孟云琪，宣傳忠, 2*，張蒙秦，樊先濤，布 庫

基于優(yōu)化的長短時記憶神經(jīng)網(wǎng)絡(luò)牧群采食量估測模型

孟云琪1，宣傳忠1, 2*，張蒙秦1，樊先濤1，布 庫3

(1. 內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，呼和浩特 010018；2. 內(nèi)蒙古自治區(qū)草業(yè)與養(yǎng)殖業(yè)智能裝備工程技術(shù)研究中心，呼和浩特 010018；3. 中國農(nóng)業(yè)科學(xué)院草原研究所，呼和浩特 010010)

為了能夠較為精準(zhǔn)的估測牧群的采食量信息，提出一種基于遺傳算法(genetic algorithm, GA)和長短時記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory，LSTM）的牧群采食量估測模型。首先通過皮爾森系數(shù)法分析得出影響牧群的采食量的主要影響因子，以減少輸入維度并解決信息冗余問題。在此基礎(chǔ)上，構(gòu)建基于 LSTM 神經(jīng)網(wǎng)絡(luò)算法的牧群采食量估測模型，并引入遺傳算法來優(yōu)化LSTM 神經(jīng)網(wǎng)絡(luò)模型參數(shù)來增加模型的可靠性。最后，利用該模型對牧群采食量進(jìn)行估測。試驗結(jié)果表明：該采食量估測模型各評價指標(biāo)平均絕對誤差(mean absolute error，)、平均絕對百分比誤差(mean absolute percentage error，)、以及均方根誤差（root mean square error，）分別為2.982、9.85%和6.108。與單一的LSTM神經(jīng)網(wǎng)絡(luò)以及GRU神經(jīng)網(wǎng)絡(luò)模型相比，均優(yōu)于其他模型；且該模型具有較好的估測性能和較強(qiáng)的泛化能力，能夠為合理輪牧提供科學(xué)指導(dǎo)，對草地保護(hù)有一定的應(yīng)用價值。

放牧羊；采食量估測；LSTM；遺傳算法優(yōu)化；軌跡數(shù)據(jù)

草地畜牧業(yè)是農(nóng)業(yè)的重要組成部分，在我國國民經(jīng)濟(jì)中占有極其重要的地位[1]，21世紀(jì)初，受牧民長期過度放牧等因素的影響，中國近90％的草地出現(xiàn)了不同程度的退化，這不僅影響了畜牧業(yè)的發(fā)展，而且嚴(yán)重威脅中國的生態(tài)安全[2]。因此，能夠大范圍、快速評估放牧羊群采食量信息并制定出相應(yīng)的劃區(qū)輪牧[3]、輕牧還草[4]、草原生態(tài)補(bǔ)償[5-6]、圍欄封育[7]等科學(xué)決策是必不可少的?，F(xiàn)有的放牧羊群采食量估測方法有畜牧業(yè)工作者直接通過人工觀察法進(jìn)行估測[8]，也可以通過給試驗羊只佩戴相關(guān)傳感器監(jiān)測采集放牧羊只采食信號，進(jìn)而估測采食量數(shù)據(jù)[9]。以及利用GPS技術(shù)與網(wǎng)格分析方法分析放牧軌跡獲得放牧分布，并通過網(wǎng)格疊加法得到給定時空范圍內(nèi)的牧群采食量模型[10]。但人工觀察法勞動強(qiáng)度大，工作效率低；而傳感器監(jiān)測法操作復(fù)雜，同時傳感器的佩戴會對試驗羊只的采食行為造成影響，并不適合長時間牧群采食量的采集與估測；GPS技術(shù)結(jié)合網(wǎng)格分析法雖可以大范圍的估測牧群的采食量分布，但估測精度不足。

隨著機(jī)器學(xué)習(xí)的深入研究，以卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）為代表的深度學(xué)習(xí)網(wǎng)絡(luò)得到了廣泛的發(fā)展和應(yīng)用[11]，同時，在對文本序列的非線性特征學(xué)習(xí)上具有一定優(yōu)勢的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)逐漸發(fā)展起來[12]，LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)能夠較好地保存早期的信息以便后面使用，從而防止較早期的信號在處理過程中逐漸消失[13]，可較好地處理以時間序列為引導(dǎo)的文本數(shù)據(jù)。

因此本研究提出GA-LSTM(genetic algorithm long short-term memory)模型估測牧群采食量，通過利用遺傳算法選取最優(yōu)LSTM網(wǎng)絡(luò)參數(shù)，來提高LSTM模型估測精度，并進(jìn)一步評估模型性能，驗證模型的可靠性，方便牧群采食量的估測以及相關(guān)科學(xué)決策的制定。

1 材料與方法

1.1 試驗地點(diǎn)及對象

試驗選取內(nèi)蒙古自治區(qū)鄂爾多斯市阿爾巴斯絨山羊為研究對象，于鄂爾多斯市鄂托克旗烏蘭鎮(zhèn)勝利隊當(dāng)?shù)啬翀鲞M(jìn)行試驗。該試驗?zāi)翀龅乇砻娣e約為4.993 7 km2，牧場有1個羊舍、1個飲水區(qū)，羊只共計325只。羊只于7:00—20:00時間段處于全牧區(qū)自由放牧狀態(tài)，其余時間可在羊舍自由活動。

1.2 原始數(shù)據(jù)來源

通過GPS衛(wèi)星定位系統(tǒng)和傳感器監(jiān)測設(shè)備共同采集放牧羊群試驗數(shù)據(jù)。試驗時，隨機(jī)選取大、中、小體型羊各一只，并將太陽能定位追蹤器寬松捆綁在試驗羊背部，對試驗羊只進(jìn)行自由放牧。并設(shè)置定位器以3 min為單位時間上傳定位點(diǎn)信息，定位追蹤器采集所得信號通過GPRS無線傳輸模塊傳輸?shù)綌?shù)據(jù)云存儲平臺進(jìn)行保存。為保證不影響試驗個體的正常牧食活動，試驗人員遠(yuǎn)距離跟蹤觀察，通過望遠(yuǎn)鏡觀察記錄試驗羊只單位時間內(nèi)的采食口數(shù)，通過應(yīng)用模擬采食法[14]合理估測試驗羊只采食量。并實(shí)時采集風(fēng)速、風(fēng)向、空氣溫度、空氣濕度、氣壓以及試驗羊只所處地形植被情況。

本課題試驗時間為2020年6月1日到2020年11月30日，試驗數(shù)據(jù)有效記錄天數(shù)合計85 d，其中6月記錄了10 d數(shù)據(jù)，7、8、9月份各記錄了16 d數(shù)據(jù)，11月記錄了11天數(shù)據(jù)?？偨Y(jié)整理有效定位點(diǎn)信息共計9 846條，大、中、小3種不同體型試驗羊只分別獲取有效定位點(diǎn)信息分別為3 956、3739和2 151條。

1.3 數(shù)據(jù)預(yù)處理

為了方便試驗羊只采食量標(biāo)定、提高采食量數(shù)據(jù)的可靠性，本研究通過創(chuàng)建線追蹤間隔將相鄰時間2個軌跡點(diǎn)P、P（0<<）連接形成軌跡段L，使用軌跡段L內(nèi)采食量數(shù)據(jù)取代單個定位點(diǎn)的采食量數(shù)據(jù)。同時，軌跡段L所包含的兩點(diǎn)之間的距離l、時間間隔T以及羊只行進(jìn)速度V等信息也可作為采食量估測模型的影響因子，有助于提高模型的泛化性。

按照天數(shù)比例隨機(jī)抽取大、中體型試驗羊只軌跡段信息各2 151條并與小體型試驗羊只軌跡段信息共同組成試驗樣本數(shù)據(jù)集，該試驗樣本集包含 6 453條數(shù)據(jù)，每條試驗樣本包括羊只體型編號、軌跡起始點(diǎn)P、P的經(jīng)緯度坐標(biāo)、定位時間、高程、坡度、坡向、所處位置植被覆蓋度、軌跡段距離、軌跡段時間間隔、羊只行進(jìn)速度、空氣溫度、空氣濕度、風(fēng)速、風(fēng)向、氣壓以及軌跡段內(nèi)采食量標(biāo)定數(shù)據(jù)。

由于采集到的數(shù)據(jù)具有不同的維度和量綱，同時數(shù)據(jù)差距過大會對模型的估測造成較大的誤差。因此，需要將輸入數(shù)據(jù)進(jìn)行歸一化處理來調(diào)整到合理的范圍內(nèi)。本研究選用z-score (zero-mean normalization)標(biāo)準(zhǔn)化方法完成標(biāo)準(zhǔn)化，其標(biāo)準(zhǔn)化處理的表達(dá)式為

式中為輸入?yún)?shù)；該輸入?yún)?shù)的均值；該輸入?yún)?shù)的標(biāo)準(zhǔn)差；*為該輸入?yún)?shù)標(biāo)準(zhǔn)化后的數(shù)據(jù)。

由1.2節(jié)可知，本試驗收集了大量的試驗樣本數(shù)據(jù)，若將采集到的試驗樣本數(shù)據(jù)直接輸入模型中，模型會變得非常復(fù)雜，極易出現(xiàn)無法收斂、收斂速度慢等問題[15]。因此，本研究采用皮爾森相關(guān)系數(shù)法篩選影響采食量的關(guān)鍵因子，通過減少輸入維度來達(dá)到解決信息冗余的目的。

由采食量與部分影響因子之間的皮爾森相關(guān)系數(shù)（表1）可知，不同影響因子對于采食量所占影響權(quán)重排序為植被覆蓋度、軌跡段距離、軌跡時間間隔、羊只體型、溫度、高程、坡度、坡向、坡位和風(fēng)速。本試驗選取前6個影響因子作為采食量估測模型的輸入樣本，以降低數(shù)據(jù)維度和復(fù)雜度。

表1 采食量與部分影響因子的皮爾森系數(shù)

1.4 試驗方法

圖1為羊只牧食信號采集處理架構(gòu)圖。圖中虛線框為在服務(wù)器上運(yùn)行的訓(xùn)練集、驗證集和測試集劃分與采食量估測模型創(chuàng)建流程，具體流程為將已標(biāo)定好采食量的試驗數(shù)據(jù)分為訓(xùn)練集、驗證集與測試集，并將訓(xùn)練集數(shù)據(jù)輸入到GA-LSTM神經(jīng)網(wǎng)絡(luò)中進(jìn)行采食量估測訓(xùn)練，并使用驗證集進(jìn)行驗證，得到具有泛化能力和記憶性的采食量估測模型。然后將準(zhǔn)備好的測試集數(shù)據(jù)輸入到訓(xùn)練好的采食量估測模型中，進(jìn)行模型性能的評估。

1.試驗羊只；2.太陽能GPS定位器；3.GPRS網(wǎng)絡(luò)通訊；4.GPS信號接收平臺；5.服務(wù)器；6.數(shù)據(jù)集；7.平穩(wěn)進(jìn)食的羊只。

Figure 1 Structure diagram of sheep grazing signal acquisition and processing

1.5 基于GA_LSTM神經(jīng)網(wǎng)絡(luò)的采食量估測模型

由于本課題研究數(shù)據(jù)是以時間序列為引導(dǎo)的文本數(shù)據(jù)，而具有長短時記憶的LSTM神經(jīng)網(wǎng)絡(luò)(long short-term memory)擅長處理具有長時間間隔的時間序列預(yù)測問題[16]，因此，選用LSTM神經(jīng)網(wǎng)絡(luò)能夠較好地提高模型的估測精度，而神經(jīng)網(wǎng)絡(luò)參數(shù)的選取對模型準(zhǔn)確度具有較大的影響。因此，為了避免人工選取的主觀性和隨機(jī)性，通過遺傳算法（genetic algorithm, GA）[17]篩選并設(shè)定最優(yōu)神經(jīng)網(wǎng)絡(luò)參數(shù)可提升LSTM模型的可靠性。

本課題將GA算法與LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建了基于GA_LSTM的采食量估測模型。模型估測流程主要包括牧群采食量數(shù)據(jù)的獲取與預(yù)處理、影響采食量關(guān)鍵因子的篩選、基于GA_LSTM神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練以及模型的驗證與應(yīng)用。其估測流程如圖2所示，具體實(shí)施步驟如下。

（1）通過GPS定位系統(tǒng)和環(huán)境與采食量監(jiān)測系統(tǒng)獲取試驗羊只時空軌跡、氣象、采食量和地形數(shù)據(jù)，并對其進(jìn)行修正和歸一化預(yù)處理。

（2）利用皮爾森相關(guān)系數(shù)篩選影響試驗羊只采食量的關(guān)鍵影響因子，以降低模型輸入的維度和復(fù)雜度，并劃分相應(yīng)的樣本訓(xùn)練集、驗證集和測試集。

（3）初始化GA參數(shù)：種群數(shù)量為20、DNA個數(shù)為2、每條DNA的長度為8、DNA的交叉率為0.5、變異率為0.01以及遺傳迭代次數(shù)為40。

（4）設(shè)定并初始化DNA參數(shù)：本研究GA算法中的DNA參數(shù)主要表現(xiàn)在DNA所含基因上，其中每個DNA所含基因依次表示LSTM堆疊層的層數(shù)、Dense堆疊層的層數(shù)、每個LSTM堆疊層所包含神經(jīng)元的個數(shù)以及每個Dense堆疊層所包含神經(jīng)元的個數(shù)。

（5）設(shè)置GA適應(yīng)度函數(shù)：GA適應(yīng)度函數(shù)用來評價LSTM估測模型的性能。當(dāng)LSTM模型的訓(xùn)練誤差越小，模型的性能越好。

因此，定義GA適應(yīng)度函數(shù)為：

式（2）中，為驗證集樣本數(shù)，Y為模擬采食法估測的采食量，y為模型估測的采食量。

（6）采食量估測與結(jié)果分析：通過GA算法完成遺傳迭代計算，選取GA適應(yīng)度最高時的DNA參數(shù)代入LSTM采食量估測模型，建立GA_LSTM神經(jīng)網(wǎng)絡(luò)采食量估測模型，然后將測試樣本集輸入到新建立的模型中進(jìn)行采食量的估測，并與其他估測模型進(jìn)行模型性能對比，并對結(jié)果進(jìn)行分析。

圖2 GA_LSTM估測流程圖

Figure 2 Flow chart of GA-LSTM

1.6 試驗運(yùn)行平臺與軟硬件環(huán)境

試驗所使用計算機(jī)的配置如下：處理器為Xeon(R) Gold 6130雙處理器，CPU 頻率為 2 GHz；內(nèi)存為 128 GB；操作系統(tǒng)為 Windows10下64位操作系統(tǒng)；GPU為Inter(R) 4塊NVIDIA GetForce Rtx2080 Ti顯卡。代碼編寫語言為 python3.7，集成開發(fā)環(huán)境為Anaconda3 ，并基于tensorflow2.2.2框架下在Jupyter Notebook中完成GA-LSTM 模型的實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 模型性能評估指標(biāo)

為了驗證GA-LSTM采食量估測模型的估測性能，本研究分別選用平均絕對誤差（）、平均絕對百分比誤差（mean absolute percentage error，）、以及均方根誤差（root mean square error，）[18]作為估測模型的損失函數(shù)對GA-LSTM估測模型進(jìn)行訓(xùn)練和測試。如下所示，公式(3)為平均絕對誤差的計算公式，公式(4)為平均絕對百分比誤差的計算公式，公式(5)為均方根誤差的計算公式。

式中，為訓(xùn)練集和樣本集的總數(shù)量，Y為模擬采食法估測的采食量，f為模型估測的采食量。、和的值越低，模型的估測效果越好。

2.2 模型對比分析

GA-LSTM模型需要與不同的估測模型進(jìn)行對比，進(jìn)而評估GA-LSTM模型的性能。本研究除了與單一的LSTM估測模型進(jìn)行對比外，還將GA-LSTM模型與GRU（gated recurrent unit）門控循環(huán)網(wǎng)絡(luò)進(jìn)行估測性能的對比。

圖3 GA_LSTM模型估測值散點(diǎn)圖

Figure 3 Scatter plot of GA_LSTM estimated value

圖4 GA_LSTM模型的估測誤差

Figure 4 Estimation error of GA_LSTM

為保證數(shù)據(jù)可靠性，同時提高模型訓(xùn)練速度，本試驗使用1.3節(jié)所創(chuàng)建的試驗樣本數(shù)據(jù)集對模型精度進(jìn)行評估。首先通過1.5節(jié)描述的方法構(gòu)建GA-LSTM采食量估測模型，模型訓(xùn)練迭代次數(shù)設(shè)定3 000次、模型優(yōu)化函數(shù)選用可自主調(diào)節(jié)學(xué)習(xí)率的Adam算法。經(jīng)GA優(yōu)化處理得出LSTM最優(yōu)參數(shù)組合為LSTM層數(shù)為3層：第1個LSTM層神經(jīng)元個數(shù)為166個；第2個LSTM層神經(jīng)元個數(shù)為47個；第3個LSTM層神經(jīng)元個數(shù)為56個。dense層數(shù)為2層：第1個dense層神經(jīng)元個數(shù)為218個；第2個dense層神經(jīng)元個數(shù)為1個，并利用該參數(shù)組合進(jìn)行模型的訓(xùn)練與驗證。圖3和圖4為訓(xùn)練GA-LSTM模型得到的估測值散點(diǎn)圖和估測誤差。

圖5和圖6分別為通過單一的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)和GRU（gated recurrent unit）門控循環(huán)網(wǎng)絡(luò)估測模型得到的估測誤差。從圖中可以直觀地看出，GA-LSTM神經(jīng)網(wǎng)絡(luò)的估測值和通過觀察法得到的估測值誤差最小，預(yù)測效果較為理想，單一的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)次之，GRU神經(jīng)網(wǎng)絡(luò)效果最為一般。并且 GA-LSTM神經(jīng)網(wǎng)絡(luò)模型的誤差波動較小。

圖5 單一的LSTM模型的估測誤差

Figure 5 Estimation error of simple LSTM

圖6 GRU模型的估測誤差

Figure 6 Estimation error of GRU

表 2 模型估測結(jié)果分析

為了更加直觀比較GA-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型的誤差值，表2為試驗后得到的GA-LSTM模型、單一的 LSTM 模型和GRU神經(jīng)網(wǎng)絡(luò)模型的平均絕對誤差、平均絕對百分誤差和均方根誤差的值。由表2可知，GA-LSTM模型的整體預(yù)測精度較為理想，、和分別達(dá)到了2.982、9.85%和6.108，與單一的 LSTM 模型相比，、和分別提高了13.52%、1.24%和9.55%，由此可以直觀地發(fā)現(xiàn)，利用遺傳算法極大地提升了LSTM 模型的估測精度和穩(wěn)定性。除此之外，與GRU神經(jīng)網(wǎng)絡(luò)模型相比，GA-LSTM神經(jīng)網(wǎng)絡(luò)模型明顯優(yōu)于GRU神經(jīng)網(wǎng)絡(luò)模型。

3 結(jié)論

本研究引入遺傳算法(GA)來優(yōu)化長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)，建立了自由放牧狀態(tài)下牧群采食量的非線性估測模型，得出了以下結(jié)論。

（1）采用皮爾森系數(shù)法確定影響因子對采食量估測的影響權(quán)重，進(jìn)而篩選出影響采食量的關(guān)鍵因子，減少模型輸入的維度，提高模型工作效率，避免了非關(guān)鍵因子對模型的干擾，提高了模型的估測精度。

（2）通過遺傳算法(GA)來優(yōu)化長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)參數(shù)選取，合理的避免了LSTM模型參數(shù)選取的盲目性，減少了人工選擇參數(shù)的主觀影響。

（3）將本研究提出的GA-LSTM模型與單一的LSTM模型、GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行估測性能對比。GA-LSTM模型估測結(jié)果最為精確，擬合效果較為理想，能夠較大程度上解決傳統(tǒng)采食量估測方法估測精度低，泛化性差等問題，同時具有可以快速、大范圍地進(jìn)行牧群采食量估測的優(yōu)點(diǎn)。

本研究所得采食量估測模型在試驗?zāi)翀霾墒沉抗罍y中具有優(yōu)良的估測性能，但對于其他類型的牧場和不同種類的試驗個體還需進(jìn)行進(jìn)一步試驗與討論。同時，需不斷對模型進(jìn)行完善，提升模型估測性能，為劃區(qū)輪牧、圍欄封育等決策的制定提供科學(xué)的指導(dǎo)意義。

[1] 趙青山, 侯向陽, 段俊杰, 等. 混播人工草地不同方式放牧蘇尼特羊生產(chǎn)效益趨勢[J]. 中國草地學(xué)報, 2019, 41(3): 130-135.

[2] NUMATA I, ROBERTS D A, CHADWICK O A, et al. Characterization of pasture biophysical properties and the impact of grazing intensity using remotely sensed data[J]. Remote Sens Environ, 2007, 109(3): 314-327.

[3] CAMPOS D P, ABATTI P J, BERTOTTI F L, et al. Short-term fibre intake estimation in goats using surface electromyography of the masseter muscle[J]. Biosyst Eng, 2019, 183: 209-220.

[4] PITTARELLO M, PROBO M, PEROTTI E, et al. Grazing Management Plans improve pasture selection by cattle and forage quality in sub-alpine and alpine grasslands[J]. J Mt Sci, 2019, 16(9): 2126-2135.

[5] YU H Q, LI Y, OSHUNSANYA S O, et al. Re-introduction of light grazing reduces soil erosion and soil respiration in a converted grassland on the Loess Plateau, China[J]. Agric Ecosyst Environ, 2019, 280: 43-52.

[6] HU Y N, HUANG J K, HOU L L. Impacts of the grassland ecological compensation policy on household livestock production in China: an empirical study in Inner Mongolia[J]. Ecol Econ, 2019, 161: 248-256.

[7] LIU J K, BIAN Z, ZHANG K B, et al. Effects of different fencing regimes on community structure of degraded desert grasslands on Mu Us desert, China[J]. Ecol Evol, 2019, 9(6): 3367-3377.

[8] 江興美, 宋德榮, 張祥奎, 等. 貴州黑山羊秋季牧食行為觀察[J]. 貴州畜牧獸醫(yī), 2015, 39(1): 3-5.

[9] 王奎, 武佩, 宣傳忠, 等. 放牧家畜牧食信息監(jiān)測的研究進(jìn)展[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報, 2020, 43(3): 403-413.

[10] 汪傳建, 王偉強(qiáng), 魯為華, 等. 基于放牧?xí)r空軌跡數(shù)據(jù)的牧群采食量分布模型[J]. 農(nóng)業(yè)工程學(xué)報, 2016, 32(13): 125-130.

[11] 許德剛, 王露, 李凡. 深度學(xué)習(xí)的典型目標(biāo)檢測算法研究綜述[J]. 計算機(jī)工程與應(yīng)用, 2021, 57(8): 10-25.

[12] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[13] GAVAHI K, ABBASZADEH P, MORADKHANI H. DeepYield: a combined convolutional neural network with long short-term memory for crop yield forecasting[J]. Expert Syst Appl, 2021, 184:115511.

[14] 郭強(qiáng), 殷國梅, 趙和平, 等. 放牧綿羊牧食行為及采食量研究[J]. 中國草地學(xué)報, 2011, 33(4): 95-98, 110.

[15] SHI P, LI G H, YUAN Y M, et al. Prediction of dissolved oxygen content in aquaculture using Clustering-based Softplus Extreme Learning Machine[J]. Comput Electron Agric, 2019, 157: 329-338.

[16] SHAHID F, ZAMEER A, MUNEEB M. A novel genetic LSTM model for wind power forecast[J]. Energy, 2021, 223: 120069.

[17] 墨蒙, 趙龍章, 龔嬡雯, 等. 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)研究應(yīng)用[J]. 現(xiàn)代電子技術(shù), 2018, 41(9): 41-44.

[18] 陳英義, 程倩倩, 方曉敏, 等. 主成分分析和長短時記憶神經(jīng)網(wǎng)絡(luò)預(yù)測水產(chǎn)養(yǎng)殖水體溶解氧[J]. 農(nóng)業(yè)工程學(xué)報, 2018, 34(17): 183-191.

Estimation model of feed intake in herding sheep based on optimized long short-term memory neural network

MENG Yunqi1, XUAN Chuanzhong1,2, ZHANG Mengqin1, FAN Xiantao1, BU Ku3

(1. College of Mechanical and Electrical Engineering, Inner Mongolia Agricultural University, Hohhot 010018; 2. Inner Mongolia Engineering Research Center for Intelligent Facilities in Grass and Livestock Breeding, Hohhot 010018; 3. Grassland Research Institute, Chinese Academy of Agricultural Sciences, Hohhot 010010)

In order to accurately estimate the feed intake information of herds, a herd feed intake estimation model based on genetic algorithm (GA) and long short-term memory neural network (LSTM) was proposed. Firstly, the main influencing factors affecting the feed intake of herds were analyzed by Pearson coefficient method to reduce the input dimension and solve the problem of information redundancy. On this basis, a herd feed intake estimation model based on LSTM neural network algorithm was constructed, and genetic algorithm was introduced to optimize the parameters of LSTM neural network model to increase the reliability of the model. Finally, the model was used to estimate the feed intake of herds. The results showed that the mean absolute error (), mean absolute percentage error () and root mean square error () of the evaluation indexes of the feed intake estimation model were 2.982, 9.85% and 6.108, respectively. Compared with the single LSTM neural network and GRU neural network model, they were better than other models; the model had a good estimation performance and strong generalization ability, which can provide a scientific guidance for reasonable rotational grazing, and it has a certain application value for grassland protection.

grazing sheep; estimation of feed intake; LSTM; neural network improved GA; trajectory data

S826; S818.9

A

1672-352X (2022)05-0832-06

10.13610/j.cnki.1672-352x.20221111.008

2022-11-14 10:55:50

[URL] https://kns.cnki.net/kcms/detail/34.1162.S.20221111.1112.016.html

2021-12-03

國家自然科學(xué)基金（31860666）資助。

孟云琪，碩士研究生。E-mail：984097201@qq.com

宣傳忠，博士，教授。E-mail：xcz@imau.edu.cn