谢秋菊，罗文博，李妍，王莉薇,闫丽

（黑龙江八一农垦大学信息技术学院，黑龙江 大庆 163319）

基于神经网络猪舍氨气浓度预测方法研究

谢秋菊，罗文博，李妍，王莉薇,闫丽

（黑龙江八一农垦大学信息技术学院，黑龙江 大庆 163319）

猪舍内氨气浓度对猪生长发育影响较大，建立准确氨气浓度预测模型尤为必要。目前已有针对猪舍内氨气浓度预测研究，但氨气浓度受猪舍内多种环境因素影响，缺少准确预测模型。为此本研究从实测猪舍内环境数据（包括氨气浓度、温度、湿度、活动量、通风）中随机选取1 537组数据，使用L-M算法优化BP神经网络、线性神经网络和Elman神经网络预测猪舍内氨气浓度。结果表明，基于L-M算法优化BP神经网络建立5-9-9-1四层结构预测模型经290步后达目标误差，预测值和真实值最大绝对误差仅为0.1720，与Elman神经网络和线性神经网络预测方法相比可提高猪舍氨气浓度预测准确性和及时性，为猪舍环境预警提供支持。

BP神经网络；Elman神经网络；线性神经网络；预测模型；氨气浓度

谢秋菊,罗文博,李妍,等.基于神经网络猪舍氨气浓度预测方法研究[J].东北农业大学学报,2016,47(10):83-92.

Xie Qiuju,Luo Wenbo,Li Yan,et al.Study on prediction method of ammonia concentrations in pig house using Neural Network[J].Journal of Northeast Agricultural University,2016,47(10):83-92.(in Chinese with English abstract)

氨气是无色、有刺激性气味有害气体，易液化成无色液体，可灼伤皮肤、眼睛、呼吸器官粘膜。当猪舍内氨气浓度过高时，可引起猪肺部肿胀致死，在规模化养殖中，氨气浓度高低对猪健康生长影响较大[1-2]。因此，及时预测和控制猪舍内氨气浓度对猪生长健康有重要作用。研究者在不同条件下对猪舍氨气浓度变化开展大量工作[3-5]。Ni等测量猪舍内氨气挥发，建立氨气散发模型[6]。李文刚等研究猪舍内有害气体对猪危害和减少有害气体措施[7]。俞守华等研究基于BP神经网络猪舍有害气体定量检测模型[8]。朱海生等研究猪舍内氨气排放预测模型现状[9]。然而，在上述研究中并未对氨气浓度建立有效预测模型，多数研究仅依靠设备监测猪舍内氨气浓度，只获取舍内氨气浓度，无有效预测模型对猪舍内有害气体预警。由于猪舍内氨气浓度受到猪舍内温度、湿度及通风情况等多种环境因素影响，传统数学方法难以建立准确预测模型。

本文在3种不同类型神经网络方法中，选取预测精度高、实效性强方法建立氨气浓度预测模型，实现猪舍内氨气浓度提前预警，为猪舍环境控制提供参考。

1 神经网络模型

1.1 Elman神经网络

Elman神经网络是Elman于1990年针对语音处理问题提出[10]。Elman神经网络是一个局部记忆单元和局部反馈连接前向神经网络。Elman神经网络对具有非线性时间序列特征领域应用效果较好。主要结构是前馈连接，包括输入层（Input layer）、隐含层（Hidden layer）、输出层（Output layer）[11]。隐含层添加承接层，该层无神经元，主要记忆隐含层前一时刻输出，使Elman神经网络具有检测和产生时变模式能力。优点是隐含层输出通过承接层延迟与存储，自联到隐含层输入。这种自联方式对历史状态数据具有敏感性，内部反馈网络加入增强网络本身处理动态信息能力，达到动态建模目[12]。

Elman神经网络采用动态反向传播学习算法，即梯度下降法对网络进行训练，可提高网络训练速度，有效抑制网络陷入局部极小值。目标是通过网络各层权值调节，使预测值和真实值均方误差最小。Elman神经网络采用BP算法修正权值，学习指标函数采用误差平方和函数定义如公式（1）所示。

1.2 BP神经网络

BP神经网络是1986年由Rumelhart和McCel⁃land等提出，是一种按误差逆向传播算法训练多层前馈网络，能够学习和存储大量输入到输出映射关系，无需事前描述这种映射关系数学方程。BP神经网络具有自适应与自组织能力，学习规则使用最速下降法，通过反向传播不断调整网络权值和阈值，使网络误差平方和最小[13]。BP神经网络优点有较强非线性映射能力、高度自学习和自适应能力、泛化能力和容错能力。缺点有局部极小化问题、收敛速度慢、网络结构选择不一和样本依赖性问题[14]。主要应用于函数逼近、模式识别、分类和数据压缩等方面。BP神经网络拓扑结构包括输入层（Input layer）、隐含层（Hidden layer）、输出层（Output layer）。

BP神经网络特点是各层神经元仅与相邻层神经元间相互连接，同层内神经元间无连接，各层神经元间无反馈连接，构成具有层次结构前馈型神经网络系统。模型形成过程中，输入层节点数对输出影响大，节点数太多会引入无关历史数据，节点数太少则不能很好反映变化趋势。其次，神经网络结构过于复杂需估计更多参数，模型精度变差。隐含层节点数选择复杂，隐含层节点数量取决于输入层和输出层神经元个数等多种因素，目前尚无一套成熟理论方法确定网络隐节点，隐节点确定依赖经验。BP神经网络通过输出层误差反向传播到隐含层获得输出量期望值[15-16]。梯度下降法利用计算网络权重和调整连接权重最小化输出误差。神经网络误差函数定义如公式（2）所示。

Tk和Ok分别是目标值和输出值。

1.3 线性神经网络

线性神经网络是最简单神经网络，由一个或

多个线性神经元组成。伯纳德和玛西娅提出自适应线性神经元，是线性神经网络最早典型代表，学习算法称之为LMS（最小均方差）。LMS学习规则使均方误差最小，使判决边界远离分类模式，增强网络抗噪能力，但LMS算法仅适于单层网络训练[17]。主要用途是通过线性逼近一个函数式而开展模式联想及信号滤波、预测、模型识别和控制等。

1.4 L-M优化算法

L-M算法[18]即Levenberg-Marquart算法，由于L-M算法应用近似二阶导数信息，比梯度法收敛速度快，算法稳定。L-M算法优化BP神经网络基于误差不断减小原则，采用L-M算法调整网络权值及阈值，达最优目标过程。L-M算法是梯度下降法与牛顿法折中算法，结合牛顿法局部收敛性和梯度法全局特性，有效解决神经网络收敛问题。L-M优化算法不仅沿负梯度方向迭代，使误差在恶化方向搜索。L-M算法可在最速梯度下降法和牛顿法间自动调整网络权值，收敛网络并提高网络收敛速度。其权值调整见公式（4）。

其中e表示误差向量；J表示雅可比矩阵；_表示一个标量。在L-M算法网络权值调整中，随_增加，L-M算法接近于最速下降法，学习速率较小，而_为0时，L-M算法则变成高斯-牛顿法之间的平滑调和。

2 数据来源

2.1 猪舍结构

本文所用数据来源自美国普渡大学动物研究教育中心猪舍环境研究建筑（SERB）[19]。

猪舍结构类型为钢木混结构，密闭式机械通风方式。猪舍内有12个南北朝向猪房。每间猪房长度为11.0 m，宽度为6.1 m，高度为2.7 m，猪房水泥漏缝地面下方有两个1.8 m深储粪池。每个猪房能容纳60头育肥猪，内部是双列钢质围栏，每列6个猪栏，中间过道分隔。猪舍结构侧剖面如图1所示[20]。

独立控制每个猪房内温度和通风，舍外新鲜空气通过东西两侧门上方进气口进入舍内，进气口根据通风量需求通过上方帘子调节进入空气量，东侧进气口帘子通过静压控制器自动控制，西侧进气口帘子由手动控制。舍外新鲜空气通过棚顶和过道入口送入每个猪房内。每个猪房内部在长轴方向上安装3个可控V形天花板进气口，过道空气沿猪房长轴方向通过，安装于天花板下方20 cm处带有气孔的直径为38 cmPVC管道均匀将新鲜空气送入猪栏。

图1 猪舍环境研究建筑东侧剖视Fig.1East side sectional view of the swine environmental research building

猪舍过道东西两侧各安装一个天然气加热器，天气寒冷时对进入舍内空气预热。每个猪房内安装天然气加热器（Model Guardian 60,L.B. White Co.Onalaska,WI,USA）用于在温度过低时给仔猪加热。

每个猪房安装4个风机。2个安装在舍内墙上用于通风换气，2个安装在储粪池上用于储粪池向外排气。2个储粪池风机为变频风机，直径为30.5 cm（Model Guardian 60,L.B.White Co.Onalaska,WI, USA），墙上风机均为恒定速度，一个为直径36 cm（Model V4E35,Multifan），标定排风率为50 Pa时3 230 m3·h-1，另一个直径为51 cm（Model V4E50, Multifan），标定排风率为7 400 m3·h-1。

2.2 猪舍内气体采样及氨气浓度测量

12间猪房24个气体采样点连续气体采集和测量空气样本。每个猪房里2个采样点，一个位于距离直径为36 cm风机1 m远处，另一个位于储粪池风机进风口处。第25个采集点位于猪舍过道距离地面3 m高处，用于采集猪房入口处空气样本。所有采样点通过内径为0.64 cm Teflon管与自行设计采样系统相连。气体采集系统按预先设置顺序以4～5 L·min-1流率将采样点气体样本送入实验室内气体分析仪中。同一时刻仅1个采样点空气送入分析仪中。

空气样本中氨气浓度通过一台多种气体监测仪测量（Innova Model 1412,LumaSense Technolo⁃gies,Ballerup,Denmark）。每个气体采样点采集间隔和频率、采样点顺序可自动或手动控制。在自动模式下，过道空气采集时间为20 min，其他采样点采集时间为10 min。在测量之前，用一台气体稀释仪（Model S-4040,Environics,Tolland,CT,USA）和标准气体对气体分析仪多点校准，以确保其线性响应。研究期间每周用零气体和标准气体对气体分析仪精确性检查1次。

2.3 温度、相对湿度及活动量监测

舍内温度是通过在猪房排风口处、储粪池排风口处、过道天花板空气入口处、距离猪房地面1.5 m高处和天然气加热器热风出口处5个位置安装T型热电耦测量。采样点温度测量用于气体体积浓度与质量浓度间转换计算，舍内加热器排风口处温度测量用于监测加热器运行状况。

各房间内相对湿度（RH）利用安装在猪栏中间距离地面1.5 m高处相对湿度变送仪（Model HX92BC, Omega,Atlanta,GA,USA）测量。

猪活动量用于分析、验证猪活动与气体排放量间关系，通过红外线活动量传感器（Visonic SRN 2000 Detector,Visonic Inc.,Bloomfield,CT,USA）测量，传感器安装在每个猪房内与门相对墙上。

2.4 通风率测定和计算

2.4.1 墙上风机通风率

24个墙上风机均单独根据室内降温需要自动控制，通过一个与风机电源并联240-VAC到5-VDC适配器监测风机工作状态。所有适配器输出与一个数字输入获取模块相联（USB DIO 96 H,Mea⁃surement Computing Co.,Norton,MA,USA）。监测系统将1 Hz开/关信号转换为风机运行时间，例如风机在1 min内开启30 s，就会把50%记录在每分种数据文件中作为风机开启时间。风机设开启时间为t，通风速率可根据风机当时承受压差利用线性方程计算得到，如公式5所示。

式中，QW为墙上风机在时间t时通风速率（m3·min-1）；aW51和aW36分别是直径为51 cm和直径为36 cm风机线性公式斜率；bW51和bW36分别是直径为51 cm和36 cm风机线性公式截距；PW是测量所得房间内墙上风机在时间t时承受压差（Pa）；t51和t36是直径为51 cm和36 cm风机运行时间占1分钟时间百分比（%）。

每个风机线性方程，通过一台墙上风机流率测试仪在-5到-100 Pa 5个不同压差下测试获得。

2.4.2 粪池通风速率计算

粪池通风速率通过安装在粪池风机上18厘米直径风速仪（Model 27106RS,RM Young,Traverse City,MI,USA）连续测量每个粪池风机气流速度。风速仪转速与其输出成正比，如公式6所示。

式中，RPM是风速仪转速（r·min-1）；A是一个无量纲斜率；V是风速仪输出值（V）。每个风速仪斜率A通过RM Young18 802可选速度风速仪驱动模型校准获得，每个风速仪灵敏性用Anemome⁃ter Torque Disc（RM Young）测试。

为通过风速仪输出信号得到气流速率，风速

仪在实验室储粪池排风测量系统校测试，通过测试建立将风速仪转速转换为两个储粪池风机气流速率线性模型，如公式7所示。

式中，QP为猪房储粪池风机通风率（m3·min-1）；1和2分别是猪房内储粪池风机编号。

2.5 数据采集与气体采样控制

在猪舍内实验室安装一套现场计算机系统（OSCS）[21]，OSCS由个人计算机，普渡大学研发AirDAC软件及NI公司（National Instruments Co., Austin,TX,USA）数据采集及控制硬件和Measure⁃ment Computing公司（Measurement Computing Co., Norton,MA,USA）数据采集硬件组成，气体浓度分析仪及其他传感器均与OSCS相连。

OSCS以1 Hz采集所有在线空气质量及环境参数信号，把信号转换为具有工程单位数据，将数据以15和60 s两种间隔平均，再将平均值分别记录到两个独立文件中。AirDAC每天自动对前一天测量数据处理。猪舍环境数据监测与采集控制系统如图2所示。

图2 猪舍环境数据监测及采集控制系统Fig.2Environmental monitoring and data acquisition and control system

猪舍环境数据监测及采集控制系统包括仪器设备、DAC（数据采集和控制）硬件及软件部分。数据采集和控制硬件使用NI公司和MCC公司产品，通过以太网线与现场计算机相连，实现串口通信以及模/数、数/模转换。软件部分由两个相互独立而又相互联系部分组成，即AirDAC IC和Air⁃DAC Main。这两部分程序由普渡大学用NI公司LabVIEW编写，实现图形化环境数据获取、仪器设备控制、测量分析及数据输出。AirDAC IC实现系统初始化、硬件配置、设备选择等。AirDAC Main获取所有仪器及传感器信号，完成数据处理、将获取每分种气体数据在电脑显示屏上实时显示，将这些数据存入现场计算机中，同时监测系统运行状态，通过电子邮件发出警报、执行更高级后期数据处理。AirDAC Main控制气体取样地点、时间、和频率。

3 模型建立

3.1 数据预处理

数据采集以15和60 s两种间隔平均，将平均值分别记录到Excel中。由于本文是预测当前1 h内猪舍氨气浓度，需对数据预处理。在1 h内猪舍内氨气浓度随时发生变化，某个时间点数值难以代表当前1 h内氨气浓度，将1 h内记录数据加和取平均值，可得当前1 h内氨气浓度。为对神经网络有更好训练效率和预测精度，需对样本数据归一化处理[22]，将数据去掉量纲影响。由于数据单位不一致，需将不同数据格式化，将其归一化到指定范围内。采用最大最小算法[23]使数据范围处于（0,1）之间。

本研究采用最大最小算法获得所需数据，如公式（8）所示。

其中，xi表示输入数据，xmin表示数据输入最小值，xmax表示数据输入最大值。

3.2 模型分析与建立

建立神经网络时隐含层节点数选择对预测精度有重要影响，如果隐含层节点数太少，神经网络不能建立复杂映射关系，预测误差较大。但如果隐含层节点数过多，网络学习时间增加，可能出现“过拟合”现象[24]。本文设计四层神经网络，输入层神经元个数为5，分别为粪池内氨气浓度，通风情况，活动量，温度和湿度，输出层神经元个数为1，即猪舍内氨气浓度。隐含层节点数选择复杂，目前尚无一套成熟方法确定网络隐含层节点数。本文采用试错法，经过数次试验，发现预测误差随节点数增加呈先减后增趋势，最后将隐含层节点数设定为9。

隐含层和输出层函数选择对网络预测精度有较大影响，一般隐含层节点转移函数为tansig和logsig函数，输出层节点转移函数选用tansig和purelin函数。经过多次试验发现，隐含层借点转移函数为tansig，输出层节点转移函数为purelin时效果最好，因此本文使用tansig和purelin两种函数。

本试验采取1 537组具有代表性数据，以前1 500组实测并经过归一化处理粪池氨气浓度、通风情况、活动量、温度和湿度数据作为网络输入样本，输出样本是1 500组数据实测并经过归一化处理氨气浓度数据，以后37组实测并过归一化处理粪池氨气浓度、通风情况、活动量、温度和湿度数据作为测试样本，在Matlab R2012b环境下，通过神经网络工具箱学习训练，最大学习次数为5 000，学习速率为0.05，目标误差为0.00062，建立基于L-M算法优化BP神经网络[25]和Elman神经网络以及线性神经网络。BP神经网络模型结构如图3所示。

图3 BP神经网络模型结构Fig.3BP neural network model structure

4 结果与分析

4.1 训练性能对比分析

BP神经网络训练采用L-M算法优化，网络收敛速度快，网络在290步训练后达到目标；Elman神经网络与L-M算法优化BP神经网络相比网络收敛速度较慢，网络在5 732步训练后达目标；线性神经网络采用Matlab工具箱中newlind函数创建线性模型，newlind函数返回网络已训练完毕，无需自行调用train函数训练。BP神经网络模型和El⁃ man神经网络模型训练性能分别如图4、5所示。

4.2 预测结果对比分析与模型验证

对训练后BP、Elman和线性神经网络模型分别通过经过归一化处理37组测试数据预测氨气浓度，预测值和实测值结果如图6～8所示。

为验证模型有效性，将L-M算法优化BP、Elman和线性神经网络模型对比，分别对三种神经网络输出实测值和预测值比较分析。BP、Elman神经网络模型和线性神经网络模型实测值和预测值结果对比如表1所示。

图4 BP神经网络训练性能Fig.4BP neural network training performance

图5 Elman神经网络训练性能Fig.5Elman neural network training performance

图6 BP神经网络模型预测值和实测值结果对比Fig.6Comparison of the BP neural network model predictive values and the measured values

图7 Elman神经网络模型预测值和实测值结果对比Fig.7Comparison of the Elman neural network model predictive values and the measured values

图8 线性神经网络模型预测值和实测值结果对比Fig.8Comparison of the Linear neural network model predictive values and the measured values

表1 实测值和模型预测值对比Table 1Comparison of measured values and predictive values from different prediction models

分析BP、Elman和线性神经网络模型误差，对各预测模型分别计算均方误差、最大绝对误差、最小绝对误差和平均绝对误差，其中均方误差计算方法如公式（9）所示。

其中，σ表示均方误差，ε1、ε2和ε3表示真实值和预测值差，n表示预测样本数量。

BP、Elman和线性神经网络模型误差结果如表2所示。

由图4、5可知，基于L-M算法BP神经网络预测模型收敛速度很快，经过290步即达到预期目标，而Elman神经网络需要5 732步才达到预期目标，与L-M算法优化神经网络相比收敛速度差异显著。

由图6～8和表1、2可知，由于训练样本数据有限，无法覆盖所有情况，神经网络训练不充分。三种预测模型在个别时间点预测效果不理想，误差较大。但基于L-M算法BP神经网络预测模型预测精度相对较高，均方误差为0.0034，最大绝对误差为0.1720，最小绝对误差为0.0036，平均绝对误差为0.0434。

表2 预测模型误差对比Table 2Comparison of errors from different prediction models

从误差结果可见：在3种类型模型中，基于L-M优化算法BP神经网络预测模型和Elman神经网络预测模型与线性神经网络模型相比预测误差较小，但从网络收敛速度上可见，基于L-M优化算法BP神经网络预测模型收敛速度比Elman神经网络预测模型收敛速度快。基于L-M优化算法BP神经网络预测模型是更高效、准确方法，可预测猪舍内氨气浓度。

5 结论

a.本文建立多环境因素影响猪舍氨气浓度预测模型，对样本数据归一化处理，建立预测猪舍内氨气浓度BP神经网络模型，网络经290步达到预定误差，最大绝对误差为0.1720，表明建立预测模型有效。

b.采用L-M算法优化BP、Elman和线性神经网络，其中基于L-M算法优化BP神经网络小于Elman神经网络训练步数，均方误差和绝对误差均小于Elman预测方法和线性预测方法均方误差和绝对误差值。表明L-M算法优化BP神经网络预测拟合效果优于Elman和线性神经网络。

c.L-M算法BP神经网络预测最大绝对误差为0.1720，而Elman神经网络预测最大绝对误差为0.1627，说明Elman神经网络在某一时间点上预测效果优于BP神经网络，但从整体上看，L-M算法优化BP神经网络预测效果优于Elman神经网络。猪舍内氨气浓度受多种环境因素影响，非线性关系复杂。由于训练样本数据有限，无法覆盖所有情况，个别时间点预测效果不理想，误差较大。但基于L-M优化算法BP神经网络收敛速度较快，预测精度较高，可实现猪舍内氨气浓度预测，为氨气浓度预警提供支持。

[1] 苗玉涛,王国华,李广东,等.猪舍有害气体对猪生长影响[J].今日畜牧兽医,2015(12):25-26.

[2] 温朋飞,刘洪贵,王希彪,等.富集环境对育肥猪生产性能及胴体肉品质影响[J].东北农业大学学报,2016,47(5):62-68.

[3] Farmer C,Devillers N,Widowski T,et al.Impacts of a modified farrowing pen design on sow and litter performances and air quality during two seasons[J].Livestock Science,2006,104:303-312.

[4] 王宗尉.舍内环境与猪健康水平多元回归模型分析[D].哈尔滨:东北农业大学.2009.

[5] Angelika H,Eberhard H,Thomas J,et al.Cooling effects and evaporation characteristics of fogging systems in an experimental Plggery[J].Biosystems Engineering,2007,97(3):395-405.

[6] Ni J Q,Vinckier C,Coenegrachts J,et al.Effect of manure on am⁃monia emission from a fattening pig house with partly slatted floor[J].Livestock Production Science,1999,59(1):25-31.

[7] 李文刚,吴志娟,焦福林,等.猪舍有害气体对猪危害[J].猪业观察,2015(1):92-94.

[8] 俞守华,张洁芳,区晶莹,等.基于BP神经网络猪舍有害气体定量检测模型研究[J].安徽农业科学,2009,37(23):11316-11317,11329.

[9] 朱海生,董红敏.猪舍氨气排放预测模型研究现状[J].农业工程学报,2006,22(2):187-192.

[10] 董春娇,邵春福,熊志华,等.基于Elman神经网络道路网短时交通流预测方法[J].交通运输系统工程与信息,2010,10(1): 145-151.

[11] 张齐,徐志坚,赵坤荣.基于Elman神经网络污染源数据预测[J].华南理工大学学报,2009,37(5):135-138.

[12] 王小川,史峰,郁磊,等.MATLAB神经网络43个案例分析[M].北京:北京航空航天大学出版社,2013.

[13] 石云.Bp神经网络Matlab实现[J].湘南学院学报,2010,31(5): 86-88,111.

[14] Chen Y,Yi Z C.The BP artificial neural network model on ex⁃pressway construction phase risk[J].Systems Engineering Proce⁃dia,2012(4):409-415.

[15] 张青,王学雷,张婷,等.基于BP神经网络洪湖水质指标预测研究[J].湿地科学,2016,14(2):212-218.

[16] 徐黎明,王清,陈建平,等.基于BP神经网络泥石流平均流速预测[J].吉林大学学报,2013,43(1):186-191.

[17] 邢晓敏,商国敬,徐新.基于线性神经网络谐波检测方法研究[J].电测与仪表,2014,51(22):40-43.

[18] Lera G,Pinzolas M.Neighborhood based Levenberg-Marquart al⁃gorithm for neural network training[J].IEEE Transactions on Neu⁃ral NetWorks,2002,13(5):1200-1203.

[19] 谢秋菊.基于模糊理论猪舍环境适应性评价及调控模型研究[D].哈尔滨:东北农业大学,2015.

[20] Ni J Q,Diehl C A,Liu S,et al.An innovative ventilation monitor⁃ing system at a pig experimental building[C].2015 International Symposium on Animal Environment and Welfare,Chongqing,Chi⁃na,2015:23-26.

[21] Ni J Q,Heber A J.An on-site computer system for comprehen⁃sive agricultural air quality research[J].Computers and Electron⁃ics in Agriculture,2010,71(1):38-49.

[22] 谢秋菊,苏中滨,刘佳荟,等.基于L-M优化算法猪舍氨气浓度预测模型研究[J].东北农业大学学报,2014,45(10):74-79.

[23] 孙红敏,吴静婷,李晓明.基于改进BP神经网络价格预测模型研究[J].东北农业大学学报,2013,44(8):133-137.

[24] 丁硕,常晓恒,巫庆辉,等.Elman和BP神经网络在模式分类领域内对比研究[J].现代电子技术,2014,37(8):12-14,18.

[25] 项文强,张华,王姮,等.基于L-M算法BP网络在变压器故障诊断中应用[J].电力系统保护与控制,2011,39(8):100-103,111.

Study on prediction method ammonia concentrations in pig house using Neural Network

XIE Qiuju,LUO Wenbo,LI Yan,WANG Liwei,YAN Li(School of

Information Technology,Heilongjiang BayiAgricultural University,Daqing 163319,China)

It was necessary to establish prediction models for ammonia concentrations in pig buildings because high concentrations of ammonia can affect pigs'health and growth.There are few prediction models for ammonia concentrations,especially those using the neural network for ammonia concentration inside pig buildings because changes of ammonia concentrations are dynamic and nonlinear,and are affected by other environmental factors.In this paper,1 537 sets of environment data including ammonia concentration,temperature,humidity,activity amount and ventilation were selected randomly and used for ammonia concentration prediction in three types of models including optimized L-M BP neural network,linear neural network and Elman neural network.The results showed that a 4-layer structure of 5-9-9-1 built with BP neural network based on optimized L-M algorithm was the best prediction model,which was set up after 290 steps to achieve the target error.The maximum absolute error between the real and estimated values was 0.1720.Compared with linear neural network and Elman neural network,it can improve the accuracy and timeliness of ammonia concentration prediction and provides support for early warning in pig buildings.

BP neural network;Elman neural network;linear neural network;prediction model; ammonia concentration

TP319

A

1005-9369（2016）10-0083-10

时间2016-10-26 16:28:00[URL]http://www.cnki.net/kcms/detail/23.1391.S.20161026.1628.008.html

2016-05-05

黑龙江省青年基金项目（QC2013C065,QC2014C078）；黑龙江省教育厅科技项目（12531465）；黑龙江八一农垦大学校内培育课题（XZR2015-10）

谢秋菊（1976-），女，副教授，博士，硕士生导师，研究方向为农业信息技术。E-mail:xqj197610@163.com