基于神經(jīng)網(wǎng)絡(luò)的母豬發(fā)情行為研究

申東東 劉哲 朱程林

摘?要：神經(jīng)網(wǎng)絡(luò)是具有自學(xué)習(xí)和自適應(yīng)能力，是一種分布式并行信息處理的算法數(shù)學(xué)模型。母豬發(fā)情檢測大多是由經(jīng)驗(yàn)豐富的養(yǎng)殖戶來完成，相當(dāng)耗時(shí)力，結(jié)果也不太準(zhǔn)確，導(dǎo)致母豬不能及時(shí)配種。智能化的基于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)母豬發(fā)情研究變得必不可少。識(shí)別時(shí)，輸入記憶母豬個(gè)體參數(shù)值，神經(jīng)網(wǎng)絡(luò)運(yùn)用一系列的運(yùn)算恢復(fù)到與發(fā)情母豬參數(shù)相適應(yīng)，為監(jiān)測出發(fā)情狀況信息，預(yù)計(jì)其識(shí)別準(zhǔn)確率比人工提高17%左右，且及時(shí)便利。

關(guān)鍵詞：Hopfield神經(jīng)網(wǎng)絡(luò);算法;母豬發(fā)情檢測

專家針對的算法開發(fā)與設(shè)計(jì)進(jìn)行了大量研究，如譚玫芳等（1996）依據(jù)專家常識(shí)和閱歷從奶牛圖像中提取了描畫奶牛體強(qiáng)的12個(gè)重要參數(shù)，設(shè)計(jì)了一個(gè)三層前向神經(jīng)網(wǎng)絡(luò)，用以判定奶牛體強(qiáng)情況，取得了近似于人工判定的結(jié)果;目前尚未見相關(guān)將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于母豬發(fā)情檢測的文獻(xiàn)報(bào)道。

Hopfield神經(jīng)網(wǎng)絡(luò)具備很強(qiáng)的計(jì)算功能的自學(xué)習(xí)性循環(huán)神經(jīng)網(wǎng)絡(luò)，具有輸出反應(yīng)到輸入的特性。若反饋一直進(jìn)行，則會(huì)輸出一穩(wěn)定的恒值。而且具有聯(lián)想記憶能力，具備強(qiáng)的魯棒性、非線性映射能力。本項(xiàng)目擬考慮采用Hopfield神經(jīng)網(wǎng)絡(luò)來解決母豬發(fā)情識(shí)別這一難題。

1 設(shè)計(jì)主要特點(diǎn)

本文使用Hopfield神經(jīng)網(wǎng)絡(luò)獨(dú)有的記憶特性，將處于發(fā)情狀態(tài)的大量母豬個(gè)體參數(shù)輸入到該神經(jīng)網(wǎng)絡(luò)，使該神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)并記憶母豬發(fā)情的特征，母豬個(gè)體生理參數(shù)的數(shù)據(jù)庫，為判斷母豬是否處于發(fā)情期提供切實(shí)可靠的數(shù)據(jù)依據(jù)。辨別時(shí)，經(jīng)過輸入母豬體征參數(shù)，通過相應(yīng)的學(xué)習(xí)算法自動(dòng)得到與發(fā)情母豬參數(shù)相對應(yīng)的穩(wěn)定模式，完成母豬發(fā)情辨別的工作。

母豬發(fā)情行為辨識(shí)的Hopfield神經(jīng)網(wǎng)絡(luò)模型建立：

離散Hopfield網(wǎng)絡(luò)用于聯(lián)想記憶有兩個(gè)突出的特點(diǎn)：即記憶是分布式的，而聯(lián)想是動(dòng)態(tài)的。離散型Hopfield神經(jīng)網(wǎng)絡(luò)是存儲(chǔ)內(nèi)容的聯(lián)想記憶模型，其信息存儲(chǔ)量有限。如果要保證神經(jīng)網(wǎng)絡(luò)以及不出現(xiàn)嚴(yán)重偏差，那么一個(gè)含有?n?個(gè)神經(jīng)元的Hopfield神經(jīng)網(wǎng)絡(luò)只可預(yù)存0.15?n?個(gè)樣本，也就是說，在程序中預(yù)設(shè)的神經(jīng)元數(shù)目限定了神經(jīng)網(wǎng)絡(luò)的母豬發(fā)情特征案例的存儲(chǔ)數(shù)。

為處理離散型Hopfield神經(jīng)網(wǎng)絡(luò)存儲(chǔ)量有限的這一難題，本算法首先在母豬發(fā)情模式辨別系統(tǒng)內(nèi)部放置?M?0?個(gè)神經(jīng)網(wǎng)絡(luò)模塊，每個(gè)神經(jīng)網(wǎng)絡(luò)模塊最多存儲(chǔ)?N?i?（?i=1，2，…，M?0?）個(gè)樣本模式，其中?∑N?i=N?，?N?為系統(tǒng)中存儲(chǔ)的案例總數(shù)，?N?i0.15n?，n?為單個(gè)Hopfield神經(jīng)網(wǎng)絡(luò)模塊的神經(jīng)元數(shù)目，如下圖所示。

系統(tǒng)工作初始，所有神經(jīng)網(wǎng)絡(luò)模塊對未知案例的識(shí)別，辨別系統(tǒng)得到?M?0?個(gè)可能與之類似的樣本案例。用的到的?M?0?個(gè)樣本案例訓(xùn)練?M?1?個(gè)新的神經(jīng)網(wǎng)絡(luò)模塊，再用這些?M?1?個(gè)新的神經(jīng)網(wǎng)絡(luò)模塊對未知案例進(jìn)行識(shí)別，以此模式依次訓(xùn)練、識(shí)別，最終得到作為判別結(jié)果的一個(gè)事先存儲(chǔ)的樣本模型。

2 模塊分析與設(shè)計(jì)

（1）外圍硬件設(shè)備的搭建：為了能夠?yàn)樯窠?jīng)網(wǎng)絡(luò)模型提供足夠龐大的訓(xùn)練樣本集，提高其預(yù)測的準(zhǔn)確性，本項(xiàng)目針對母豬個(gè)體生理參數(shù)多源感知設(shè)備進(jìn)行設(shè)計(jì)與研究，其主要技術(shù)路線如圖1所示。本設(shè)計(jì)通過對單片機(jī)、傳感器、無線傳感器網(wǎng)絡(luò)以及無線傳輸?shù)燃夹g(shù)進(jìn)行綜合應(yīng)用，以母豬為研究對象，對其個(gè)體體溫、脈搏、活動(dòng)量等參數(shù)進(jìn)行檢測，并將采集到的信息實(shí)時(shí)傳送至信息中心及終端設(shè)備，對母豬的生理情況進(jìn)行監(jiān)測記錄，從而建立母豬個(gè)體生理參數(shù)數(shù)據(jù)庫，為判斷母豬是否處于發(fā)情期提供數(shù)據(jù)依據(jù)。

（2）數(shù)據(jù)樣本采集的設(shè)計(jì)：設(shè)計(jì)數(shù)據(jù)由母豬身份編號(hào)識(shí)別、活動(dòng)氛圍及時(shí)間、臥姿狀態(tài)及時(shí)間、正常體表溫度等關(guān)鍵參數(shù)信息組成。編號(hào)之后的母豬可以進(jìn)行一對一的檢查和一系列的操作，利用計(jì)算機(jī)隨時(shí)查看各個(gè)母豬的生長發(fā)育狀況，另外含有報(bào)警設(shè)備，分為紅黃綠三種小燈提示母豬的體況信息。紅燈表示發(fā)燒或其他生理疾病的母豬，黃燈表示正處于發(fā)情期的母豬，綠燈表示發(fā)情期已經(jīng)過去的母豬。等待人工確認(rèn)后遠(yuǎn)程控制可以燈的亮滅，對存在相應(yīng)狀況的母豬進(jìn)行合適的處理。

3 總結(jié)

Hopfield神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)輸入模式將以發(fā)情母豬的關(guān)鍵信息數(shù)據(jù)參數(shù)，發(fā)情率和生理狀況作為輸出向量，不僅用于發(fā)情預(yù)測辨識(shí)，而且可用于監(jiān)測母豬生長。該算法可以輸入大量的關(guān)鍵信息作為自學(xué)習(xí)，等待學(xué)習(xí)結(jié)束后應(yīng)用于母豬發(fā)情監(jiān)測，得出識(shí)別信息發(fā)送至計(jì)算機(jī)客戶端，進(jìn)行數(shù)據(jù)對比之后，得出母豬是否發(fā)情或有其他不良癥狀。幫助養(yǎng)殖戶準(zhǔn)確，方便，快捷的做出相應(yīng)的措施。提高了信息的準(zhǔn)確性和科學(xué)性，解決了浪費(fèi)大量人力而造成的養(yǎng)豬成本的增加，降低了養(yǎng)殖風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1]陳少華.基于hopfield神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的研究.山東科技大學(xué)碩士論文，2010.