謝秋菊，羅文博，李妍，王莉薇,閆麗

（黑龍江八一農(nóng)墾大學信息技術學院，黑龍江 大慶 163319）

基于神經(jīng)網(wǎng)絡豬舍氨氣濃度預測方法研究

謝秋菊，羅文博，李妍，王莉薇,閆麗

（黑龍江八一農(nóng)墾大學信息技術學院，黑龍江 大慶 163319）

豬舍內(nèi)氨氣濃度對豬生長發(fā)育影響較大，建立準確氨氣濃度預測模型尤為必要。目前已有針對豬舍內(nèi)氨氣濃度預測研究，但氨氣濃度受豬舍內(nèi)多種環(huán)境因素影響，缺少準確預測模型。為此本研究從實測豬舍內(nèi)環(huán)境數(shù)據(jù)（包括氨氣濃度、溫度、濕度、活動量、通風）中隨機選取1 537組數(shù)據(jù)，使用L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡、線性神經(jīng)網(wǎng)絡和Elman神經(jīng)網(wǎng)絡預測豬舍內(nèi)氨氣濃度。結(jié)果表明，基于L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡建立5-9-9-1四層結(jié)構預測模型經(jīng)290步后達目標誤差，預測值和真實值最大絕對誤差僅為0.1720，與Elman神經(jīng)網(wǎng)絡和線性神經(jīng)網(wǎng)絡預測方法相比可提高豬舍氨氣濃度預測準確性和及時性，為豬舍環(huán)境預警提供支持。

BP神經(jīng)網(wǎng)絡；Elman神經(jīng)網(wǎng)絡；線性神經(jīng)網(wǎng)絡；預測模型；氨氣濃度

謝秋菊,羅文博,李妍,等.基于神經(jīng)網(wǎng)絡豬舍氨氣濃度預測方法研究[J].東北農(nóng)業(yè)大學學報,2016,47(10):83-92.

Xie Qiuju,Luo Wenbo,Li Yan,et al.Study on prediction method of ammonia concentrations in pig house using Neural Network[J].Journal of Northeast Agricultural University,2016,47(10):83-92.(in Chinese with English abstract)

氨氣是無色、有刺激性氣味有害氣體，易液化成無色液體，可灼傷皮膚、眼睛、呼吸器官粘膜。當豬舍內(nèi)氨氣濃度過高時，可引起豬肺部腫脹致死，在規(guī)?；B(yǎng)殖中，氨氣濃度高低對豬健康生長影響較大[1-2]。因此，及時預測和控制豬舍內(nèi)氨氣濃度對豬生長健康有重要作用。研究者在不同條件下對豬舍氨氣濃度變化開展大量工作[3-5]。Ni等測量豬舍內(nèi)氨氣揮發(fā)，建立氨氣散發(fā)模型[6]。李文剛等研究豬舍內(nèi)有害氣體對豬危害和減少有害氣體措施[7]。俞守華等研究基于BP神經(jīng)網(wǎng)絡豬舍有害氣體定量檢測模型[8]。朱海生等研究豬舍內(nèi)氨氣排放預測模型現(xiàn)狀[9]。然而，在上述研究中并未對氨氣濃度建立有效預測模型，多數(shù)研究僅依靠設備監(jiān)測豬舍內(nèi)氨氣濃度，只獲取舍內(nèi)氨氣濃度，無有效預測模型對豬舍內(nèi)有害氣體預警。由于豬舍內(nèi)氨氣濃度受到豬舍內(nèi)溫度、濕度及通風情況等多種環(huán)境因素影響，傳統(tǒng)數(shù)學方法難以建立準確預測模型。

本文在3種不同類型神經(jīng)網(wǎng)絡方法中，選取預測精度高、實效性強方法建立氨氣濃度預測模型，實現(xiàn)豬舍內(nèi)氨氣濃度提前預警，為豬舍環(huán)境控制提供參考。

1 神經(jīng)網(wǎng)絡模型

1.1 Elman神經(jīng)網(wǎng)絡

Elman神經(jīng)網(wǎng)絡是Elman于1990年針對語音處理問題提出[10]。Elman神經(jīng)網(wǎng)絡是一個局部記憶單元和局部反饋連接前向神經(jīng)網(wǎng)絡。Elman神經(jīng)網(wǎng)絡對具有非線性時間序列特征領域應用效果較好。主要結(jié)構是前饋連接，包括輸入層（Input layer）、隱含層（Hidden layer）、輸出層（Output layer）[11]。隱含層添加承接層，該層無神經(jīng)元，主要記憶隱含層前一時刻輸出，使Elman神經(jīng)網(wǎng)絡具有檢測和產(chǎn)生時變模式能力。優(yōu)點是隱含層輸出通過承接層延遲與存儲，自聯(lián)到隱含層輸入。這種自聯(lián)方式對歷史狀態(tài)數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡加入增強網(wǎng)絡本身處理動態(tài)信息能力，達到動態(tài)建模目[12]。

Elman神經(jīng)網(wǎng)絡采用動態(tài)反向傳播學習算法，即梯度下降法對網(wǎng)絡進行訓練，可提高網(wǎng)絡訓練速度，有效抑制網(wǎng)絡陷入局部極小值。目標是通過網(wǎng)絡各層權值調(diào)節(jié)，使預測值和真實值均方誤差最小。Elman神經(jīng)網(wǎng)絡采用BP算法修正權值，學習指標函數(shù)采用誤差平方和函數(shù)定義如公式（1）所示。

1.2 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是1986年由Rumelhart和McCel?land等提出，是一種按誤差逆向傳播算法訓練多層前饋網(wǎng)絡，能夠?qū)W習和存儲大量輸入到輸出映射關系，無需事前描述這種映射關系數(shù)學方程。BP神經(jīng)網(wǎng)絡具有自適應與自組織能力，學習規(guī)則使用最速下降法，通過反向傳播不斷調(diào)整網(wǎng)絡權值和閾值，使網(wǎng)絡誤差平方和最小[13]。BP神經(jīng)網(wǎng)絡優(yōu)點有較強非線性映射能力、高度自學習和自適應能力、泛化能力和容錯能力。缺點有局部極小化問題、收斂速度慢、網(wǎng)絡結(jié)構選擇不一和樣本依賴性問題[14]。主要應用于函數(shù)逼近、模式識別、分類和數(shù)據(jù)壓縮等方面。BP神經(jīng)網(wǎng)絡拓撲結(jié)構包括輸入層（Input layer）、隱含層（Hidden layer）、輸出層（Output layer）。

BP神經(jīng)網(wǎng)絡特點是各層神經(jīng)元僅與相鄰層神經(jīng)元間相互連接，同層內(nèi)神經(jīng)元間無連接，各層神經(jīng)元間無反饋連接，構成具有層次結(jié)構前饋型神經(jīng)網(wǎng)絡系統(tǒng)。模型形成過程中，輸入層節(jié)點數(shù)對輸出影響大，節(jié)點數(shù)太多會引入無關歷史數(shù)據(jù)，節(jié)點數(shù)太少則不能很好反映變化趨勢。其次，神經(jīng)網(wǎng)絡結(jié)構過于復雜需估計更多參數(shù)，模型精度變差。隱含層節(jié)點數(shù)選擇復雜，隱含層節(jié)點數(shù)量取決于輸入層和輸出層神經(jīng)元個數(shù)等多種因素，目前尚無一套成熟理論方法確定網(wǎng)絡隱節(jié)點，隱節(jié)點確定依賴經(jīng)驗。BP神經(jīng)網(wǎng)絡通過輸出層誤差反向傳播到隱含層獲得輸出量期望值[15-16]。梯度下降法利用計算網(wǎng)絡權重和調(diào)整連接權重最小化輸出誤差。神經(jīng)網(wǎng)絡誤差函數(shù)定義如公式（2）所示。

Tk和Ok分別是目標值和輸出值。

1.3 線性神經(jīng)網(wǎng)絡

線性神經(jīng)網(wǎng)絡是最簡單神經(jīng)網(wǎng)絡，由一個或

多個線性神經(jīng)元組成。伯納德和瑪西婭提出自適應線性神經(jīng)元，是線性神經(jīng)網(wǎng)絡最早典型代表，學習算法稱之為LMS（最小均方差）。LMS學習規(guī)則使均方誤差最小，使判決邊界遠離分類模式，增強網(wǎng)絡抗噪能力，但LMS算法僅適于單層網(wǎng)絡訓練[17]。主要用途是通過線性逼近一個函數(shù)式而開展模式聯(lián)想及信號濾波、預測、模型識別和控制等。

1.4 L-M優(yōu)化算法

L-M算法[18]即Levenberg-Marquart算法，由于L-M算法應用近似二階導數(shù)信息，比梯度法收斂速度快，算法穩(wěn)定。L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡基于誤差不斷減小原則，采用L-M算法調(diào)整網(wǎng)絡權值及閾值，達最優(yōu)目標過程。L-M算法是梯度下降法與牛頓法折中算法，結(jié)合牛頓法局部收斂性和梯度法全局特性，有效解決神經(jīng)網(wǎng)絡收斂問題。L-M優(yōu)化算法不僅沿負梯度方向迭代，使誤差在惡化方向搜索。L-M算法可在最速梯度下降法和牛頓法間自動調(diào)整網(wǎng)絡權值，收斂網(wǎng)絡并提高網(wǎng)絡收斂速度。其權值調(diào)整見公式（4）。

其中e表示誤差向量；J表示雅可比矩陣；_表示一個標量。在L-M算法網(wǎng)絡權值調(diào)整中，隨_增加，L-M算法接近于最速下降法，學習速率較小，而_為0時，L-M算法則變成高斯-牛頓法之間的平滑調(diào)和。

2 數(shù)據(jù)來源

2.1 豬舍結(jié)構

本文所用數(shù)據(jù)來源自美國普渡大學動物研究教育中心豬舍環(huán)境研究建筑（SERB）[19]。

豬舍結(jié)構類型為鋼木混結(jié)構，密閉式機械通風方式。豬舍內(nèi)有12個南北朝向豬房。每間豬房長度為11.0 m，寬度為6.1 m，高度為2.7 m，豬房水泥漏縫地面下方有兩個1.8 m深儲糞池。每個豬房能容納60頭育肥豬，內(nèi)部是雙列鋼質(zhì)圍欄，每列6個豬欄，中間過道分隔。豬舍結(jié)構側(cè)剖面如圖1所示[20]。

獨立控制每個豬房內(nèi)溫度和通風，舍外新鮮空氣通過東西兩側(cè)門上方進氣口進入舍內(nèi)，進氣口根據(jù)通風量需求通過上方簾子調(diào)節(jié)進入空氣量，東側(cè)進氣口簾子通過靜壓控制器自動控制，西側(cè)進氣口簾子由手動控制。舍外新鮮空氣通過棚頂和過道入口送入每個豬房內(nèi)。每個豬房內(nèi)部在長軸方向上安裝3個可控V形天花板進氣口，過道空氣沿豬房長軸方向通過，安裝于天花板下方20 cm處帶有氣孔的直徑為38 cmPVC管道均勻?qū)⑿迈r空氣送入豬欄。

圖1 豬舍環(huán)境研究建筑東側(cè)剖視Fig.1East side sectional view of the swine environmental research building

豬舍過道東西兩側(cè)各安裝一個天然氣加熱器，天氣寒冷時對進入舍內(nèi)空氣預熱。每個豬房內(nèi)安裝天然氣加熱器（Model Guardian 60,L.B. White Co.Onalaska,WI,USA）用于在溫度過低時給仔豬加熱。

每個豬房安裝4個風機。2個安裝在舍內(nèi)墻上用于通風換氣，2個安裝在儲糞池上用于儲糞池向外排氣。2個儲糞池風機為變頻風機，直徑為30.5 cm（Model Guardian 60,L.B.White Co.Onalaska,WI, USA），墻上風機均為恒定速度，一個為直徑36 cm（Model V4E35,Multifan），標定排風率為50 Pa時3 230 m3·h-1，另一個直徑為51 cm（Model V4E50, Multifan），標定排風率為7 400 m3·h-1。

2.2 豬舍內(nèi)氣體采樣及氨氣濃度測量

12間豬房24個氣體采樣點連續(xù)氣體采集和測量空氣樣本。每個豬房里2個采樣點，一個位于距離直徑為36 cm風機1 m遠處，另一個位于儲糞池風機進風口處。第25個采集點位于豬舍過道距離地面3 m高處，用于采集豬房入口處空氣樣本。所有采樣點通過內(nèi)徑為0.64 cm Teflon管與自行設計采樣系統(tǒng)相連。氣體采集系統(tǒng)按預先設置順序以4～5 L·min-1流率將采樣點氣體樣本送入實驗室內(nèi)氣體分析儀中。同一時刻僅1個采樣點空氣送入分析儀中。

空氣樣本中氨氣濃度通過一臺多種氣體監(jiān)測儀測量（Innova Model 1412,LumaSense Technolo?gies,Ballerup,Denmark）。每個氣體采樣點采集間隔和頻率、采樣點順序可自動或手動控制。在自動模式下，過道空氣采集時間為20 min，其他采樣點采集時間為10 min。在測量之前，用一臺氣體稀釋儀（Model S-4040,Environics,Tolland,CT,USA）和標準氣體對氣體分析儀多點校準，以確保其線性響應。研究期間每周用零氣體和標準氣體對氣體分析儀精確性檢查1次。

2.3 溫度、相對濕度及活動量監(jiān)測

舍內(nèi)溫度是通過在豬房排風口處、儲糞池排風口處、過道天花板空氣入口處、距離豬房地面1.5 m高處和天然氣加熱器熱風出口處5個位置安裝T型熱電耦測量。采樣點溫度測量用于氣體體積濃度與質(zhì)量濃度間轉(zhuǎn)換計算，舍內(nèi)加熱器排風口處溫度測量用于監(jiān)測加熱器運行狀況。

各房間內(nèi)相對濕度（RH）利用安裝在豬欄中間距離地面1.5 m高處相對濕度變送儀（Model HX92BC, Omega,Atlanta,GA,USA）測量。

豬活動量用于分析、驗證豬活動與氣體排放量間關系，通過紅外線活動量傳感器（Visonic SRN 2000 Detector,Visonic Inc.,Bloomfield,CT,USA）測量，傳感器安裝在每個豬房內(nèi)與門相對墻上。

2.4 通風率測定和計算

2.4.1 墻上風機通風率

24個墻上風機均單獨根據(jù)室內(nèi)降溫需要自動控制，通過一個與風機電源并聯(lián)240-VAC到5-VDC適配器監(jiān)測風機工作狀態(tài)。所有適配器輸出與一個數(shù)字輸入獲取模塊相聯(lián)（USB DIO 96 H,Mea?surement Computing Co.,Norton,MA,USA）。監(jiān)測系統(tǒng)將1 Hz開/關信號轉(zhuǎn)換為風機運行時間，例如風機在1 min內(nèi)開啟30 s，就會把50%記錄在每分種數(shù)據(jù)文件中作為風機開啟時間。風機設開啟時間為t，通風速率可根據(jù)風機當時承受壓差利用線性方程計算得到，如公式5所示。

式中，QW為墻上風機在時間t時通風速率（m3·min-1）；aW51和aW36分別是直徑為51 cm和直徑為36 cm風機線性公式斜率；bW51和bW36分別是直徑為51 cm和36 cm風機線性公式截距；PW是測量所得房間內(nèi)墻上風機在時間t時承受壓差（Pa）；t51和t36是直徑為51 cm和36 cm風機運行時間占1分鐘時間百分比（%）。

每個風機線性方程，通過一臺墻上風機流率測試儀在-5到-100 Pa 5個不同壓差下測試獲得。

2.4.2 糞池通風速率計算

糞池通風速率通過安裝在糞池風機上18厘米直徑風速儀（Model 27106RS,RM Young,Traverse City,MI,USA）連續(xù)測量每個糞池風機氣流速度。風速儀轉(zhuǎn)速與其輸出成正比，如公式6所示。

式中，RPM是風速儀轉(zhuǎn)速（r·min-1）；A是一個無量綱斜率；V是風速儀輸出值（V）。每個風速儀斜率A通過RM Young18 802可選速度風速儀驅(qū)動模型校準獲得，每個風速儀靈敏性用Anemome?ter Torque Disc（RM Young）測試。

為通過風速儀輸出信號得到氣流速率，風速

儀在實驗室儲糞池排風測量系統(tǒng)校測試，通過測試建立將風速儀轉(zhuǎn)速轉(zhuǎn)換為兩個儲糞池風機氣流速率線性模型，如公式7所示。

式中，QP為豬房儲糞池風機通風率（m3·min-1）；1和2分別是豬房內(nèi)儲糞池風機編號。

2.5 數(shù)據(jù)采集與氣體采樣控制

在豬舍內(nèi)實驗室安裝一套現(xiàn)場計算機系統(tǒng)（OSCS）[21]，OSCS由個人計算機，普渡大學研發(fā)AirDAC軟件及NI公司（National Instruments Co., Austin,TX,USA）數(shù)據(jù)采集及控制硬件和Measure?ment Computing公司（Measurement Computing Co., Norton,MA,USA）數(shù)據(jù)采集硬件組成，氣體濃度分析儀及其他傳感器均與OSCS相連。

OSCS以1 Hz采集所有在線空氣質(zhì)量及環(huán)境參數(shù)信號，把信號轉(zhuǎn)換為具有工程單位數(shù)據(jù)，將數(shù)據(jù)以15和60 s兩種間隔平均，再將平均值分別記錄到兩個獨立文件中。AirDAC每天自動對前一天測量數(shù)據(jù)處理。豬舍環(huán)境數(shù)據(jù)監(jiān)測與采集控制系統(tǒng)如圖2所示。

圖2 豬舍環(huán)境數(shù)據(jù)監(jiān)測及采集控制系統(tǒng)Fig.2Environmental monitoring and data acquisition and control system

豬舍環(huán)境數(shù)據(jù)監(jiān)測及采集控制系統(tǒng)包括儀器設備、DAC（數(shù)據(jù)采集和控制）硬件及軟件部分。數(shù)據(jù)采集和控制硬件使用NI公司和MCC公司產(chǎn)品，通過以太網(wǎng)線與現(xiàn)場計算機相連，實現(xiàn)串口通信以及模/數(shù)、數(shù)/模轉(zhuǎn)換。軟件部分由兩個相互獨立而又相互聯(lián)系部分組成，即AirDAC IC和Air?DAC Main。這兩部分程序由普渡大學用NI公司LabVIEW編寫，實現(xiàn)圖形化環(huán)境數(shù)據(jù)獲取、儀器設備控制、測量分析及數(shù)據(jù)輸出。AirDAC IC實現(xiàn)系統(tǒng)初始化、硬件配置、設備選擇等。AirDAC Main獲取所有儀器及傳感器信號，完成數(shù)據(jù)處理、將獲取每分種氣體數(shù)據(jù)在電腦顯示屏上實時顯示，將這些數(shù)據(jù)存入現(xiàn)場計算機中，同時監(jiān)測系統(tǒng)運行狀態(tài)，通過電子郵件發(fā)出警報、執(zhí)行更高級后期數(shù)據(jù)處理。AirDAC Main控制氣體取樣地點、時間、和頻率。

3 模型建立

3.1 數(shù)據(jù)預處理

數(shù)據(jù)采集以15和60 s兩種間隔平均，將平均值分別記錄到Excel中。由于本文是預測當前1 h內(nèi)豬舍氨氣濃度，需對數(shù)據(jù)預處理。在1 h內(nèi)豬舍內(nèi)氨氣濃度隨時發(fā)生變化，某個時間點數(shù)值難以代表當前1 h內(nèi)氨氣濃度，將1 h內(nèi)記錄數(shù)據(jù)加和取平均值，可得當前1 h內(nèi)氨氣濃度。為對神經(jīng)網(wǎng)絡有更好訓練效率和預測精度，需對樣本數(shù)據(jù)歸一化處理[22]，將數(shù)據(jù)去掉量綱影響。由于數(shù)據(jù)單位不一致，需將不同數(shù)據(jù)格式化，將其歸一化到指定范圍內(nèi)。采用最大最小算法[23]使數(shù)據(jù)范圍處于（0,1）之間。

本研究采用最大最小算法獲得所需數(shù)據(jù)，如公式（8）所示。

其中，xi表示輸入數(shù)據(jù)，xmin表示數(shù)據(jù)輸入最小值，xmax表示數(shù)據(jù)輸入最大值。

3.2 模型分析與建立

建立神經(jīng)網(wǎng)絡時隱含層節(jié)點數(shù)選擇對預測精度有重要影響，如果隱含層節(jié)點數(shù)太少，神經(jīng)網(wǎng)絡不能建立復雜映射關系，預測誤差較大。但如果隱含層節(jié)點數(shù)過多，網(wǎng)絡學習時間增加，可能出現(xiàn)“過擬合”現(xiàn)象[24]。本文設計四層神經(jīng)網(wǎng)絡，輸入層神經(jīng)元個數(shù)為5，分別為糞池內(nèi)氨氣濃度，通風情況，活動量，溫度和濕度，輸出層神經(jīng)元個數(shù)為1，即豬舍內(nèi)氨氣濃度。隱含層節(jié)點數(shù)選擇復雜，目前尚無一套成熟方法確定網(wǎng)絡隱含層節(jié)點數(shù)。本文采用試錯法，經(jīng)過數(shù)次試驗，發(fā)現(xiàn)預測誤差隨節(jié)點數(shù)增加呈先減后增趨勢，最后將隱含層節(jié)點數(shù)設定為9。

隱含層和輸出層函數(shù)選擇對網(wǎng)絡預測精度有較大影響，一般隱含層節(jié)點轉(zhuǎn)移函數(shù)為tansig和logsig函數(shù)，輸出層節(jié)點轉(zhuǎn)移函數(shù)選用tansig和purelin函數(shù)。經(jīng)過多次試驗發(fā)現(xiàn)，隱含層借點轉(zhuǎn)移函數(shù)為tansig，輸出層節(jié)點轉(zhuǎn)移函數(shù)為purelin時效果最好，因此本文使用tansig和purelin兩種函數(shù)。

本試驗采取1 537組具有代表性數(shù)據(jù)，以前1 500組實測并經(jīng)過歸一化處理糞池氨氣濃度、通風情況、活動量、溫度和濕度數(shù)據(jù)作為網(wǎng)絡輸入樣本，輸出樣本是1 500組數(shù)據(jù)實測并經(jīng)過歸一化處理氨氣濃度數(shù)據(jù)，以后37組實測并過歸一化處理糞池氨氣濃度、通風情況、活動量、溫度和濕度數(shù)據(jù)作為測試樣本，在Matlab R2012b環(huán)境下，通過神經(jīng)網(wǎng)絡工具箱學習訓練，最大學習次數(shù)為5 000，學習速率為0.05，目標誤差為0.00062，建立基于L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡[25]和Elman神經(jīng)網(wǎng)絡以及線性神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡模型結(jié)構如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡模型結(jié)構Fig.3BP neural network model structure

4 結(jié)果與分析

4.1 訓練性能對比分析

BP神經(jīng)網(wǎng)絡訓練采用L-M算法優(yōu)化，網(wǎng)絡收斂速度快，網(wǎng)絡在290步訓練后達到目標；Elman神經(jīng)網(wǎng)絡與L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡相比網(wǎng)絡收斂速度較慢，網(wǎng)絡在5 732步訓練后達目標；線性神經(jīng)網(wǎng)絡采用Matlab工具箱中newlind函數(shù)創(chuàng)建線性模型，newlind函數(shù)返回網(wǎng)絡已訓練完畢，無需自行調(diào)用train函數(shù)訓練。BP神經(jīng)網(wǎng)絡模型和El? man神經(jīng)網(wǎng)絡模型訓練性能分別如圖4、5所示。

4.2 預測結(jié)果對比分析與模型驗證

對訓練后BP、Elman和線性神經(jīng)網(wǎng)絡模型分別通過經(jīng)過歸一化處理37組測試數(shù)據(jù)預測氨氣濃度，預測值和實測值結(jié)果如圖6～8所示。

為驗證模型有效性，將L-M算法優(yōu)化BP、Elman和線性神經(jīng)網(wǎng)絡模型對比，分別對三種神經(jīng)網(wǎng)絡輸出實測值和預測值比較分析。BP、Elman神經(jīng)網(wǎng)絡模型和線性神經(jīng)網(wǎng)絡模型實測值和預測值結(jié)果對比如表1所示。

圖4 BP神經(jīng)網(wǎng)絡訓練性能Fig.4BP neural network training performance

圖5 Elman神經(jīng)網(wǎng)絡訓練性能Fig.5Elman neural network training performance

圖6 BP神經(jīng)網(wǎng)絡模型預測值和實測值結(jié)果對比Fig.6Comparison of the BP neural network model predictive values and the measured values

圖7 Elman神經(jīng)網(wǎng)絡模型預測值和實測值結(jié)果對比Fig.7Comparison of the Elman neural network model predictive values and the measured values

圖8 線性神經(jīng)網(wǎng)絡模型預測值和實測值結(jié)果對比Fig.8Comparison of the Linear neural network model predictive values and the measured values

表1 實測值和模型預測值對比Table 1Comparison of measured values and predictive values from different prediction models

分析BP、Elman和線性神經(jīng)網(wǎng)絡模型誤差，對各預測模型分別計算均方誤差、最大絕對誤差、最小絕對誤差和平均絕對誤差，其中均方誤差計算方法如公式（9）所示。

其中，σ表示均方誤差，ε1、ε2和ε3表示真實值和預測值差，n表示預測樣本數(shù)量。

BP、Elman和線性神經(jīng)網(wǎng)絡模型誤差結(jié)果如表2所示。

由圖4、5可知，基于L-M算法BP神經(jīng)網(wǎng)絡預測模型收斂速度很快，經(jīng)過290步即達到預期目標，而Elman神經(jīng)網(wǎng)絡需要5 732步才達到預期目標，與L-M算法優(yōu)化神經(jīng)網(wǎng)絡相比收斂速度差異顯著。

由圖6～8和表1、2可知，由于訓練樣本數(shù)據(jù)有限，無法覆蓋所有情況，神經(jīng)網(wǎng)絡訓練不充分。三種預測模型在個別時間點預測效果不理想，誤差較大。但基于L-M算法BP神經(jīng)網(wǎng)絡預測模型預測精度相對較高，均方誤差為0.0034，最大絕對誤差為0.1720，最小絕對誤差為0.0036，平均絕對誤差為0.0434。

表2 預測模型誤差對比Table 2Comparison of errors from different prediction models

從誤差結(jié)果可見：在3種類型模型中，基于L-M優(yōu)化算法BP神經(jīng)網(wǎng)絡預測模型和Elman神經(jīng)網(wǎng)絡預測模型與線性神經(jīng)網(wǎng)絡模型相比預測誤差較小，但從網(wǎng)絡收斂速度上可見，基于L-M優(yōu)化算法BP神經(jīng)網(wǎng)絡預測模型收斂速度比Elman神經(jīng)網(wǎng)絡預測模型收斂速度快?；贚-M優(yōu)化算法BP神經(jīng)網(wǎng)絡預測模型是更高效、準確方法，可預測豬舍內(nèi)氨氣濃度。

5 結(jié)論

a.本文建立多環(huán)境因素影響豬舍氨氣濃度預測模型，對樣本數(shù)據(jù)歸一化處理，建立預測豬舍內(nèi)氨氣濃度BP神經(jīng)網(wǎng)絡模型，網(wǎng)絡經(jīng)290步達到預定誤差，最大絕對誤差為0.1720，表明建立預測模型有效。

b.采用L-M算法優(yōu)化BP、Elman和線性神經(jīng)網(wǎng)絡，其中基于L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡小于Elman神經(jīng)網(wǎng)絡訓練步數(shù)，均方誤差和絕對誤差均小于Elman預測方法和線性預測方法均方誤差和絕對誤差值。表明L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡預測擬合效果優(yōu)于Elman和線性神經(jīng)網(wǎng)絡。

c.L-M算法BP神經(jīng)網(wǎng)絡預測最大絕對誤差為0.1720，而Elman神經(jīng)網(wǎng)絡預測最大絕對誤差為0.1627，說明Elman神經(jīng)網(wǎng)絡在某一時間點上預測效果優(yōu)于BP神經(jīng)網(wǎng)絡，但從整體上看，L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡預測效果優(yōu)于Elman神經(jīng)網(wǎng)絡。豬舍內(nèi)氨氣濃度受多種環(huán)境因素影響，非線性關系復雜。由于訓練樣本數(shù)據(jù)有限，無法覆蓋所有情況，個別時間點預測效果不理想，誤差較大。但基于L-M優(yōu)化算法BP神經(jīng)網(wǎng)絡收斂速度較快，預測精度較高，可實現(xiàn)豬舍內(nèi)氨氣濃度預測，為氨氣濃度預警提供支持。

[1] 苗玉濤,王國華,李廣東,等.豬舍有害氣體對豬生長影響[J].今日畜牧獸醫(yī),2015(12):25-26.

[2] 溫朋飛,劉洪貴,王希彪,等.富集環(huán)境對育肥豬生產(chǎn)性能及胴體肉品質(zhì)影響[J].東北農(nóng)業(yè)大學學報,2016,47(5):62-68.

[3] 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.

[4] 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.2009.

[5] Angelika H,Eberhard H,Thomas J,et al.Cooling effects and evaporation characteristics of fogging systems in an experimental Plggery[J].Biosystems Engineering,2007,97(3):395-405.

[6] Ni J Q,Vinckier C,Coenegrachts J,et al.Effect of manure on am?monia emission from a fattening pig house with partly slatted floor[J].Livestock Production Science,1999,59(1):25-31.

[7] 李文剛,吳志娟,焦福林,等.豬舍有害氣體對豬危害[J].豬業(yè)觀察,2015(1):92-94.

[8] 俞守華,張潔芳,區(qū)晶瑩,等.基于BP神經(jīng)網(wǎng)絡豬舍有害氣體定量檢測模型研究[J].安徽農(nóng)業(yè)科學,2009,37(23):11316-11317,11329.

[9] 朱海生,董紅敏.豬舍氨氣排放預測模型研究現(xiàn)狀[J].農(nóng)業(yè)工程學報,2006,22(2):187-192.

[10] 董春嬌,邵春福,熊志華,等.基于Elman神經(jīng)網(wǎng)絡道路網(wǎng)短時交通流預測方法[J].交通運輸系統(tǒng)工程與信息,2010,10(1): 145-151.

[11] 張齊,徐志堅,趙坤榮.基于Elman神經(jīng)網(wǎng)絡污染源數(shù)據(jù)預測[J].華南理工大學學報,2009,37(5):135-138.

[12] 王小川,史峰,郁磊,等.MATLAB神經(jīng)網(wǎng)絡43個案例分析[M].北京:北京航空航天大學出版社,2013.

[13] 石云.Bp神經(jīng)網(wǎng)絡Matlab實現(xiàn)[J].湘南學院學報,2010,31(5): 86-88,111.

[14] Chen Y,Yi Z C.The BP artificial neural network model on ex?pressway construction phase risk[J].Systems Engineering Proce?dia,2012(4):409-415.

[15] 張青,王學雷,張婷,等.基于BP神經(jīng)網(wǎng)絡洪湖水質(zhì)指標預測研究[J].濕地科學,2016,14(2):212-218.

[16] 徐黎明,王清,陳建平,等.基于BP神經(jīng)網(wǎng)絡泥石流平均流速預測[J].吉林大學學報,2013,43(1):186-191.

[17] 邢曉敏,商國敬,徐新.基于線性神經(jīng)網(wǎng)絡諧波檢測方法研究[J].電測與儀表,2014,51(22):40-43.

[18] Lera G,Pinzolas M.Neighborhood based Levenberg-Marquart al?gorithm for neural network training[J].IEEE Transactions on Neu?ral NetWorks,2002,13(5):1200-1203.

[19] 謝秋菊.基于模糊理論豬舍環(huán)境適應性評價及調(diào)控模型研究[D].哈爾濱:東北農(nóng)業(yè)大學,2015.

[20] Ni J Q,Diehl C A,Liu S,et al.An innovative ventilation monitor?ing system at a pig experimental building[C].2015 International Symposium on Animal Environment and Welfare,Chongqing,Chi?na,2015:23-26.

[21] Ni J Q,Heber A J.An on-site computer system for comprehen?sive agricultural air quality research[J].Computers and Electron?ics in Agriculture,2010,71(1):38-49.

[22] 謝秋菊,蘇中濱,劉佳薈,等.基于L-M優(yōu)化算法豬舍氨氣濃度預測模型研究[J].東北農(nóng)業(yè)大學學報,2014,45(10):74-79.

[23] 孫紅敏,吳靜婷,李曉明.基于改進BP神經(jīng)網(wǎng)絡價格預測模型研究[J].東北農(nóng)業(yè)大學學報,2013,44(8):133-137.

[24] 丁碩,常曉恒,巫慶輝,等.Elman和BP神經(jīng)網(wǎng)絡在模式分類領域內(nèi)對比研究[J].現(xiàn)代電子技術,2014,37(8):12-14,18.

[25] 項文強,張華,王姮,等.基于L-M算法BP網(wǎng)絡在變壓器故障診斷中應用[J].電力系統(tǒng)保護與控制,2011,39(8):100-103,111.

Study on prediction method ammonia concentrations in pig house using Neural Network

XIE Qiuju,LUO Wenbo,LI Yan,WANG Liwei,YAN Li(School of

Information Technology,Heilongjiang BayiAgricultural University,Daqing 163319,China)

It was necessary to establish prediction models for ammonia concentrations in pig buildings because high concentrations of ammonia can affect pigs'health and growth.There are few prediction models for ammonia concentrations,especially those using the neural network for ammonia concentration inside pig buildings because changes of ammonia concentrations are dynamic and nonlinear,and are affected by other environmental factors.In this paper,1 537 sets of environment data including ammonia concentration,temperature,humidity,activity amount and ventilation were selected randomly and used for ammonia concentration prediction in three types of models including optimized L-M BP neural network,linear neural network and Elman neural network.The results showed that a 4-layer structure of 5-9-9-1 built with BP neural network based on optimized L-M algorithm was the best prediction model,which was set up after 290 steps to achieve the target error.The maximum absolute error between the real and estimated values was 0.1720.Compared with linear neural network and Elman neural network,it can improve the accuracy and timeliness of ammonia concentration prediction and provides support for early warning in pig buildings.

BP neural network;Elman neural network;linear neural network;prediction model; ammonia concentration

TP319

A

1005-9369（2016）10-0083-10

時間2016-10-26 16:28:00[URL]http://www.cnki.net/kcms/detail/23.1391.S.20161026.1628.008.html

2016-05-05

黑龍江省青年基金項目（QC2013C065,QC2014C078）；黑龍江省教育廳科技項目（12531465）；黑龍江八一農(nóng)墾大學校內(nèi)培育課題（XZR2015-10）

謝秋菊（1976-），女，副教授，博士，碩士生導師，研究方向為農(nóng)業(yè)信息技術。E-mail:xqj197610@163.com