[发明专利]一种基于BP神经网络的孵房湿度控制方法

说明书

技术领域

本发明属于孵化控制领域，涉及一种基于BP神经网络的孵房湿度控制方法。

背景技术

随着人民生活水平的不断提高，家禽（如鸡、鸭、鹅、鸽子等）的需求大幅度上升。为了满足人们对肉禽的需求，需要进行大规模的肉禽孵化。孵化的任务是将受精种蛋尽可能多地变成优质的雏禽，在禽蛋的孵化过程中，温度和湿度是决定孵化成功与否的决定性因素，因此精确控制孵化过程的湿度，不仅能提高出雏率，而且还能提高雏禽品质。

禽蛋孵化过程是一个具有高度非线性、大滞后、时变特性且强耦合性的农业生产过程，且禽蛋孵化过程的湿度经常会受到通风量、电网波动及周边设备等不确定性和随机性因素的影响，所以禽蛋孵化过程的精确数学模型很难建立，传统的控制方法不能很好的保证禽蛋孵化过程温度和湿度的稳定。因此研究禽蛋孵化过程工艺分析，建立禽蛋孵化过程预测模型，对于保证禽蛋孵化过程中温度和湿度的稳定控制具有关键作用。

由于禽蛋孵化湿度不会发生突变，因此可以采用历史禽蛋孵化湿度数据对当前时刻禽蛋孵化湿度进行预测，从而反映出禽蛋孵化湿度数据的时间相关性。

BP网络是一种多层网络，其基本思想是将W-H学习规则一般化，对非线性的可微分函数训练权值。目前主要用于函数逼近、模式识别、分类和数据压缩。BP算法由信息的正向传递与偏差的反向传播两部分构成。其中在BP算法的正向传播过程中，输入的数据信息从输入层经隐含层逐步运算传给输出层，下一层神经元的状态只受到上一层神经元的状态的影响。如果期望的输出在输出层没有获得，则通过计算输出层的偏差变化值，然后进行转向传播，通过网络将偏差信号沿原来的连接通路，经过反向传回，再去修改各层神经元的权值直到期望目标达到。神经网络是由大量的、简单的神经元广泛地相互连接而形成的复杂网络系统。它无需预先给定公式，而是以实验数据为基础，经过有限次迭代计算而获得实验数据的内在规律，适合于研究非线性系统。因此，可采用BP神经网络对孵化湿度进行预测。

因此研究禽蛋孵化过程工艺分析，采用BP神经网络预测孵化湿度，对于保证禽蛋孵化过程中湿度的稳定控制具有很好的效果。

发明内容

本发明所要解决的技术问题是提供一种基于BP神经网络的孵房湿度控制方法，能很好的对孵房湿度进行预测，并通过模糊控制，保证禽蛋孵化过程中的湿度在期望湿度上下极小范围内波动，从而稳定控制湿度，极大的提高了出雏率和雏禽品质。

发明的技术解决方案如下：

一种基于过程神经网络的孵房湿度控制方法，包括以下步骤：

步骤1：采用BP神经网络预测孵房湿度，BP神经网络为三层双输入单输出模型，隐含层包含3个神经元，其中

输入向量：x＝(x₁,x₂)，为通过温度数据采集模块和湿度数据采集模块采集的当前时刻的孵房温度和孵房湿度，

隐含层输入向量：h_i＝(hi₁,hi₂,hi₃)，

隐含层输出向量：h_o＝(ho₁,ho₂,ho₃)，

输出层输入向量：y_i，

输出层输出向量：y_o，为当前时刻的下一秒的湿度预测值，

期望输出向量：d_o，期望湿度，为52.9，

输入层到隐含层的连接权值：w_ih，

隐含层到输出层的连接权值：w_ho，

隐含层各神经元的阈值：b_h，为0.02，

输出层神经元的阈值：b_o，为0.01，