基于循环神经网络妊娠母猪饲喂算法研究.pdf

摘要

摘要

养猪业是我国养殖经济的支柱产业。近年来，我国养殖业从机械化、规模化向自

动化、智能化稳步推进并取得了较大的发展，但大部分养殖场饲喂管理方式不规范，

饲喂方案不科学，直接影响着养殖场的经济效益。

妊娠母猪的饲养管理对养殖场的生产效益至关重要，国内大多采用模糊控制、专

家系统等方法预测妊娠母猪饲喂量，但这些方法依赖专家知识和大量经验，潜在信息

和复杂干扰因素会导致系统的不确定性，系统预测误差范围较大。为了提高养殖场对

妊娠母猪的管理水平，实现妊娠母猪的精准化饲喂，提高妊娠母猪的产仔率和健仔数，

节省饲料，本文基于门控循环单元（GRU）搭建了饲喂量预测模型，研发了饲喂管理

系统，实现妊娠精准饲喂。本文主要工作包括以下方面：

（1）建立基于循环神经网络的妊娠母猪饲喂量预测模型。针对饲喂量影响因素

多的特点，本文基于专家经验和阅读文献对影响因素进行筛选，以母猪的妊娠日期、

背膘厚度、胎次和饲喂量构建数据集，搭建GRU模型并通过调节网络结构优化模型，

通过评价指标结果选取最优模型并与卷积神经网络（CNN）、循环神经网络（RNN）、

长短期记忆（LSTM）模型进行比较，与RNN和LSTM相比，GRU的均方误差（MSE）

分别降低了14.89%和3.92%，实验说明GRU模型能有效预测妊娠母猪饲喂量。

（2）提出改进的妊娠母猪饲喂量预测模型。本文分析了影响饲喂量的因素，针

对胎次特征对于神经网络参数更新权重较低的特点，基于主成分分析（PCA）和CNN

实现了降低数据集的维度，将胎次信息与妊娠日期、背膘厚度进行融合，搭建了PCA-

GRU和CNN-GRU模型，调整网络结构选取最佳预测模型，结果表示，相对于传统

的GRU模型，CNN-GRU模型的MSE降低了约5.23%，PCA-GRU模型的MSE降低

了约3.91%，实验证明使用降低数据维度的方法可以有效提升模型的预测性能，并且

由于降低数据集维度，可以减少模型参数数量，提高训练速度。

（3）妊娠母猪饲喂管理系统的设计与搭建。本文根据养殖场的功能需求，设计

研发系统结构，基于Django框架搭建了饲喂管理系统，连接MySQL数据库，实现

了员工信息和权限管理，妊娠母猪信息管理，妊娠报告和转栏报告，采食异常报警和

耳标丢失报警，妊娠母猪进站次数统计和饲料消耗统计等功能。

关键词：精准饲喂卷积神经网络主成分分析循环神经网络饲喂管理系统

I

Abstract

Abstract

ThepigfarmingindustryisthepillarindustryofChinasaquacultureeconomy.Inrecent

years,Chinasaquacultureindustryhassteadilyadvancedfrommechanizationandscaleto

automationandintelligence,andhasachievedsignificantdevelopment.However,most

farmshavenon-standardfeedingmanagementmethodsandunscientificfeedingplans,

whichdirectlyaffecttheeconomicbenefitsofthefarms.

Thefeedingandmanagementofpregnantsowsiscrucialfortheproductionefficiency

ofbreedingfarms.InChina,mostmethodssuchasfuzzycontrolandexpertsystemsareused

topredictthefeedingamountofpregna