哺乳母豬舍環(huán)境舒適度評(píng)價(jià)預(yù)測(cè)模型優(yōu)化

陳 沖 劉星橋 劉超吉 常潤(rùn)民

(1.江蘇大學(xué)電氣信息工程學(xué)院， 鎮(zhèn)江 212013; 2.鹽城工學(xué)院電氣工程學(xué)院， 鹽城 224051)

0 引言

豬舍環(huán)境是豬最基本的生存環(huán)境，通常指影響豬生長(zhǎng)、發(fā)育和繁殖所有外在條件，主要包括溫度、相對(duì)濕度、通風(fēng)、光照和有害氣體(如NH3、H2S、CO2和CO等)[1-2]。評(píng)價(jià)預(yù)測(cè)豬舍環(huán)境的舒適度變化狀況，可以為畜禽養(yǎng)殖人員決策提供參考，從而保證母豬健康，增強(qiáng)仔豬抵抗力，減少疾病發(fā)生，最大限度地發(fā)揮智能化飼喂效果[3-5]。

豬舍環(huán)境的舒適度受到多種因素的影響，包括物理、化學(xué)、微生物和人為因素。豬舍環(huán)境是一個(gè)多變量、大慣性、非線性的復(fù)雜系統(tǒng)，各環(huán)境因素之間相互耦合，很難用精確的數(shù)學(xué)模型描述舒適度和各個(gè)因素之間的關(guān)系。很多學(xué)者還是提出了氨氣濃度預(yù)測(cè)模型和豬舍環(huán)境適宜性評(píng)價(jià)模型，比如：模糊神經(jīng)推理模型[6]、灰色模型[7]、神經(jīng)網(wǎng)絡(luò)模型[8-11]和模糊綜合評(píng)價(jià)模型[12-13]等。但這些模型都存在過(guò)學(xué)習(xí)、欠學(xué)習(xí)、泛化能力及穩(wěn)定性能差等問(wèn)題。

支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，對(duì)未知的測(cè)試樣本具有很好的推廣能力。目前，利用支持向量機(jī)理論進(jìn)行評(píng)價(jià)的研究較多[14-18]，但尚未見(jiàn)針對(duì)母豬舍環(huán)境舒適度的評(píng)價(jià)預(yù)測(cè)研究。支持向量機(jī)用于評(píng)價(jià)預(yù)測(cè)實(shí)質(zhì)是支持向量機(jī)回歸問(wèn)題，模型的預(yù)測(cè)精度主要取決于正則化參數(shù)、核函數(shù)形式和核函數(shù)參數(shù)的選擇。因此，必須選擇合適的參數(shù)尋優(yōu)算法來(lái)優(yōu)化最小二乘支持向量回歸機(jī)的參數(shù)。

已有研究提出了遺傳算法[19]、粒子群算法[20]和蟻群算法[21]等優(yōu)化算法。遺傳算法易早熟，且收斂速度慢；粒子群算法易陷入局部最優(yōu)，且局部搜索能力差；蟻群算法易出現(xiàn)停滯，且收斂速度慢。針對(duì)這些問(wèn)題，本文結(jié)合混沌運(yùn)動(dòng)的隨機(jī)性和遍歷性，將混沌優(yōu)化理論引入布谷鳥(niǎo)優(yōu)化算法[22-23]，根據(jù)監(jiān)測(cè)的哺乳母豬舍多環(huán)境因子，評(píng)價(jià)預(yù)測(cè)養(yǎng)殖環(huán)境舒適度等級(jí)，以期為母豬舍環(huán)境精準(zhǔn)調(diào)控提供決策支持。

1 實(shí)驗(yàn)材料與數(shù)據(jù)獲取

1.1 豬舍概況

評(píng)價(jià)預(yù)測(cè)的母豬舍環(huán)境數(shù)據(jù)來(lái)源于農(nóng)業(yè)農(nóng)村部標(biāo)準(zhǔn)化生豬養(yǎng)殖基地——江蘇省鎮(zhèn)江市希瑪牧業(yè)生豬養(yǎng)殖場(chǎng)(119°43′E，32°19′N)，所處位置氣候濕潤(rùn)，四季分明。夏季高溫天氣一般采用風(fēng)機(jī)和濕簾進(jìn)行主動(dòng)降溫。豬場(chǎng)占地面積約300 hm2，內(nèi)部建有南北朝向的種豬舍、產(chǎn)仔舍、母豬舍和育肥舍共12棟，磚混結(jié)構(gòu)。每棟豬舍的建筑面積大約為500 m2(50 m×10 m)，豬舍內(nèi)部采用水泥圍欄，以育肥豬舍為例，每列有10個(gè)豬欄，中間為過(guò)道分隔。

1.2 數(shù)據(jù)來(lái)源

選取養(yǎng)豬場(chǎng)內(nèi)某個(gè)標(biāo)準(zhǔn)母豬養(yǎng)殖豬舍作為實(shí)驗(yàn)舍，養(yǎng)殖環(huán)境數(shù)據(jù)來(lái)源于江蘇大學(xué)研制的家豬養(yǎng)殖物聯(lián)網(wǎng)遠(yuǎn)程環(huán)境監(jiān)控系統(tǒng)。系統(tǒng)結(jié)構(gòu)如圖1所示，該系統(tǒng)每間隔10 min對(duì)溫度、相對(duì)濕度、CO2濃度、NH3濃度和H2S濃度等環(huán)境特征在線采樣一次。將2018年7月14日—9月12日60 d實(shí)測(cè)數(shù)據(jù)作為評(píng)價(jià)預(yù)測(cè)的數(shù)據(jù)源。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure diagram of proposed system

1.3 建模步驟

豬舍環(huán)境惡劣復(fù)雜，準(zhǔn)確的數(shù)據(jù)樣本可提高預(yù)測(cè)精度，本文提出了多源數(shù)據(jù)融合、支持向量機(jī)組合評(píng)價(jià)預(yù)測(cè)模型，建模步驟如下：

(1)異常數(shù)據(jù)處理。采用格拉布斯準(zhǔn)則對(duì)傳感器采集的豬舍環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，判別剔除異常環(huán)境數(shù)據(jù)。

(2)改進(jìn)分組自適應(yīng)加權(quán)數(shù)據(jù)融合。首先，將同類傳感器采集的數(shù)據(jù)平均分成4組，分別對(duì)每一組傳感器測(cè)量數(shù)據(jù)進(jìn)行自適應(yīng)加權(quán)融合；然后再利用加權(quán)自適應(yīng)算法，對(duì)各組傳感器融合結(jié)果進(jìn)行一次加權(quán)融合；最后得出豬舍多環(huán)境因子的最佳估計(jì)值。

(3)支持向量機(jī)建模與預(yù)測(cè)。建立哺乳豬舍環(huán)境舒適度評(píng)價(jià)指標(biāo)體系，利用訓(xùn)練樣本建立支持向量機(jī)評(píng)價(jià)預(yù)測(cè)模型，利用測(cè)試樣本對(duì)評(píng)價(jià)預(yù)測(cè)模型進(jìn)行驗(yàn)證，得到預(yù)測(cè)結(jié)果，檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)精度。

2 豬舍環(huán)境參數(shù)采集與處理

由于豬舍內(nèi)部環(huán)境惡劣復(fù)雜，傳感器采集到的環(huán)境參數(shù)易受灰塵、惡劣天氣、人為干擾等各種因素的影響造成較大的疏失誤差。為確保環(huán)境監(jiān)測(cè)數(shù)據(jù)的真實(shí)性和有效性，采用格拉布斯準(zhǔn)則對(duì)連續(xù)采集20次的豬舍環(huán)境數(shù)據(jù)剔除異常值，再取平均值作為本輪采集數(shù)據(jù)。當(dāng)測(cè)量值xi對(duì)應(yīng)的殘差εi滿足

(1)

σm——測(cè)量數(shù)據(jù)的標(biāo)準(zhǔn)差

g0(n,α)——格拉布斯準(zhǔn)則臨界值

該測(cè)量值應(yīng)予以剔除。g0(n,α)取決于測(cè)量次數(shù)n和顯著度α，通過(guò)查詢格拉布斯準(zhǔn)則臨界值表可獲得。測(cè)量次數(shù)n取20，顯著度α取0.05，查得g0(n,α)為2.557。圖2是2018年8月23日00:00—23:50采集的母豬舍溫度，采用人工飼喂方式，飼喂頻率3次/d，飼喂時(shí)間08:00、13:00和19:00。由圖可見(jiàn)，采用格拉布斯多次采集取平均值可有效去除噪聲和疏失誤差，確保數(shù)據(jù)采集的準(zhǔn)確性。

圖2 數(shù)據(jù)處理結(jié)果Fig.2 Results of data processing

3 改進(jìn)分組自適應(yīng)加權(quán)數(shù)據(jù)融合算法

為了提高評(píng)價(jià)預(yù)測(cè)模型的精準(zhǔn)性，提出改進(jìn)分組的自適應(yīng)加權(quán)融合算法，對(duì)同類傳感器分組層層融合，得到接近真實(shí)值的測(cè)量數(shù)據(jù)作為L(zhǎng)SSVR的輸入數(shù)據(jù)。設(shè)各傳感器各時(shí)刻測(cè)量值為x1,x2,…,xn，各傳感器權(quán)重為w1,w2,…,wn，融合后估計(jì)值和權(quán)重wp滿足

(2)

(3)

總均方誤差

(4)

總均方誤差δ2是關(guān)于權(quán)重wp的多元二次函數(shù)，存在極小值。根據(jù)多元函數(shù)求極值理論，建立拉格朗日方程

(5)

式中γξ——拉格朗日乘子

(6)

因?yàn)樽赃m應(yīng)加權(quán)數(shù)據(jù)融合考慮了所有監(jiān)測(cè)傳感器每個(gè)時(shí)間節(jié)點(diǎn)的歷史數(shù)據(jù)，所以可得出均方誤差最小情況下的數(shù)據(jù)融合值，設(shè)2個(gè)編號(hào)為p、q的傳感器(p、q為1,2,…,n;p≠q)，測(cè)量值分別為xp、xq，則傳感器p的方差為

(7)

式中Rpp——xp的自互協(xié)方差函數(shù)

Rpq——xp和xq的互協(xié)方差函數(shù)

假設(shè)傳感器監(jiān)測(cè)的數(shù)據(jù)個(gè)數(shù)為k，Rpp的時(shí)間域估計(jì)值為Rpp(k)，Rpq的時(shí)間域估計(jì)值為Rpq(k)，則

(8)

(9)

4 豬舍養(yǎng)殖環(huán)境舒適度評(píng)價(jià)預(yù)測(cè)方法

豬舍是由相互耦合的多環(huán)境因子共同作用而形成的一個(gè)復(fù)雜、非線性系統(tǒng)。適宜的母豬舍養(yǎng)殖環(huán)境不但有利于保障母豬的機(jī)體健康，提高其生產(chǎn)力水平，而且可以提高仔豬的生長(zhǎng)性能。母豬舍環(huán)境的舒適度評(píng)價(jià)結(jié)果可以為養(yǎng)殖環(huán)境精準(zhǔn)調(diào)控提供參考，從而最大限度地發(fā)揮智能飼喂效果，提高豬場(chǎng)的生產(chǎn)效益。

4.1 評(píng)價(jià)標(biāo)準(zhǔn)建立

根據(jù)專家經(jīng)驗(yàn)和文獻(xiàn)[24-26]，本文選取對(duì)豬的健康水平和生產(chǎn)力產(chǎn)生重大影響的環(huán)境因素，包括：溫度、相對(duì)濕度、NH3質(zhì)量濃度、CO2質(zhì)量濃度和H2S質(zhì)量濃度作為豬舍環(huán)境舒適度評(píng)價(jià)指標(biāo)。舒適度程度用3級(jí)、2級(jí)、1級(jí)表示，3級(jí)表示舒適，2級(jí)表示中等，1級(jí)表示差。依據(jù)規(guī)模豬場(chǎng)環(huán)境參數(shù)及環(huán)境管理國(guó)家標(biāo)準(zhǔn)[27]，得出環(huán)境舒適度評(píng)價(jià)范圍，可建立哺乳母豬舍環(huán)境評(píng)價(jià)標(biāo)準(zhǔn)如表1所示，評(píng)價(jià)因素集為{溫度，相對(duì)濕度，NH3質(zhì)量濃度，CO2質(zhì)量濃度，H2S質(zhì)量濃度}，評(píng)語(yǔ)集為{舒適，中等，差}。

4.2 最小二乘支持向量回歸機(jī)

對(duì)監(jiān)測(cè)的環(huán)境數(shù)據(jù)一級(jí)融合后作為L(zhǎng)SSVR的輸入向量。設(shè)有訓(xùn)練樣本集{(xi,yi),i=1,2，…,m}，其中xi和yi分別為樣本輸入向量和輸出向量。

表1 哺乳母豬舍環(huán)境評(píng)價(jià)標(biāo)準(zhǔn)Tab.1 Evaluation standard of lactating sow building environment

xi為豬舍環(huán)境舒適度評(píng)價(jià)因素集，yi為豬舍環(huán)境舒適度評(píng)語(yǔ)集。將輸入向量通過(guò)非線性映射到高維特征空間求解最優(yōu)超平面，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，將回歸問(wèn)題轉(zhuǎn)換為優(yōu)化問(wèn)題

(10)

s.t.yi=ωTφ(xi)+b+ei

(11)

式中γ——正則化參數(shù)ω——權(quán)重向量

φ——非線性變換函數(shù)ei——誤差

b——偏置量

引入拉格朗日乘子αi，利用Lagrange方法把約束優(yōu)化問(wèn)題轉(zhuǎn)換為對(duì)偶問(wèn)題，Lagrange函數(shù)為

(12)

式中α——拉格朗日乘子向量

由Karush-Kuhn-Tucher(KKT)條件，分別對(duì)ω、b、e和α參數(shù)求偏導(dǎo)數(shù)并令其為0，再消去ω和e，則求解優(yōu)化問(wèn)題可轉(zhuǎn)換為線性方程組

(13)

其中

E=[1 1 … 1]T

K=φT(xi)φ(xj)α=[α1α2…αm]TY=[y1y2…ym]T

式中K——符合Mercer條件的核函數(shù)

解式(13)可得LSSVR的決策模型

(14)

采用不同的核函數(shù)可以構(gòu)造不同類型的非線性決策面的學(xué)習(xí)機(jī)器，只要滿足Mercer條件都可以作為SVR(Support vector regression)的核函數(shù)。核函數(shù)分為全局核函數(shù)和局部核函數(shù)2類，前者具有較強(qiáng)的泛化能力，但學(xué)習(xí)能力較弱，后者則相反。目前SVR常用的核函數(shù)有4類：線性(Linear)核函數(shù)、多項(xiàng)式(Poly)核函數(shù)、高斯(Radial basis function, RBF)核函數(shù)和多層感知器(Sigmoid)核函數(shù)。選擇不同的核函數(shù)會(huì)產(chǎn)生不同的預(yù)測(cè)效果。本文將Poly核函數(shù)和RBF核函數(shù)結(jié)合，構(gòu)造一種適應(yīng)于多數(shù)據(jù)源的多核混合核函數(shù)，來(lái)彌補(bǔ)單一核函數(shù)的局限性，提高SVR的預(yù)測(cè)能力。

K(x,xi)=τKpoly(x,xi)+(1-τ)Krbf(x,xi)=τ(xxi+1)q+(1-τ)exp (-‖x-xi‖2/(2σ2))

(τ∈(0,1))

(15)

式中τ——加權(quán)系數(shù)σ——RBF核帶寬

混合核LSSVR中，含有正則化參數(shù)γ、RBF核帶寬σ和加權(quán)系數(shù)τ等3個(gè)待定參數(shù)，如果參數(shù)選擇不當(dāng)，會(huì)影響模型的預(yù)測(cè)精度。本文提出了變尺度的混沌布谷鳥(niǎo)算法對(duì)混合核LSSVR中的待定參數(shù)進(jìn)行尋優(yōu)。

4.3 基于變尺度的混沌布谷鳥(niǎo)優(yōu)化多核最小二乘支持向量回歸機(jī)

4.3.1布谷鳥(niǎo)優(yōu)化算法

(16)

⊕——點(diǎn)對(duì)點(diǎn)乘法運(yùn)算符號(hào)

β——步長(zhǎng)控制變量

4.3.2變尺度的混沌布谷鳥(niǎo)優(yōu)化算法(MSCCS)

布谷鳥(niǎo)優(yōu)化算法結(jié)構(gòu)簡(jiǎn)單，但是它具有局部搜索能力弱、易陷入局部最優(yōu)，迭代后期收斂速度慢、收斂精度低等缺點(diǎn)。由于混沌運(yùn)動(dòng)的隨機(jī)性和遍歷性等特點(diǎn)，本文將變尺度混沌方法引入布谷鳥(niǎo)優(yōu)化算法，根據(jù)搜索進(jìn)程動(dòng)態(tài)縮小搜索區(qū)間，即初期搜索范圍較大，后期搜索范圍縮小。這樣不但提高了種群的多樣性和布谷鳥(niǎo)搜索的遍歷性能力，可有效防止算法陷入局部最優(yōu)，而且提高了布谷鳥(niǎo)優(yōu)化算法的收斂速度和精度。混沌序列為

xi+1=μxi(1-xi)

(17)

式中μ——控制參數(shù)

當(dāng)μ=4時(shí)，系統(tǒng)完全處于混沌狀態(tài)。由任意初始值x0生成一個(gè)時(shí)間序列x0,x1,…,xn。設(shè)當(dāng)前最優(yōu)鳥(niǎo)巢位置x的搜索范圍[x1,x2]，一次尋優(yōu)操作后得到本次最優(yōu)值x*，變尺度優(yōu)化為

(18)

(19)

(20)

式中κ——調(diào)節(jié)系數(shù)，κ∈(0,0.5)，κ越大，搜索范圍縮小程度越小

k——變尺度優(yōu)化次數(shù)

4.3.3基于MSCCS的混合核LSSVR參數(shù)優(yōu)化

利用MSCCS算法優(yōu)化選擇的參數(shù)，得到LSSVR模型，具體流程如圖3所示。

圖3 混合核MSCCS-LSSVR流程圖Fig.3 Flow chart of MSCCS mixed kernel LSSVR

5 結(jié)果與分析

為了避免因?yàn)槟Ｐ洼斎氲哪肛i舍養(yǎng)殖環(huán)境參數(shù)和輸出的母豬舍養(yǎng)殖環(huán)境舒適度評(píng)價(jià)等級(jí)之間的數(shù)量級(jí)差別較大從而引起評(píng)價(jià)預(yù)測(cè)模型的誤差，對(duì)輸入預(yù)測(cè)模型的各參數(shù)統(tǒng)一進(jìn)行無(wú)量綱化處理，將其歸一到[0,1]區(qū)間，以消除各個(gè)數(shù)據(jù)之間的數(shù)量級(jí)差別。

經(jīng)過(guò)多次實(shí)驗(yàn)測(cè)試，MSCCS優(yōu)化混合核LSSVR算法的初始參數(shù)設(shè)置如下：布谷鳥(niǎo)的鳥(niǎo)巢數(shù)量N=20，發(fā)現(xiàn)概率Pa=0.25，最大迭代次數(shù)Npmax=100，γ和σ的搜索范圍分別設(shè)置為[0.01, 1 000]和[0.1, 100]，τ的取值范圍設(shè)為[0.5, 0.99]。實(shí)驗(yàn)以均方根誤差(Root mean square error, RMSE)為適應(yīng)度函數(shù)，迭代終止條件為達(dá)到最大進(jìn)化代數(shù)Npmax，適應(yīng)度函數(shù)曲線如圖4所示。由圖4可見(jiàn)，隨著迭代次數(shù)的增加，適應(yīng)度函數(shù)曲線快速收斂，當(dāng)?shù)?5代時(shí)，布谷鳥(niǎo)群體中最優(yōu)適應(yīng)度顯現(xiàn)出來(lái)，獲得較好的模型參數(shù)組合。這表明變尺度混沌布谷鳥(niǎo)算法尋優(yōu)速度較快，適合LSSVR模型的參數(shù)優(yōu)化選擇。

圖4 適應(yīng)度函數(shù)收斂曲線Fig.4 Convergent curve of fitness function

選取1 440個(gè)數(shù)據(jù)樣本，按交叉驗(yàn)證的思想，將數(shù)據(jù)樣本按照3∶1的比例分為1 080個(gè)訓(xùn)練集和360個(gè)測(cè)試集。經(jīng)過(guò)MSCCS優(yōu)化混合核LSSVR后得到最佳參數(shù)γ=96.52、σ=1.38和τ=0.74。為了檢驗(yàn)混合核MSCCS-LSSVR模型的評(píng)價(jià)預(yù)測(cè)性能，選用PSO-LSSVR、GA-LSSVR和傳統(tǒng)LSSVR等3種預(yù)測(cè)模型進(jìn)行對(duì)比，針對(duì)相同的訓(xùn)練數(shù)據(jù)集，這3種模型的最優(yōu)參數(shù)γ和σ分別設(shè)置為(87.40,1.17)、(84.37, 1.06)和(109.76,1.84)。4種模型的預(yù)測(cè)誤差和預(yù)測(cè)結(jié)果如圖5、6所示。由圖5可以看出，采用混合核MSCCS-LSSVR對(duì)舒適度進(jìn)行評(píng)價(jià)預(yù)測(cè)，預(yù)測(cè)誤差全部分布在[-0.5,0.5]這一區(qū)間內(nèi)，而且絕大部分預(yù)測(cè)誤差為0，占總樣本數(shù)87.8%。由圖6可以看出，混合核MSCCS-LSSVR模型預(yù)測(cè)值與實(shí)測(cè)值最為接近，PSO-LSSVR模型預(yù)測(cè)誤差次之，傳統(tǒng)LSSVR模型預(yù)測(cè)值離實(shí)測(cè)值最遠(yuǎn)。在訓(xùn)練數(shù)據(jù)集相同的條件下，4種模型的運(yùn)行時(shí)間分別為7.342 5、7.850 6、8.713 2、9.425 8 s，混合核MSCCS-LSSVR模型運(yùn)行時(shí)間最短，比傳統(tǒng)LSSVR模型運(yùn)行時(shí)間快近2.1 s。由此可見(jiàn)，采用變尺度混沌布谷鳥(niǎo)搜索算法優(yōu)化混合核最小二乘支持向量機(jī)具有更高的預(yù)測(cè)精度和較少的運(yùn)行時(shí)間，能夠滿足哺乳母豬舍養(yǎng)殖環(huán)境精準(zhǔn)調(diào)控的需要。

圖5 4種模型預(yù)測(cè)誤差Fig.5 Prediction errors of four models

圖6 4種模型預(yù)測(cè)結(jié)果Fig.6 Prediction results of four models

為了準(zhǔn)確、全面地比較4種哺乳母豬舍環(huán)境舒適度評(píng)價(jià)預(yù)測(cè)模型的性能，采用平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)和決定系數(shù)(R-squared,R2)評(píng)價(jià)預(yù)測(cè)結(jié)果。

4種舒適度評(píng)價(jià)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果RMSE和MAE如圖7所示，可見(jiàn)混合核MSCCS-LSSVR的平均絕對(duì)誤差和均方根誤差均為最小，這也說(shuō)明混合核MSCCS-LSSVR模型的預(yù)測(cè)誤差最小，使用改進(jìn)的布谷鳥(niǎo)搜索算法優(yōu)化混合核最小二乘支持向量機(jī)的預(yù)測(cè)效果最好。通過(guò)計(jì)算傳統(tǒng)LSSVR、GA-LSSVR、PSO-LSSVR和混合核MSCCS-LSSVR這4種預(yù)測(cè)模型的決定系數(shù)R2，分別為0.689 4、0.763 0、0.851 6和0.913 8，說(shuō)明采用混合核MSCCS-LSSVR模型可以更好地?cái)M合哺乳母豬舍養(yǎng)殖環(huán)境因子與舒適度之間的復(fù)雜非線性關(guān)系，預(yù)測(cè)值與實(shí)測(cè)值擬合效果最好。

圖7 4種模型預(yù)測(cè)指標(biāo)對(duì)比Fig.7 Prediction indexes of four models

利用訓(xùn)練好的混合核MSCCS-LSSVR模型預(yù)測(cè)24 h的母豬舍環(huán)境舒適度狀況，預(yù)測(cè)結(jié)果如表2所示，其中預(yù)測(cè)值為反歸一化后的數(shù)值。將溫度、相對(duì)濕度、CO2質(zhì)量濃度、NH3質(zhì)量濃度和H2S質(zhì)量濃度等5個(gè)單因素作為L(zhǎng)SSVR的輸入向量，評(píng)價(jià)預(yù)測(cè)結(jié)果3、2、1分別對(duì)應(yīng)豬舍環(huán)境質(zhì)量等級(jí)舒適、中等、差。根據(jù)母豬舍對(duì)溫度、相對(duì)濕度、CO2質(zhì)量濃度、NH3質(zhì)量濃度和H2S質(zhì)量濃度的要求，當(dāng)條件全部滿足時(shí)，舒適度為3級(jí)；若某一條件不滿足時(shí)，豬舍環(huán)境舒適度真實(shí)值采用文獻(xiàn)[12]的方法確定，該方法處理多環(huán)境因子的不確定性和模糊邊界問(wèn)題非常有效。例如，在08:00、9:00及15:00—19:00整點(diǎn)時(shí)，舍內(nèi)溫度分別為：22.7、23.1、23.9、23.5、23.2、22.8、22.6℃，溫度稍微高于舒適范圍；在19:00和20:00時(shí)，相對(duì)濕度分別為70.4%和71.3%，相對(duì)濕度非常接近舒適范圍；NH3和H2S質(zhì)量濃度均在舒適范圍內(nèi)；而CO2質(zhì)量濃度在舒適度評(píng)價(jià)中權(quán)重最低；最后綜合確定這些時(shí)刻的舒適度為3級(jí)，具體分析計(jì)算過(guò)程不再贅述。由表2也可以看出，某一時(shí)刻母豬舍環(huán)境舒適度狀況由5個(gè)因素共同決定。例如在10:00，單因素評(píng)價(jià)此時(shí)實(shí)測(cè)的舍內(nèi)溫度為中等，濕度為舒適，CO2質(zhì)量濃度為中等，NH3質(zhì)量濃度為舒適，H2S質(zhì)量濃度為舒適，采用本文的評(píng)價(jià)預(yù)測(cè)模型綜合考慮各環(huán)境因素的影響，評(píng)價(jià)預(yù)測(cè)結(jié)果為中等，與真實(shí)值一致；在12:00，母豬舍環(huán)境舒適度評(píng)價(jià)預(yù)測(cè)結(jié)果為差，主要由于豬舍內(nèi)溫度偏高，大于27℃，此時(shí)應(yīng)加大通風(fēng)降低舍內(nèi)溫度以改善舍內(nèi)環(huán)境質(zhì)量，使豬舍環(huán)境處于舒適的范圍。

為了驗(yàn)證不同容量的數(shù)據(jù)集對(duì)混合核MSCCS-LSSVR模型評(píng)價(jià)預(yù)測(cè)結(jié)果的影響，選取30 d的實(shí)際采樣數(shù)據(jù)來(lái)測(cè)試模型數(shù)據(jù)容量。采樣數(shù)據(jù)被分為4組：7、14、21、30 d。每組采樣數(shù)據(jù)隨機(jī)抽取80%作為訓(xùn)練數(shù)據(jù)集，剩余20%作為測(cè)試數(shù)據(jù)集。預(yù)測(cè)誤差為0的樣本數(shù)量占樣本總數(shù)的比例分別為85.2%、88.5%、92.6%和96.4%。由此可見(jiàn)，使用21～30 d的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集可以獲得較高的預(yù)測(cè)精度。因?yàn)樨i舍的舒適度受到氣候、光照、動(dòng)物活動(dòng)等多方面環(huán)境因素的影響，使用較少天數(shù)的采樣數(shù)據(jù)會(huì)使環(huán)境舒適度預(yù)測(cè)產(chǎn)生較大波動(dòng)。

表2 混合核MSCCS-LSSVR模型預(yù)測(cè)結(jié)果Tab.2 Prediction results of MSCCS mixed kernel LSSVR

圖8 舒適度評(píng)價(jià)預(yù)測(cè)模型界面Fig.8 GUI of comfortable degree evaluation prediction model

為了便于豬場(chǎng)飼養(yǎng)員使用評(píng)價(jià)預(yù)測(cè)模型，本文基于Matlab GUI開(kāi)發(fā)了舒適度評(píng)價(jià)預(yù)測(cè)系統(tǒng)，如圖8所示。首先，點(diǎn)擊“加載數(shù)據(jù)”按鈕載入包含舒適度等級(jí)的歷史數(shù)據(jù)樣本，作為訓(xùn)練集和測(cè)試集；然后，點(diǎn)擊“本文算法”按鈕GUI運(yùn)行回調(diào)函數(shù)，執(zhí)行MSCCS-LSSVR程序；最后預(yù)測(cè)系統(tǒng)給出評(píng)價(jià)預(yù)測(cè)結(jié)果。如果評(píng)價(jià)預(yù)測(cè)結(jié)果表明未來(lái)某個(gè)時(shí)刻舒適度為差，飼養(yǎng)員可提前采取必要應(yīng)對(duì)措施，例如控制風(fēng)機(jī)、濕簾等設(shè)備的啟停。如圖8所示，實(shí)驗(yàn)時(shí)根據(jù)當(dāng)前監(jiān)測(cè)的環(huán)境數(shù)據(jù)評(píng)價(jià)預(yù)測(cè)得到未來(lái)5 h的舒適度等級(jí)，5 h后從歷史數(shù)據(jù)中心查看了真實(shí)值分別為2、2、2、1、2級(jí)。由此可以看出，模型5 h內(nèi)評(píng)價(jià)預(yù)測(cè)精度高。為了進(jìn)一步研究模型的預(yù)測(cè)能力，對(duì)當(dāng)前時(shí)間24、48、72 h內(nèi)的舒適度進(jìn)行了預(yù)測(cè)，預(yù)測(cè)誤差為0的樣本數(shù)量占樣本總數(shù)的比例分別為95.8%、91.7%和90.3%。說(shuō)明模型的預(yù)測(cè)誤差隨時(shí)間推移逐漸增大，這是因?yàn)樨i舍環(huán)境舒適度的變化受多種因素的影響，可以通過(guò)更新訓(xùn)練數(shù)據(jù)集提高預(yù)測(cè)精度。

6 結(jié)論

(1)為實(shí)現(xiàn)對(duì)哺乳母豬舍養(yǎng)殖環(huán)境舒適度的合理評(píng)價(jià)，建立了哺乳母豬舍多環(huán)境因子評(píng)價(jià)標(biāo)準(zhǔn)，提出了哺乳母豬舍養(yǎng)殖環(huán)境舒適度混合核MSCCS- LSSVR評(píng)價(jià)預(yù)測(cè)模型。為了提高LSSVR模型的預(yù)測(cè)精度，提出了改進(jìn)布谷鳥(niǎo)算法優(yōu)化混合核LSSVR參數(shù)的預(yù)測(cè)模型，獲得了最佳的參數(shù)組合，改善了模型的學(xué)習(xí)能力和泛化能力。

(2)基于Matlab GUI開(kāi)發(fā)了評(píng)價(jià)預(yù)測(cè)模型的圖形用戶界面，利用該模型對(duì)鎮(zhèn)江市希瑪牧業(yè)生豬養(yǎng)殖場(chǎng)的哺乳母豬舍監(jiān)測(cè)的環(huán)境數(shù)據(jù)進(jìn)行了評(píng)價(jià)預(yù)測(cè)。結(jié)果表明，混合核MSCCS-LSSVR模型預(yù)測(cè)精度最高，預(yù)測(cè)值的平均絕對(duì)誤差和均方根誤差分別為0.061 1和0.174 8。通過(guò)對(duì)母豬舍養(yǎng)殖環(huán)境舒適度的在線評(píng)價(jià)預(yù)測(cè)，可以及時(shí)獲取母豬養(yǎng)殖環(huán)境的信息，為風(fēng)機(jī)、濕簾等設(shè)備的智能化調(diào)控以及智慧養(yǎng)殖、精細(xì)化管理提供決策支持，確保母豬和仔豬在最舒適的養(yǎng)殖環(huán)境中生長(zhǎng)，提高豬只健康水平。