基于神經(jīng)網(wǎng)絡(luò)豬舍氨氣濃度預(yù)測(cè)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(xué)信息技術(shù)學(xué)院，黑龍江 大慶 163319）

基于神經(jīng)網(wǎng)絡(luò)豬舍氨氣濃度預(yù)測(cè)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(xué)信息技術(shù)學(xué)院，黑龍江 大慶 163319）

豬舍內(nèi)氨氣濃度對(duì)豬生長(zhǎng)發(fā)育影響較大，建立準(zhǔn)確氨氣濃度預(yù)測(cè)模型尤為必要。目前已有針對(duì)豬舍內(nèi)氨氣濃度預(yù)測(cè)研究，但氨氣濃度受豬舍內(nèi)多種環(huán)境因素影響，缺少準(zhǔn)確預(yù)測(cè)模型。為此本研究從實(shí)測(cè)豬舍內(nèi)環(huán)境數(shù)據(jù)（包括氨氣濃度、溫度、濕度、活動(dòng)量、通風(fēng)）中隨機(jī)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(luò)、線性神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(luò)建立5-9-9-1四層結(jié)構(gòu)預(yù)測(cè)模型經(jīng)290步后達(dá)目標(biāo)誤差，預(yù)測(cè)值和真實(shí)值最大絕對(duì)誤差僅為0.1720，與Elman神經(jīng)網(wǎng)絡(luò)和線性神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法相比可提高豬舍氨氣濃度預(yù)測(cè)準(zhǔn)確性和及時(shí)性，為豬舍環(huán)境預(yù)警提供支持。

BP神經(jīng)網(wǎng)絡(luò)；Elman神經(jīng)網(wǎng)絡(luò)；線性神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)模型；氨氣濃度

謝秋菊,羅文博,李妍,等.基于神經(jīng)網(wǎng)絡(luò)豬舍氨氣濃度預(yù)測(cè)方法研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),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(dāng)豬舍內(nèi)氨氣濃度過高時(shí)，可引起豬肺部腫脹致死，在規(guī)模化養(yǎng)殖中，氨氣濃度高低對(duì)豬健康生長(zhǎng)影響較大[1-2]。因此，及時(shí)預(yù)測(cè)和控制豬舍內(nèi)氨氣濃度對(duì)豬生長(zhǎng)健康有重要作用。研究者在不同條件下對(duì)豬舍氨氣濃度變化開展大量工作[3-5]。Ni等測(cè)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(duì)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(luò)豬舍有害氣體定量檢測(cè)模型[8]。朱海生等研究豬舍內(nèi)氨氣排放預(yù)測(cè)模型現(xiàn)狀[9]。然而，在上述研究中并未對(duì)氨氣濃度建立有效預(yù)測(cè)模型，多數(shù)研究?jī)H依靠設(shè)備監(jiān)測(cè)豬舍內(nèi)氨氣濃度，只獲取舍內(nèi)氨氣濃度，無有效預(yù)測(cè)模型對(duì)豬舍內(nèi)有害氣體預(yù)警。由于豬舍內(nèi)氨氣濃度受到豬舍內(nèi)溫度、濕度及通風(fēng)情況等多種環(huán)境因素影響，傳統(tǒng)數(shù)學(xué)方法難以建立準(zhǔn)確預(yù)測(cè)模型。

本文在3種不同類型神經(jīng)網(wǎng)絡(luò)方法中，選取預(yù)測(cè)精度高、實(shí)效性強(qiáng)方法建立氨氣濃度預(yù)測(cè)模型，實(shí)現(xiàn)豬舍內(nèi)氨氣濃度提前預(yù)警，為豬舍環(huán)境控制提供參考。

1 神經(jīng)網(wǎng)絡(luò)模型

1.1 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)是Elman于1990年針對(duì)語音處理問題提出[10]。Elman神經(jīng)網(wǎng)絡(luò)是一個(gè)局部記憶單元和局部反饋連接前向神經(jīng)網(wǎng)絡(luò)。Elman神經(jīng)網(wǎng)絡(luò)對(duì)具有非線性時(shí)間序列特征領(lǐng)域應(yīng)用效果較好。主要結(jié)構(gòu)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(shí)刻輸出，使Elman神經(jīng)網(wǎng)絡(luò)具有檢測(cè)和產(chǎn)生時(shí)變模式能力。優(yōu)點(diǎn)是隱含層輸出通過承接層延遲與存儲(chǔ)，自聯(lián)到隱含層輸入。這種自聯(lián)方式對(duì)歷史狀態(tài)數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡(luò)加入增強(qiáng)網(wǎng)絡(luò)本身處理動(dòng)態(tài)信息能力，達(dá)到動(dòng)態(tài)建模目[12]。

Elman神經(jīng)網(wǎng)絡(luò)采用動(dòng)態(tài)反向傳播學(xué)習(xí)算法，即梯度下降法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可提高網(wǎng)絡(luò)訓(xùn)練速度，有效抑制網(wǎng)絡(luò)陷入局部極小值。目標(biāo)是通過網(wǎng)絡(luò)各層權(quán)值調(diào)節(jié)，使預(yù)測(cè)值和真實(shí)值均方誤差最小。Elman神經(jīng)網(wǎng)絡(luò)采用BP算法修正權(quán)值，學(xué)習(xí)指標(biāo)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(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCel?land等提出，是一種按誤差逆向傳播算法訓(xùn)練多層前饋網(wǎng)絡(luò)，能夠?qū)W習(xí)和存儲(chǔ)大量輸入到輸出映射關(guān)系，無需事前描述這種映射關(guān)系數(shù)學(xué)方程。BP神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)與自組織能力，學(xué)習(xí)規(guī)則使用最速下降法，通過反向傳播不斷調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使網(wǎng)絡(luò)誤差平方和最小[13]。BP神經(jīng)網(wǎng)絡(luò)優(yōu)點(diǎn)有較強(qiáng)非線性映射能力、高度自學(xué)習(xí)和自適應(yīng)能力、泛化能力和容錯(cuò)能力。缺點(diǎn)有局部極小化問題、收斂速度慢、網(wǎng)絡(luò)結(jié)構(gòu)選擇不一和樣本依賴性問題[14]。主要應(yīng)用于函數(shù)逼近、模式識(shí)別、分類和數(shù)據(jù)壓縮等方面。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)包括輸入層（Input layer）、隱含層（Hidden layer）、輸出層（Output layer）。

BP神經(jīng)網(wǎng)絡(luò)特點(diǎn)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(gòu)成具有層次結(jié)構(gòu)前饋型神經(jīng)網(wǎng)絡(luò)系統(tǒng)。模型形成過程中，輸入層節(jié)點(diǎn)數(shù)對(duì)輸出影響大，節(jié)點(diǎn)數(shù)太多會(huì)引入無關(guān)歷史數(shù)據(jù)，節(jié)點(diǎn)數(shù)太少則不能很好反映變化趨勢(shì)。其次，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜需估計(jì)更多參數(shù)，模型精度變差。隱含層節(jié)點(diǎn)數(shù)選擇復(fù)雜，隱含層節(jié)點(diǎn)數(shù)量取決于輸入層和輸出層神經(jīng)元個(gè)數(shù)等多種因素，目前尚無一套成熟理論方法確定網(wǎng)絡(luò)隱節(jié)點(diǎn)，隱節(jié)點(diǎn)確定依賴經(jīng)驗(yàn)。BP神經(jīng)網(wǎng)絡(luò)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(jì)算網(wǎng)絡(luò)權(quán)重和調(diào)整連接權(quán)重最小化輸出誤差。神經(jīng)網(wǎng)絡(luò)誤差函數(shù)定義如公式（2）所示。

Tk和Ok分別是目標(biāo)值和輸出值。

1.3 線性神經(jīng)網(wǎng)絡(luò)

線性神經(jīng)網(wǎng)絡(luò)是最簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)，由一個(gè)或

多個(gè)線性神經(jīng)元組成。伯納德和瑪西婭提出自適應(yīng)線性神經(jīng)元，是線性神經(jīng)網(wǎng)絡(luò)最早典型代表，學(xué)習(xí)算法稱之為L(zhǎng)MS（最小均方差）。LMS學(xué)習(xí)規(guī)則使均方誤差最小，使判決邊界遠(yuǎn)離分類模式，增強(qiáng)網(wǎng)絡(luò)抗噪能力，但LMS算法僅適于單層網(wǎng)絡(luò)訓(xùn)練[17]。主要用途是通過線性逼近一個(gè)函數(shù)式而開展模式聯(lián)想及信號(hào)濾波、預(yù)測(cè)、模型識(shí)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(yīng)用近似二階導(dǎo)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(luò)基于誤差不斷減小原則，采用L-M算法調(diào)整網(wǎng)絡(luò)權(quán)值及閾值，達(dá)最優(yōu)目標(biāo)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(luò)收斂問題。L-M優(yōu)化算法不僅沿負(fù)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(dòng)調(diào)整網(wǎng)絡(luò)權(quán)值，收斂網(wǎng)絡(luò)并提高網(wǎng)絡(luò)收斂速度。其權(quán)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(gè)標(biāo)量。在L-M算法網(wǎng)絡(luò)權(quán)值調(diào)整中，隨_增加，L-M算法接近于最速下降法，學(xué)習(xí)速率較小，而_為0時(shí)，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(gòu)

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

豬舍結(jié)構(gòu)類型為鋼木混結(jié)構(gòu)，密閉式機(jī)械通風(fēng)方式。豬舍內(nèi)有12個(gè)南北朝向豬房。每間豬房長(zhǎng)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(gè)1.8 m深儲(chǔ)糞池。每個(gè)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(gè)豬欄，中間過道分隔。豬舍結(jié)構(gòu)側(cè)剖面如圖1所示[20]。

獨(dú)立控制每個(gè)豬房?jī)?nèi)溫度和通風(fēng)，舍外新鮮空氣通過東西兩側(cè)門上方進(jìn)氣口進(jìn)入舍內(nèi)，進(jìn)氣口根據(jù)通風(fēng)量需求通過上方簾子調(diào)節(jié)進(jìn)入空氣量，東側(cè)進(jìn)氣口簾子通過靜壓控制器自動(dòng)控制，西側(cè)進(jìn)氣口簾子由手動(dòng)控制。舍外新鮮空氣通過棚頂和過道入口送入每個(gè)豬房?jī)?nèi)。每個(gè)豬房?jī)?nèi)部在長(zhǎng)軸方向上安裝3個(gè)可控V形天花板進(jìn)氣口，過道空氣沿豬房長(zhǎng)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(gè)天然氣加熱器，天氣寒冷時(shí)對(duì)進(jìn)入舍內(nèi)空氣預(yù)熱。每個(gè)豬房?jī)?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(shí)給仔豬加熱。

每個(gè)豬房安裝4個(gè)風(fēng)機(jī)。2個(gè)安裝在舍內(nèi)墻上用于通風(fēng)換氣，2個(gè)安裝在儲(chǔ)糞池上用于儲(chǔ)糞池向外排氣。2個(gè)儲(chǔ)糞池風(fēng)機(jī)為變頻風(fēng)機(jī)，直徑為30.5 cm（Model Guardian 60,L.B.White Co.Onalaska,WI, USA），墻上風(fēng)機(jī)均為恒定速度，一個(gè)為直徑36 cm（Model V4E35,Multifan），標(biāo)定排風(fēng)率為50 Pa時(shí)3 230 m3·h-1，另一個(gè)直徑為51 cm（Model V4E50, Multifan），標(biāo)定排風(fēng)率為7 400 m3·h-1。

2.2 豬舍內(nèi)氣體采樣及氨氣濃度測(cè)量

12間豬房24個(gè)氣體采樣點(diǎn)連續(xù)氣體采集和測(cè)量空氣樣本。每個(gè)豬房里2個(gè)采樣點(diǎn)，一個(gè)位于距離直徑為36 cm風(fēng)機(jī)1 m遠(yuǎn)處，另一個(gè)位于儲(chǔ)糞池風(fēng)機(jī)進(jìn)風(fēng)口處。第25個(gè)采集點(diǎn)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(diǎn)通過內(nèi)徑為0.64 cm Teflon管與自行設(shè)計(jì)采樣系統(tǒng)相連。氣體采集系統(tǒng)按預(yù)先設(shè)置順序以4～5 L·min-1流率將采樣點(diǎn)氣體樣本送入實(shí)驗(yàn)室內(nèi)氣體分析儀中。同一時(shí)刻僅1個(gè)采樣點(diǎn)空氣送入分析儀中。

空氣樣本中氨氣濃度通過一臺(tái)多種氣體監(jiān)測(cè)儀測(cè)量（Innova Model 1412,LumaSense Technolo?gies,Ballerup,Denmark）。每個(gè)氣體采樣點(diǎn)采集間隔和頻率、采樣點(diǎn)順序可自動(dòng)或手動(dòng)控制。在自動(dòng)模式下，過道空氣采集時(shí)間為20 min，其他采樣點(diǎn)采集時(shí)間為10 min。在測(cè)量之前，用一臺(tái)氣體稀釋儀（Model S-4040,Environics,Tolland,CT,USA）和標(biāo)準(zhǔn)氣體對(duì)氣體分析儀多點(diǎn)校準(zhǔn)，以確保其線性響應(yīng)。研究期間每周用零氣體和標(biāo)準(zhǔn)氣體對(duì)氣體分析儀精確性檢查1次。

2.3 溫度、相對(duì)濕度及活動(dòng)量監(jiān)測(cè)

舍內(nèi)溫度是通過在豬房排風(fēng)口處、儲(chǔ)糞池排風(fēng)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(fēng)出口處5個(gè)位置安裝T型熱電耦測(cè)量。采樣點(diǎn)溫度測(cè)量用于氣體體積濃度與質(zhì)量濃度間轉(zhuǎn)換計(jì)算，舍內(nèi)加熱器排風(fēng)口處溫度測(cè)量用于監(jiān)測(cè)加熱器運(yùn)行狀況。

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

豬活動(dòng)量用于分析、驗(yàn)證豬活動(dòng)與氣體排放量間關(guān)系，通過紅外線活動(dòng)量傳感器（Visonic SRN 2000 Detector,Visonic Inc.,Bloomfield,CT,USA）測(cè)量，傳感器安裝在每個(gè)豬房?jī)?nèi)與門相對(duì)墻上。

2.4 通風(fēng)率測(cè)定和計(jì)算

2.4.1 墻上風(fēng)機(jī)通風(fēng)率

24個(gè)墻上風(fēng)機(jī)均單獨(dú)根據(jù)室內(nèi)降溫需要自動(dòng)控制，通過一個(gè)與風(fēng)機(jī)電源并聯(lián)240-VAC到5-VDC適配器監(jiān)測(cè)風(fēng)機(jī)工作狀態(tài)。所有適配器輸出與一個(gè)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(cè)系統(tǒng)將1 Hz開/關(guān)信號(hào)轉(zhuǎn)換為風(fēng)機(jī)運(yùn)行時(shí)間，例如風(fēng)機(jī)在1 min內(nèi)開啟30 s，就會(huì)把50%記錄在每分種數(shù)據(jù)文件中作為風(fēng)機(jī)開啟時(shí)間。風(fēng)機(jī)設(shè)開啟時(shí)間為t，通風(fēng)速率可根據(jù)風(fēng)機(jī)當(dāng)時(shí)承受壓差利用線性方程計(jì)算得到，如公式5所示。

式中，QW為墻上風(fēng)機(jī)在時(shí)間t時(shí)通風(fēng)速率（m3·min-1）；aW51和aW36分別是直徑為51 cm和直徑為36 cm風(fēng)機(jī)線性公式斜率；bW51和bW36分別是直徑為51 cm和36 cm風(fēng)機(jī)線性公式截距；PW是測(cè)量所得房間內(nèi)墻上風(fēng)機(jī)在時(shí)間t時(shí)承受壓差（Pa）；t51和t36是直徑為51 cm和36 cm風(fēng)機(jī)運(yùn)行時(shí)間占1分鐘時(shí)間百分比（%）。

每個(gè)風(fēng)機(jī)線性方程，通過一臺(tái)墻上風(fēng)機(jī)流率測(cè)試儀在-5到-100 Pa 5個(gè)不同壓差下測(cè)試獲得。

2.4.2 糞池通風(fēng)速率計(jì)算

糞池通風(fēng)速率通過安裝在糞池風(fēng)機(jī)上18厘米直徑風(fēng)速儀（Model 27106RS,RM Young,Traverse City,MI,USA）連續(xù)測(cè)量每個(gè)糞池風(fēng)機(jī)氣流速度。風(fēng)速儀轉(zhuǎn)速與其輸出成正比，如公式6所示。

式中，RPM是風(fēng)速儀轉(zhuǎn)速（r·min-1）；A是一個(gè)無量綱斜率；V是風(fēng)速儀輸出值（V）。每個(gè)風(fēng)速儀斜率A通過RM Young18 802可選速度風(fēng)速儀驅(qū)動(dòng)模型校準(zhǔn)獲得，每個(gè)風(fēng)速儀靈敏性用Anemome?ter Torque Disc（RM Young）測(cè)試。

為通過風(fēng)速儀輸出信號(hào)得到氣流速率，風(fēng)速

儀在實(shí)驗(yàn)室儲(chǔ)糞池排風(fēng)測(cè)量系統(tǒng)校測(cè)試，通過測(cè)試建立將風(fēng)速儀轉(zhuǎn)速轉(zhuǎn)換為兩個(gè)儲(chǔ)糞池風(fēng)機(jī)氣流速率線性模型，如公式7所示。

式中，QP為豬房?jī)?chǔ)糞池風(fēng)機(jī)通風(fēng)率（m3·min-1）；1和2分別是豬房?jī)?nèi)儲(chǔ)糞池風(fēng)機(jī)編號(hào)。

2.5 數(shù)據(jù)采集與氣體采樣控制

在豬舍內(nèi)實(shí)驗(yàn)室安裝一套現(xiàn)場(chǎng)計(jì)算機(jī)系統(tǒng)（OSCS）[21]，OSCS由個(gè)人計(jì)算機(jī)，普渡大學(xué)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(hào)，把信號(hào)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(gè)獨(dú)立文件中。AirDAC每天自動(dòng)對(duì)前一天測(cè)量數(shù)據(jù)處理。豬舍環(huán)境數(shù)據(jù)監(jiān)測(cè)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(cè)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(cè)及采集控制系統(tǒng)包括儀器設(shè)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(chǎng)計(jì)算機(jī)相連，實(shí)現(xiàn)串口通信以及模/數(shù)、數(shù)/模轉(zhuǎn)換。軟件部分由兩個(gè)相互獨(dú)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(xué)用NI公司LabVIEW編寫，實(shí)現(xiàn)圖形化環(huán)境數(shù)據(jù)獲取、儀器設(shè)備控制、測(cè)量分析及數(shù)據(jù)輸出。AirDAC IC實(shí)現(xiàn)系統(tǒng)初始化、硬件配置、設(shè)備選擇等。AirDAC Main獲取所有儀器及傳感器信號(hào)，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(shí)時(shí)顯示，將這些數(shù)據(jù)存入現(xiàn)場(chǎng)計(jì)算機(jī)中，同時(shí)監(jiān)測(cè)系統(tǒng)運(yùn)行狀態(tài)，通過電子郵件發(fā)出警報(bào)、執(zhí)行更高級(jí)后期數(shù)據(jù)處理。AirDAC Main控制氣體取樣地點(diǎn)、時(shí)間、和頻率。

3 模型建立

3.1 數(shù)據(jù)預(yù)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(yù)測(cè)當(dāng)前1 h內(nèi)豬舍氨氣濃度，需對(duì)數(shù)據(jù)預(yù)處理。在1 h內(nèi)豬舍內(nèi)氨氣濃度隨時(shí)發(fā)生變化，某個(gè)時(shí)間點(diǎn)數(shù)值難以代表當(dāng)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(dāng)前1 h內(nèi)氨氣濃度。為對(duì)神經(jīng)網(wǎng)絡(luò)有更好訓(xùn)練效率和預(yù)測(cè)精度，需對(duì)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(luò)時(shí)隱含層節(jié)點(diǎn)數(shù)選擇對(duì)預(yù)測(cè)精度有重要影響，如果隱含層節(jié)點(diǎn)數(shù)太少，神經(jīng)網(wǎng)絡(luò)不能建立復(fù)雜映射關(guān)系，預(yù)測(cè)誤差較大。但如果隱含層節(jié)點(diǎn)數(shù)過多，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間增加，可能出現(xiàn)“過擬合”現(xiàn)象[24]。本文設(shè)計(jì)四層神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元個(gè)數(shù)為5，分別為糞池內(nèi)氨氣濃度，通風(fēng)情況，活動(dòng)量，溫度和濕度，輸出層神經(jīng)元個(gè)數(shù)為1，即豬舍內(nèi)氨氣濃度。隱含層節(jié)點(diǎn)數(shù)選擇復(fù)雜，目前尚無一套成熟方法確定網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)。本文采用試錯(cuò)法，經(jīng)過數(shù)次試驗(yàn)，發(fā)現(xiàn)預(yù)測(cè)誤差隨節(jié)點(diǎn)數(shù)增加呈先減后增趨勢(shì)，最后將隱含層節(jié)點(diǎn)數(shù)設(shè)定為9。

隱含層和輸出層函數(shù)選擇對(duì)網(wǎng)絡(luò)預(yù)測(cè)精度有較大影響，一般隱含層節(jié)點(diǎn)轉(zhuǎn)移函數(shù)為tansig和logsig函數(shù)，輸出層節(jié)點(diǎn)轉(zhuǎn)移函數(shù)選用tansig和purelin函數(shù)。經(jīng)過多次試驗(yàn)發(fā)現(xiàn)，隱含層借點(diǎn)轉(zhuǎn)移函數(shù)為tansig，輸出層節(jié)點(diǎn)轉(zhuǎn)移函數(shù)為purelin時(shí)效果最好，因此本文使用tansig和purelin兩種函數(shù)。

本試驗(yàn)采取1 537組具有代表性數(shù)據(jù)，以前1 500組實(shí)測(cè)并經(jīng)過歸一化處理糞池氨氣濃度、通風(fēng)情況、活動(dòng)量、溫度和濕度數(shù)據(jù)作為網(wǎng)絡(luò)輸入樣本，輸出樣本是1 500組數(shù)據(jù)實(shí)測(cè)并經(jīng)過歸一化處理氨氣濃度數(shù)據(jù)，以后37組實(shí)測(cè)并過歸一化處理糞池氨氣濃度、通風(fēng)情況、活動(dòng)量、溫度和濕度數(shù)據(jù)作為測(cè)試樣本，在Matlab R2012b環(huán)境下，通過神經(jīng)網(wǎng)絡(luò)工具箱學(xué)習(xí)訓(xùn)練，最大學(xué)習(xí)次數(shù)為5 000，學(xué)習(xí)速率為0.05，目標(biāo)誤差為0.00062，建立基于L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[25]和Elman神經(jīng)網(wǎng)絡(luò)以及線性神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。

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

4 結(jié)果與分析

4.1 訓(xùn)練性能對(duì)比分析

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用L-M算法優(yōu)化，網(wǎng)絡(luò)收斂速度快，網(wǎng)絡(luò)在290步訓(xùn)練后達(dá)到目標(biāo)；Elman神經(jīng)網(wǎng)絡(luò)與L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)相比網(wǎng)絡(luò)收斂速度較慢，網(wǎng)絡(luò)在5 732步訓(xùn)練后達(dá)目標(biāo)；線性神經(jīng)網(wǎng)絡(luò)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(luò)已訓(xùn)練完畢，無需自行調(diào)用train函數(shù)訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)模型和El? man神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練性能分別如圖4、5所示。

4.2 預(yù)測(cè)結(jié)果對(duì)比分析與模型驗(yàn)證

對(duì)訓(xùn)練后BP、Elman和線性神經(jīng)網(wǎng)絡(luò)模型分別通過經(jīng)過歸一化處理37組測(cè)試數(shù)據(jù)預(yù)測(cè)氨氣濃度，預(yù)測(cè)值和實(shí)測(cè)值結(jié)果如圖6～8所示。

為驗(yàn)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(luò)模型對(duì)比，分別對(duì)三種神經(jīng)網(wǎng)絡(luò)輸出實(shí)測(cè)值和預(yù)測(cè)值比較分析。BP、Elman神經(jīng)網(wǎng)絡(luò)模型和線性神經(jīng)網(wǎng)絡(luò)模型實(shí)測(cè)值和預(yù)測(cè)值結(jié)果對(duì)比如表1所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能Fig.4BP neural network training performance

圖5 Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能Fig.5Elman neural network training performance

圖6 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值和實(shí)測(cè)值結(jié)果對(duì)比Fig.6Comparison of the BP neural network model predictive values and the measured values

圖7 Elman神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值和實(shí)測(cè)值結(jié)果對(duì)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(luò)模型預(yù)測(cè)值和實(shí)測(cè)值結(jié)果對(duì)比Fig.8Comparison of the Linear neural network model predictive values and the measured values

表1 實(shí)測(cè)值和模型預(yù)測(cè)值對(duì)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(luò)模型誤差，對(duì)各預(yù)測(cè)模型分別計(jì)算均方誤差、最大絕對(duì)誤差、最小絕對(duì)誤差和平均絕對(duì)誤差，其中均方誤差計(jì)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(shí)值和預(yù)測(cè)值差，n表示預(yù)測(cè)樣本數(shù)量。

BP、Elman和線性神經(jīng)網(wǎng)絡(luò)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(luò)預(yù)測(cè)模型收斂速度很快，經(jīng)過290步即達(dá)到預(yù)期目標(biāo)，而Elman神經(jīng)網(wǎng)絡(luò)需要5 732步才達(dá)到預(yù)期目標(biāo)，與L-M算法優(yōu)化神經(jīng)網(wǎng)絡(luò)相比收斂速度差異顯著。

由圖6～8和表1、2可知，由于訓(xùn)練樣本數(shù)據(jù)有限，無法覆蓋所有情況，神經(jīng)網(wǎng)絡(luò)訓(xùn)練不充分。三種預(yù)測(cè)模型在個(gè)別時(shí)間點(diǎn)預(yù)測(cè)效果不理想，誤差較大。但基于L-M算法BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)精度相對(duì)較高，均方誤差為0.0034，最大絕對(duì)誤差為0.1720，最小絕對(duì)誤差為0.0036，平均絕對(duì)誤差為0.0434。

表2 預(yù)測(cè)模型誤差對(duì)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(luò)預(yù)測(cè)模型和Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與線性神經(jīng)網(wǎng)絡(luò)模型相比預(yù)測(cè)誤差較小，但從網(wǎng)絡(luò)收斂速度上可見，基于L-M優(yōu)化算法BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型收斂速度比Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型收斂速度快。基于L-M優(yōu)化算法BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是更高效、準(zhǔn)確方法，可預(yù)測(cè)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(yù)測(cè)模型，對(duì)樣本數(shù)據(jù)歸一化處理，建立預(yù)測(cè)豬舍內(nèi)氨氣濃度BP神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)經(jīng)290步達(dá)到預(yù)定誤差，最大絕對(duì)誤差為0.1720，表明建立預(yù)測(cè)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(luò)，其中基于L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)小于Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練步數(shù)，均方誤差和絕對(duì)誤差均小于Elman預(yù)測(cè)方法和線性預(yù)測(cè)方法均方誤差和絕對(duì)誤差值。表明L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)擬合效果優(yōu)于Elman和線性神經(jīng)網(wǎng)絡(luò)。

c.L-M算法BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)最大絕對(duì)誤差為0.1720，而Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)最大絕對(duì)誤差為0.1627，說明Elman神經(jīng)網(wǎng)絡(luò)在某一時(shí)間點(diǎn)上預(yù)測(cè)效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，但從整體上看，L-M算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果優(yōu)于Elman神經(jīng)網(wǎng)絡(luò)。豬舍內(nèi)氨氣濃度受多種環(huán)境因素影響，非線性關(guān)系復(fù)雜。由于訓(xùn)練樣本數(shù)據(jù)有限，無法覆蓋所有情況，個(gè)別時(shí)間點(diǎn)預(yù)測(cè)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(luò)收斂速度較快，預(yù)測(cè)精度較高，可實(shí)現(xiàn)豬舍內(nèi)氨氣濃度預(yù)測(cè)，為氨氣濃度預(yù)警提供支持。

[1] 苗玉濤,王國(guó)華,李廣東,等.豬舍有害氣體對(duì)豬生長(zhǎng)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(duì)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(xué)學(xué)報(bào),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(xué).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(duì)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(luò)豬舍有害氣體定量檢測(cè)模型研究[J].安徽農(nóng)業(yè)科學(xué),2009,37(23):11316-11317,11329.

[9] 朱海生,董紅敏.豬舍氨氣排放預(yù)測(cè)模型研究現(xiàn)狀[J].農(nóng)業(yè)工程學(xué)報(bào),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(luò)道路網(wǎng)短時(shí)交通流預(yù)測(cè)方法[J].交通運(yùn)輸系統(tǒng)工程與信息,2010,10(1): 145-151.

[11] 張齊,徐志堅(jiān),趙坤榮.基于Elman神經(jīng)網(wǎng)絡(luò)污染源數(shù)據(jù)預(yù)測(cè)[J].華南理工大學(xué)學(xué)報(bào),2009,37(5):135-138.

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

[13] 石云.Bp神經(jīng)網(wǎng)絡(luò)Matlab實(shí)現(xiàn)[J].湘南學(xué)院學(xué)報(bào),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(xué)雷,張婷,等.基于BP神經(jīng)網(wǎng)絡(luò)洪湖水質(zhì)指標(biāo)預(yù)測(cè)研究[J].濕地科學(xué),2016,14(2):212-218.

[16] 徐黎明,王清,陳建平,等.基于BP神經(jīng)網(wǎng)絡(luò)泥石流平均流速預(yù)測(cè)[J].吉林大學(xué)學(xué)報(bào),2013,43(1):186-191.

[17] 邢曉敏,商國(guó)敬,徐新.基于線性神經(jīng)網(wǎng)絡(luò)諧波檢測(cè)方法研究[J].電測(cè)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(yīng)性評(píng)價(jià)及調(diào)控模型研究[D].哈爾濱:東北農(nóng)業(yè)大學(xué),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(yù)測(cè)模型研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2014,45(10):74-79.

[23] 孫紅敏,吳靜婷,李曉明.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)價(jià)格預(yù)測(cè)模型研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,44(8):133-137.

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

[25] 項(xiàng)文強(qiáng),張華,王姮,等.基于L-M算法BP網(wǎng)絡(luò)在變壓器故障診斷中應(yīng)用[J].電力系統(tǒng)保護(hù)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(shí)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(xiàng)目（QC2013C065,QC2014C078）；黑龍江省教育廳科技項(xiàng)目（12531465）；黑龍江八一農(nóng)墾大學(xué)校內(nèi)培育課題（XZR2015-10）

謝秋菊（1976-），女，副教授，博士，碩士生導(dǎo)師，研究方向?yàn)檗r(nóng)業(yè)信息技術(shù)。E-mail:xqj197610@163.com