本發(fā)明涉及農(nóng)業(yè)牲畜養(yǎng)殖自動(dòng)化裝備的技術(shù)領(lǐng)域，具體涉及基于can總線的豬舍環(huán)境溫度智能監(jiān)測系統(tǒng)。

背景技術(shù)：

豬舍環(huán)境溫度對(duì)育肥豬的生長影響很大，不同體重的豬在不同溫度下其增重不同。低溫影響肥育豬的正常生長，豬的維持需要增加耗料，飼養(yǎng)成本高，肥育期延長。豬的生產(chǎn)水平和健康狀況受溫度、空氣、光照、粉塵、噪音、設(shè)備和衛(wèi)生等諸多環(huán)境因素的影響，其中，溫度被認(rèn)為是重要因素之一。當(dāng)環(huán)境溫度發(fā)生變化，豬的肌體會(huì)作出一系列的反應(yīng)，變化快、溫差大時(shí)，豬不僅不能正常生長，甚至?xí)霈F(xiàn)一些病態(tài)。豬是一種體溫為39℃的恒溫動(dòng)物。豬舍內(nèi)過多的熱量對(duì)于豬來說是一個(gè)十分沉重的負(fù)擔(dān)，在高溫的環(huán)境條件下，溫?zé)岘h(huán)境和豬之間的相互作用遠(yuǎn)遠(yuǎn)超過了簡單的外界刺激對(duì)豬所產(chǎn)生的應(yīng)答反應(yīng)，在這種條件下，豬常常采用三種調(diào)節(jié)方式來維持自身體溫的恒定，在適宜的溫?zé)釁^(qū)域，豬采用耗能最少的行為調(diào)節(jié)方式，舒展身體等擴(kuò)大身體的表面積加強(qiáng)散這一結(jié)果必然會(huì)嚴(yán)重影響?zhàn)B豬場的生產(chǎn)效率，給豬場帶來重大的經(jīng)濟(jì)損失，面對(duì)高溫的惡劣影響，我們必須采取綜合措施不斷改善豬舍的溫?zé)岘h(huán)境，為豬創(chuàng)造適宜的環(huán)境，減輕豬只的熱應(yīng)激，才能保證夏季時(shí)豬場的高產(chǎn)、穩(wěn)產(chǎn)。通常豬可以對(duì)肌體產(chǎn)熱進(jìn)行調(diào)節(jié)而平衡熱量的損失，豬在溫度適中區(qū)的環(huán)境內(nèi)生長，產(chǎn)熱量最少，疾病不容易發(fā)生，能發(fā)揮其最大生產(chǎn)潛力。當(dāng)環(huán)境溫度高于溫度適中區(qū)時(shí)，豬采食量減少，同時(shí)內(nèi)分泌系統(tǒng)發(fā)生相應(yīng)變化，母豬排卵數(shù)減少，產(chǎn)奶不足，容易出現(xiàn)諸如子宮炎、陰道炎和乳房炎等生殖器官疾病，還會(huì)引起乳豬的缺乳性拉稀，公豬出現(xiàn)精液稀薄、精子活力不強(qiáng)等現(xiàn)象。當(dāng)欄舍的溫度低于豬的臨界低溫時(shí)，豬就會(huì)大量的攝入能量飼料用于產(chǎn)熱，以維持體溫，但降低了生產(chǎn)水平。集約化的豬場如要提高生產(chǎn)水平，就不能讓豬生活在低于臨界低溫的環(huán)境，防止把攝入的能量用于產(chǎn)熱而降低日增重和料重比。應(yīng)根據(jù)自身的實(shí)際情況，在不同季節(jié)，針對(duì)不同的生長階段，增加相應(yīng)的設(shè)施，使豬舍的環(huán)境溫度達(dá)到一個(gè)適中的溫度水平。試驗(yàn)證明，當(dāng)氣溫從20℃降至12.5℃時(shí)，日增重會(huì)下降14.3克，但如果日采食增加38克，則可以達(dá)同樣的生長速度；在自由采食的條件下，溫度的變化對(duì)日增重和料重比影響相對(duì)較小。溫度過低也會(huì)影響生長以致發(fā)生疾病。根據(jù)我場多年的試驗(yàn)，當(dāng)氣溫在15-22℃時(shí)，肉豬的生長速度和料重比都可以達(dá)到最佳水平。過高和過低的溫度不僅對(duì)集約化豬場的生產(chǎn)水平帶來影響，而且也對(duì)豬的健康產(chǎn)生影響。如前所述，過高的溫度會(huì)帶來一些影響種豬繁殖性能的疾病，如同單純的低溫不會(huì)直接影響豬只健康一樣，過高和過低的溫度為豬發(fā)病提供了條件。氣溫的劇烈變化或氣溫處于過高或過低的狀態(tài)，容易引起病原體數(shù)量的變化以及豬本身抵抗能力的降低，從而使疾病發(fā)生。只有在病原體存在時(shí)，氣溫的變化過高或過低時(shí)才會(huì)引起疾病，氣溫是一個(gè)誘因。這一誘因?qū)芏嘭i場來說影響嚴(yán)重，因?yàn)樵S多豬場的豬群存在很多疾病的亞臨床癥狀。所以要保持豬群的健康，必須盡量創(chuàng)造一個(gè)豬群適宜的溫度環(huán)境，并且盡量減少溫度的大幅的頻繁變化。

從上綜述可見，豬舍溫度對(duì)豬的生產(chǎn)過程和提高經(jīng)濟(jì)效益有重要作用，陳軍等研究濕簾-風(fēng)機(jī)系統(tǒng)自動(dòng)控制技術(shù)對(duì)妊娠豬舍內(nèi)溫度影響，李立峰等研制基于組態(tài)軟件和模糊控制的分娩母豬舍環(huán)境監(jiān)控系統(tǒng)，俞守華等研究豬舍有害氣體測定與溫度智能控制算法，錢東平等研究畜禽舍環(huán)境溫度監(jiān)控系統(tǒng)模糊控制算法的實(shí)現(xiàn)，朱偉興等研制基于物聯(lián)網(wǎng)的保育豬舍環(huán)境監(jiān)控系統(tǒng)，但是這些系統(tǒng)都沒有根據(jù)豬舍環(huán)境溫度變化的非線性、大滯后和豬舍面積大溫度變化復(fù)雜等特點(diǎn)，對(duì)豬舍環(huán)境的溫度進(jìn)行智能化監(jiān)測與預(yù)測，從而極大的影響豬舍環(huán)境溫度的調(diào)控。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了基于can總線的豬舍環(huán)境溫度智能監(jiān)測系統(tǒng)，本發(fā)明有效解決了現(xiàn)有豬舍監(jiān)控系統(tǒng)沒有根據(jù)豬舍環(huán)境溫度變化的非線性、大滯后和豬舍面積大溫度變化復(fù)雜等特點(diǎn)，對(duì)豬舍環(huán)境的溫度進(jìn)行智能化監(jiān)測與預(yù)測，從而極大的影響豬舍環(huán)境溫度的調(diào)控問題。

本發(fā)明通過以下技術(shù)方案實(shí)現(xiàn)：

基于can總線的豬舍環(huán)境溫度智能監(jiān)測系統(tǒng)，其特征在于：所述智能監(jiān)測系統(tǒng)由基于can總線的豬舍環(huán)境參數(shù)采集與智能預(yù)測平臺(tái)、豬舍環(huán)境多點(diǎn)溫度融合模型和豬舍環(huán)境溫度智能預(yù)測模型三部分組成，基于can總線的豬舍環(huán)境參數(shù)采集平臺(tái)實(shí)現(xiàn)對(duì)豬舍環(huán)境因子參數(shù)進(jìn)行檢測、調(diào)節(jié)和監(jiān)控，豬舍環(huán)境多點(diǎn)溫度融合模型基于豬舍環(huán)境多個(gè)檢測點(diǎn)溫度傳感器的溫度模糊值的支持度矩陣和灰色關(guān)聯(lián)度矩陣求得的支持度融合權(quán)重、灰色關(guān)聯(lián)度融合權(quán)重和線性組合權(quán)重實(shí)現(xiàn)對(duì)豬舍環(huán)境多點(diǎn)溫度融合,豬舍環(huán)境溫度智能預(yù)測模型包括自回歸積分滑動(dòng)平均模型(arima)、自適應(yīng)神經(jīng)模糊推理(anfis)、最小二乘支持向量機(jī)svm模型和粒子群算法(pso)優(yōu)化最小二乘支持向量機(jī)svm模型實(shí)現(xiàn)對(duì)豬舍環(huán)境溫度智能預(yù)測。

本發(fā)明進(jìn)一步技術(shù)改進(jìn)方案是：

所述基于can總線的豬舍環(huán)境參數(shù)采集與智能預(yù)測平臺(tái)由檢測節(jié)點(diǎn)、控制節(jié)點(diǎn)和現(xiàn)場監(jiān)控端組成，它們通過can總線實(shí)現(xiàn)檢測節(jié)點(diǎn)、控制節(jié)點(diǎn)和現(xiàn)場監(jiān)控端之間的通信。檢測節(jié)點(diǎn)分別由傳感器組模塊、單片機(jī)和通信接口組成，傳感器組模塊負(fù)責(zé)檢測豬舍環(huán)境的溫度、濕度、風(fēng)速和有害氣體等豬舍小氣候環(huán)境參數(shù)，由單片機(jī)控制采樣間隔并通過通信模塊發(fā)送給現(xiàn)場監(jiān)控端；控制節(jié)點(diǎn)實(shí)現(xiàn)對(duì)豬舍環(huán)境參數(shù)的調(diào)節(jié)設(shè)備進(jìn)行控制；現(xiàn)場監(jiān)控端由一臺(tái)工業(yè)控制計(jì)算機(jī)和rs232/can通信模塊組成，實(shí)現(xiàn)對(duì)檢測節(jié)點(diǎn)檢測豬舍環(huán)境參數(shù)進(jìn)行管理和對(duì)豬舍環(huán)境多點(diǎn)溫度進(jìn)行融合與智能預(yù)測。基于can總線的豬舍環(huán)境參數(shù)采集與智能預(yù)測平臺(tái)見圖1所示。

本發(fā)明進(jìn)一步技術(shù)改進(jìn)方案是：

通過把各個(gè)檢測點(diǎn)溫度傳感器值轉(zhuǎn)化為模糊數(shù)，定義兩兩溫度模糊值之間的距離與支持度和灰色關(guān)聯(lián)度，構(gòu)建支持度矩陣和灰色關(guān)聯(lián)度矩陣，來得各個(gè)檢測點(diǎn)溫度傳感器值的支持度融合權(quán)重和灰色關(guān)聯(lián)度融合權(quán)重，通過對(duì)這兩種融合權(quán)重的線性組合得到豬舍多點(diǎn)溫度傳感器值融合的組合權(quán)重，豬舍環(huán)境各個(gè)檢測點(diǎn)溫度傳感器值與各自溫度傳感器值融合的組合權(quán)重積的相加和為豬舍環(huán)境多個(gè)檢測點(diǎn)溫度融合模型的值，該融合模型既考慮了不同檢測點(diǎn)溫度傳感器的溫度模糊值之間距離，也考慮了不同檢測點(diǎn)溫度傳感器的溫度模糊值之間的灰色關(guān)聯(lián)度，提高了豬舍多點(diǎn)溫度傳感器值融合精度。具體方法見圖2上半部分。

本發(fā)明進(jìn)一步技術(shù)改進(jìn)方案是：

針對(duì)豬舍溫度單一預(yù)測模型誤差波動(dòng)較大和線性組合預(yù)測的局限性，為了進(jìn)一步提高豬舍溫度預(yù)測模型的預(yù)測精度，在檢驗(yàn)各個(gè)單一預(yù)測模型預(yù)測有效的情況下，建立了自回歸積分滑動(dòng)平均模型(arima)、自適應(yīng)神經(jīng)模糊推理(anfis)和最小二乘支持向量機(jī)svm模型3種豬舍溫度單項(xiàng)預(yù)測模型，一個(gè)時(shí)延段的豬舍環(huán)境多點(diǎn)溫度融合模型的輸出作為單項(xiàng)預(yù)測模型的輸入，并分別建模預(yù)測得到3種不同的預(yù)測結(jié)果；然后將各單項(xiàng)的預(yù)測結(jié)果作為訓(xùn)練輸入，將相應(yīng)的實(shí)際值作為訓(xùn)練輸出，建立最小二乘支持向量機(jī)svm的豬舍溫度非線性組合預(yù)測模型，并用粒子群算法(pso)對(duì)svm組合預(yù)測模型中的參數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)對(duì)豬舍溫度的高精度預(yù)測。將該方法應(yīng)用于實(shí)際豬舍溫度預(yù)測，并與單一的arima模型、anfis模型和svm模型進(jìn)行比較。仿真實(shí)驗(yàn)結(jié)果表明，該組合預(yù)測模型實(shí)現(xiàn)了對(duì)豬舍溫度參數(shù)更為準(zhǔn)確的預(yù)測，魯棒性強(qiáng)，該方法具有較好的預(yù)測效果。具體方法見圖2下半部分。

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下明顯優(yōu)點(diǎn)：

一、本發(fā)明針對(duì)基于can總線豬舍環(huán)境多點(diǎn)溫度過程中，傳感器精度誤差、干擾和測量溫度值異常等問題存在的不確定性和隨機(jī)性，本發(fā)明專利將豬舍環(huán)境溫度傳感器測量的溫度值用模糊數(shù)形式表示，有效地處理了豬舍環(huán)境溫度傳感器測量值的模糊性和不確定性，提高了豬舍環(huán)境溫度傳感器融合值的客觀性和可靠性。

二、本發(fā)明將豬舍環(huán)境溫度參數(shù)轉(zhuǎn)化為模糊數(shù)形式，定義兩兩模糊數(shù)之間的距離與支持度，構(gòu)建支持度矩陣，根據(jù)豬舍環(huán)境每個(gè)檢測點(diǎn)溫度傳感器模糊數(shù)的支持度占整個(gè)豬舍環(huán)境溫度檢測點(diǎn)傳感器的溫度傳感器模糊數(shù)的支持度和的比為該檢測點(diǎn)溫度傳感器檢測值的支持度融合權(quán)重αi，提高了豬舍環(huán)境溫度融合值的精確性和科學(xué)性。

三、本發(fā)明將豬舍環(huán)境溫度參數(shù)轉(zhuǎn)化為模糊數(shù)形式，定義兩兩模糊數(shù)之間的灰色關(guān)聯(lián)度，構(gòu)建灰色關(guān)聯(lián)度矩陣，根據(jù)每個(gè)檢測點(diǎn)溫度傳感器模糊數(shù)的平均灰色關(guān)聯(lián)度占整個(gè)豬舍環(huán)境檢測點(diǎn)溫度傳感器模糊數(shù)的平均灰色關(guān)聯(lián)度和的比為該檢測點(diǎn)溫度傳感器檢測值的灰色關(guān)聯(lián)度融合權(quán)重βi，提高了豬舍環(huán)境溫度融合值的精確性和科學(xué)性。

四、本發(fā)明根據(jù)線性組合原理，組合權(quán)重wi與αi和βi都應(yīng)盡可能接近，根據(jù)每個(gè)檢測點(diǎn)的支持度融合權(quán)重αi與灰色關(guān)聯(lián)度融合權(quán)重βi的線性組合為該檢測點(diǎn)溫度傳感器值融合的組合權(quán)重，該組合權(quán)重既考慮了該檢測點(diǎn)溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重βi，也考慮了該檢測點(diǎn)溫度傳感器值的支持度融合權(quán)重αi，該組合權(quán)重提高豬舍環(huán)境溫度融合值的精確性、可靠性和科學(xué)性，豬舍環(huán)境溫度融合值更加反映豬舍環(huán)境溫度值的真實(shí)性。

五、本發(fā)明由于豬舍溫度具有復(fù)雜的非線性特性，不同的工況下溫度變化很大，很難建立精確的數(shù)學(xué)模型，利用anfis網(wǎng)絡(luò)可精確地辨識(shí)控制系統(tǒng)輸入和輸出特性，具有良好的非線性逼近能力，anfis既具有模糊推理系統(tǒng)的推理功能，又具有神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)功能。將兩者的優(yōu)勢結(jié)合，克服了單純神經(jīng)網(wǎng)絡(luò)黑匣子特性，具有一定的透明度。通過大量實(shí)驗(yàn)驗(yàn)證了anfis比一般bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練快，訓(xùn)練次數(shù)也大大減少，克服了局部最優(yōu)的問題。因此，利用anfis網(wǎng)絡(luò)建立精確的豬舍溫度傳感器值輸入和輸出預(yù)測豬舍溫度模型，為研究智能控制策略提供了模型基礎(chǔ)。

六、本發(fā)明將粒子群算法(pso)和最小二乘支持向量機(jī)(ls-svm)算法相結(jié)合，采用pso算法優(yōu)化ls-svm的參數(shù)，克服了人為參數(shù)選擇的盲目性，在全局優(yōu)化與收斂速度方面具有較大優(yōu)勢。仿真實(shí)驗(yàn)表明，相比未經(jīng)優(yōu)化的支持向量機(jī)(svm)和ls-svm模型，經(jīng)pso算法優(yōu)化后的ls-svm有更高的預(yù)測精度和運(yùn)算速度、預(yù)測誤差值小以及具有較好的有效性和可行性，提高預(yù)測豬舍溫度的準(zhǔn)確性。

七、本發(fā)明采用arima預(yù)測模型是基于豬舍溫度檢測原始數(shù)據(jù)服從時(shí)間序列分布，利用豬舍溫度變化具有一定慣性趨勢的原理，建立時(shí)間序列模型，從而達(dá)到預(yù)測的目的。該方法可將各種影響豬舍溫度變化與發(fā)展錯(cuò)綜復(fù)雜的因素進(jìn)行綜合統(tǒng)一于蘊(yùn)含于時(shí)間變量之中，且考慮了序列的趨勢變化、周期變化和隨機(jī)干擾并借助模型參數(shù)進(jìn)行量化表達(dá)，可以通過反復(fù)識(shí)別修正從而獲得預(yù)測效果較好的模型，arima預(yù)測模型既吸收了傳統(tǒng)回歸分析的優(yōu)點(diǎn)又發(fā)揮了移動(dòng)平均的長處，具有適用范圍廣，實(shí)用性強(qiáng)、預(yù)測誤差小的特點(diǎn)，是一種預(yù)測精確度較高的豬舍溫度短期預(yù)測方法。

八、本發(fā)明分別充分利用了原始數(shù)據(jù)和采用最小二乘支持向量機(jī)(ls-svm)、arima預(yù)測模型和anfis自適應(yīng)神經(jīng)模糊推理等單一預(yù)測豬舍溫度模型的信息，它們的輸出作為基于粒子群pso優(yōu)化ls-svm預(yù)測模型的輸入，構(gòu)建粒子群pso優(yōu)化ls-svm預(yù)測組合模型，該組合預(yù)測模型彌補(bǔ)了單一模型方法的不足，保證了組合預(yù)測結(jié)構(gòu)風(fēng)險(xiǎn)的最小化，具有多種預(yù)測方法的優(yōu)點(diǎn)，形成多種預(yù)測方法互補(bǔ)，該組合預(yù)測方法與單一預(yù)測模型相比組合預(yù)測的魯棒性強(qiáng)，預(yù)測精度高。

九、本發(fā)明采用粒子群算法(pso)對(duì)svm組合預(yù)測模型中的參數(shù)進(jìn)行優(yōu)化為最優(yōu)非線性組合模型的逼近器，構(gòu)建預(yù)測豬舍環(huán)境溫度的組合預(yù)測模型，利用三種單一預(yù)測子模型信息，實(shí)現(xiàn)預(yù)測信息之間的互補(bǔ)，提高了組合預(yù)測模型的魯棒性，通過組合模型對(duì)三個(gè)子模型預(yù)測結(jié)果進(jìn)行融合，實(shí)現(xiàn)了多種預(yù)測方法的綜合應(yīng)用，相對(duì)單一的預(yù)測方法，該組合預(yù)測結(jié)果更科學(xué)和準(zhǔn)確。

附圖說明

圖1為本發(fā)明基于can總線的豬舍環(huán)境參數(shù)采集與智能預(yù)測平臺(tái)；

圖2為本發(fā)明豬舍環(huán)境多點(diǎn)溫度融合模型和豬舍環(huán)境溫度智能預(yù)測模型；

圖3為本發(fā)明檢測節(jié)點(diǎn)功能圖；

圖4為本發(fā)明控制節(jié)點(diǎn)功能圖；

圖5為本發(fā)明現(xiàn)場監(jiān)控端軟件功能圖；

圖6為本發(fā)明豬舍環(huán)境參數(shù)采集與智能預(yù)測平臺(tái)平面布置圖。

具體實(shí)施方式

1、系統(tǒng)總體功能的設(shè)計(jì)

本發(fā)明實(shí)現(xiàn)對(duì)豬舍環(huán)境因子參數(shù)進(jìn)行檢測、豬舍環(huán)境多點(diǎn)溫度融合和豬舍環(huán)境溫度智能預(yù)測，該系統(tǒng)由基于can總線的豬舍環(huán)境參數(shù)采集與智能預(yù)測平臺(tái)、豬舍環(huán)境溫度多點(diǎn)融合模型和豬舍環(huán)境溫度智能預(yù)測模型3部分組成?；赾an總線的豬舍環(huán)境參數(shù)采集與智能預(yù)測平臺(tái)包括豬舍環(huán)境參數(shù)的檢測節(jié)點(diǎn)1和調(diào)節(jié)豬舍環(huán)境參數(shù)的控制節(jié)點(diǎn)2，通過can總線方式構(gòu)建成測控網(wǎng)絡(luò)來實(shí)現(xiàn)檢測節(jié)點(diǎn)1、控制節(jié)點(diǎn)2和現(xiàn)場監(jiān)控端3之間的現(xiàn)場通信；檢測節(jié)點(diǎn)1將檢測的豬舍環(huán)境參數(shù)發(fā)送給現(xiàn)場監(jiān)控端3并對(duì)傳感器數(shù)據(jù)進(jìn)行初步處理；現(xiàn)場監(jiān)控端3把控制信息傳輸?shù)綑z測節(jié)點(diǎn)1和控制節(jié)點(diǎn)2。整個(gè)系統(tǒng)結(jié)構(gòu)見圖1所示。

2、檢測節(jié)點(diǎn)的設(shè)計(jì)

本發(fā)明采用基于can總線的檢測節(jié)點(diǎn)1作為豬舍環(huán)境參數(shù)感知終端，檢測節(jié)點(diǎn)1和控制節(jié)點(diǎn)2通過can總線方式實(shí)現(xiàn)與現(xiàn)場監(jiān)控端3之間的信息相互交互。檢測節(jié)點(diǎn)1包括采集豬舍環(huán)境溫度、濕度、風(fēng)速和有害氣體參數(shù)的傳感器和對(duì)應(yīng)的信號(hào)調(diào)理電路、c8051f040微處理器；檢測節(jié)點(diǎn)的軟件主要實(shí)現(xiàn)現(xiàn)場總線通信和豬舍環(huán)境參數(shù)的采集與預(yù)處理。軟件采用c語言程序設(shè)計(jì)，兼容程度高，大大提高了軟件設(shè)計(jì)開發(fā)的工作效率，增強(qiáng)了程序代碼的可靠性、可讀性和可移植性。檢測節(jié)點(diǎn)結(jié)構(gòu)見圖3。

3、控制節(jié)點(diǎn)

控制節(jié)點(diǎn)2在輸出通路設(shè)計(jì)了4路d/a轉(zhuǎn)換電路實(shí)現(xiàn)對(duì)溫度、濕度、風(fēng)速和有害氣體的調(diào)節(jié)輸出量控制電路、c8051f040微處理器和can總線通信模塊接口，實(shí)現(xiàn)對(duì)豬舍環(huán)境控制設(shè)備進(jìn)行控制，控制節(jié)點(diǎn)見圖4。

4、現(xiàn)場監(jiān)控端軟件

現(xiàn)場監(jiān)控端3是一臺(tái)工業(yè)控制計(jì)算機(jī)，現(xiàn)場監(jiān)控端3主要實(shí)現(xiàn)對(duì)豬舍環(huán)境參數(shù)進(jìn)行采集、多點(diǎn)溫度融合和豬舍環(huán)境溫度預(yù)測，實(shí)現(xiàn)與檢測節(jié)點(diǎn)1與控制節(jié)點(diǎn)2的信息交互，現(xiàn)場監(jiān)控端3主要功能為通信參數(shù)設(shè)置、數(shù)據(jù)分析與數(shù)據(jù)管理、豬舍環(huán)境多點(diǎn)溫度融合和豬舍溫度智能預(yù)測。該管理軟件選擇了microsoftvisual++6.0作為開發(fā)工具，調(diào)用系統(tǒng)的mscomm通信控件來設(shè)計(jì)通訊程序，現(xiàn)場監(jiān)控端軟件功能見圖5。

⑴、豬舍環(huán)境多點(diǎn)溫度融合模型的設(shè)計(jì)

①、豬舍溫度傳感器值模糊化

設(shè)k時(shí)刻對(duì)某豬舍溫度做等精度的多點(diǎn)同時(shí)獨(dú)立檢測，則得到k時(shí)刻該豬舍溫度的測量子集x(k)為x(k)＝[x1(k),x2(k),…xn(k)]，且所測得的xi(k)(i＝1，2…，n)服從正態(tài)分布。則該豬舍在k時(shí)刻時(shí)豬舍溫度的平均值為：

在k時(shí)刻時(shí)，第i個(gè)傳感器測得豬舍溫度的標(biāo)準(zhǔn)方差估計(jì)為：

σi²(k)＝[xi(k)-x0(k)]²(2)

豬舍溫度值氣候環(huán)境、豬舍濕度和風(fēng)速等多種因素的影響，豬舍溫度各個(gè)監(jiān)測點(diǎn)傳感器的量測值與目標(biāo)真實(shí)值之間有誤差，豬舍目標(biāo)真實(shí)值只是在所有有效數(shù)據(jù)的附近。假設(shè)豬舍溫度的測量值誤差是隨機(jī)誤差，豬舍溫度測量值分布是由豬舍多點(diǎn)溫度均值和方差所確定的正態(tài)分布。為工程實(shí)際應(yīng)用需要，在本方法中模糊化的隸屬函數(shù)選用三角形，三角形中心是豬舍溫度傳感器的測量值，寬度為豬舍溫度值標(biāo)準(zhǔn)方差的4倍。對(duì)于豬舍第i個(gè)溫度傳感器在k時(shí)刻的測量值為xi(k)和標(biāo)準(zhǔn)方差為σi(k)，則對(duì)應(yīng)的測量模糊量表示為：

ai(k)＝(ai1(k),ai2(k),ai3(k))＝(xi(k)-2σi(k),xi(k),xi(k)+2σi(k))(3)

②、求得不同檢測點(diǎn)溫度傳感器的支持度融合權(quán)重αi

a、定義兩兩模糊化值之間的距離

由于豬舍環(huán)境溫度受多種因素干擾的隨機(jī)性，對(duì)豬舍溫度測量值的真?zhèn)纬潭戎荒芡ㄟ^量測量子集x(k)中自身蘊(yùn)含的信息來確定，即xi(k)(i＝1，2…，n)的真實(shí)性越高，則xi(k)被豬舍其他溫度傳感器測量值所支持的程度就越高。從豬舍溫度第j個(gè)傳感器測量值xj(k)來看第i個(gè)傳感器測量值xi(k)為真實(shí)數(shù)據(jù)的可能程度則稱xi(k)值被xj(k)支持程度。針對(duì)豬舍溫度傳感器間測量值支持程度引入相對(duì)距離的概念，定義第i和第j兩傳感器測量值間的相對(duì)距離dij，根據(jù)三角模糊數(shù)距離計(jì)算方法，則dij表達(dá)形式如下：

b、構(gòu)建不同檢測點(diǎn)溫度傳感器值的模糊支持度矩陣

由dij的表達(dá)形式可知，dij越大則表明兩個(gè)傳感器間溫度測量值的差別越大，即兩溫度測量值間的相互支持程度就越小。為了對(duì)不同傳感器測量值的相互支持程度進(jìn)行進(jìn)一步地統(tǒng)一量化處理，以下定義第i和第j兩傳感器測量值與相對(duì)距離成反比的支持度函數(shù)sij，sij計(jì)算公式為：

從式(4)的定義形式可知，豬舍溫度傳感器間測量數(shù)據(jù)間相對(duì)距離越小，測量溫度數(shù)據(jù)間的相互支持度sij值越大，它表示ai與aj越貼近。若sij值＝1，表示ai與aj完全相同；反之，sij很小時(shí)表示豬舍量測的豬舍溫度兩個(gè)數(shù)據(jù)間的相對(duì)距離很大，這時(shí)可以看作兩個(gè)數(shù)據(jù)已經(jīng)不再互相支持。sij值＝0，表示ai與aj完全不一致。在豬舍溫度傳感器數(shù)據(jù)融合中，要考慮同一時(shí)刻各個(gè)傳感器之間的支持度sij。由于sij取值從1-0依次遞減，所以滿足支持度函數(shù)應(yīng)具有的性質(zhì)。而且，這種滿足模糊性支持度函數(shù)sij的定義形式更符合實(shí)際問題的真實(shí)性，同時(shí)便于具體實(shí)施，可使得融合的結(jié)果更加精確和穩(wěn)定。對(duì)于豬舍溫度測量數(shù)據(jù)間融合問題，建立模糊支持度矩陣r如下：

c、求得不同檢測點(diǎn)溫度傳感器的支持度融合權(quán)重αi

支持度矩陣r中sij僅表示豬舍溫度測量數(shù)據(jù)ai被aj間的相互支持程度，它不能反映ai被該豬舍溫度測量系統(tǒng)中所有傳感器量測數(shù)據(jù)的支持程度，而ai與系統(tǒng)中所有傳感器測量溫度值的支持度真實(shí)程度實(shí)際應(yīng)由si1，si2，…，sin綜合體現(xiàn)?；谝陨峡紤]，設(shè)αi表示ai被豬舍溫度測量系統(tǒng)中其它傳感器測量數(shù)據(jù)的綜合支持程度，αi越大表明ai被豬舍其它溫度傳感器測量數(shù)據(jù)的支持程度越高，即基于第i個(gè)豬舍溫度傳感器量測量值ai在所有豬舍溫度傳感器獲得的溫度測量數(shù)據(jù)的真實(shí)性就越高。

αi即是第i個(gè)豬舍溫度傳感器量測數(shù)據(jù)ai被豬舍溫度測量系統(tǒng)中其它溫度傳感器測量溫度數(shù)據(jù)的綜合支持程度，即為該溫度傳感器測量數(shù)據(jù)在所有傳感器測量數(shù)據(jù)的重要程度。

③、求得不同檢測點(diǎn)溫度傳感器的灰色關(guān)聯(lián)度融合權(quán)重βi

a、義兩兩模糊化值之間的灰色關(guān)聯(lián)度

由灰色理論可知，灰色關(guān)聯(lián)度是研究事物之間、事物因素之間相關(guān)性的一種度量。它是以事物或因素之間時(shí)間序列曲線幾何形狀的相似程度來判斷其聯(lián)系是否緊密。曲線越相似，相應(yīng)序列之間的關(guān)聯(lián)度就越大，反之就越小。豬舍環(huán)境溫度測量系統(tǒng)有n個(gè)傳感器同時(shí)對(duì)豬舍環(huán)境溫度進(jìn)行檢測，設(shè)在k時(shí)刻第i個(gè)傳感器的溫度測量值為xi(k)，則對(duì)應(yīng)的測量模糊值為ai(k)，由于豬舍內(nèi)外界環(huán)境因素的干擾對(duì)豬舍溫度測量精度的影響，xi(k)的準(zhǔn)確程度可以通過它的測量模糊值ai(k)與該時(shí)刻其余點(diǎn)測量模糊值的灰色關(guān)聯(lián)度來判斷，如果它的灰色關(guān)聯(lián)度大，則說明該測量點(diǎn)在k時(shí)刻溫度測量值得精度高，反之準(zhǔn)確性較差。則在同一時(shí)刻k不同檢測點(diǎn)值i，j的xi(k)與xj(k)的灰色關(guān)聯(lián)度可以定義為：

b、建不同檢測點(diǎn)溫度傳感器值的灰色關(guān)聯(lián)度矩陣

公式中ρ為分辨系數(shù)，本專利取ρ＝0.5?；疑P(guān)聯(lián)度不僅考慮了不同傳感器在k時(shí)刻數(shù)據(jù)的接近程度，而且還參考它們間的歷史信息，因此它更加能夠反映不同傳感器間測量豬舍溫度的支持度。則由m個(gè)豬舍溫度傳感器在k(k＝1，2…n)時(shí)刻測得豬舍溫度值的灰色關(guān)聯(lián)度γij(k)可以構(gòu)成灰色關(guān)聯(lián)度矩陣為a，則a為：

c、求得不同檢測點(diǎn)溫度傳感器的灰色關(guān)聯(lián)度融合權(quán)重βi

灰色關(guān)聯(lián)矩陣a中，第i個(gè)傳感器測量豬舍溫度值與其它傳感器測量豬舍溫度值的灰色關(guān)聯(lián)的平均值為：

如果ηi值較大，那么說明第i個(gè)傳感器所測豬舍溫度值與多數(shù)傳感器測量豬舍溫度值比較接近；反之，第i個(gè)傳感器所測豬舍溫度值與多數(shù)傳感器測量豬舍溫度值的偏差較大。根據(jù)豬舍每個(gè)溫度傳感器的灰色關(guān)聯(lián)度均值占豬舍所有溫度傳感器的灰色關(guān)聯(lián)度均值和的比值來確定每個(gè)溫度傳感器的測量溫度值的融合權(quán)重，即：

④、求得不同檢測點(diǎn)溫度傳感器融合的組合權(quán)重wi

將基于三角模糊數(shù)方法得到的支持度融合權(quán)重αi和基于灰色關(guān)聯(lián)度方法得到的灰色關(guān)聯(lián)度融合權(quán)重βi進(jìn)行線性組合得到的權(quán)重稱為組合權(quán)重wi，公式為：

wi＝ααi+ββi(12)

⑤、根據(jù)組合權(quán)重得到豬舍環(huán)境多點(diǎn)溫度融合模型值：

其中k為時(shí)間，i為檢測點(diǎn)，xi為k時(shí)刻第i個(gè)檢測點(diǎn)溫度，wi為第i個(gè)檢測點(diǎn)組合權(quán)重。

⑵、豬舍環(huán)境溫度智能預(yù)測模型

①、自回歸積分滑動(dòng)平均模型(arima)預(yù)測豬舍溫度設(shè)計(jì)

時(shí)間序列分析方法就是從具有先后順序的信息中提取有用信息，它是數(shù)理統(tǒng)計(jì)的一個(gè)重要分支。時(shí)間序列分析方法的實(shí)質(zhì)是通過對(duì)歷史數(shù)據(jù)的處理，尋找前后數(shù)據(jù)之間的關(guān)系，建立關(guān)聯(lián)模型，然后，通過歷史數(shù)據(jù)和所建立的關(guān)聯(lián)模型預(yù)測時(shí)間序列的未來值。時(shí)間序列分析有多種模型：自回歸模型(autoregressivemodel，ar)、移動(dòng)平均模型(movingaveragemodel，ma)、自回歸移動(dòng)平均模型(auto-regressivemovingaveragemodel，arma)，這3種模型都是對(duì)平穩(wěn)時(shí)間序列而言。在實(shí)際問題中，許多時(shí)間序列并不近似為平穩(wěn)時(shí)間序列，所以不能直接用3種基本模型建模，可以通過某種處理產(chǎn)生一個(gè)平穩(wěn)的新的時(shí)間序列，再進(jìn)行建模。arima(p，d，q)中：p代表自回歸階數(shù)；d代表對(duì)含有長期趨勢、季節(jié)變動(dòng)、循環(huán)變動(dòng)的非平穩(wěn)時(shí)間數(shù)列進(jìn)行差分處理的次數(shù)；q代表滑動(dòng)平均的階數(shù)。本專利就是基于arima模型(自回歸移動(dòng)平均模型)進(jìn)行豬舍溫度的預(yù)測，arima建?；舅悸窞椋簩㈩A(yù)測豬舍溫度隨時(shí)間移而形成的數(shù)據(jù)序列視為一個(gè)隨機(jī)序列，時(shí)間序列(arima)豬舍溫度預(yù)測模型通過識(shí)別后就可以從時(shí)間序列的過去值和現(xiàn)在值來預(yù)測未來值。在arima豬舍溫度預(yù)測模型中，豬舍溫度在某時(shí)刻的值是它的若干歷史數(shù)據(jù)與一組白噪聲的線性函數(shù)：

xt＝φ1xt-1+φ2xt-2+…+φpxt-p+εt-θ1εt-1-θ2εt-2-…-θqεt-q(14)

在豬舍溫度預(yù)測模型中{xt}是一個(gè)平穩(wěn)時(shí)間序列，{εt}是一個(gè)白噪聲序列，φi,θj(i＝1,2,…,p；j＝1,2,…,q)分別是它們對(duì)應(yīng)的參數(shù)。豬舍溫度預(yù)測arima模型建立的基本步驟：

(1)根據(jù)時(shí)間序列的圖形對(duì)豬舍溫度歷史序列的平穩(wěn)性進(jìn)行判斷。

(2)使用差分對(duì)非平穩(wěn)序列進(jìn)行平穩(wěn)化處理，并確定差分的階數(shù)，即d的值。

(3)針對(duì)差分后的平穩(wěn)序列，采用自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖等對(duì)豬舍溫度預(yù)測arima模型識(shí)別，確定模型中p、q的值。

(4)采用最小二乘估計(jì)或極大似然估計(jì)對(duì)豬舍溫度預(yù)測arima模型中的p+q個(gè)參數(shù)進(jìn)行模型估計(jì)。

(5)對(duì)豬舍溫度預(yù)測arima模型進(jìn)行檢驗(yàn)并對(duì)豬舍溫度進(jìn)行預(yù)測，本專利采用前面4個(gè)時(shí)刻豬舍溫度參數(shù)值來預(yù)測下一個(gè)時(shí)刻豬舍溫度值。

②、anfis自適應(yīng)神經(jīng)模糊推理模型預(yù)測豬舍溫度設(shè)計(jì)

anfis采用與一階sugeno型模糊推理系統(tǒng)功能相同的基于自適應(yīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)，第一層：將輸入變量模糊化，每個(gè)節(jié)點(diǎn)對(duì)應(yīng)輸出可表示為：

式中n為每個(gè)輸入隸屬函數(shù)個(gè)數(shù)，可根據(jù)辨識(shí)情況調(diào)整，本專利n＝4，隸屬函數(shù)采用高斯隸屬函數(shù)。本專利采用前面4個(gè)時(shí)刻豬舍溫度參數(shù)值來預(yù)測下一個(gè)時(shí)刻豬舍溫度值。

第二層：實(shí)現(xiàn)規(guī)則運(yùn)算，輸出規(guī)則的適用度，規(guī)則運(yùn)算采用乘法。

第三層：將各條規(guī)則的適用度歸一化：

第四層：每個(gè)節(jié)點(diǎn)的傳遞函數(shù)為線性函數(shù)，表示局部的線性模型，每個(gè)自適應(yīng)節(jié)點(diǎn)i輸出為：

式中pi、qi、ri為結(jié)論參數(shù)。

第五層：該層的單節(jié)點(diǎn)是一個(gè)固定節(jié)點(diǎn)，計(jì)算輸入信號(hào)的總輸出為：

決定隸屬函數(shù)形狀的條件參數(shù)和推理規(guī)則的結(jié)論參數(shù)可以通過學(xué)習(xí)過程進(jìn)行訓(xùn)練。訓(xùn)練算法采用最小二乘與梯度下降結(jié)合的算法來訓(xùn)練。參數(shù)采用線性最小二乘估計(jì)算法調(diào)整參數(shù)。在每一次迭代中，首先輸入信號(hào)沿網(wǎng)絡(luò)正向傳遞直到第4層，此時(shí)固定條件參數(shù)，采用最小二乘估計(jì)算法調(diào)節(jié)結(jié)論參數(shù)；然后，信號(hào)繼續(xù)沿網(wǎng)絡(luò)正向傳遞直到輸出層(即第5層)。此后，將獲得的誤差信號(hào)沿網(wǎng)絡(luò)反向傳播，用梯度法更新條件參數(shù)。以此方式對(duì)給定的條件參數(shù)進(jìn)行調(diào)整，可以得到結(jié)論參數(shù)的全局最優(yōu)點(diǎn)，這樣不僅可以降低梯度法中搜索空間的維數(shù)，還可以提高參數(shù)的收斂速度。anfis自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊推理預(yù)測模型實(shí)現(xiàn)：1)對(duì)輸入變量進(jìn)行歸一化預(yù)處理，輸入變量的隸屬函數(shù)統(tǒng)一取gauss函數(shù)；(2)根據(jù)輸入變量的特征，將前面4個(gè)時(shí)刻豬舍溫度分為4個(gè)模糊等級(jí)；(3)采用anfis網(wǎng)絡(luò)進(jìn)行豬舍溫度預(yù)測，設(shè)定初始學(xué)習(xí)率為0.06，動(dòng)量常數(shù)為0.9，確定模糊規(guī)則256個(gè)。

③、最小二乘支持向量機(jī)(ls-svm)預(yù)測豬舍溫度設(shè)計(jì)

支持向量機(jī)(supportvectormachines，svm)具有較強(qiáng)的泛化能力和全局能力，克服了其他機(jī)器學(xué)習(xí)方法的泛化能力差、過擬合和容易陷入局部最優(yōu)等缺點(diǎn)，該方法已經(jīng)應(yīng)用于變壓器故障診斷、電力負(fù)荷預(yù)測等領(lǐng)域，并具有理想的科學(xué)指導(dǎo)意義。最小二乘支持向量機(jī)算法(ls-svm)是一種對(duì)標(biāo)準(zhǔn)支持向量機(jī)的擴(kuò)展，該算法采用平方和誤差損失函數(shù)代替標(biāo)準(zhǔn)支持向量機(jī)的不敏感損失函數(shù)，同時(shí)實(shí)現(xiàn)了將標(biāo)準(zhǔn)svm算法中的不等式約束轉(zhuǎn)化為等約束。因此，ls-svm算法將二次規(guī)劃問題化簡為求解線性方程組，明顯降低了求解的復(fù)雜性，提高了計(jì)算速度。設(shè)訓(xùn)練樣本集d＝{(xi,yi)|i＝1,2,…,n}，xi和yi，分別為輸入和輸出樣本數(shù)據(jù)，n為樣本數(shù)。設(shè)置非線性函數(shù)它可以將輸入樣本從原空間映射到高維特征空間。引入拉格朗日方程，將帶約束條件的優(yōu)化問題轉(zhuǎn)化為無約束條件的優(yōu)化問題，可得到ls-svm的線性回歸方程如下：

在求解過程中，為了避免求解復(fù)雜的非線性映射函數(shù)，引入了徑向基核函數(shù)(radialbasisfunction，rbf)替代高維空間中的點(diǎn)積運(yùn)算，可以大大減少計(jì)算量，而且rbf核函數(shù)容易實(shí)現(xiàn)svm的優(yōu)化過程，因?yàn)樗拿總€(gè)基函數(shù)的中心與支持向量一一對(duì)應(yīng)，且這些支持向量和權(quán)值都可以通過算法得到。因此，基于支持向量機(jī)的豬舍溫度組合預(yù)測模型為：

模型的預(yù)測輸出是豬舍的溫度，每個(gè)中間節(jié)點(diǎn)對(duì)應(yīng)一個(gè)支持向量，x1,x2,…xn為輸入變量，αi為網(wǎng)絡(luò)權(quán)重。

④、基于粒子群pso優(yōu)化最小二乘支持向量機(jī)ls-svm的過程

在優(yōu)化算法中，每一個(gè)粒子代表ls-svm的1組參數(shù)，分別為懲罰因子c和核參數(shù)σ²，粒子所對(duì)應(yīng)的適應(yīng)度是該組參數(shù)下算法的性能，基于粒子群pso的ls-svm優(yōu)化過程的步驟如下：

①初始化粒子種群，設(shè)定迭代次數(shù)、粒子維數(shù)、群體規(guī)模，隨機(jī)產(chǎn)生1組參數(shù)作為粒子初始解空間位置和初始速度。

②用粒子對(duì)應(yīng)的最小二乘支持向量機(jī)模型對(duì)測試樣本進(jìn)行預(yù)測，進(jìn)行適應(yīng)度評(píng)估。

③對(duì)每個(gè)粒子，比較它的經(jīng)歷過的最好的pbest的適應(yīng)度值和群體經(jīng)歷過的最好位置gbest的適應(yīng)度值，若比pbest、gbest好，則更新pbest、gbest，否則保持原來的數(shù)據(jù)。

④整個(gè)群體粒子計(jì)算后，判斷是否滿足終止條件，若不滿足則更新粒子，產(chǎn)生新的粒子群，返回步驟②。如果滿足最大迭代次數(shù)或結(jié)束條件，計(jì)算結(jié)束并輸出計(jì)算結(jié)果。

5、豬舍環(huán)境溫度智能監(jiān)測系統(tǒng)的設(shè)計(jì)舉例

根據(jù)豬舍環(huán)境的狀況，系統(tǒng)布置了檢測節(jié)點(diǎn)1和控制節(jié)點(diǎn)2和現(xiàn)場監(jiān)控端3的平面布置安裝圖，其中檢測節(jié)點(diǎn)1均衡布置在被檢測豬舍環(huán)境中，整個(gè)系統(tǒng)平面布置見圖6，通過該系統(tǒng)實(shí)現(xiàn)對(duì)豬舍環(huán)境參數(shù)的采集與豬舍環(huán)境溫度檢測和智能化預(yù)測。

本發(fā)明方案所公開的技術(shù)手段不僅限于上述實(shí)施方式所公開的技術(shù)手段，還包括由以上技術(shù)特征任意組合所組成的技術(shù)方案。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也視為本發(fā)明的保護(hù)范圍。