[发明专利]一种奶牛产奶量的预测系统

权利要求书

1.一种奶牛产奶量的预测系统，该系统具有奶牛单日产奶量预测及初产奶牛305天产奶量预测两个功能；其特征在于：所述奶牛产奶量预测系统包括数据采集模块(10)、数据传输模块(20)、数据存储模块(30)、产奶量预测模块(40)以及终端显示模块(50)；

上述数据采集模块(10)实现对奶牛生长信息的采集，并将采集的信息通过数据传输模块(20)将数据传输至数据存储模块(30)；产奶量预测模块(40)利用从所述数据存储模块(30)中获取的数据信息进行奶牛单日产奶量的预测和初产奶牛305天产奶量的预测；奶牛单日产奶量预测(400)中采用基于遗传算法的长短时记忆网络算法，简称GA-LSTM算法，实现奶牛单日产奶量的预测功能；由于LSTM每次运行时，网络中初始的权值和偏置均为随机值，初始化参数的随机性导致每次预测结果存在波动；GA-LSTM网络模型参数设定如下：输入层节点数为7个，第一隐藏层和第二隐藏层节点数均为15个，输出层节点数为1个；

奶牛单日产奶量预测(400)的实现步骤如下：

步骤一：初始化LSTM神经网络模型和网络参数(4000)，即随机生成初始权重和偏置；

步骤二：输入训练样本，并对样本进行数据标准化处理(4010)，所述样本包括胎次、泌乳时期、体重及总饲料量数据；数据标准化处理(4010)公式如下：

x_i＝(x_i-μ)/σ (1)

其中，x_i为原始样本数据，μ为所有样本均值，σ为所有样本的标准差；

步骤三：应用遗传算法找到LSTM神经网络参数权重和偏置的最优解4020；

步骤四：更新网络模型的权重和偏置(4030)；LSTM神经网络进行前向传播，计算隐藏层的输入和输出及输出层的输出，进而计算输出误差即奶牛单日产奶量的实际值与奶牛单日产奶量的预测值的差值，调整网络的参数；

步骤五：重复进行学习训练，判断是否满足结束条件(4040)；结束条件达到要求的预测精度或者达到学习上限次数；如果满足结束条件，则继续进行步骤六，反之，跳转到步骤四；

步骤六：得到奶牛单日产奶量预测模型(4050)。

2.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：数据采集模块(10)实现对奶牛生长信息的采集，信息的采集包括奶牛基本信息采集(100)、奶牛喂食信息采集(110)以及奶牛生长环境信息采集(120)。

3.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：数据传输模块(20)通过2G/3G/4G/5G/GPRS/WCDMA/NB-IOT通信方式将所述数据采集模块(10)中的奶牛生长信息发送到数据存储模块(30)。

4.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：数据存储模块(30)通过数据库存储所述数据传输模块(20)发送过来的数据信息。

5.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：产奶量预测模块(40)用于实现奶牛产奶量的预测功能；所述产奶量预测模块(40)包括奶牛单日产奶量预测(400)及初产奶牛305天产奶量预测(410)；奶牛单日产奶量预测400利用从所述数据存储模块(30)中获取的胎次、泌乳时期、体重和总饲料量数据信息进行奶牛单日产奶量的预测；初产奶牛305天产奶量预测(410)利用所述数据存储模块(30)中获取的初产奶牛每天的产奶量计算得到的产奶增长期总产奶量、产奶平稳期总产奶量、90天总产奶量以及90天单日最高产奶量数据信息进行初产奶牛305天产奶量的预测。

6.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：终端显示模块(50)是将产奶量预测模块(40)的奶牛单日产奶量预测结果和初产奶牛305天产奶量预测结果分别进行终端显示，所述终端为web网站、微信小程序及手机APP。

7.根据权利要求1所述的一种奶牛产奶量的预测系统，其特征在于：初产奶牛305天产奶量预测(410)中采用基于滑动平均的BP神经网络算法，简称MA-BP算法，实现初产奶牛305天产奶量的预测功能；MA-BP网络模型参数设定如下：输入层节点数为4个，第一隐藏层和第二隐藏层节点均为9个，输出层节点数为1；

初产奶牛305天产奶量预测(410)的实现步骤如下：

步骤一：初始化BP神经网络模型和网络参数(4100)，即随机生成初始权重和偏置；

步骤二：输入训练样本，并对样本进行所述数据标准化处理(4110)，所述样本包括产奶增长期总产奶量、产奶平稳期总产奶量、90天总产奶量以及90天单日最高产奶量数据；

步骤三：对训练样本做滑动平移处理(4120)；在使用滑动平均模型后，训练样本值的更新公式如下：

其中，样本v在t时刻经过滑动平均处理后的值记为vt，θt为样本v在t时刻的未处理的值，β∈[0，1)，称为衰减率；

步骤四：通过输出层的均方差E，利用梯度下降法调整各层权重值和偏置值4130；实际输出和样本输出之间的均方差E公式如下所示：

其中，为初产奶牛305天产奶量的实际输出值，Y为初产奶牛305天产奶量的样本输出，k＝1,2,…,l；

步骤五：判断样本是否全部训练完(4140)，若全部训练完，则调到步骤七，反之，继续进行步骤六；

步骤六：修正滑动平均衰减率(4150)，动态设置β的大小，并跳转到步骤二；

步骤七：重复进行上步骤，判断是否满足结束条件(4160)，结束条件：误差E在可允许的范围内即Eε或者达到学习上限次数；如果满足结束条件，则继续进行步骤八，反之，跳转到步骤六；

步骤八：得到初产奶牛305天产奶量预测模型(4170)。