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

背景技術(shù)：

雞舍的溫度是影響肉仔雞生長發(fā)育的一個重要環(huán)境因素，溫度的控制是否得當(dāng)直接關(guān)系到肉仔雞的生長。肉雞飼養(yǎng)前期個體小，絨毛稀、體溫調(diào)節(jié)能力差，對環(huán)境溫度的變化十分敏感。只有為其創(chuàng)造一個適宜的溫度環(huán)境，才能能獲得較高的成活率、增重速度和飼料報酬。因此，在肉仔雞的整個飼養(yǎng)期內(nèi)都要注意對雞舍溫度的控制。對肉雞和蛋雞的生產(chǎn)過程來說，雞舍的溫度控制最為關(guān)鍵。在每年夏季高熱天氣情況下，當(dāng)溫度在27℃以上時就會使得雞群產(chǎn)生不利的應(yīng)激反應(yīng)。熱應(yīng)激反應(yīng)會對雞群的新陳代謝產(chǎn)生影響，使得雞的采食量降低，影響肉和蛋的轉(zhuǎn)化。嚴重時會直接引起各種疾病，進而導(dǎo)致雞群死亡。在影響產(chǎn)蛋雞生產(chǎn)性能的諸多因素中，雞舍環(huán)境溫度最為突出。每年夏季高溫天氣，當(dāng)雞舍溫度持續(xù)超過27℃時便會不同程度地產(chǎn)生熱應(yīng)激。熱應(yīng)激狀態(tài)影響產(chǎn)蛋雞的采食量和營養(yǎng)物質(zhì)代謝等生理機能，進而影響產(chǎn)蛋雞的健康及其生產(chǎn)性能，甚至導(dǎo)致發(fā)病或成批地死亡。如何有效地搞好雞舍的降溫工作，為產(chǎn)蛋雞群創(chuàng)造適宜的生活環(huán)境，盡可能地減少或避免由于雞舍溫度過高造成的不必要損失，是夏季產(chǎn)蛋雞生產(chǎn)取得較好經(jīng)濟效益的關(guān)鍵。因此，搞好雞舍的降溫工作能夠保證產(chǎn)出，提高肉和蛋的產(chǎn)量，使家禽養(yǎng)殖持續(xù)穩(wěn)定地創(chuàng)造經(jīng)濟效益。適宜溫度不僅能使雞群健康成長，而且提高經(jīng)濟效益，最大程度地發(fā)揮生產(chǎn)性能。溫度低時會導(dǎo)致雞群采食量增多，從而增加生產(chǎn)成本，也可能導(dǎo)致腹瀉、誘發(fā)呼吸道疾病。不論哪一種情況，都可能嚴重影響雞群的健康成長。溫度過高時，會顯著抑制雞群的食欲，尤其當(dāng)溫度超過40℃時，會導(dǎo)致雞的死亡。高溫也會引起產(chǎn)蛋量的下降，軟殼蛋增多，高溫也會使得精液稀薄，精子數(shù)量變少且沒有活力，進而影響受精率。高溫也會直接影響飼料的保質(zhì)期，降低經(jīng)濟效益。肉仔雞在適宜溫度環(huán)境中,能獲得較高的成活率增重速度和飼料報酬。溫度適宜時,雛雞在室內(nèi)散布均勻、活潑好動、羽毛光順、緊貼體表,睡眠時較為安靜,吃食時爭先恐后。溫度太低時,雛雞就會出現(xiàn)低溫表現(xiàn),雛雞擁擠于熱源附近或某角落,羽毛蓬松,精神萎頓，發(fā)出連續(xù)不斷的叫聲。這樣時間長了,容易引起雛雞感冒或被壓死。必須立即加溫,并驅(qū)散擠堆雛雞。溫度過高時,雛雞遠離熱源,展翅爬臥,張口喘氣,爭相喝水,飲水器內(nèi)常常無水,絨毛卻濕了。時間長了,會使雛雞體質(zhì)衰弱,生長受阻,甚至熱死。溫度過高時要逐漸降溫,但要注意,驟然降溫會引起感冒。隨著我國蛋雞養(yǎng)殖行業(yè)的快速發(fā)展及蛋雞單棟飼養(yǎng)量的不斷增加，我國的雞舍類型由最初的開放式雞舍基本轉(zhuǎn)變?yōu)槊荛]式雞舍，實現(xiàn)了雞舍內(nèi)環(huán)境的人為控制，擺脫了雞生產(chǎn)對外界氣候環(huán)境的依賴，雞舍環(huán)境得到很大程度改善，為蛋雞提供適宜的、相對穩(wěn)定的生活生產(chǎn)環(huán)境。但是由于雞舍設(shè)計不合理、設(shè)備落后、控制系統(tǒng)不完善等原因?qū)е旅荛]式雞舍內(nèi)環(huán)境仍存在許多問題，而相對于春、夏、秋三季，冬季雞舍環(huán)境問題更為突出。密閉式雞舍在冬季存在溫度低、濕度高、氨氣濃度高等問題，并且溫度、濕度和氣流等溫?zé)岘h(huán)境因素是影響動物生理機能、生產(chǎn)性能和健康的關(guān)鍵因素。查凌雁等研究密閉式雞舍冬季環(huán)境特征及其對產(chǎn)蛋率的影響，韓玉坤研制基于can總線在大型雞舍溫度測控系統(tǒng)，王進圣等研究雞舍環(huán)境控制系統(tǒng)，王歡等研制基于無線傳輸?shù)碾u舍環(huán)境遠程監(jiān)測系統(tǒng)，李麗華等設(shè)計蛋雞個體生產(chǎn)性能參數(shù)監(jiān)測裝置，但是這些系統(tǒng)都沒有根據(jù)雞舍環(huán)境溫度變化的非線性、大滯后和雞舍面積大溫度變化復(fù)雜等特點，對雞舍環(huán)境的溫度進行監(jiān)測與預(yù)測，從而極大的影響雞舍環(huán)境溫度的調(diào)控。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了基于can現(xiàn)場總線的雞舍環(huán)境溫度智能監(jiān)測系統(tǒng)，本發(fā)明不但有效解決了傳統(tǒng)雞舍環(huán)境由于設(shè)計不合理、設(shè)備落后、控制系統(tǒng)不完善等原因?qū)е旅荛]式雞舍內(nèi)環(huán)境仍存在許多問題，而且有效解決了現(xiàn)有的雞舍環(huán)境監(jiān)測系統(tǒng)，沒有根據(jù)雞舍環(huán)境溫度變化的非線性、大滯后和雞舍面積大溫度變化復(fù)雜等特點，對雞舍環(huán)境的溫度進行監(jiān)測與預(yù)測，從而極大的影響雞舍環(huán)境溫度的調(diào)控問題。

本發(fā)明通過以下技術(shù)方案實現(xiàn)：

基于can現(xiàn)場總線的雞舍環(huán)境溫度智能監(jiān)測系統(tǒng)，其特征在于：所述溫度智能監(jiān)測系統(tǒng)由基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺、雞舍環(huán)境多點溫度融合模型和雞舍環(huán)境溫度智能預(yù)測模型三部分組成,基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺實現(xiàn)對雞舍環(huán)境因子參數(shù)進行監(jiān)測、調(diào)節(jié)和監(jiān)控，雞舍環(huán)境多點溫度融合模型基于雞舍環(huán)境多點溫度傳感器的區(qū)間數(shù)值的相似度矩陣與灰色關(guān)聯(lián)度矩陣求得的相似度融合權(quán)重、灰色關(guān)聯(lián)度融合權(quán)重和均方根組合權(quán)重實現(xiàn)對雞舍環(huán)境多點檢測點的溫度值進行精確融合，雞舍環(huán)境溫度智能預(yù)測模型包括遞歸模糊神經(jīng)網(wǎng)絡(luò)模型(hrfnn)、自回歸積分滑動平均模型(arima)和小波神經(jīng)網(wǎng)絡(luò)模型和粒子群算法(pso)優(yōu)化小波神經(jīng)網(wǎng)絡(luò)模型組成實現(xiàn)對雞舍環(huán)境溫度智能預(yù)測。

本發(fā)明進一步技術(shù)改進方案是：

所述基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺由檢測節(jié)點、控制節(jié)點和現(xiàn)場監(jiān)控端組成，它們通過can現(xiàn)場總線構(gòu)建成雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺。檢測節(jié)點分別由傳感器組模塊、單片機和通信模塊組成，傳感器組模塊負責(zé)檢測雞舍環(huán)境的溫度、濕度、風(fēng)速和有害氣體等雞舍小氣候環(huán)境參數(shù)，由單片機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)點實現(xiàn)對雞舍環(huán)境參數(shù)的調(diào)節(jié)設(shè)備進行控制；現(xiàn)場監(jiān)控端由一臺工業(yè)控制計算機和rs232/can通信模塊組成，實現(xiàn)對檢測節(jié)點檢測雞舍環(huán)境參數(shù)進行管理和對雞舍環(huán)境多點溫度進行融合與智能預(yù)測。基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺見圖1所示。

本發(fā)明進一步技術(shù)改進方案是：

通過把雞舍環(huán)境各個時段檢測點溫度傳感器值轉(zhuǎn)化為區(qū)間糊數(shù)，定義區(qū)間數(shù)的相似度和灰色關(guān)聯(lián)度，構(gòu)建相似度矩陣和灰色關(guān)聯(lián)度矩陣，求得雞舍環(huán)境各個檢測點溫度傳感器值的相似度融合權(quán)重和灰色關(guān)聯(lián)度融合權(quán)重，基于信息熵原理和兩種融合權(quán)重求得雞舍環(huán)境多點溫度傳感器值融合的組合權(quán)重，雞舍環(huán)境各個檢測點溫度傳感器值與各自溫度傳感器值融合的組合權(quán)重積的相加和為雞舍環(huán)境多個檢測點溫度融合模型的值，該組合權(quán)重既考慮了不同檢測點溫度傳感器的區(qū)間數(shù)值之間相似度，也考慮了不同檢測點溫度傳感器的區(qū)間數(shù)值之間的關(guān)聯(lián)度，提高了雞舍環(huán)境多點溫度傳感器值融合精度。具體方法見圖2上半部分。

本發(fā)明進一步技術(shù)改進方案是：

針對雞舍環(huán)境溫度的非線性、大滯后和變化復(fù)雜較難預(yù)測的難題，提出了基于遞歸模糊神經(jīng)網(wǎng)絡(luò)模型、自回歸積分滑動平均模型(arima)和小波神經(jīng)網(wǎng)絡(luò)模型三種方法建立單項預(yù)測雞舍環(huán)境溫度的子模型，應(yīng)用粒子群優(yōu)化算法小波神經(jīng)網(wǎng)絡(luò)組合模型作為最優(yōu)非線性組合模型的逼近器，構(gòu)建預(yù)測雞舍環(huán)境溫度的組合預(yù)測模型，一個時延段的雞舍環(huán)境多點溫度融合模型的輸出作為三個單項子模型的輸入，三個子模型預(yù)測值的輸出作為組合模型的輸入，實現(xiàn)對單項預(yù)測子模型結(jié)果的融合作為雞舍環(huán)境溫度的預(yù)測值，預(yù)測試驗結(jié)果表明，該組合預(yù)測是選用多種方法對同一對象進行預(yù)測，它可以更大化地利用多種單一預(yù)測子模型信息，實現(xiàn)預(yù)測信息之間的互補，提高了組合預(yù)測模型的魯棒性，通過組合模型對多個子模型預(yù)測結(jié)果進行融合，實現(xiàn)了多種預(yù)測方法的綜合應(yīng)用，相對單一的預(yù)測方法，該組合預(yù)測結(jié)果更科學(xué)和準(zhǔn)確。具體方法見圖2下部分。

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

一、本發(fā)明針對溫度傳感網(wǎng)絡(luò)測量雞舍環(huán)境溫度過程中，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性，本發(fā)明專利將雞舍環(huán)境溫度傳感器測量的溫度值用區(qū)間數(shù)形式表示，有效地處理了雞舍環(huán)境溫度傳感器測量參數(shù)的模糊性和不確定性，提高了雞舍環(huán)境溫度傳感器值融合值的客觀性和可信度。

二、本發(fā)明把雞舍環(huán)境溫度參數(shù)轉(zhuǎn)化為區(qū)間數(shù)形式，定義兩兩區(qū)間數(shù)的相似度，構(gòu)建相似度矩陣，根據(jù)雞舍環(huán)境每個檢測點溫度傳感器區(qū)間數(shù)的相似度占整個雞舍環(huán)境溫度傳感器的溫度傳感器區(qū)間數(shù)相似度和的比為該檢測點溫度傳感器值的相似度融合權(quán)重βi，提高了雞舍環(huán)境溫度融合值的精確性和科學(xué)性。

三、本發(fā)明把雞舍環(huán)境溫度參數(shù)轉(zhuǎn)化為區(qū)間數(shù)形式，定義雞舍環(huán)境每個檢測點溫度傳感器區(qū)間數(shù)與該時刻雞舍環(huán)境溫度傳感器極大和極小區(qū)間數(shù)值的灰色關(guān)聯(lián)度，分別構(gòu)建每個檢測點溫度傳感器區(qū)間值與極大值和極小值的灰色關(guān)聯(lián)度矩陣，根據(jù)每個檢測點溫度傳感器值的兩種平均關(guān)聯(lián)度積的倒數(shù)占整個雞舍環(huán)境檢測點溫度傳感器值的兩種平均關(guān)聯(lián)度積的倒數(shù)和的比為該檢測點溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重αi，提高了雞舍環(huán)境溫度融合值的精確性和科學(xué)性。

四、本發(fā)明根據(jù)最小相對信息熵原理，組合權(quán)重wi與αi和βi都應(yīng)盡可能接近，根據(jù)每個檢測點的兩種權(quán)重αi與βi積的均方根占整個雞舍環(huán)境溫度傳感器的兩種權(quán)重積的均方根和的比為該檢測點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溫度傳感器值的相似度融合權(quán)重βi，也考慮了該檢測點溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重αi，該組合權(quán)重提高雞舍環(huán)境溫度融合值的精確性、可靠性和科學(xué)性，雞舍環(huán)境溫度融合值更加反映雞舍環(huán)境溫度值的真實性。

五、本發(fā)明針對雞舍環(huán)境溫度參數(shù)的時變性、大滯后和非線性等難以準(zhǔn)確在線測量，提出了一種改進型的模糊遞歸神經(jīng)網(wǎng)絡(luò)(hrfnn)用來預(yù)測雞舍溫度參數(shù)的變化，通過在網(wǎng)絡(luò)第三層加入含有內(nèi)部變量的反饋連接來實現(xiàn)輸出信息的反饋。實驗結(jié)果表明，與其他模糊神經(jīng)網(wǎng)絡(luò)相比，該網(wǎng)絡(luò)的規(guī)模小、精度高，處理動態(tài)信息的能力明顯加強。

六、本發(fā)明采用hrfnn網(wǎng)絡(luò)結(jié)構(gòu)通過在模糊規(guī)則層引入內(nèi)部變量，使靜態(tài)網(wǎng)絡(luò)具有動態(tài)特性；網(wǎng)絡(luò)在k時刻每條規(guī)則的激活度不僅包括由當(dāng)前輸入計算得出的激活度值，而且包括前一時刻所有規(guī)則激活度值的貢獻，因此提高了網(wǎng)絡(luò)辨識的準(zhǔn)確性，可以較好地完成雞舍溫度的動態(tài)辨識。模糊遞歸神網(wǎng)絡(luò)來建立雞舍環(huán)境溫度的預(yù)測模型，它是一種典型的動態(tài)遞歸神經(jīng)網(wǎng)絡(luò),其反饋連接由一組“結(jié)構(gòu)”單元組成,用于記憶隱層過去的狀態(tài),并且在下一時刻連同網(wǎng)絡(luò)輸入一起作為隱層單元的輸入,這一性質(zhì)使得部分遞歸網(wǎng)絡(luò)具有動態(tài)記憶功能,從而適合用來建立時間序列雞舍環(huán)境溫度的預(yù)測模型，仿真實驗表明該模型動態(tài)性能好，預(yù)測精度高，預(yù)測性能穩(wěn)定。

七、本發(fā)明基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型,具有結(jié)構(gòu)穩(wěn)定,算法簡單,全局搜索能力強,收斂速度快,泛化能力強等優(yōu)點,該網(wǎng)絡(luò)能很好地預(yù)測雞舍環(huán)境非線性和大滯后變化的溫度。對雞舍環(huán)境的溫度進行預(yù)測90個樣本進行訓(xùn)練,預(yù)測正確率達到97％。表明應(yīng)用小波神經(jīng)網(wǎng)絡(luò)能很好地預(yù)測雞舍溫度值，提出了一種收斂速度快,識別精度高,成本低的模型,具有十分重要的意義。避免了bp網(wǎng)絡(luò)在結(jié)構(gòu)設(shè)計的盲目性，網(wǎng)絡(luò)權(quán)系數(shù)線性分布和學(xué)習(xí)目標(biāo)函數(shù)的凸性,使網(wǎng)絡(luò)的訓(xùn)練過程從根本上避免了局部最優(yōu)化等問題，算法概念簡單,收斂速度快，有較強的函數(shù)學(xué)習(xí)能力,可以高精度逼近任意非線性函數(shù)。

八、本發(fā)明采用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò),避免了梯度下降法中要求激活函數(shù)可微,以及對函數(shù)求導(dǎo)的過程計算,并且各個粒子搜索時迭代公式簡單,因而計算速度又比梯度下降法快得多。而且通過對迭代公式中參數(shù)的調(diào)整,還能很好地跳出局部極值，進行全局尋優(yōu),簡單有效地提高了網(wǎng)絡(luò)的訓(xùn)練速度?；诹Ｗ尤簝?yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)模型的識別正確率更高,誤差更小,收斂速度更快,泛化能力更強。這表明基于小波神經(jīng)網(wǎng)絡(luò)的雞舍環(huán)境溫度預(yù)測模型預(yù)測效果較好,基于粒子群算法的小波神經(jīng)網(wǎng)絡(luò)預(yù)測雞舍溫度方法收斂的速度和精度明顯優(yōu)于bp方法。實例分析表明：與單獨使用小波神經(jīng)網(wǎng)絡(luò)相比，組合預(yù)測模型的預(yù)測精度提高了5-7倍；通過粒子群算法對小波神經(jīng)網(wǎng)絡(luò)進行參數(shù)優(yōu)化，可以提高組合預(yù)測模型的預(yù)測穩(wěn)定性。基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)(pso-wnn)組合預(yù)測模型。以小波函數(shù)作為隱含層的激勵函數(shù),采用粒子群優(yōu)化算法,對權(quán)值、伸縮參數(shù)、平移參數(shù)進行調(diào)整,構(gòu)建出基于粒子群優(yōu)化算法的小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型。該模型具有算法簡單、結(jié)構(gòu)穩(wěn)定、計算收斂速度快、全局尋優(yōu)能力強、識別精度高、泛化能力強的優(yōu)點。

九、本發(fā)明采用arima模型預(yù)測雞舍環(huán)境溫度整合了雞舍溫度變化的趨勢因素、周期因素和隨機誤差等因素的原始時間序列變量，通過差分數(shù)據(jù)轉(zhuǎn)換等方法將非平穩(wěn)序列轉(zhuǎn)變?yōu)榱憔档钠椒€(wěn)隨機序列，通過反復(fù)識別和模型診斷比較并選擇理想的模型進行雞舍環(huán)境溫度數(shù)據(jù)擬合和預(yù)測。該方法結(jié)合了自回歸和移動平均方法的長處，具有不受數(shù)據(jù)類型束縛和適用性強的特點，是一種對雞舍環(huán)境溫度進行短期預(yù)測效果較好的模型。

十、本發(fā)明不同單一預(yù)測方法進行組合時,不同的組合對預(yù)測精度影響較大。當(dāng)單一方法預(yù)測誤差之間存在較強的負相關(guān)關(guān)系時,則組合預(yù)測精度將明顯提高；當(dāng)單一方法預(yù)測誤差之間存在較強的正相關(guān)關(guān)系時,則組合預(yù)測精度將改進較小。預(yù)測結(jié)果表明,組合預(yù)測精度均高于單一預(yù)測方法的精度,當(dāng)單一模型預(yù)測誤差之間存在較強的負相關(guān)與正相關(guān)關(guān)系時,組合預(yù)測改進明顯，提高組合預(yù)測精度。

十一、本發(fā)明基于遞歸模糊神經(jīng)網(wǎng)絡(luò)模型、自回歸積分滑動平均模型(arima)和小波神經(jīng)網(wǎng)絡(luò)模型三種方法建立單項預(yù)測子模型，提出用粒子群優(yōu)化算法小波神經(jīng)網(wǎng)絡(luò)組合模型作為最優(yōu)非線性組合模型的逼近器，建立組合預(yù)測模型，實現(xiàn)對單項預(yù)測子模型結(jié)果的融合，通過matlab平臺對雞舍溫度進行預(yù)測，結(jié)果表明，該種組合預(yù)測是選用多種方法對同一對象進行預(yù)測，它可以更大化地利用多種單一預(yù)測方法信息，實現(xiàn)預(yù)測信息之間的互補，提高了組合預(yù)測模型的魯棒性，實現(xiàn)了多種方法的預(yù)測結(jié)果進行融合，相對單一的預(yù)測方法，預(yù)測結(jié)果更科學(xué)和準(zhǔn)確。

附圖說明

圖1為基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺；

圖2為雞舍環(huán)境多點溫度融合模型和雞舍環(huán)境溫度智能預(yù)測模型；

圖3為檢測節(jié)點功能圖；

圖4為控制節(jié)點功能圖；

圖5為現(xiàn)場監(jiān)控端軟件功能圖；

圖6為雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺平面布置圖。

具體實施方式

1、系統(tǒng)總體功能的設(shè)計

本發(fā)明專利設(shè)計了一種基于can現(xiàn)場總線的雞舍環(huán)境溫度智能監(jiān)測系統(tǒng)，實現(xiàn)對雞舍環(huán)境因子參數(shù)進行檢測、雞舍環(huán)境多點溫度融合和雞舍環(huán)境溫度智能預(yù)測，該系統(tǒng)由基于can現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺、雞舍環(huán)境溫度多點融合模型和雞舍環(huán)境溫度智能預(yù)測模型3部分組成?；赾an現(xiàn)場總線的雞舍環(huán)境參數(shù)采集與智能預(yù)測平臺包括雞舍環(huán)境參數(shù)的檢測節(jié)點1和調(diào)節(jié)雞舍環(huán)境參數(shù)的控制節(jié)點2，通過can現(xiàn)場總線方式構(gòu)建成測控網(wǎng)絡(luò)來實現(xiàn)檢測節(jié)點1、控制節(jié)點2和現(xiàn)場監(jiān)控端3之間的現(xiàn)場通信；檢測節(jié)點1將檢測的雞舍環(huán)境參數(shù)發(fā)送給現(xiàn)場監(jiān)控端3并對傳感器數(shù)據(jù)進行初步處理；現(xiàn)場監(jiān)控端3把控制信息傳輸?shù)綑z測節(jié)點1和控制節(jié)點2。整個系統(tǒng)結(jié)構(gòu)見圖1所示。

2、檢測節(jié)點的設(shè)計

采用基于can現(xiàn)場總線的檢測節(jié)點1作為雞舍環(huán)境參數(shù)感知終端，檢測節(jié)點1和控制節(jié)點2通過can現(xiàn)場總線方式實現(xiàn)與現(xiàn)場監(jiān)控端3之間的信息相互交互。檢測節(jié)點1包括采集雞舍環(huán)境溫度、濕度、風(fēng)速和有害氣體參數(shù)的傳感器和對應(yīng)的信號調(diào)理電路、stc89c52rc微處理器；檢測節(jié)點的軟件主要實現(xiàn)現(xiàn)場總線通信和雞舍環(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，兼容程度高，大大提高了軟件設(shè)計開發(fā)的工作效率，增強了程序代碼的可靠性、可讀性和可移植性。檢測節(jié)點結(jié)構(gòu)見圖3。

3、控制節(jié)點

控制節(jié)點2在輸出通路設(shè)計了4路d/a轉(zhuǎn)換電路實現(xiàn)對溫度、濕度、風(fēng)速和有害氣體的調(diào)節(jié)輸出量控制電路、stc89c52rc微處理器和無線通信模塊接口，實現(xiàn)對雞舍環(huán)境控制設(shè)備進行控制，控制節(jié)點見圖4。

4、現(xiàn)場監(jiān)控端軟件

現(xiàn)場監(jiān)控端3是一臺工業(yè)控制計算機，現(xiàn)場監(jiān)控端3主要實現(xiàn)對雞舍環(huán)境參數(shù)進行采集、多點溫度融合和雞舍環(huán)境溫度預(yù)測，實現(xiàn)與檢測節(jié)點1與控制節(jié)點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、雞舍環(huán)境多點溫度融合和雞舍溫度智能預(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)計通訊程序，現(xiàn)場監(jiān)控端軟件功能見圖5。

⑴、雞舍環(huán)境多點溫度融合模型

①、雞舍環(huán)境溫度傳感器值的轉(zhuǎn)化為區(qū)間數(shù)

設(shè)雞舍有m個傳感器均衡布置于雞舍環(huán)境中實現(xiàn)對雞舍溫度進行檢測，每個溫度傳感器每一段時刻監(jiān)測的溫度構(gòu)成一個區(qū)間數(shù)，m個傳感器在k(1，2，…n)時段構(gòu)成的溫度矩陣如1式所示。

②、基于灰色關(guān)聯(lián)度的雞舍溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重αi的求取

a、定義雞舍環(huán)境溫度傳感器值的灰色關(guān)聯(lián)度

計算每個傳感器在k時段與m個傳感器在每個k(1，2，…n)時段極大溫度值的關(guān)聯(lián)度，定義如下公式：

b、構(gòu)建雞舍環(huán)境溫度傳感器值的灰色關(guān)聯(lián)度矩陣

通過計算每個傳感器在不同時段與極大溫度值的灰色關(guān)聯(lián)度，可以構(gòu)建如下的關(guān)聯(lián)度矩陣：

根據(jù)矩陣b可以得到每個傳感器檢測溫度值與極大溫度值的平均關(guān)聯(lián)度，如下公式所示：

同理，計算每個傳感器在k時段與m個傳感器在每個k(1，2，…n)時段的極小溫度值的關(guān)聯(lián)度，定義如下公式：

同理，通過計算每個傳感器在不同時段與極小溫度值的灰色關(guān)聯(lián)度，可以構(gòu)建如下的關(guān)聯(lián)度矩陣：

根據(jù)矩陣c可以得到每個傳感器檢測溫度值與極小溫度值的平均關(guān)聯(lián)度，如下公式所示：

c、求取雞舍環(huán)境溫度傳感器值的灰色關(guān)聯(lián)度融合權(quán)重

根據(jù)每個傳感器在不同時段檢測溫度值與極大溫度值和極小溫度值的灰色關(guān)聯(lián)度的大小可知，如果關(guān)聯(lián)度越大，該傳感器檢測雞舍溫度實際值偏離真實值越大，因此可以通過下面的公式確定，每個傳感器在雞舍溫度融合中的權(quán)重，公式如下：

③、基于相似度的雞舍環(huán)境溫度傳感器值的相似度融合權(quán)重βi的求取

a、構(gòu)建雞舍環(huán)境溫度傳感器值的相似度矩陣

根據(jù)任意不同兩個傳感器在同一時段檢測雞舍環(huán)境溫度的相似度，可以構(gòu)建傳感器監(jiān)測雞舍溫度的相似度矩陣s，s如下所示：

b、定義雞舍環(huán)境溫度傳感器值的相似度

在相似度矩陣中sab表示a和b的相似度，a為a＝[a^l,a^u]和b為b＝[b^l,b^u]，且設(shè)qj(j＝1,2,3,4)為a^l，a^u，b^l，b^u中的第j大的數(shù)，sgn為符號函數(shù)。矩陣s每行的每個傳感器的相似度為：

c、求取雞舍環(huán)境溫度傳感器值的相似度融合權(quán)重

根據(jù)每個傳感器監(jiān)測雞舍每個監(jiān)測點的溫度值的相似度占所有檢測點傳感器檢測值的相似度和的比可以確定每個檢測點傳感器檢測溫度值在整個雞舍溫度值融合中的權(quán)重為：

④、基于最小相對信息熵原理的組合權(quán)重wi的求取

根據(jù)相似度理論和灰色關(guān)聯(lián)度確定雞舍溫度傳感器參數(shù)融合的權(quán)重αi和βi，組合權(quán)重wi，顯然wi與αi、βi和都應(yīng)盡可能接近，根據(jù)最小相對信息熵原理有：

用拉格朗日乘子法解上述優(yōu)化問題得：

⑤根據(jù)組合權(quán)重得到雞舍環(huán)境多點溫度融合模型為：

其中k為時間，i為檢測點，xi為k時刻第i個檢測點溫度，wi為第i個檢測點組合權(quán)重。

⑵、雞舍環(huán)境溫度智能預(yù)測模型

①、遞歸模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測雞舍環(huán)境溫度設(shè)計

遞歸模糊神經(jīng)網(wǎng)絡(luò)(hrfnn)是多輸入單輸出的網(wǎng)絡(luò)拓撲結(jié)構(gòu)，網(wǎng)絡(luò)由4層組成：輸入層、成員函數(shù)層、規(guī)則層和輸出層。網(wǎng)絡(luò)包含n個輸入節(jié)點，其中每個輸入節(jié)點對應(yīng)m個條件節(jié)點，m代表規(guī)則數(shù)，nm個規(guī)則節(jié)點，1個輸出節(jié)點。圖中第ⅰ層將輸入引入網(wǎng)絡(luò)；第ⅱ層將輸入模糊化，采用的隸屬函數(shù)為高斯函數(shù)；第ⅲ層對應(yīng)模糊推理；第ⅳ層對應(yīng)去模糊化操作。用分別代表第k層的第i個節(jié)點的輸入和輸出，則網(wǎng)絡(luò)內(nèi)部的信號傳遞過程和各層之間的輸入輸出關(guān)系可以描述如下。第ⅰ層：輸入層，該層的各輸入節(jié)點直接與輸入變量相連接，網(wǎng)絡(luò)的輸入和輸出表示為：

式中和為網(wǎng)絡(luò)輸入層第i個節(jié)點的輸入和輸出，n表示迭代的次數(shù)。

第ⅱ層：成員函數(shù)層，該層的節(jié)點將輸入變量進行模糊化，每一個節(jié)點代表一個隸屬函數(shù)，采用高斯基函數(shù)作為隸屬函數(shù)。網(wǎng)絡(luò)的輸入和輸出表示為：

式中mij和σij分別表示第ⅱ層第i個語言變量的第j項高斯基函數(shù)的均值中心和寬度值，m為對應(yīng)輸入節(jié)點的全部語言變量數(shù)。

第ⅲ層：模糊推理層，即規(guī)則層，加入動態(tài)反饋，使網(wǎng)絡(luò)具有更好的學(xué)習(xí)效率，反饋環(huán)節(jié)引入內(nèi)部變量hk，選用sigmoid函數(shù)作為反饋環(huán)節(jié)內(nèi)部變量的激活函數(shù)。網(wǎng)絡(luò)的輸入和輸出表示為：

式中ωjk是遞歸部分的連接權(quán)值，該層的神經(jīng)元代表了模糊邏輯規(guī)則的前件部分，該層節(jié)點對第二層的輸出量和第三層的反饋量進行π操作，是第三層的輸出量，m表示完全連接時的規(guī)則數(shù)。反饋環(huán)節(jié)主要是計算內(nèi)部變量的值和內(nèi)部變量相應(yīng)隸屬函數(shù)的激活強度。該激活強度與第3層的規(guī)則節(jié)點匹配度相關(guān)。反饋環(huán)節(jié)引入的內(nèi)部變量，包含兩種類型的節(jié)點：承接節(jié)點，反饋節(jié)點。承接節(jié)點，使用加權(quán)求和來計算內(nèi)部變量，實現(xiàn)去模糊化的功能；內(nèi)部變量表示的隱藏規(guī)則的模糊推理的結(jié)果。反饋節(jié)點，采用sigmoid函數(shù)作為模糊隸屬度函數(shù)，實現(xiàn)內(nèi)部變量的模糊化。hrfnn網(wǎng)絡(luò)的隸屬度函數(shù)層使用局部隸屬度函數(shù)，與其不同的是：反饋部分在內(nèi)部變量的論域上采用的是全局隸屬度函數(shù)，用來簡化網(wǎng)絡(luò)結(jié)構(gòu)和實現(xiàn)全局歷史信息的反饋。承接節(jié)點的個數(shù)等于反饋節(jié)點的個數(shù)；承接節(jié)點的個數(shù)與規(guī)則層節(jié)點的個數(shù)相等。反饋量連接到第3層，作為模糊規(guī)則層的輸入量，反饋節(jié)點的輸出包含模糊規(guī)則激活強度的歷史信息。

第ⅳ層：去模糊化層，即輸出層。該層節(jié)點對輸入量進行求和操作。網(wǎng)絡(luò)的輸入和輸出表示為：

公式中λj是輸出層的連接權(quán)值。遞歸模糊神經(jīng)網(wǎng)絡(luò)具有逼近高度非線性動態(tài)系統(tǒng)的性能，加入內(nèi)部變量的遞歸模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差和測試誤差分別為明顯減少，該網(wǎng)絡(luò)預(yù)測效果優(yōu)于帶自反饋遞歸模糊神經(jīng)網(wǎng)絡(luò)和動態(tài)建模的模糊神經(jīng)網(wǎng)絡(luò)，這說明加入內(nèi)部變量后網(wǎng)絡(luò)的學(xué)習(xí)能力得到了增強，并且更充分地反映污水處理系統(tǒng)的動態(tài)特性。仿真結(jié)果證明了網(wǎng)絡(luò)的有效性。本專利的模糊遞歸神經(jīng)網(wǎng)絡(luò)hrfnn，并采用加入交叉驗證的梯度下降算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值進行訓(xùn)練。使用hrfnn對雞舍溫度參數(shù)進行預(yù)測。hrfnn通過在反饋環(huán)節(jié)引入內(nèi)部變量，將規(guī)則層的輸出量加權(quán)求和后再反模糊化輸出作為反饋量，并將反饋量與隸屬度函數(shù)層的輸出量一起作為規(guī)則層的下一時刻的輸入。網(wǎng)絡(luò)輸出包含規(guī)則層激活強度和輸出的歷史信息，增強了hrfnn適應(yīng)非線性動態(tài)系統(tǒng)的能力。實驗表明，hrfnn可以準(zhǔn)確地預(yù)測雞舍溫度參數(shù)。仿真結(jié)果與其他網(wǎng)絡(luò)得到的結(jié)果進行比較，本專利方法所建立的模型在應(yīng)用于雞舍溫度預(yù)測時網(wǎng)絡(luò)規(guī)模最小，預(yù)測誤差小，表明了該方法的有效性。

②、自回歸積分滑動平均模型(arima)預(yù)測雞舍環(huán)境溫度設(shè)計

arima(autoregressiveintegratedmovingaverage)模型是box和jenkins于20世紀70年代提出的,它將自回歸模型(autoregressive,ar)和滑動平均模型(movingaverage,ma)有機地組合起來,使之成為一種綜合的預(yù)測方法。作為有效的現(xiàn)代數(shù)據(jù)處理方法之一,它被譽為時間序列預(yù)測方法中最復(fù)雜最高級的模型,30多年來在眾多領(lǐng)域得到了廣泛的應(yīng)用。在實際應(yīng)用中,由于原始數(shù)據(jù)序列往往表現(xiàn)出一定的趨勢或循環(huán)特征,不滿足arma模型對時間序列的平穩(wěn)性要求,而取差分是消除數(shù)據(jù)趨勢性的一種方便和有效的方法?；诓罘趾蟮臄?shù)據(jù)序列建立的模型稱為arima模型,記為{xt}～arima(p,d,q),其中p、q稱為模型的階,d表示差分的次數(shù)。顯然,當(dāng)d為0時,arima模型為arma模型,其定義為:

xt＝b1xt-1+…+bpxt-p+εt+a1εt-1+…+aqεt-q(18)

{xt}為要預(yù)測雞舍環(huán)境溫度值數(shù)據(jù)序列,{εt}～wn(0，σ²)。

arima模型建立主要包括模型的識別、參數(shù)估計和模型診斷。模型預(yù)測主要包括時間序列的預(yù)處理和模型參數(shù)的初步定階；模型定階完成之后需要通過時間序列觀察值并結(jié)合p，d，q值來對模型中的未知參數(shù)進行估計；模型的診斷主要是針對整個模型的顯著性檢驗和模型中參數(shù)的顯著性檢驗。通常模型的建立是個不斷優(yōu)化的過程，模型優(yōu)化常用的為aic和bic準(zhǔn)則，即最小信息量準(zhǔn)則其值越小，模型越合適，bic準(zhǔn)則是針對aic準(zhǔn)則對大樣本序列的不足所做的改進。

③、小波神經(jīng)網(wǎng)絡(luò)模型(wnn)預(yù)測雞舍環(huán)境溫度設(shè)計

小波神經(jīng)網(wǎng)絡(luò)wnn(waveletneuralnetworks)是在小波理論基礎(chǔ)上,結(jié)合人工神經(jīng)網(wǎng)絡(luò)而提出的一種前饋型網(wǎng)絡(luò)。它是以小波函數(shù)為神經(jīng)元的激勵函數(shù),小波的伸縮、平移因子,以及連接權(quán)重,在對誤差能量函數(shù)的優(yōu)化過程中被自適應(yīng)調(diào)整。設(shè)小波神經(jīng)網(wǎng)絡(luò)的輸入信號可以表示為一個雞舍環(huán)境溫度輸入的一維向量xi(i＝1,2,…,n)，輸出信號表示為yk(k＝1,2,…,m)，小波神經(jīng)網(wǎng)絡(luò)輸出層預(yù)測值的計算公式為：

公式中ωij輸入層i節(jié)點和隱含層j節(jié)點間的連接權(quán)值，為小波基函數(shù)，bj為小波基函數(shù)的平移因子，aj小波基函數(shù)的伸縮因子，ωjk為隱含層j節(jié)點和輸出層k節(jié)點間的連接權(quán)值。本專利中的小波神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的修正算法采用梯度修正法來更新網(wǎng)絡(luò)權(quán)值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出。

④、粒子群優(yōu)化算法小波神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測雞舍環(huán)境溫度設(shè)計

設(shè)zi1、zi2和zi3分別是多元線性回歸模型、遞歸模糊神經(jīng)網(wǎng)絡(luò)模型、小波神經(jīng)網(wǎng)絡(luò)模型的雞舍溫度預(yù)測的值，它們作為基于粒子群算法的小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型的輸入，輸出作為整個雞舍環(huán)境溫度的預(yù)測輸出。小波神經(jīng)網(wǎng)絡(luò)用非線性小波基取代常用的非線性sigmoid函數(shù)，通過線性疊加所選取的非線性小波基來實現(xiàn)各單一預(yù)測模型的雞舍環(huán)境溫度的非線性組合。通過采用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型。采用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò),避免了梯度下降法中要求激活函數(shù)可微,以及對函數(shù)求導(dǎo)的過程計算,并且各個粒子搜索時迭代公式簡單,因而計算速度又比梯度下降法快得多。而且通過對迭代公式中參數(shù)的調(diào)整,還能很好地跳出局部極值。算法需要初始化一群隨機粒子,然后通過迭代找到最優(yōu)解。在每一次迭代中,粒子通過跟蹤二個“極值”來更新自己。第一個就是粒子本身所找到的最優(yōu)解pbest,這個解稱為個體極值；另一個是整個種群目前找到的最優(yōu)解,這個解稱為全局極值gbest。用粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò),就是首先將小波神經(jīng)網(wǎng)絡(luò)的各種參數(shù)列為粒子的位置向量x,將均方誤差能量函數(shù)式設(shè)為用于優(yōu)化的目標(biāo)函數(shù),通過粒子群優(yōu)算法的基本公式進行迭代,尋求最優(yōu)解。粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法如下:

a、初始化網(wǎng)絡(luò)結(jié)構(gòu),確定網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)。

b、根據(jù)網(wǎng)絡(luò)結(jié)構(gòu),確定目標(biāo)搜索空間的維數(shù)d。d＝(輸入?yún)?shù)的個數(shù)+1)×隱含層神經(jīng)元的個數(shù)+平移參數(shù)的個數(shù)+伸縮參數(shù)的個數(shù)。

c、確定微粒個數(shù)m,設(shè)定相關(guān)參數(shù)。初始化微粒的位置向量和速度向量。

d、將粒子的位置向量和速度向量帶入算法迭代公式進行更新,以誤差能量函數(shù)作為目標(biāo)函數(shù)進行優(yōu)化計算。記錄下每個粒子迄今搜索到的最優(yōu)位置pbest和整個粒子群迄今搜索到的最優(yōu)位置gbest。

e、)將整個粒子群迄今搜索到最優(yōu)位置gbest,映射為網(wǎng)絡(luò)權(quán)值和閾值進行本學(xué)習(xí),以誤差能量函數(shù)作為粒子的適應(yīng)度進行化計算。

f、若誤差能量函數(shù)值在實際問題允許的誤范圍內(nèi),則迭代完畢；反之,轉(zhuǎn)回算法繼續(xù)迭代。

5、雞舍環(huán)境溫度智能監(jiān)測系統(tǒng)的設(shè)計舉例

根據(jù)雞舍環(huán)境的狀況，系統(tǒng)布置了檢測節(jié)點1和控制節(jié)點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1均衡布置在被檢測雞舍環(huán)境中，整個系統(tǒng)平面布置見圖6，通過該系統(tǒng)實現(xiàn)對雞舍環(huán)境參數(shù)的采集與雞舍環(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和潤飾，這些改進和潤飾也視為本發(fā)明的保護范圍。