[發明專利]基于神經網絡的蛋雞采食行為的預測方法及預測裝置有效
| 申請號： | 201811353147.3 | 申請日： | 2018-11-14 |
| 公開（公告）號： | CN109359624B | 公開（公告）日： | 2021-10-08 |
| 發明（設計）人： | 呂艷;姜吳昊;倪益華;倪忠進;王凱 | 申請（專利權）人： | 浙江農林大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62;G06N3/04 |
| 代理公司： | 北京潤平知識產權代理有限公司 11283 | 代理人： | 陳瀟瀟;陳小蓮 |
| 地址： | 311300 浙*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 神經網絡 蛋雞 采食 行為 預測 方法 裝置 | ||
1.一種基于神經網絡的蛋雞采食行為的預測方法，其特征在于，所述預測方法包括：
基于預設神經網絡算法獲取對應的預測模型；
對所述預測模型進行優化，以獲得優化后模型；
獲取所述采食行為的行為參數，并對所述行為參數進行處理以獲得處理后參數；
將所述處理后參數結合所述優化后模型對所述蛋雞的采食行為進行預測，以獲得預測結果，包括：
獲取與所述優化后模型對應的窗口長度信息、批次大小信息、迭代次數信息以及隱層神經元個數信息；
基于網格搜索算法對所述窗口長度信息以及所述隱層神經元個數信息進行優化，以獲得優化后窗口長度信息以及優化后隱層神經元個數信息；包括：
按照預設要求對所述窗口長度信息、批次大小信息、迭代次數信息以及隱層神經元個數信息分別取不同的值，并獲得對應的不同學習模型；
獲取所述不同學習模型基于所述處理后參數生成的不同預測信息；
獲取與所述行為參數對應的實際采食行為信息；
基于所述實際采食行為信息對所述不同預測信息進行評估，以獲得最佳預測信息；
基于所述最佳預測信息獲得對應的最佳學習模型，并將所述最佳學習模型的窗口長度信息以及隱層神經元個數信息分別作為優化后窗口長度信息以及優化后隱層神經元個數信息；
基于所述優化后窗口長度信息、所述優化后隱層神經元個數信息、所述批次大小信息以及所述迭代次數信息生成最終預測模型；
基于所述處理后參數結合所述最終預測模型對所述蛋雞的采食行為進行預測，以獲得預測結果；
所述行為參數包括采食量、采食時間以及采食間隔中的至少一者，所述對所述行為參數進行處理以獲得處理后參數，包括：
獲取預設數據長度值；
基于所述預設數據長度值獲取對應的待學習行為參數；
對所述待學習行為參數進行歸一化處理，以獲得處理后參數。
2.根據權利要求1所述的預測方法，其特征在于，所述預設神經網絡算法為循環神經網絡算法，所述預測模型為長短期記憶模型，所述對所述預測模型進行優化，以獲得優化后模型，包括：
前向計算所述長短期記憶模型中每個神經元的輸出值；
基于所述輸出值反向計算所述長短期記憶模型中每個神經元的誤差項；
基于所述誤差項計算出對應的權重的梯度信息；
基于適應性動量算法對所述梯度信息進行優化以獲得優化后模型。
3.一種基于神經網絡的蛋雞采食行為的預測裝置，其特征在于，所述預測裝置包括：
處理器，用于：
基于預設神經網絡算法獲取對應的預測模型；
對所述預測模型進行優化，以獲得優化后模型；
獲取所述采食行為的行為參數，并對所述行為參數進行處理以獲得處理后參數；
將所述處理后參數結合所述優化后模型對所述蛋雞的采食行為進行預測，以獲得預測結果，包括：
獲取與所述優化后模型對應的窗口長度信息、批次大小信息、迭代次數信息以及隱層神經元個數信息；
基于網格搜索算法對所述窗口長度信息以及所述隱層神經元個數信息進行優化，以獲得優化后窗口長度信息以及優化后隱層神經元個數信息；包括：
按照預設要求對所述窗口長度信息、批次大小信息、迭代次數信息以及隱層神經元個數信息分別取不同的值，并獲得對應的不同學習模型；
獲取所述不同學習模型基于所述處理后參數生成的不同預測信息；
獲取與所述行為參數對應的實際采食行為信息；
基于所述實際采食行為信息對所述不同預測信息進行評估，以獲得最佳預測信息；
基于所述最佳預測信息獲得對應的最佳學習模型，并將所述最佳學習模型的窗口長度信息以及隱層神經元個數信息分別作為優化后窗口長度信息以及優化后隱層神經元個數信息；
基于所述優化后窗口長度信息、所述優化后隱層神經元個數信息、所述批次大小信息以及所述迭代次數信息生成最終預測模型；
基于所述處理后參數結合所述最終預測模型對所述蛋雞的采食行為進行預測，以獲得預測結果；
所述行為參數包括采食量、采食時間以及采食間隔中的至少一者，所述對所述行為參數進行處理以獲得處理后參數，包括：
獲取預設數據長度值；
基于所述預設數據長度值獲取對應的待學習行為參數；
對所述待學習行為參數進行歸一化處理，以獲得處理后參數。
4.根據權利要求3所述的預測裝置，其特征在于，所述預設神經網絡算法為循環神經網絡算法，所述預測模型為長短期記憶模型，所述對所述預測模型進行優化，以獲得優化后模型，包括：
前向計算所述長短期記憶模型中每個神經元的輸出值；
基于所述輸出值反向計算所述長短期記憶模型中每個神經元的誤差項；
基于所述誤差項計算出對應的權重的梯度信息；
基于適應性動量算法對所述梯度信息進行優化以獲得優化后模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江農林大學，未經浙江農林大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201811353147.3/1.html，轉載請聲明來源鉆瓜專利網。
