōu)化，讓粒子有較大的概率接受非最優(yōu)解，從而跳出局部最優(yōu)解。假設在維空間內，粒子的種群規(guī)模為，第個粒子在第維空間的位置、速度分別為x和v，在算法迭代過程中，每個粒子根據個體極值P和全局極值G來更新自己的速度和位置

式中v+1為粒子第+1次的速度；x+1為粒子第+1次的位置；v為粒子第次的速度；x為粒子第次的位置； P為粒子第次的個體極值；G’為粒子第次的全局極值；為慣性權重；1、2為學習因子；1、2為隨機數，1、2∈[0,1]；為當前迭代次數；為壓縮因子，max為最大慣性權值，min為最小慣性權值，為最大迭代次數。

以上述特征選擇和環(huán)境質量評價方法為基礎，共選取3 010組環(huán)境數據，1級、2級、3級3種質量等級下的傳感器數據分別為866、1 085、1 059組，按照9∶1的比例劃分成2 709組訓練集和301組測試集。經過多次試驗測試，SA-PSO算法的初始參數設置如下：粒子的種群規(guī)模= 20，學習因子1=2= 2.05，最大慣性權值max= 0.9，最小慣性權值min= 0.4，退溫系數= 0.99，最大迭代次數= 1 000。

為驗證SA-PSO算法的優(yōu)化性能，選取遺傳算法（Genetic Algorithm，GA）、麻雀搜索算法（Sparrow Search Algorithm，SSA）、粒子群算法3種優(yōu)化算法進行對比。試驗以RMSE為適應度函數，迭代終止條件為達到最大迭代次數，4種算法的適應度函數曲線如圖10所示。由圖10可知，隨著迭代次數的增加，適應度函數曲線收斂。相較于GA、SSA算法，PSO算法的適應度值更低，為0.194，尋優(yōu)效果更佳；加入SA算法后，SA-PSO算法的適應度值進一步降低，達到0.187，較PSO算法減小了3.61%。因此，通過SA算法對PSO算法進行優(yōu)化，能夠更好地發(fā)揮PSO算法的全局尋優(yōu)能力，提高其尋優(yōu)精度，適合于BP神經網絡初始權值和閾值的優(yōu)化。

注：GA，遺傳算法；SSA，麻雀搜索算法；PSO，粒子群算法；SA-PSO，模擬退火-粒子群算法。

3 結果與分析

為驗證SA-PSO-LASSO-BP神經網絡的性能，選取BP神經網絡、LASSO-BP神經網絡、GA-LASSO-BP神經網絡、SSA-LASSO-BP神經網絡、PSO-LASSO-BP神經網絡等5種模型進行對比。試驗采用MSE作為網絡誤差函數，迭代終止條件網絡誤差目標值設置為0.01，6種模型的3 010組訓練集性能測試結果如表4所示。

表4 不同神經網絡模型性能

由表4可知，對于收斂速度，BP神經網絡迭代766次時完成訓練，而LASSO-BP神經網絡模型迭代537次完成訓練，迭代次數下降了29.90%，說明LASSO算法能夠降低BP神經網絡結構的復雜性和訓練壓力，從而提高網絡的收斂速度；通過4種優(yōu)化算法改進的LASSO-BP神經網絡的迭代次數分別為374、192、79、36次，運行時間分別為2.65、1.93、1.45、1.20 s，其中建立的SA-PSO-LASSO-BP神經網絡的迭代次數最少、運行時間最短，相較于PSO-LASSO-BP神經網絡迭代次數減少了54.43%、運行時間加快了17.24%，具有更快的收斂速度。

對于收斂精度，BP神經網絡在誤差為0.090時停止訓練，LASSO-BP神經網絡在誤差為0.074時停止訓練，網絡誤差下降了17.78%，驗證了LASSO算法能夠提高BP神經網絡輸入參數的特征性，提高網絡的收斂精度；通過4種優(yōu)化算法改進的LASSO-BP神經網絡的誤差值分別為0.040、0.037、0.036、0.033，本文所提出模型的誤差值最低，較PSO-LASSO-BP神經網絡誤差下降了8.33%，具有更高的評價精度和性能。

模型訓練后，以301組樣本測試6種神經網絡模型的評價效果，結果如表5所示。由表5可知，SA-PSO-LASSO-BP神經網絡的MAE、RMSE、2、總準確率分別為0.037、0.176、0.918、95.85%，與其他5種模型相比，效果最優(yōu)。相比單純使用BP神經網絡，加入LASSO和SA-PSO算法2與總準確率分別提高了37.43%、11.09個百分點，MAE與RMSE分別下降了79.10%、44.83%。因此，SA-PSO-LASSO-BP神經網絡通過LASSO算法對9種環(huán)境參數進行特征選擇，有效地提高了BP神經網絡的評價性能；其次，采用SA-PSO算法優(yōu)化網絡的初始權值和閾值，更充分地挖掘了環(huán)境參數間的耦合關系，更好地擬合了妊娠豬舍環(huán)境參數與環(huán)境質量間的非線性關系，大幅度增強網絡的評價效率，提高環(huán)境質量評價精度。

表5 不同神經網絡模型評價結果

4 討 論

通過實際數據訓練結果可知，與現有文獻中常用的模糊綜合評價法[4-6]相比，采用的BP神經網絡充分挖掘了環(huán)境參數間的耦合關系，擬合復雜環(huán)境參數與環(huán)境質量間的非線性關系，可以有效解決模糊綜合評價存在的欠學習問題?，F有文獻中的機器學習方法[7-10]進行豬舍環(huán)境質量評價時，未對環(huán)境參數選取原則與其對環(huán)境質量的影響程度作深入分析，未能考慮不同豬舍內環(huán)境參數受外環(huán)境、地理位置等因素影響所產生的變化范圍和趨勢的實際差異。運用LASSO算法選擇特征環(huán)境參數，解決機器學習存在的普適性和泛化性差等問題，同時實現了BP神經網絡模型輸入的降維，有效降低了網絡結構的復雜程度。由于BP神經網絡本身容易受到初始權值和閾值等參數的影響，存在收斂速度慢、易陷入局部極小值等不足，使用SA-PSO算法對BP神經網絡的初始權值和閾值進行優(yōu)化，有效地提高了網絡的收斂速度與收斂精度。

本研究提出的SA-PSO-LASSO-BP神經網絡模型，通過LASSO和SA-PSO算法對BP神經網絡的結構與參數進行優(yōu)化，達到了提高BP神經網絡預測精度與性能的目的，實現妊娠豬舍環(huán)境質量的可靠評價。采用的特征選擇和BP神經網絡模型，是在現有實際數據基礎上構建的具有較佳效果的模型，可以進一步嘗試采用DEFS（Differential Evolution Feature Selection）算法[13]、LightGBM（Light gradient boosting machine）算法[26]進行特征參數篩選，采用SVM（Support Vector Machine，SVM）[27]、ELM（Extreme Learning Machine，ELM）[28]等方法構建評價模型。

此外，計算流體力學（Computational Fluid Dynamics ，CFD）近年來被廣泛應用于豬舍送風降溫[29]、排風換氣[30]系統(tǒng)的設計，以及環(huán)境調控[31]、通風效果[32]的評價。因此，在后續(xù)的研究中可利用CFD對妊娠豬舍通風降溫系統(tǒng)進行優(yōu)化設計，結合本文所提出的豬舍環(huán)境質量評價方法，分析不同通風風速、通風溫度等條件下舍內的通風效果，制定通風、溫控等設備的調控策略，以滿足豬舍適宜性控制的應用要求。

5 結 論

為合理地評價妊娠豬舍環(huán)境質量，本研究提出一種基于SA-PSO-LASSO-BP（Simulated Annealing-Particle Swarm Optimization-Least Absolute Shrinkage and Selection Operator-Back Propagation）的環(huán)境質量評價模型。利用卡爾曼濾波和分批估計自適應加權融合算法對環(huán)境數據進行預處理，采用LASSO算法篩選特征環(huán)境參數，使用SA-PSO算法優(yōu)化BP神經網絡的初始權值和閾值，得到如下結論：

1）利用卡爾曼濾波和分批估計自適應加權融合算法對多采集節(jié)點的原始環(huán)境數據進行預處理，單一傳感器時間序列數據融合結果的方差較濾波前下降了4.03%；多源同質傳感器時間序列數據融合結果的方差較算術平均法至少下降了92.14%，能夠有效地抑制噪聲干擾、降低環(huán)境數據的冗余性。

2）采用LASSO算法對預處理后的環(huán)境數據進行特征選擇，較全環(huán)境參數模型，LASSO-BP神經網絡模型迭代次數下降了29.90%，網絡誤差降低了17.78%。SA-PSO-LASSO-BP神經網絡模型的迭代次數為36次，運行時間為1.20 s，網絡誤差為0.033，相較于GA-LASSO- BP神經網絡模型迭代次數減少了54.43%，運行時間加快了17.24%，網絡誤差下降了8.33%，網絡收斂精度和收斂速度顯著提高。

3）采用實際妊娠豬舍環(huán)境數據作為測試樣本對SA-PSO-LASSO-BP神經網絡模型及其他5模型的評價效果進行驗證，結果表明：SA-PSO-LASSO-BP神經網絡模型的平均絕對誤差為0.037、均方根誤差為0.176、決定系數為0.918、總準確率為95.85%，相比單純使用BP神經網絡，加入LASSO和SA-PSO算法之后決定系數與總準確率分別提高了37.43%、11.09個百分點，平均絕對誤差與均方根誤差分別下降了79.10%、44.83%，具有更高的評價精度和性能。

本文提出基于SA-PSO-LASSO-BP神經網絡模型的豬舍環(huán)境質量評價方法，可充分挖掘環(huán)境參數間的耦合關系，更好地擬合復雜環(huán)境因素與環(huán)境質量間的非線性關系，為豬舍環(huán)境提供有效的質量評價手段。

[1] 李修松，葉章穎，李國銘，等. 規(guī)模化豬場妊娠母豬舍改進濕簾降溫系統(tǒng)的環(huán)境特性[J]. 農業(yè)工程學報，2020，36(20)：238-245.

Li Xiusong, Ye Zhangying, Li Guoming, et al. Environmental characteristics of a swine gestation barn with an innovative cooling pad system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 238-245. (in Chinese with English abstract)

[2] 韓戰(zhàn)強，銀嶺，馬亞姣，等. 飼養(yǎng)模式、新型飼料添加劑、豬舍溫熱環(huán)境對母豬繁殖性能的影響[J]. 養(yǎng)豬，2021(6)：35-38.

Han Zhanqiang, Yin Ling, Ma Yajiao, et al. Research progress on the effects of feeding pattern, feed additives and warm and hot environment on sow reproductive performance[J]. Swine Production, 2021(6): 35-38. (in Chinese with English abstract)

[3] Li J, Han Q. Effects of environment and breed on growth performance and meat quality of fattening pigs[J]. Animal Welfare, 2020, 29(2): 177-184.

[4] 謝秋菊，蘇中濱，劉超吉，等. 豬舍環(huán)境適宜性模糊綜合評價[J]. 農業(yè)工程學報，2016，32(16)：198-205.

Xie Qiuju, Su Zhongbin, Liu Chaoji, et al. Fuzzy synthetic assessment of swine house environmental adaptability[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 198-205. (in Chinese with English abstract)

[5] 沈翠鳳. 基于物聯網的畜禽舍環(huán)境遠程監(jiān)控和評判系統(tǒng)研究[J]. 中國農機化學報，2020，41(12)：112-118.

Shen Cuifeng. Research on remote monitoring and evaluation system of livestock and poultry house environment based on Internet of Things[J]. Journal of Chinese Agricultural Mechanization, 2020, 41(12): 112-118. (in Chinese with English abstract)

[6] 梁帆，劉振濤. 豬舍環(huán)境控制評價指標體系構建與分析：以河北省規(guī)模豬場為例[J]. 豬業(yè)科學，2021，38(8)：86-91.

Liang Fan, Liu Zhentao. Construction and analysis of evaluation index system of piggery environmental control: A case study of large-scale pig farms in Hebei Province[J]. Swine Industry Science, 2021, 38(8): 86-91. (in Chinese with English abstract)

[7] 程捷，馮天玉，黃世明，等. 基于D-S證據理論的豬舍環(huán)境狀態(tài)識別研究[J]. 中國農機化學報，2021，42(6)：50-54.

Cheng Jie, Feng Tianyu, Huang Shiming, et al. Research on recognition of piggery environmental state based on D-S evidence theory[J]. Journal of Chinese Agricultural Mechanization, 2021, 42(6): 50-54. (in Chinese with English abstract)

[8] 孫聰. 基于物聯網豬舍多參數測控系統(tǒng)設計及環(huán)境適宜度評價研究[D]. 鎮(zhèn)江：江蘇大學，2019.

Sun Cong. Design and Environmental Suitability Evaluation of Multi-parameter Measurement and Control System in Pig House Based on Internet of Things[D]. Zhenjiang: Jiangsu University, 2019. (in Chinese with English abstract)

[9] 朱保釧. 基于物聯網豬舍參數測控及環(huán)境適宜度預測模型研究[D]. 鎮(zhèn)江：江蘇大學，2020.

Zhu Baochuan. Research on the Prediction Model of Parameters Measurement and Control and Environmental Suitability of Piggery Based on Internet of Things[D]. Zhenjiang: Jiangsu University, 2020. (in Chinese with English abstract)

[10] 陳沖，劉星橋，劉超吉，等. 哺乳母豬舍環(huán)境舒適度評價預測模型優(yōu)化[J]. 農業(yè)機械學報，2020，51(8)：311-319.

Chen Chong, Liu Xingqiao, Liu Chaoji, et al. Optimization of evaluation and prediction model of environmental comfort in lactating sow house[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(8): 311-319. (in Chinese with English abstract)

[11] 劉春紅，楊亮，鄧河，等. 基于ARMA和BP神經網絡的豬舍氨氣濃度預測[J]. 中國環(huán)境科學，2019，39(6)：2320-2327.

Liu Chunhong, Yang Liang, DengHe, et al. Prediction of ammonia concentration in piggery based on ARIMA and BP neural network[J]. China Environmental Science, 2019, 39(6): 2320-2327. (in Chinese with English abstract)

[12] 楊斷利，李今，陳輝，等. 基于IPSO優(yōu)化BP神經網絡的蛋雞舍有害氣體監(jiān)測系統(tǒng)[J]. 農業(yè)機械學報，2021，52(4)：327-335.

Yang Duanli, Li Jin, Chen Hui, et al. Monitoring system of harmful gas in layer house based on improved Particle Swarm Optimization BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(4): 327-335. (in Chinese with English abstract)

[13] 趙建輝，張晨陽，閔林，等. 基于特征選擇和GA-BP神經網絡的多源遙感農田土壤水分反演[J]. 農業(yè)工程學報，2021，37(11)：112-120.

Zhao Jianhui, Zhang Chenyang, Min Lin, et al. Retrieval for soil moisture in farmland using multi-source remote sensing data and feature selection with GA-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 112-120. (in Chinese with English abstract)

[14] 中華人民共和國國家質量監(jiān)督檢驗檢疫總局，中國國家標準化管理委員會. GB/T 17824.3—2008 《規(guī)模豬場環(huán)境參數及環(huán)境管理》[S]. 北京：中國標準出版社，2008.

[15] 申仲健，吳中紅，張錦瑞，等. 新風過濾和排風除臭裝置條件下樓房豬舍夏季環(huán)境監(jiān)測[J]. 農業(yè)工程學報，2022，38(11)：215-222.

Shen Zhongjian, Wu Zhonghong, Zhang Jinrui, et al. Environmental monitoring of a multi-floor pig building under the condition equipped with fresh air filters and exhaust deodorization devices in summer[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 215-222. (in Chinese with English abstract)

[16] Chen C, Liu X Q. An intelligent monitoring system for a pig breeding environment based on a wireless sensor network[J]. International Journal of Sensor Networks, 2019, 29(4): 275-283.

[17] 杜鵬，包曉安，胡逸飛，等. 基于卡爾曼濾波的無線傳感網時空數據融合算法[J]. 電子科技，2022，35(6)：21-27.

Du Peng, Bao Xiao'an, Hu Yifei, et al. Research on spatio-temporal data fusion algorithm of wireless sensor network based on Kalman filter[J]. Electronic Science and Technology, 2022, 35(6): 21-27. (in Chinese with English abstract)

[18] Wang H D, Wang D Y. An improved multiple wireless sensor data batch estimation adaptive weighted fusion algorithm[J]. Chinese Journal of Sensors and Actuators, 2015, 28(8): 1239-1243.

[19] Robert T. Regression Shrinkage and Selection Via the Lasso[J]. Journal of the Royal Statistical Society: Series B (Methodological), 2018, 58(1): 267-288.

[20] 于瀟瀅，韓蕊，秦貴信. 環(huán)境溫度對豬生產性能、養(yǎng)分消化和產熱量的影響[J]. 黑龍江畜牧獸醫(yī)，2017(17)：136-138.

Yu Xiaoying, Han Rui, Qin Guixin. The effect of environmental temperature on growth performance, nutrient digestibility and heat production in pigs[J]. Heilongjiang Animal Science and Veterinary Medicine, 2017(17): 136-138. (in Chinese with English abstract)

[21] 田宗祥，郭志明，張玲清. 環(huán)境溫度對豬采食量的影響研究進展[J]. 國外畜牧學(豬與禽)，2017，37(9)：38-39.

Tian Zongxiang, Guo Zhiming, Zhang Lingqing. Research progress of the effect of ambient temperature on feed intake of pigs[J]. Animal Science Abroad(Pigs and Poultry), 2017, 37(9): 38-39. (in Chinese with English abstract)

[22]王浩云，宋進，潘磊慶，等. 優(yōu)化BP神經網絡提高高光譜檢測調理雞肉菌落總數精度[J]. 農業(yè)工程學報，2020，36(5)：302-309.

Wang Haoyun, Song Jin, Pan Leiqing, et al. Improving hyperspectral detection accuracy of total bacteria in prepared chicken using optimized BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(5): 302-309. (in Chinese with English abstract)

[23]陳嘯，王紅英，孔丹丹，等. 基于粒子群參數優(yōu)化和BP神經網絡的顆粒飼料質量預測模型[J]. 農業(yè)工程學報，2016，32(14)：306-314.

Chen Xiao, Wang Hongying, Kong Dandan, et al. Quality prediction model of pellet feed basing on BP network using PSO parameters optimization method [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 306-314. (in Chinese with English abstract)

[24] 劉雪，李亞妹，劉嬌，等. 基于BP神經網絡的鮮雞蛋貨架期預測模型[J]. 農業(yè)機械學報，2015，46(10)：328-334.

Liu Xue, Li Yamei, Liu Jiao, et al. BP neural network based prediction model for fresh egg's shelf life[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10): 328-334. (in Chinese with English abstract)

[25] 李平. 基于SA-PSO的Plug-In混合動力汽車模糊控制策略優(yōu)化研究[D]. 濟南：山東大學，2017.

Li Ping. Optimization Research on Fuzzy Control Strategy for a Plug-In Hybrid Vehicle Based on SA-PSO Algorithm[D]. Jinan: Shandong University, 2017. (in Chinese with English abstract)

[26] 尹航，呂佳威，陳耀聰，等. 基于LightGBM-SSA-ELM的新疆羊舍CO2濃度預測[J]. 農業(yè)機械學報，2022，53(1)：261-270.

Yin Hang, Lu Jiawei, Chen Yaocong, et al. Prediction of CO2concentration in Xinjiang breeding environment of mutton sheep based on LightGBM-SSA-ELM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1): 261-270. (in Chinese with English abstract)

[27] 張?zhí)炝?，張東興，崔濤，等. 基于支持向量機和ReliefF算法的玉米品種抗倒伏預測[J]. 農業(yè)工程學報，2021，37(20)：226-233.

Zhang Tianliang, Zhang Dongxing, Cui Tao, et al. Lodging resistance prediction of maize varieties based on support vector machine and ReliefF algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 226-233. (in Chinese with English abstract)

[28] 施珮，匡亮，袁永明，等. 基于改進極限學習機的水體溶解氧預測方法[J]. 農業(yè)工程學報，2020，36(19)：225-232.

Shi Pei, Kuang Liang, Yuan Yongming, et al. Dissolved oxygen prediction for water quality of aquaculture using improved ELM network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 225-232. (in Chinese with English abstract)

[29] 張校軍，王華，龍沈飛，等. 定點送風降溫對母豬周圍溫度和對流換熱的影響[J]. 農業(yè)工程學報，2022，38(5)：225-232.

Zhang Xiaojun, Wang Hua, Long Shenfei, et al. Effects of fixed-point air supply cooling system on airflow and temperature around sows and convective heat transfer of sows[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(5): 225-232. (in Chinese with English abstract)

[30] 吳志東，房俊龍，巴文革，等. 冬季采暖保育豬舍送排風管道組合換氣系統(tǒng)設計與評價[J]. 農業(yè)工程學報，2021，37(10)：152-158.

Wu Zhidong, Fang Junlong, Ba Wenge, et al. Design and evaluation of combined ventilation system with air supply and exhaust ducts for a nursery heating piggery in winter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(10): 152-158. (in Chinese with English abstract)

[31] 劉營芳，黃子碩. 基于輻射供熱和個性化送風的分娩豬舍環(huán)境保障系統(tǒng)[J]. 農業(yè)工程學報，2022，38(2)：260-268.

Liu Yingfang, Huang Zishuo. Thermal environment regulation and energy consumption of delivery pigsty based on radiation and personalized ventilation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(2): 260-268. (in Chinese with English abstract)

[32] Marco B, Enrica S, Alberto B, et al. Assessment of geometrical and seasonal effects on the natural ventilation of a pig barn using CFD simulations[J]. Computers and Electronics in Agriculture, 2022, 193: 106652.

Environmental quality evaluation method for swine gestation barns based on multi-source information fusion

Chi Yu1, Guo Yanjiao1, Feng Han1, Li Han2, Zheng Yongjun1,3※

(1.,,100083,; 2.,,100083,;3.(),100083,)

Environmental quality of swine gestation barns can bring a significant impact on the fertility of breeding sows. Therefore, it is crucial to accurately evaluate the environmental quality and then timely trim the conditions, particularly for high breeding efficiency under less environmental stress. In this study, an environmental quality evaluation model of swine gestation barns was proposed using the Simulated Annealing-Particle Swarm Optimization-Least Absolute Shrinkage and Selection Operator-Back Propagation (SA-PSO-LASSO-BP) Neural Network (NN). Firstly, nine parameters were identified using the Chinese National Criteria. A data collection system was then established to collect the environmental data. Secondly, a Kalman filter and a batch estimation adaptive weighted fusion algorithm were introduced to fuse the multi-node environmental data, in order to remove the errors and redundant data from the data collection. Thirdly, a Least Absolute Shrinkage and Selection Operator (LASSO) regression model was selected for the feature selection. There were four feature factors that were closely related to environmental quality, including temperature, relative humidity, NH3concentration, and CO2concentration. Meanwhile, the structural parameters were optimized in the BP-NN , where the number of hidden layer nodes was determined to be 11. Finally, the initial weights and threshold values of the BP NN were optimized by the SA-PSO for the ultimate evaluation model. A comparison was made on the several NNs to verify the evaluation performance of the SA-PSO-LASSO-BP NN, including the BP, LASSO-BP, Genetic Algorithm-LASSO-BP (GA-LASSO-BP), Sparrow Search Algorithm-LASSO-BP (SSA-LASSO-BP), and the PSO-LASSO-BP NN. The training results proved that the convergence accuracy and rate of the SA-PSO-LASSO-BP network were significantly improved by the feature selection with the LASSO regression model. The number of iterations and the network errors of the LASSO-BP NN decreased by 29.9% and 17.78%, respectively, compared with the BP NN. In terms of feature selection, the SA-PSO algorithm implemented by the SA-PSO-LASSO-BP NN was utilized to optimize the initial weights and thresholds of the network, in order to further improve the convergence accuracy and rate of the model. Compared with the PSO-LASSO-BP NN, the number of iterations, running time, and network error were reduced by 54.43%, 17.24%, and 8.33%, respectively. The validation test indicated that the best performance of the model was achieved, with the coefficient of determination (2) of 0.918, an overall accuracy of 95.85%, the Mean Absolute Error (MAE) of 0.037, and the Root Mean Squared Error (RMSE) of 0.176. Consequently, the SA-PSO-LASSO-BP NN model can better fit the nonlinear relationship between complex environmental factors and environmental quality. The finding can serve as a strong reference for the environmental quality evaluation of swine gestation barns.

models; environment; swine gestation barns; environmental quality; BP neural network; Least Absolute Shrinkage and Selection Operator (LASSO) algorithm; Simulate Anneal-Particle Swarm Optimization (SA-PSO) algorithm

10.11975/j.issn.1002-6819.2022.18.023

TU264+. 3

A

1002-6819(2022)-18-0212-10

遲宇，郭艷嬌，馮涵，等. 采用多源信息融合的妊娠豬舍環(huán)境質量評價方法[J]. 農業(yè)工程學報，2022，38(18)：212-221.doi：10.11975/j.issn.1002-6819.2022.18.023 http://www.tcsae.org

Chi Yu, Guo Yanjiao, Feng Han, et al. Environmental quality evaluation method for swine gestation barns based on multi-source information fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 212-221. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.023 http://www.tcsae.org

2022-08-05

2022-09-07

國家重點研發(fā)計劃項目（2016YFD0700204）

遲宇，研究方向為圖像與信息處理技術。Email：selivia0328@163.com

鄭永軍，博士，教授，博士生導師，研究方向為農業(yè)智能技術與裝備。Email：zyj@cau.edu.cn