论文部分内容阅读
在“互联网+”现代农业和智慧农业的时代背景下，畜牧业也正逐步进入到以信息化、智能化和无人值守为特征的4.0时代。奶牛养殖业作为畜牧业的重要组成部分，近年来得到了迅速发展，在国民经济和社会发展中具有重要地位。然而在奶牛养殖过程中由于对日粮饲喂效果缺乏准确的预测和正确的评价，进而导致缺乏精准的日粮配合、饲喂管理和科学决策，并由此表现出日粮利用率低、饲喂浪费严重、粪污排放大和环境污染重等现象普遍存在，对奶牛养殖的经济效益、社会效益以及生态效益均产生了不同程度的影响。因此，对奶牛日粮饲喂效果进行准确的预测具有重要意义。
以往关于奶牛日粮饲喂效果等方面的预测，主要通过查表法或者经验系数法进行估算，其缺点是估算的数据通常来源于较大尺度范围下宏观统计的结果，并不一定适用于局部区域或个体情况。同时，表中数据相对陈旧，动态数据更新缓慢，且往往只能对单一饲料原料进行估算，无法给出全混合日粮(TMR)的饲喂效果。此外，在奶牛日粮饲效预测的数学建模方法上，传统主要采用线性回归法(LR)。LR方法作为典型的参数化模型方法，其特点为建模简单直接、训练速度快，能够在一定范围内反映被预测数据的变化趋势，但受样本数量和非理想线性状况的影响，往往导致预测结果不稳定和精度较低。同时，参数化模型对预测目标函数的数学形式进行了预设，然而实际的奶牛日粮饲效数据较为复杂，往往与参数化模型的预设偏差较大，这是传统LR方法在奶牛日粮饲效预测过程中遇到的瓶颈，因此通常仅用作粗略估计，不适用于精准预测。
随着人工智能领域机器学习理论的快速发展，基于机器学习理论的非参数化建模方法逐步成为研究的热点，广泛应用于回归建模领域中并用以解决各类预测问题。非参数化方法在建模过程中无需预先对预测目标函数的数学形式作任何假设，仅通过对训练样本数据的学习，便能对真实结果进行较好地拟合，达到精准预测的目的。鉴于以往鲜有基于机器学习理论建模方法进行奶牛日粮饲效预测的研究先例，因此，本文尝试将机器学习理论建模方法应用于奶牛日粮饲效预测研究，主要从基于支持向量机理论、高斯模型理论和极限学习机理论三大类算法出发，开展奶牛日粮饲效预测建模方法研究，主要完成以下研究工作：
(1)试验样本采集与预处理。从奶牛饲喂实际需要、动物营养消化代谢、日粮营养价值评价以及环境保护等领域需求出发，进行奶牛日粮饲效预测试验方案制定和相关指标选取，并从实际饲喂与消化试验中获取奶牛日粮饲效样本数据。为了保障试验样本数据的有效性和完整性，进行了试验样本数据的预处理，特别对于异常样本和缺失数据情况的处理，分别采用DBSCAN算法进行离群点检测和KNN算法进行缺失值填补。经过试验样本数据预处理环节，得到不少于240条有效样本数据，用于奶牛日粮饲效预测建模与测试。
(2)基于支持向量机理论建立奶牛日粮饲效预测模型。分别采用-SVMR、-SVMR、LP-SVMR和LP-SVMR四种方法进行建模与测试，建模过程针对不同核函数进行超参数优化，通过基于折交叉验证的网格搜索技术确定适应于各个预测输出指标的最优核函数，并给出寻优结果。通过试验发现，对于支持向量机方法奶牛日粮养分消化代谢指标类饲效预测，其中，DMD、OMD和NDFD指标的最优预测方法为LP-SVMR，ADFD和CPD指标的最优预测方法为LP-SVMR。研究结果表明，基于支持向量机理论-SVMR、-SVMR、LP-SVMR和LP-SVMR四种方法建立奶牛日粮饲效预测模型的预测精度均优于传统的LR方法。
(3)基于高斯模型理论建立奶牛日粮饲效预测模型。根据高斯模型理论的特点，分别采用包括高斯过程回归(GPR)和高斯混合回归(GMR)在内的多种方法或方法组合进行建模与测试。其中，根据GPR中不同均值函数和协方差函数，可以形成27种简单组合GPR预测模型和9种复合组合GPR预测模型，并分别进行奶牛日粮饲效预测模型的训练与参数优化。通过试验发现，对于高斯模型方法奶牛日粮能量消化代谢指标类饲效预测，其中，DE指标的最优预测方法为CKRQ-GPR，ED指标的最优预测方法为AN-GPR。研究结果表明，基于高斯模型理论不同GPR方法或方法组合以及GMR方法建立奶牛日粮饲效预测模型的预测精度均优于传统的LR方法。
(4)基于极限学习机理论建立奶牛日粮饲效预测模型。分别采用标准极限学习机(ELM)、正则化极限学习机(RELM)和核极限学习机(KELM)进行建模与测试。在建模过程中分别针对不同激活函数、隐含层节点数量、正则化项以及核函数进行参数选取与性能寻优，并给出每种方法下各个输出指标的最优模型选择与参数选取。通过试验发现，对于极限学习机方法奶牛日粮饲喂后排泄指标类饲效预测，其中，Feces、Urine和UN指标的最优预测方法为L2-RELM，FN指标的最优预测方法为KELM。研究结果表明，基于极限学习机理论标准ELM、RELM和KELM方法建立奶牛日粮饲效预测模型的预测精度均优于传统的LR方法。
(5)对本文基于机器学习理论各种建模方法进行综合分析与讨论，并与传统参数化和非参数化建模方法进行比较，结果表明，在奶牛日粮饲效预测大多数指标上，基于支持向量机、高斯模型和极限学习机理论建立模型的预测精度均优于传统的参数化和非参数化方法。此外，对基于机器学习理论奶牛日粮饲效预测方法应用进行了前瞻性设计，提出了“物联网+”奶牛精准饲喂系统以及“智能+”精准饲喂云服务平台的整体设计思想，将基于机器学习理论奶牛日粮饲效预测方法更好地应用到生产实际中，充分发挥预测模型的价值。
综上所述，本文基于机器学习理论的三大类方法，即支持向量机、高斯模型和极限学习机理论可以作为奶牛日粮饲效预测的有效建模方法，并能够克服传统LR方法在奶牛日粮饲效预测过程中遇到的瓶颈，达到精准预测的效果。本文的研究可作为奶牛日粮饲效预测的有效手段进行推广，并为进一步将人工智能相关技术在智慧农牧业的应用提供依据。
以往关于奶牛日粮饲喂效果等方面的预测，主要通过查表法或者经验系数法进行估算，其缺点是估算的数据通常来源于较大尺度范围下宏观统计的结果，并不一定适用于局部区域或个体情况。同时，表中数据相对陈旧，动态数据更新缓慢，且往往只能对单一饲料原料进行估算，无法给出全混合日粮(TMR)的饲喂效果。此外，在奶牛日粮饲效预测的数学建模方法上，传统主要采用线性回归法(LR)。LR方法作为典型的参数化模型方法，其特点为建模简单直接、训练速度快，能够在一定范围内反映被预测数据的变化趋势，但受样本数量和非理想线性状况的影响，往往导致预测结果不稳定和精度较低。同时，参数化模型对预测目标函数的数学形式进行了预设，然而实际的奶牛日粮饲效数据较为复杂，往往与参数化模型的预设偏差较大，这是传统LR方法在奶牛日粮饲效预测过程中遇到的瓶颈，因此通常仅用作粗略估计，不适用于精准预测。
随着人工智能领域机器学习理论的快速发展，基于机器学习理论的非参数化建模方法逐步成为研究的热点，广泛应用于回归建模领域中并用以解决各类预测问题。非参数化方法在建模过程中无需预先对预测目标函数的数学形式作任何假设，仅通过对训练样本数据的学习，便能对真实结果进行较好地拟合，达到精准预测的目的。鉴于以往鲜有基于机器学习理论建模方法进行奶牛日粮饲效预测的研究先例，因此，本文尝试将机器学习理论建模方法应用于奶牛日粮饲效预测研究，主要从基于支持向量机理论、高斯模型理论和极限学习机理论三大类算法出发，开展奶牛日粮饲效预测建模方法研究，主要完成以下研究工作：
(1)试验样本采集与预处理。从奶牛饲喂实际需要、动物营养消化代谢、日粮营养价值评价以及环境保护等领域需求出发，进行奶牛日粮饲效预测试验方案制定和相关指标选取，并从实际饲喂与消化试验中获取奶牛日粮饲效样本数据。为了保障试验样本数据的有效性和完整性，进行了试验样本数据的预处理，特别对于异常样本和缺失数据情况的处理，分别采用DBSCAN算法进行离群点检测和KNN算法进行缺失值填补。经过试验样本数据预处理环节，得到不少于240条有效样本数据，用于奶牛日粮饲效预测建模与测试。
(2)基于支持向量机理论建立奶牛日粮饲效预测模型。分别采用-SVMR、-SVMR、LP-SVMR和LP-SVMR四种方法进行建模与测试，建模过程针对不同核函数进行超参数优化，通过基于折交叉验证的网格搜索技术确定适应于各个预测输出指标的最优核函数，并给出寻优结果。通过试验发现，对于支持向量机方法奶牛日粮养分消化代谢指标类饲效预测，其中，DMD、OMD和NDFD指标的最优预测方法为LP-SVMR，ADFD和CPD指标的最优预测方法为LP-SVMR。研究结果表明，基于支持向量机理论-SVMR、-SVMR、LP-SVMR和LP-SVMR四种方法建立奶牛日粮饲效预测模型的预测精度均优于传统的LR方法。
(3)基于高斯模型理论建立奶牛日粮饲效预测模型。根据高斯模型理论的特点，分别采用包括高斯过程回归(GPR)和高斯混合回归(GMR)在内的多种方法或方法组合进行建模与测试。其中，根据GPR中不同均值函数和协方差函数，可以形成27种简单组合GPR预测模型和9种复合组合GPR预测模型，并分别进行奶牛日粮饲效预测模型的训练与参数优化。通过试验发现，对于高斯模型方法奶牛日粮能量消化代谢指标类饲效预测，其中，DE指标的最优预测方法为CKRQ-GPR，ED指标的最优预测方法为AN-GPR。研究结果表明，基于高斯模型理论不同GPR方法或方法组合以及GMR方法建立奶牛日粮饲效预测模型的预测精度均优于传统的LR方法。
(4)基于极限学习机理论建立奶牛日粮饲效预测模型。分别采用标准极限学习机(ELM)、正则化极限学习机(RELM)和核极限学习机(KELM)进行建模与测试。在建模过程中分别针对不同激活函数、隐含层节点数量、正则化项以及核函数进行参数选取与性能寻优，并给出每种方法下各个输出指标的最优模型选择与参数选取。通过试验发现，对于极限学习机方法奶牛日粮饲喂后排泄指标类饲效预测，其中，Feces、Urine和UN指标的最优预测方法为L2-RELM，FN指标的最优预测方法为KELM。研究结果表明，基于极限学习机理论标准ELM、RELM和KELM方法建立奶牛日粮饲效预测模型的预测精度均优于传统的LR方法。
(5)对本文基于机器学习理论各种建模方法进行综合分析与讨论，并与传统参数化和非参数化建模方法进行比较，结果表明，在奶牛日粮饲效预测大多数指标上，基于支持向量机、高斯模型和极限学习机理论建立模型的预测精度均优于传统的参数化和非参数化方法。此外，对基于机器学习理论奶牛日粮饲效预测方法应用进行了前瞻性设计，提出了“物联网+”奶牛精准饲喂系统以及“智能+”精准饲喂云服务平台的整体设计思想，将基于机器学习理论奶牛日粮饲效预测方法更好地应用到生产实际中，充分发挥预测模型的价值。
综上所述，本文基于机器学习理论的三大类方法，即支持向量机、高斯模型和极限学习机理论可以作为奶牛日粮饲效预测的有效建模方法，并能够克服传统LR方法在奶牛日粮饲效预测过程中遇到的瓶颈，达到精准预测的效果。本文的研究可作为奶牛日粮饲效预测的有效手段进行推广，并为进一步将人工智能相关技术在智慧农牧业的应用提供依据。