[发明专利]一种基于支持向量机回归的蛋鸡产蛋率预测方法在审

专利信息
申请号: 201810778061.9 申请日: 2018-07-16
公开(公告)号: CN109034466A 公开(公告)日: 2018-12-18
发明(设计)人: 蒋敏兰;李飞 申请(专利权)人: 浙江师范大学
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q50/02
代理公司: 北京天奇智新知识产权代理有限公司 11340 代理人: 卢海龙
地址: 321004 *** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 蛋鸡产蛋率 支持向量机 预测模型 产蛋率 影响因素 回归 蛋鸡 预测 时间序列 输出样本 输入样本 预测性能 可信度 采集
【权利要求书】:

1.一种基于支持向量机回归的蛋鸡产蛋率预测方法,其特征在于:包括以下步骤:

1)、采集蛋鸡的历史的产蛋率和历史的影响因素数据;

2)、建立预测模型:基于时间序列的预测模型,将影响因素作为输入样本,将产蛋率作为输出样本,建立基于支持向量机回归的蛋鸡产蛋率预测模型;

3)、利用建立的基于支持向量机回归的蛋鸡产蛋率预测模型,根据影响因素对蛋鸡的未来的产蛋率进行预测,获得蛋鸡的产蛋率指标的未来变化。

2.根据权利要求1所述的一种基于支持向量机回归的蛋鸡产蛋率预测方法,其特征在于:所述步骤1)中,影响因素包括蛋鸡采食量、蛋鸡鸡龄、体重、温度、光照时长、光照强度以及是否服用营养素。

3.根据权利要求1所述的一种基于支持向量机回归的蛋鸡产蛋率预测方法,其特征在于:所述步骤1)中,产蛋率的采集方法为,以蛋鸡每天的总产蛋量除以蛋鸡的总数,得到每只蛋鸡每天的产蛋率。

4.根据权利要求2所述的一种基于支持向量机回归的蛋鸡产蛋率预测方法,其特征在于:所述蛋鸡采食量的采集方法为,以蛋鸡每天的总采集量除以蛋鸡的总数,得到每只蛋鸡每天的蛋鸡采食量。

5.根据权利要求2所述的一种基于支持向量机回归的蛋鸡产蛋率预测方法,其特征在于:所述体重的采集方法为,每周采集一次蛋鸡的体重,采用Lagrange插值法,计算出蛋鸡每天的体重。

6.根据权利要求2所述的一种基于支持向量机回归的蛋鸡产蛋率预测方法,其特征在于:所述温度的采集方法为,采集当天鸡舍的最高温度和最低温度。

7.根据权利要求1所述的一种基于支持向量机回归的蛋鸡产蛋率预测方法,其特征在于:所述步骤2)具体为,建立预测模型:选取两份历史数据,每份历史数据均包括影响因素和产蛋率,基于时间序列的预测模型,选取高斯核函数,以影响因素作为输入样本,以产蛋率作为输出样本,将其中一份历史数据作为训练样本,训练基于支持向量机回归的蛋鸡产蛋率预测模型;将另一份历史数据作为测试样本,测试基于支持向量机回归的蛋鸡产蛋率预测模型。

8.根据权利要求7所述的一种基于支持向量机回归的蛋鸡产蛋率预测方法,其特征在于:所述步骤2)具体为,建立预测模型:设产蛋率的历史数据为其中N为数据长度,Yn为第n组或者说产蛋第n天的产蛋率;设影响因素的历史数据为i=7,xn为七组产蛋率的影响因素数据组成的向量,为第i种产蛋率的影响因素第n组数据,构建时间序列为Xn=[xn,xn+1,...,xn+d],Xn为xn至xn+d组成的矩阵,d为数据集的宽度,确定映射关系:

Yn=F(Xn),n=1,2,...,N (1);

构建训练样本,其中Xn为输入样本,Yn为输出样本,选取高斯核函数,选取两份历史数据,每份历史数据均包括影响因素和产蛋率,将其中一份的历史数据为样本集训练SVM,并获取最优的惩罚因子C和核函数宽度σ的参数组合,代入支持向量机进行训练,利用SVM的逼近能力,使得SVM的输入输出逼近式(1),从而建立支持向量机回归的蛋鸡产蛋率预测模型;之后将另一份历史数据中的影响因素代入建立好的SVM,作为测试样本,得到预测的结果。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江师范大学,未经浙江师范大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810778061.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top