基于GAN-BPNN的牦牛動(dòng)態(tài)體重測(cè)量算法研究

摘要：針對(duì)牦牛體重稱重難的問題，結(jié)合物聯(lián)網(wǎng)和人工智能技術(shù)開發(fā)一種基于生成對(duì)抗網(wǎng)絡(luò)GAN和反向傳播神經(jīng)網(wǎng)絡(luò)BPNN的動(dòng)態(tài)體重測(cè)量算法。在牦牛平穩(wěn)行走狀態(tài)下，利用STM32單片機(jī)獲取80頭牦牛的原始?jí)毫鞲衅鲾?shù)據(jù)。利用GAN網(wǎng)絡(luò)生成3 000條模擬數(shù)據(jù)，并使用BPNN神經(jīng)網(wǎng)絡(luò)進(jìn)行回歸預(yù)測(cè)，對(duì)牦牛體重進(jìn)行動(dòng)態(tài)測(cè)量。在平穩(wěn)行走狀態(tài)下，使用對(duì)射紅外裝置進(jìn)行位置判斷，借此進(jìn)行數(shù)據(jù)采集工作，并將采集的原始?jí)毫?shù)據(jù)交由預(yù)測(cè)模型進(jìn)行回歸預(yù)測(cè)。試驗(yàn)結(jié)果表明，平均每頭牛稱重時(shí)間約為4 s，預(yù)測(cè)結(jié)果與牦牛真實(shí)體重的平均絕對(duì)誤差為0.92%。優(yōu)于經(jīng)驗(yàn)豐富的技術(shù)人員估重的最佳精度（±5%），能夠滿足實(shí)際生產(chǎn)需求。試驗(yàn)采用的基于GAN生成對(duì)抗網(wǎng)絡(luò)和BPNN神經(jīng)網(wǎng)絡(luò)構(gòu)建的牦牛動(dòng)態(tài)稱重算法能夠快速、精確、自動(dòng)地獲取牦牛的體重?cái)?shù)據(jù)。符合實(shí)際應(yīng)用需求，為牦牛自動(dòng)化稱重提供技術(shù)支持，對(duì)實(shí)現(xiàn)牦牛精準(zhǔn)化養(yǎng)殖有著很強(qiáng)的現(xiàn)實(shí)意義。

關(guān)鍵詞：牦牛；動(dòng)態(tài)稱重；BP神經(jīng)網(wǎng)絡(luò)；生成對(duì)抗網(wǎng)絡(luò)；預(yù)測(cè)模型

中圖分類號(hào)：S823.8+5； TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095?5553 （2024） 11?0150?09

Research on dynamic weight measurement algorithm of yak based on GAN-BPNN

Xiao Jian1， Zhang Yu'an1， 2， Liu Junyi1， Yao Tian1， Song Rende3

（1. College of Computer Technology and Applications， Qinghai University， Xining， 810016， China;

2. Qinghai Province Intelligent Computing and Applications Laboratory， Qinghai University， Xining， 810016， China;

3. Animal Disease Prevention and Control Center， Yushu， 815000， China）

Abstract： To address the issue of difficulties in weighing yaks， a dynamic weight measurement algorithm based on GAN and BPNN is developed by integrating IoT and AI technologies. The STM32 microcontroller is used to acquire raw pressure sensor data from 80 yaks while the yaks are walking smoothly. Subsequently， 3 000 pieces of fake data were generated using a GAN network， and regression prediction is performed using a BPNN neural network to achieve dynamic weight measurement of yaks. Under normal walking conditions， the position judgment is carried out by using the pair?projecting infrared devices， and using these for data collection. Then， collected raw pressure data were submitted to the prediction model for regression prediction. The experimental results show that resulting in an average weighing time of approximately 4 seconds per yak and the average absolute error between the predicted and actual weights of the yaks is 0.92%. Surpassing the best accuracy （±5%） achieved by experienced technicians in weight estimation. The yak dynamic weighing algorithm based on BPNN and GAN can quickly obtain accurate and automated yak body weight data. It meets the actual application requirements， provides technical support for yak automated weighing， and has significance for achieving yak precision farming.

Keywords： yak; dynamic weighing; BP neural network; generative adversarial network; predictive model

0 引言

全球范圍內(nèi)，目前約有1 750萬頭牦牛。其中，中國的牦牛數(shù)量高達(dá)1 650萬頭，占總比重的94%以上。青海省是中國牦牛養(yǎng)殖的重要地區(qū)，目前存欄達(dá)到580萬頭，占全國牦牛總數(shù)的35%[1]。青海牧區(qū)的面積占全省總面積的96%，擁有可利用草地31 620 khm2，是全國五大畜牧基地之一[2]。牦牛作為高原地區(qū)的重要牲畜，在鞏固牧民脫貧致富成果和推動(dòng)鄉(xiāng)村振興中發(fā)揮著不可或缺的作用[3]。2022年國家和地方政府都出臺(tái)政策支持肉牛產(chǎn)業(yè)高質(zhì)量發(fā)展。國務(wù)院出臺(tái)《“十四五”推進(jìn)農(nóng)業(yè)農(nóng)村現(xiàn)代化規(guī)劃》，提出實(shí)施基礎(chǔ)母畜擴(kuò)群提質(zhì)和南方草食畜牧業(yè)增量提質(zhì)行動(dòng)，引導(dǎo)一批肉牛規(guī)模養(yǎng)殖場(chǎng)畜禽圈舍標(biāo)準(zhǔn)化、集約化、智能化改造[4]。青海省錨定“四地”建設(shè)，將打造綠色有機(jī)農(nóng)畜產(chǎn)品輸出地等，牦牛產(chǎn)業(yè)提質(zhì)增效與轉(zhuǎn)型升級(jí)的需求十分迫切，牦牛的體重信息是反映牛只生理狀況、遺傳性能的重要指標(biāo)。牦牛的高質(zhì)量、精準(zhǔn)化養(yǎng)殖的關(guān)鍵點(diǎn)在于實(shí)時(shí)掌握牦牛的牛只體重變化信息，以便于科學(xué)的制定養(yǎng)殖方案，提高養(yǎng)殖效率[5]。因此，定期對(duì)牦牛進(jìn)行稱重是牦牛高效率、高質(zhì)量生產(chǎn)的必要工作。但是，牦牛產(chǎn)業(yè)普遍存在設(shè)施簡(jiǎn)陋、技術(shù)力量薄弱的問題。牧區(qū)采用的是傳統(tǒng)靜態(tài)稱重方法，需要通過人工將牦牛拉拽到稱臺(tái)上測(cè)量其靜態(tài)數(shù)據(jù)。由于牦牛的性格較為暴躁，靜態(tài)稱重不僅消耗大量的勞動(dòng)力，而且頻繁稱重會(huì)使牦牛產(chǎn)生應(yīng)激反應(yīng)[6]，甚至對(duì)牧民產(chǎn)生安全隱患。因此快速、精確、自動(dòng)地獲取牦牛體重信息對(duì)于提高牦牛養(yǎng)殖產(chǎn)業(yè)效率、牦牛產(chǎn)業(yè)高質(zhì)量發(fā)展以及牦牛精準(zhǔn)化養(yǎng)殖顯得十分必要。

莊育鋒等[7]利用L-M算法建立了BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)電阻應(yīng)變式傳感器的輸入、輸出進(jìn)行非線性補(bǔ)償校正，從而對(duì)微量藥品重量進(jìn)行有效校正，實(shí)現(xiàn)微量藥品的動(dòng)態(tài)稱重。董小寧[8]通過對(duì)奶牛的運(yùn)動(dòng)方式（行走—停頓，平穩(wěn)行走，劇烈運(yùn)動(dòng)）的分析，利用傳感器數(shù)據(jù)判斷奶牛狀態(tài)，在平穩(wěn)行走時(shí)進(jìn)行數(shù)據(jù)采集，實(shí)現(xiàn)了奶牛的動(dòng)態(tài)體重測(cè)量。馬聰?shù)萚9]利用LSTM神經(jīng)網(wǎng)絡(luò)對(duì)相關(guān)時(shí)間序列進(jìn)行訓(xùn)練及測(cè)試，實(shí)現(xiàn)肉牛的動(dòng)態(tài)體重測(cè)量。趙慧兵[10]采用EMD經(jīng)驗(yàn)?zāi)B(tài)分解算法，能夠較好的完成肉牛體重測(cè)量。胡肄農(nóng)等[11]在動(dòng)態(tài)稱重過程中引入加速度測(cè)量信號(hào)，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，從稱臺(tái)測(cè)量信號(hào)中分離出載荷沖擊以及震動(dòng)干擾從而使測(cè)量結(jié)果更接近真實(shí)值。李建鑫等[12]利用最小二乘法延拓端點(diǎn)，然后使用二階導(dǎo)數(shù)連續(xù)條件將延拓點(diǎn)與極值點(diǎn)連接構(gòu)造延拓點(diǎn)與極值點(diǎn)段，該方法能夠有效的對(duì)牲畜進(jìn)行無應(yīng)激的動(dòng)態(tài)稱重。

以上研究雖然取得一定成果，但對(duì)于高原特有的牦牛來說，現(xiàn)有方法和技術(shù)存在適用性不足的問題。牦牛體型較大，野性較強(qiáng)，易對(duì)人為干預(yù)產(chǎn)生應(yīng)激反應(yīng)，在稱臺(tái)上劇烈運(yùn)動(dòng)，造成壓力數(shù)據(jù)采集誤差。本文設(shè)計(jì)一種基于STM32單片機(jī)技術(shù)以及神經(jīng)網(wǎng)絡(luò)算法的自動(dòng)化體重測(cè)量算法，以實(shí)現(xiàn)自動(dòng)化、高精度、高效率的牦牛體重測(cè)量。此外，針對(duì)前人的研究成果進(jìn)行優(yōu)化，采用GAN網(wǎng)絡(luò)來豐富神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集，并根據(jù)牦牛的行為特性以及體重范圍，構(gòu)建不同類型的神經(jīng)網(wǎng)絡(luò)模型。通過分析對(duì)比不同類型神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度，選取預(yù)測(cè)誤差更小的模型，研究并設(shè)計(jì)一種符合實(shí)際生產(chǎn)需要的動(dòng)態(tài)稱重算法。

1 試驗(yàn)系統(tǒng)及方案

1.1 硬件設(shè)備

通過牦牛養(yǎng)殖的現(xiàn)場(chǎng)調(diào)研以及查閱相關(guān)的參考文獻(xiàn)，發(fā)現(xiàn)青海省內(nèi)成年公牦牛平均體重為（257.96±59.14） kg，體斜長(zhǎng)為（135.62±10.86） cm，胸圍為（167.32±12.42） cm，肩高為（119.78±11.89） cm[13]。據(jù)此，硬件設(shè)備主要有4只壓力傳感器（SQB2 000 kg，C3），通過四合一接線盒將4只傳感器信號(hào)進(jìn)行整合，在確保對(duì)4只傳感器進(jìn)行數(shù)據(jù)采集的同時(shí)減少綜合誤差。3對(duì)紅外對(duì)射傳感器（CHE18-5ML-B710）放置在稱臺(tái)前、中、后位置用于判斷稱臺(tái)上的狀態(tài)，稱重臺(tái)選用定制的0.8 m×2 m的定制稱臺(tái)，兩側(cè)護(hù)欄采用1 m高的C304不銹鋼管，確保每次在稱臺(tái)上的為單只牦牛。分別使用10 kg、20 kg重量砝碼對(duì)稱臺(tái)進(jìn)行標(biāo)定。稱重臺(tái)模型示意圖如圖1所示，實(shí)物如圖2所示。

1.2 軟件設(shè)備

Keil MDK-ARM：用于對(duì)STM32單片機(jī)進(jìn)行編程。利用Keil MDK-ARM的集成開發(fā)環(huán)境，進(jìn)行單片機(jī)程序的編寫、調(diào)試和下載。

Visual Studio Code：開發(fā)串口服務(wù)程序，編寫了相應(yīng)的代碼以實(shí)現(xiàn)數(shù)據(jù)接收、解析和存儲(chǔ)的功能。將STM32單片機(jī)采集到的數(shù)據(jù)存儲(chǔ)在數(shù)據(jù)庫中。

Jupyter Notebook：用于將生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）、反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network，BPNN）、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）、門循環(huán)單元（Gate Recurrent Unit，GRU）用Python語言實(shí)現(xiàn)。

1.3 測(cè)量方法

牛只在稱重臺(tái)的位置狀態(tài)判定如表1所示。

由表1可知，當(dāng)3對(duì)紅外均為0時(shí)，將當(dāng)前狀態(tài)認(rèn)定為空稱，狀態(tài)標(biāo)志為0，在此時(shí)對(duì)壓力傳感器進(jìn)行標(biāo)定。中部紅外傳感器即紅外B的狀態(tài)為1且首尾的紅外A、紅外C為狀態(tài)0時(shí)，認(rèn)定為正常狀態(tài)，狀態(tài)標(biāo)志位1，在此時(shí)對(duì)壓力傳感器數(shù)據(jù)進(jìn)行采集。當(dāng)僅有紅外A狀態(tài)為1時(shí)，狀態(tài)標(biāo)志為2，屬于正常的稱重流程但不記錄數(shù)據(jù)。當(dāng)僅有紅外C狀態(tài)為1時(shí)，認(rèn)定牛只正在離開稱重臺(tái)，本次稱重結(jié)束，狀態(tài)標(biāo)志為3，通過串口將數(shù)據(jù)發(fā)送出去。當(dāng)紅外A、紅外C同時(shí)為狀態(tài)1時(shí)，認(rèn)定為當(dāng)前稱臺(tái)前后有不同的牛只，發(fā)出警告提醒。

試驗(yàn)數(shù)據(jù)采集地點(diǎn)為青海省玉樹州巴塘鄉(xiāng)牧場(chǎng)，采集時(shí)間為2024年1月6日，分別對(duì)80頭牦牛進(jìn)行數(shù)據(jù)采集，由于牛只稱重過程中，動(dòng)態(tài)干擾因素很多，為了從稱重?cái)?shù)據(jù)中剔除干擾，提高測(cè)量精度，在數(shù)據(jù)處理前對(duì)采集數(shù)據(jù)進(jìn)行算數(shù)平均濾波。試驗(yàn)共計(jì)獲取160條原始數(shù)據(jù)，其中優(yōu)質(zhì)數(shù)據(jù)144條。利用GAN網(wǎng)絡(luò)生成3 000條Fake_data數(shù)據(jù)。

2 牦牛動(dòng)態(tài)體重測(cè)量算法研究

2.1 生成對(duì)抗網(wǎng)絡(luò)

生成對(duì)抗網(wǎng)絡(luò)GAN是由Goodfellow等[14]在2014年首次提出的，GAN的核心思想來源于博弈論的納什均衡[15]，博弈雙方包括生成器（Generator）和判別網(wǎng)絡(luò)（Discriminator）。GAN中的生成器是一個(gè)神經(jīng)網(wǎng)絡(luò)模型，其主要目的是學(xué)習(xí)原始數(shù)據(jù)的數(shù)據(jù)分布，然后利用一個(gè)隨機(jī)噪聲輸入（隨機(jī)向量z）來生成盡可能和真實(shí)數(shù)據(jù)集相似的偽數(shù)據(jù)Fake_data。判別器也是一個(gè)神經(jīng)網(wǎng)絡(luò)模型，它的目標(biāo)是盡可能準(zhǔn)確地將輸入數(shù)據(jù)區(qū)分為兩類：真實(shí)數(shù)據(jù)集或者生成器生成的偽數(shù)據(jù)集Fake_data。

在訓(xùn)練過程中，生成器和判別器交替進(jìn)行優(yōu)化，使得生成器生成的Fake_data更加真實(shí)，以至于判別器不能夠區(qū)分真實(shí)數(shù)據(jù)和Fake_data數(shù)據(jù)。最終，生成器能夠生成與真實(shí)數(shù)據(jù)集接近的Fake_data，達(dá)到兩者之間的納什均衡。生成對(duì)抗網(wǎng)絡(luò)GAN的計(jì)算流程如圖3所示。

生成器G接收隨機(jī)噪聲和判別器的判定結(jié)果作為輸入數(shù)據(jù)。判別器D接收真實(shí)數(shù)據(jù)x、生成器產(chǎn)生的偽數(shù)據(jù)以及判別器的判定結(jié)果作為輸入數(shù)據(jù)。首先，生成器利用隨機(jī)噪聲z生成盡量符合真實(shí)數(shù)據(jù)分布的偽數(shù)據(jù)G（z），并對(duì)偽數(shù)據(jù)G（z）進(jìn)行相應(yīng)的標(biāo)簽處理。隨后，將真實(shí)數(shù)據(jù)x和偽數(shù)據(jù)G（z）傳入判別器D中，判別器需要完成對(duì)數(shù)據(jù)來源的二分類判定：真（來源于真實(shí)數(shù)據(jù)x）或者假（來源于生成器G的偽數(shù)據(jù)）。判別器計(jì)算真實(shí)數(shù)據(jù)的損失和偽數(shù)據(jù)的損失，并將這兩個(gè)損失進(jìn)行加權(quán)求和得到判別器的總損失。通過總損失進(jìn)行反向傳播，并利用優(yōu)化器來更新生成器G和判別器D的參數(shù)，使得G和D的性能得以交替提升。當(dāng)G和D達(dá)到相對(duì)穩(wěn)定時(shí)，認(rèn)為G已經(jīng)學(xué)習(xí)到真實(shí)數(shù)據(jù)的樣本分布，能夠生成滿足要求的偽數(shù)據(jù)[16]。

GAN的訓(xùn)練的兩個(gè)階段包括：正向傳播階段和反向傳播階段。

1） 正向傳播階段。將隨機(jī)噪聲z作為輸入，經(jīng)過第一個(gè)線性層和激活函數(shù)（ReLU）進(jìn)行計(jì)算得到中間結(jié)果。重復(fù)經(jīng)過3個(gè)隱藏層，逐步將中間結(jié)果轉(zhuǎn)換為生成的數(shù)據(jù)。在最后一個(gè)線性層之后應(yīng)用sigmoid激活函數(shù)，將輸出限制在（0，1）范圍內(nèi)，得到最終生成的數(shù)據(jù)G（z）。

2） 反向傳播階段。采用二元交叉熵作為損失函數(shù)，其損失函數(shù)如式（1）、式（2）所示。

交叉熵

[H（P，Q）=-i=1nP（xi）logQ（xi）] （1）

二元交叉熵?fù)p失函數(shù)

[L（P，Q）=-[yilogσ（xi）+（1-yi）log（1-σ（xi）]] （2）

[σ（x）=11+e-x] （3）

式中： P——數(shù)據(jù)的真實(shí)分布；

Q——數(shù)據(jù)的近似分布；

xi——第i個(gè)樣本的輸入值；

yi——第i個(gè)樣本的二元標(biāo)簽（0或1）。

2.2 反向傳播神經(jīng)網(wǎng)絡(luò)

BP反向傳播神經(jīng)網(wǎng)絡(luò)最早由Vashitz等[17]在2008年提出。BP是一種反向傳播誤差算法（Back Propagation Algorithm）的多前饋神經(jīng)網(wǎng)絡(luò)[18]。BP神經(jīng)網(wǎng)絡(luò)包含三層結(jié)構(gòu)：輸入層、隱藏層、輸出層，如圖4所示。

其計(jì)算過程分為前向傳播階段和反向傳播階段。

1） 前向傳播階段。根據(jù)輸入數(shù)據(jù)x1，x2，x3，x4經(jīng)過加權(quán)和非線性變換，將結(jié)果傳遞到隱藏層L2。

[Hj=σ（i=1nwijxi-αj）] （4）

式中： Hj——線性變換輸出；

wij——L1層i號(hào)節(jié)點(diǎn)與L2層j號(hào)節(jié)點(diǎn)連接權(quán)值；

α——隱藏層閾值。

將L1層傳遞過來的數(shù)據(jù)同樣經(jīng)過加權(quán)和非線性變換，將結(jié)果傳遞到輸出層L3。使用L2層傳遞過來的參數(shù)計(jì)算BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出Output。

[Output=j=1lHjwj-d] （5）

式中： wj——L2層j號(hào)到輸出層節(jié)點(diǎn)的連接權(quán)值；

d——輸出層閾值。

利用預(yù)測(cè)輸出Output與期望輸出Output2計(jì)算誤差

[e=Output2-OutputOutput2] （6）

2） 反向傳播階段。根據(jù)計(jì)算得到的誤差e更新網(wǎng)絡(luò)各部分權(quán)值。

[wij=wij+ηHj（1-Hj）x（i）wje] （7）

[wj=wj+ηHje] （8）

式中： η——學(xué)習(xí)率。

根據(jù)誤差e更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值α，d。

[αj=αj+ηHj（1-Hj）wje] （9）

[di=di+e] （10）

2.3 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM具有選擇性記憶功能，能夠?qū)⒅匾男畔⒈Ａ?，將不重要的信息選擇性遺忘，在捕獲長(zhǎng)期依賴關(guān)系時(shí)極具優(yōu)勢(shì)[19]。LSTM模型包含3個(gè)門結(jié)構(gòu)，輸入門、遺忘門以及輸出門。其結(jié)構(gòu)示意圖如圖5所示。

1） 遺忘門（Input gate）。遺忘門使用輸入數(shù)據(jù)xt，t-1時(shí)刻隱藏層狀態(tài)ht-1作為輸入，使用σ函數(shù)得到0～1的數(shù)值。數(shù)值越接近1表示該信息越重要，保留更多的信息。數(shù)值越接近0，其重要性越低，進(jìn)行選擇性遺忘[20]。

[ft=σ（Wf?[ht-1，xt]+bf）] （11）

2） 輸入門（Input gate）。輸入門通過σ函數(shù)以及tanh函數(shù)決定將哪些信息加入到狀態(tài)中。

[it=σ（Wi?[ht-1，xt]+bi）] （12）

[Ct=tanh（Wc?[ht-1，xt]+bc）] （13）

3） 記憶細(xì)胞狀態(tài)的更新。根據(jù)遺忘門結(jié)果[ft]，[t-1]時(shí)刻記憶細(xì)胞狀態(tài)Ct-1，xt經(jīng)過σ函數(shù)的結(jié)果it以及候選記憶細(xì)胞狀態(tài)[C]對(duì)記憶細(xì)胞進(jìn)行更新。

[Ct=ft×Ct-1+it×Ct] （14）

3） 輸出門（Output gate）。輸入數(shù)據(jù)xt，t-1時(shí)刻隱藏層狀態(tài)ht-1作為輸入，使用σ函數(shù)得到一個(gè)間接輸出結(jié)果，將t時(shí)刻記憶細(xì)胞狀態(tài)Ct作為tanh函數(shù)輸入，得到另一個(gè)間接輸出結(jié)果，將兩個(gè)間接輸出結(jié)果相乘得到最終的輸出結(jié)果。

[ot=σ（Wo[ht-1，xt]+bo）] （15）

[ht=ot×tanh（Ct）] （16）

式中： ft——遺忘門輸出；

W——權(quán)重矩陣；

it——要更新的細(xì)胞狀態(tài)；

b——偏置項(xiàng)；

ot——輸出結(jié)果。

2.4 門控循環(huán)單元GRU

GRU最早由Cho等[21]在2014年首次提出，循環(huán)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)輸入和輸出數(shù)據(jù)的許多限制，使其成為深度學(xué)習(xí)領(lǐng)域中一類非常重要的模型。GRU是一種長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）的簡(jiǎn)化版本，其內(nèi)部結(jié)構(gòu)包括重置門、更新門[22]。其計(jì)算流程如圖6所示。ht-1、xt分別為GRU模型的兩個(gè)輸入端。輸出結(jié)構(gòu)包含兩部分，分別為yt、ht。yt為輸入數(shù)據(jù)xt時(shí)，GRU模型所給出的輸出結(jié)果。

GRU模型內(nèi)部結(jié)構(gòu)如圖7所示。

GRU模型內(nèi)部主要包含2個(gè)門函數(shù)，rt重置門、zt更新門。

重置門

[rt=σ（xtWxr+ht-1Whr+br）] （17）

更新門

[zt=σ（xtWxz+ht-1Whz+bz）] （18）

式中： [Wxr]、[Whr]、[Wxz]、[Whz]——輸入xt、隱藏層ht、更新門zt、重置門rt之間相應(yīng)的權(quán)重矩陣；

br——偏置項(xiàng)。

重置門的候選隱藏層

[ht=tanh（xtWhx+Rt?ht-1Whh+bh）] （19）

更新門的最終隱藏狀態(tài)

[ht=（1-Zt）?ht-1+zt?ht] （20）

式中： [ht]——候選隱藏層狀態(tài)。

當(dāng)更新門zt趨近于1時(shí)，表示當(dāng)前隱藏狀態(tài)會(huì)更多地保留歷史狀態(tài)ht-1的信息，這意味著模型對(duì)長(zhǎng)期依賴有更強(qiáng)的記憶能力。即，當(dāng)zt接近1時(shí)，模型更傾向于記住過去的信息，相反，當(dāng)更新門趨近于0時(shí)，表示當(dāng)前隱藏狀態(tài)ht會(huì)更多地依賴于候選隱藏狀態(tài)，而減少對(duì)歷史狀態(tài)ht-1的依賴，這意味著模型會(huì)選擇性地“忘記”一些不重要的信息，從而更好地適應(yīng)當(dāng)前的輸入[23]。這種通過更新門zt控制信息的遺忘和記憶，使得門控循環(huán)單元在處理序列數(shù)據(jù)時(shí)能夠更有效地管理長(zhǎng)期依賴關(guān)系，提高了模型對(duì)序列數(shù)據(jù)的建模能力[24]。

2.5 GAN-BPNN牦牛動(dòng)態(tài)稱重算法

采用BPNN模型作為牦牛動(dòng)態(tài)體重測(cè)量的預(yù)測(cè)模型。首先，通過稱臺(tái)的ADC值采集到牦牛的動(dòng)態(tài)數(shù)據(jù)，并將其作為原始數(shù)據(jù)用于訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)GAN。在GAN網(wǎng)絡(luò)中，調(diào)整生成器G和判別器D的參數(shù)，使其損失值Loss達(dá)到納什均衡，確定GAN模型。然后，利用GAN生成的Fake_data數(shù)據(jù)集訓(xùn)練BPNN神經(jīng)網(wǎng)絡(luò)模型。當(dāng)BPNN模型的損失值Loss收斂時(shí)，確定BPNN神經(jīng)網(wǎng)絡(luò)模型。在實(shí)際應(yīng)用中，使用STM32單片機(jī)采集到的真實(shí)數(shù)據(jù)輸入已確定的BPNN模型中進(jìn)行預(yù)測(cè)，即可得到牦牛的體重?cái)?shù)據(jù)。本文提出的基于生成對(duì)抗網(wǎng)絡(luò)GAN和BPNN神經(jīng)網(wǎng)絡(luò)模型的牦牛動(dòng)態(tài)體重測(cè)量方法不僅減少數(shù)據(jù)誤差，還實(shí)現(xiàn)自動(dòng)化、精準(zhǔn)化的體重預(yù)測(cè)，具有廣泛的應(yīng)用前景。

基于生成對(duì)抗網(wǎng)絡(luò)GAN和BPNN神經(jīng)網(wǎng)絡(luò)模型的牦牛動(dòng)態(tài)體重測(cè)量算法計(jì)算流程如圖8～圖10所示。

3 試驗(yàn)結(jié)果與分析

3.1 稱重裝置數(shù)據(jù)分析

試驗(yàn)結(jié)果表明，由壓力傳感器SQB2 000 kg、紅外對(duì)射傳感器CHE18-5 ML-B710、STM32單片機(jī)所構(gòu)成的壓力數(shù)據(jù)采集系統(tǒng)能夠有效的判定被測(cè)物體在稱臺(tái)上的物理位置?？蛰d情況下，通過串口采集到的ADC值在±2之間波動(dòng)。通過查閱相關(guān)資料發(fā)現(xiàn)，STM32單片機(jī)ADC轉(zhuǎn)換芯片是一種中等轉(zhuǎn)換精度芯片，在采集低壓數(shù)據(jù)時(shí)存在數(shù)據(jù)波動(dòng)的現(xiàn)象[25]。本次試驗(yàn)獲取的ADC值波動(dòng)在±2之間屬于較理想狀態(tài)。STM32單片機(jī)的電壓轉(zhuǎn)ADC范圍為（0～3.3） V，其對(duì)應(yīng)的ADC值為0～4 096。壓力傳感器供電5 V，靈敏度3 mV/V，滿量程輸出電壓15 mV，通過OP07芯片放大320倍，其滿量程輸出電壓4.8 V。稱臺(tái)上的重量為5 500 kg時(shí)，STM32單片機(jī)讀取電壓為3.3 V。單只牦牛體重小于5 500 kg，傳感器輸出電壓低于3.3 V，不會(huì)對(duì)STM32芯片造成影響。

輸出電壓U的轉(zhuǎn)換公式為

[U=adcx/4 096?3.3 V] （21）

寧波柯力SQB2 000 kg電壓值與壓力數(shù)據(jù)為線性關(guān)系。

故體重?cái)?shù)據(jù)W轉(zhuǎn)換公式為

[W=（U-U0）UmWm] （22）

式中： [adcx]——讀取的ADC值；

[U]——實(shí)際電壓值；

[U0]——空稱時(shí)電壓；

[Um]——滿量程電壓；

[Wm]——壓力傳感器滿量程。

通過數(shù)據(jù)分析，發(fā)現(xiàn)每次測(cè)量的多個(gè)ADC值中，較小的值在經(jīng)過特定公式轉(zhuǎn)換后更接近于真實(shí)數(shù)據(jù)。因此，對(duì)STM32單片機(jī)程序進(jìn)行修改，以ms為單位，每次采集100條數(shù)據(jù)并計(jì)算其中最小的10條數(shù)據(jù)的平均值，將該平均值作為真實(shí)數(shù)據(jù)輸入到生成對(duì)抗網(wǎng)絡(luò)GAN中，用于生成Fake_data。通過這種方式，在減少數(shù)據(jù)抖動(dòng)的同時(shí)，使得測(cè)量數(shù)據(jù)更接近理想值。利用此硬件稱重裝置成功獲取了牦牛行走狀態(tài)下的理想體重?cái)?shù)據(jù)。

3.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果分析對(duì)比

通過對(duì)三種預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行橫向?qū)Ρ确治?，旨在評(píng)估各模型的優(yōu)越性。同時(shí)，還將比較引入GAN和不引入GAN兩種情況的預(yù)測(cè)結(jié)果，以探究GAN在預(yù)測(cè)模型中的作用。在引入GAN網(wǎng)絡(luò)的情況下，將生成的Fake_data作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，而在不引入GAN網(wǎng)絡(luò)的情況下，使用原始數(shù)據(jù)集的70%作為訓(xùn)練集。測(cè)試集均為原始數(shù)據(jù)集的30%。

3.2.1 BPNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

BPNN神經(jīng)網(wǎng)絡(luò)和GAN-BPNN神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的預(yù)測(cè)性能如圖11、圖12所示。兩者對(duì)牦牛體重測(cè)量的平均絕對(duì)誤差分別為0.037 1和0.009 2。通過對(duì)比圖11和圖12可以看出，GAN-BPNN神經(jīng)網(wǎng)絡(luò)在波峰和波谷處的預(yù)測(cè)結(jié)果與真實(shí)值更為接近，符合度更高，其擬合效果與預(yù)期結(jié)果一致，預(yù)測(cè)性能更優(yōu)秀。

BPNN神經(jīng)網(wǎng)絡(luò)和GAN-BPNN神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的Loss（訓(xùn)練損失）如圖13所示。

從圖13可以看出，兩種網(wǎng)絡(luò)的Loss曲線最終都趨近于0，這表明它們?cè)跍y(cè)試數(shù)據(jù)上的預(yù)測(cè)與實(shí)際值之間的差異非常小，但GAN-BPNN神經(jīng)網(wǎng)絡(luò)相較于BPNN神經(jīng)網(wǎng)絡(luò)具有更快的收斂速度。這意味著，GAN-BPNN模型能夠更迅速地學(xué)習(xí)并在訓(xùn)練數(shù)據(jù)上實(shí)現(xiàn)良好的擬合效果，從而展現(xiàn)出更優(yōu)越的性能。

3.2.2 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

LSTM神經(jīng)網(wǎng)絡(luò)和GAN-LSTM神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的預(yù)測(cè)性能如圖14、圖15所示。兩者對(duì)牦牛體重測(cè)量的平均絕對(duì)誤差分別為0.014 5和0.093 5。通過對(duì)比圖14和圖15可以看出，GAN-LSTM神經(jīng)網(wǎng)絡(luò)對(duì)于波峰和波谷的預(yù)測(cè)準(zhǔn)確度明顯高于LSTM，但是整體的擬合效果不夠理想，預(yù)測(cè)性能較差。

LSTM神經(jīng)網(wǎng)絡(luò)和GAN-LSTM神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的損失值如圖16所示。從圖16可以看出，GAN-LSTM神經(jīng)網(wǎng)絡(luò)的Loss曲線相較于LSTM神經(jīng)網(wǎng)絡(luò)收斂更為明顯，且波動(dòng)更小。這表明模型更好的學(xué)習(xí)到了數(shù)據(jù)的穩(wěn)定模式，并且在每次迭代中能夠以更加一致的方式更新參數(shù)，逐漸降低損失，GAN-LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練更加可靠，泛化性能也更好。

3.2.3 GRU神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

GRU神經(jīng)網(wǎng)絡(luò)和GAN-GRU神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的預(yù)測(cè)性能如圖17、圖18所示。兩者對(duì)牦牛體重測(cè)量的平均絕對(duì)誤差分別為0.087 3和0.075 8。通過對(duì)比圖17和圖18可以看出，GAN-GRU神經(jīng)網(wǎng)絡(luò)對(duì)于波峰和波谷的預(yù)測(cè)準(zhǔn)確度稍高于GRU，但是整體的擬合效果不夠理想。

GRU神經(jīng)網(wǎng)絡(luò)和GAN-GRU神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中的損失值如圖19所示。從圖19可以看出，GAN-GRU神經(jīng)網(wǎng)絡(luò)的Loss收斂更快，更明顯，且波動(dòng)更小。這表明GAN-GRU神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)能夠更好的學(xué)習(xí)數(shù)據(jù)的穩(wěn)定模式，訓(xùn)練過程更加穩(wěn)定，訓(xùn)練結(jié)果更加可靠，泛化性能更好。

3.3 模型性能分析

兩種情況下各個(gè)模型的平均絕對(duì)誤差MAE、均方誤差MSE如表2所示。

試驗(yàn)旨在對(duì)牦牛體重進(jìn)行預(yù)測(cè)，首要關(guān)注平均絕對(duì)誤差MAE。分析表2可知，在不引入GAN網(wǎng)絡(luò)的情況下，BPNN模型表現(xiàn)出最佳的性能。BPNN模型的MAE和MSE分別為0.037 1和0.000 3，優(yōu)于LSTM模型和GRU模型。當(dāng)引入GAN網(wǎng)絡(luò)后，各模型的性能都得到了改善。特別是BPNN模型，MAE由0.037 1降至0.009 2，即誤差率由3.71%降至0.92%，減少2.79百分點(diǎn)，優(yōu)化比達(dá)75.20%。在實(shí)際生產(chǎn)中，經(jīng)驗(yàn)豐富的技術(shù)人員估重最佳精度為（±5%），而本次試驗(yàn)中GAN-BPNN算法的誤差為±0.92%，能夠滿足實(shí)際生產(chǎn)需求。通過分析圖13、圖16和圖19可知，在引入GAN網(wǎng)絡(luò)后，各模型的Loss圖呈現(xiàn)出收斂更快、波動(dòng)更小的趨勢(shì)。這表明引入GAN網(wǎng)絡(luò)在牦牛體重預(yù)測(cè)任務(wù)中有助于減少訓(xùn)練過程中的波動(dòng)性和不穩(wěn)定性，起到了提高算法穩(wěn)定性和泛化能力的作用。因此，通過引入GAN網(wǎng)絡(luò)，能夠改善模型的訓(xùn)練穩(wěn)定性，進(jìn)而提升體重預(yù)測(cè)算法的整體性能和可靠性。

此外，選取CEEMD-GRU模型、改進(jìn)PSO-BP模型以及GA-PSO-BP模型，與本文提出的GAN-BPNN算法進(jìn)行同類型稱重算法的對(duì)比分析，結(jié)果如表3所示。

由表3可以看出，GAN-BPNN模型的MAE為0.009 2，低于CEEMD-GRU模型的0.012 0和改進(jìn)PSO-BP模型的0.052 9，但略高于GA-PSO-BP模型。這表明，GAN-BPNN模型在預(yù)測(cè)準(zhǔn)確性上優(yōu)于CEEMD-GRU模型和改進(jìn)PSO-BP模型，僅次于GA-PSO-BP模型。進(jìn)一步分析顯示，羊只相較于牦牛而言，由于其體型較小且性格溫順，在通過稱重臺(tái)時(shí)體態(tài)更加穩(wěn)定，從而引入的誤差較少。GAN-BPNN模型在預(yù)測(cè)準(zhǔn)確性方面表現(xiàn)良好，能夠滿足牦牛稱重的需求。

綜合以上分析，將GAN神經(jīng)網(wǎng)絡(luò)與BPNN神經(jīng)網(wǎng)絡(luò)結(jié)合的GAN-BPNN牦牛動(dòng)態(tài)體重算法能夠?qū)崿F(xiàn)對(duì)牦牛體重的快速、精確和自動(dòng)測(cè)量，可以滿足實(shí)際生產(chǎn)的需求。該算法通過引入GAN網(wǎng)絡(luò)，提高模型的穩(wěn)定性和泛化能力，從而在體重預(yù)測(cè)任務(wù)中取得優(yōu)異的性能表現(xiàn)。這一算法的應(yīng)用為牦牛自動(dòng)化稱重提供技術(shù)支持，對(duì)實(shí)現(xiàn)牦牛精準(zhǔn)化養(yǎng)殖具有重要的現(xiàn)實(shí)意義。

4 結(jié)論

1） 采用物聯(lián)網(wǎng)和人工智能相結(jié)合的方法，對(duì)牦牛進(jìn)行動(dòng)態(tài)體重測(cè)量。引入多種機(jī)器學(xué)習(xí)模型，包括BPNN模型、LSTM模型和GRU模型，并分別在這些模型中引入與不引入GAN的兩種情況下，分析和比較其預(yù)測(cè)性能。主要關(guān)注的指標(biāo)包括：預(yù)測(cè)精度、Loss曲線收斂情況和模型穩(wěn)定性。通過綜合分析這些指標(biāo)，更好地了解不同模型在牦牛動(dòng)態(tài)體重測(cè)量中的適用性及其優(yōu)缺點(diǎn)。

2） 試驗(yàn)結(jié)果表明，引入GAN網(wǎng)絡(luò)后，各模型的Loss曲線呈現(xiàn)出收斂更快、波動(dòng)更小的趨勢(shì)。這說明在引入GAN網(wǎng)絡(luò)后，模型的穩(wěn)定性、可靠性和泛化能力均得到了提升。在預(yù)測(cè)準(zhǔn)確性方面，GAN-BPNN模型的平均絕對(duì)誤差為±0.92%，優(yōu)于GAN-LSTM的±9.35%和GAN-GRU的±8.73%。此外，在與同類型預(yù)測(cè)模型的對(duì)比中，GAN-BPNN模型表現(xiàn)出明顯的優(yōu)勢(shì)。

3） GAN-BPNN算法的平均絕對(duì)誤差為±0.92%。這表明該算法具有很高的預(yù)測(cè)準(zhǔn)確性，能夠滿足實(shí)際生產(chǎn)需求。該算法在牦牛養(yǎng)殖行業(yè)具有廣泛的應(yīng)用價(jià)值。通過定期監(jiān)測(cè)牦牛的壓力傳感器數(shù)據(jù)，牧民可以及時(shí)了解牦牛體重的變化情況，從而合理管理飼料供給，制定科學(xué)的飼養(yǎng)計(jì)劃，提高養(yǎng)殖效益。

參 考 文 獻(xiàn)

[ 1 ] 鐘金城， 王會(huì)， 柴志欣， 等. 牦牛種質(zhì)資源挖掘與創(chuàng)新利用[J]. 中國畜禽種業(yè)， 2022， 18（10）： 22-29.

[ 2 ] 陳占琦. 基于卷積神經(jīng)網(wǎng)絡(luò)的牦牛個(gè)體識(shí)別方法研究[D]. 西寧： 青海大學(xué)， 2023.

Chen Zhanqi. Research on yak individual recognition method based on convolution neural networks [D]. Xining： Qinghai University， 2023.

[ 3 ] 達(dá)措， 趙啟軍， 高定國， 等. 基于注意力網(wǎng)絡(luò)的長(zhǎng)時(shí)牦牛個(gè)體識(shí)別研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2024， 45（1）： 202-208.

Da Cuo， Zhao Qijun， Gao Dingguo， et al. Research on long?term yak individual recognition based on attention networks [J]. Journal of Chinese Agricultural Mechanization， 2024， 45（1）： 202-208.

[ 4 ] 曹兵海， 李俊雅， 王之盛， 等. 2022年度肉牛牦牛產(chǎn)業(yè)技術(shù)發(fā)展報(bào)告[J]. 中國畜牧雜志， 2023， 59（3）： 330-335.

[ 5 ] 曹兵海， 李俊雅， 王之盛， 等. 2023年肉牛牦牛產(chǎn)業(yè)發(fā)展趨勢(shì)與政策建議[J]. 中國畜牧雜志， 2023， 59（3）： 323-329.

[ 6 ] 趙慧兵， 馬娟， 張杰， 等. 肉牛自動(dòng)化無應(yīng)激動(dòng)態(tài)稱重系統(tǒng)的設(shè)計(jì)與試驗(yàn)[J]. 新疆農(nóng)業(yè)科學(xué)， 2022， 59（7）： 1795-1801.

Zhao Huibing， Ma Juan， Zhang Jie， et al. Development of automatic barrier free dynamic weighing equipment for beef cattle [J]. Xinjiang Agricultural Sciences， 2022， 59（7）： 1795-1801.

[ 7 ] 莊育鋒， 胡曉瑾， 翟宇. 基于BP神經(jīng)網(wǎng)絡(luò)的微量藥品動(dòng)態(tài)稱重系統(tǒng)非線性補(bǔ)償[J]. 儀器儀表學(xué)報(bào)， 2014， 35（8）： 1914-1920.

Zhuang Yufeng， Hu Xiaojin， Zhai Yu. Nonlinear compensation of micro scale capsule dynamic condition weighing unit based on BP neural network model [J]. Chinese Journal of Scientific Instrument， 2014， 35（8）： 1914-1920.

[ 8 ] 董小寧. 基于STM32的奶牛動(dòng)態(tài)稱重系統(tǒng)研究[D]. 泰安： 山東農(nóng)業(yè)大學(xué)， 2017.

Dong Xiaoning. Weigh?in?motion of the dairy cow based on STM32 microcontroller [D]. Tai'an： Shandong Agricultural University， 2017.

[ 9 ] 馬聰， 李鋒， 張建華， 等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的肉牛動(dòng)態(tài)稱重算法研究[J]. 黑龍江畜牧獸醫(yī)， 2020（20）： 60-63， 157-158.

[10] 趙慧兵. 肉牛無障礙智能化稱重系統(tǒng)的設(shè)計(jì)與試驗(yàn)[D]. 烏魯木齊： 新疆農(nóng)業(yè)大學(xué)， 2021.

Zhao Huibing. Design and experiment of barrier free intelligent weighing system for beef cattle [D]. Urumqi： Xinjiang Agricultural University， 2021.

[11] 胡肄農(nóng)， 仇振升， 朱紅賓， 等. 一種牛動(dòng)態(tài)稱重系統(tǒng)的研發(fā)[J]. 中國畜禽種業(yè)， 2023， 19（10）： 51-54.

[12] 李建鑫， 郭晨霞， 楊瑞峰， 等. 基于分段包絡(luò)線抑制端點(diǎn)效應(yīng)的EMD動(dòng)態(tài)稱重算法[J]. 電子測(cè)量技術(shù)， 2023， 46（22）： 109-115.

Li Jianxin， Guo Chenxia， Yang Ruifeng， et al. Dynamic weighing algorithm of EMD based on segmented envelope fitting endpoint effect [J]. Electronic Measurement Technology， 2023， 46 （22）： 109-115.

[13] 張晉青， 張楠， 謝秀梅， 等. 成年青海公牦牛體重與體尺性狀線性回歸模型的構(gòu)建[J]. 中國草食動(dòng)物科學(xué)， 2019， 39（6）： 68-70.

[14] Goodfellow I， Pouget?Abadie J， Mirza M， et al. Generative adversarial nets [J]. Advances in Neural Information Processing Systems， 2014， 27.

[15] 王坤峰， 茍超， 段艷杰， 等. 生成式對(duì)抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 自動(dòng)化學(xué)報(bào)， 2017， 43（3）： 321-332.

Wang Kunfeng， Gou Chao， Duan Yanjie， et al. Generative adversarial networks： The state of the art and beyond [J]. Acta Automatica Sinica， 2017， 43（3）： 321-332.

[16] 梁俊杰， 韋艦晶， 蔣正鋒. 生成對(duì)抗網(wǎng)絡(luò)GAN綜述[J]. 計(jì)算機(jī)科學(xué)與探索， 2020， 14（1）： 1-17.

Liang Junjie， Wei Jianjing， Jiang Zhengfeng. Generative adversarial networks GAN overview [J]. Journal of Frontiers of Computer Science and Technology， 2020， 14（1）： 1-17.

[17] Vashitz G， Shinar D， Blum Y. In?vehicle information systems to improve traffic safety in road tunnels [J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2008， 11（1）： 61-74.

[18] 李友坤. BP神經(jīng)網(wǎng)絡(luò)的研究分析及改進(jìn)應(yīng)用[D]. 淮南： 安徽理工大學(xué)， 2012.

Li Youkun. Analysis and improvement applications of BP neural network [D]. Huainan： Anhui University of Science and Technology， 2012.

[19] 楊青， 王晨蔚. 基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的全球股票指數(shù)預(yù)測(cè)研究[J]. 統(tǒng)計(jì)研究， 2019， 36（3）： 65-77.

Yang Qing， Wang Chenwei. A study on forecast of global stock indices based on deep LSTM neural network [J]. Statistical Research， 2019， 36（3）： 65-77.

[20] 王鑫， 吳際， 劉超， 等. 基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè)[J]. 北京航空航天大學(xué)學(xué)報(bào)， 2018， 44（4）： 772-784.

Wang Xin， Wu Ji， Liu Chao， et al. Exploring LSTM based recurrent neural network for failure time series prediction [J]. Journal of Beijing University of Aeronautics and Astronautics， 2018， 44（4）： 772-784.

[21] Cho K， Van Merri?nboer B， Gulcehre C， et al. Learning phrase representations using RNN encoder?decoder for statistical machine translation [J]. Computer Science， 2014.

[22] 楊麗， 吳雨茜， 王俊麗， 等. 循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計(jì)算機(jī)應(yīng)用， 2018， 38（S2）： 1-6， 26.

Yang Li， Wu Yuxi， Wang Junli， et al. Research on recurrent neural network [J]. Journal of Computer Applications， 2018， 38（S2）： 1-6， 26.

[23] 谷麗瓊， 吳運(yùn)杰， 逄金輝. 基于Attention機(jī)制的GRU股票預(yù)測(cè)模型[J]. 系統(tǒng)工程， 2020， 38（5）： 134-140.

Gu Liqiong， Wu Yunjie， Pang Jinhui. An attention?based GRU model for stock predicting [J]. Systems Engineering， 2020， 38（5）： 134-140.

[24] 劉洋. 基于GRU神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[D]. 成都： 成都理工大學(xué)， 2017.

Liu Yang. The research of time series prediction based on GRU neural network [D]. Chengdu： Chengdu University of Technology， 2017.

[25] 張澤， 姚育成， 鮑迪， 等. 一種基于STM32的ADC數(shù)據(jù)采集系統(tǒng)設(shè)計(jì)[J]. 現(xiàn)代電子技術(shù)， 2023， 46（10）： 47-53.

Zhang Ze， Yao Yucheng， Bao Di， et al. Design of ADC data acquisition system based on STM32 [J]. Modern Electronics Technique， 2023， 46（10）： 47-53.