大数据的畜禽舍养殖环境物联网智能监控方法及系统

1.本发明涉及畜禽舍环境温度检测与温度智能监控装备领域，具体涉及大数据的畜禽舍养殖环境物联网智能监控方法及系统。


背景技术：

2.中国已成为世界畜禽生产第一大国，畜禽养殖产业规模大、数量多、发展快速。畜禽养殖业正逐步向集约化、设施化、智能化及环境友好的方向发展。但在发展过程中，仍然摆脱不了养殖方式粗放、效率低下、成本高、养殖成效不稳定等诸多问题。养殖户大都靠经验养殖，没有实现标准化、数字化养殖；普遍缺乏养殖环控计划，生产过程中存在大量的人工观测和决策，且这些观测和决策没有形成数据资产；行业缺少对畜禽生理习性和动物行为的研究；物联网的应用产生了大量的视频数据、环境数据、养殖数据、畜禽本体数据、饲喂数据的多种多源异构数据，数据分析和利用程度很低。应用物联网、大数据、人工智能、计算机仿真等先进技术手段，设计畜禽智慧养殖环境监、管、控一体化数智化云平台，实行精准化智能养殖可大幅降低养殖成本，提高养殖效率和养殖效益。物联网技术支持下的nb-lot通讯在环境检测系统中得到广泛应用，其具有成本低、能耗少、覆盖范围广等优势，能够实现远距离通信，可对畜禽养殖环境状态信息予以实时采集与智能化控制，并上传至物联网工作平台，便于对畜禽环境的监控与管理。另外，nb-iot通信技术支持下的环境检测系统能够记录畜禽环境污染状态，可在终端设备呈现，操作简单，能够为畜禽养殖环境调控提供可靠的参考。畜禽智慧养殖环境监、管、控一体化数智化云平台功能设计从规模化畜禽养殖场实际情况出发，综合使用物联网、大数据、人工智能、计算机等先进技术手段，将养殖场的人、畜禽、设备连接起来，对畜禽养殖生产管理的全过程数据进行采集、分析处理、预警和控制决策。通过集成畜禽养殖环境信息智能感知技术及设备、无线传输技术及设备、智能处理技术，实现畜禽舍养殖环境监控、智能精细饲喂、粪便清理、疾病诊治等功能的一体化管理变传统畜禽养殖为规模化、自动化、信息化、智能化的养殖模式，实行精准化智能养殖。


技术实现要素：

3.本发明针对现有养殖技术中普遍缺乏养殖环控计划，实际生产过程中存人工观测和决策，且未形成数据资产从而导致行业缺少对畜禽生理习性和动物行为的研究，本发明提供一种基于集物联网、大数据、人工智能、计算机等先进技术手段的大数据的畜禽舍养殖环境物联网智能监控方法及系统。
4.为解决上述问题，本发明采用如下的技术方案：
5.一、大数据的畜禽舍养殖环境物联网智能监控方法：
6.1、构建环境参数检测模块，环境参数检测模块包括畜禽舍环境参数减法聚类分类器、多个降噪编码器-elman神经网络模型和gru神经网络模型；多组环境参数传感器输出作为畜禽舍环境参数减法聚类分类器的输入，畜禽舍环境参数减法聚类分类器输出的多个类型的环境参数传感器值分别作为对应的降噪编码器-elman神经网络模型的对应输入，降噪
编码器-elman神经网络模型输出作为gru神经网络模型的对应输入，gru神经网络模型输出被检测环境的温度值；三个养殖区域环境的环境参数传感器分别作为环境参数检测模块a、环境参数检测模块b和环境参数检测模块c的输入，环境参数检测模块a、环境参数检测模块b和环境参数检测模块c的输出分别为对应养殖区域环境的温度检测值，每组环境参数传感器包括温度、湿度、光照和风速传感器；
7.2、构建环境温度预测解耦控制器，环境温度预测解耦控制器包括4个tdl按拍延时器、gru神经网络模型、pid控制器a、pid控制器b和pid控制器c；三个养殖区域环境温度设定值、三个养殖区域环境的温度检测值分别作为对应的4个tdl按拍延时器输入，tdl按拍延时器输出分别作为gru神经网络模型的对应输入，gru神经网络模型输出分别作为pid控制器a、pid控制器b和pid控制器c的比例因子、积分因子和微分因子的输入，三个养殖区域环境温度设定值与对应的养殖区域环境的温度检测值的误差和误差变化率分别作为pid控制器a、pid控制器b和pid控制器c的输入，pid控制器a、pid控制器b和pid控制器c输出为对应的三个养殖区域环境温度预测控制值；
8.3、构建环境温度控制器，环境温度控制器包括递归模糊小波神经网络控制器a、递归模糊小波神经网络控制器b、递归模糊小波神经网络控制器c、narx神经网络模型和递归模糊小波神经网络控制器-elman神经网络控制器；三个养殖区域环境温度预测控制值与对应区域的环境温度检测值的误差分别作为环境温度控制器的3个输入，环境温度控制器的3个输入与narx神经网络模型3个对应输出的3个差和3个差的变化率分别作为递归模糊小波神经网络控制器a、递归模糊小波神经网络控制器b和递归模糊小波神经网络控制器c的输入，递归模糊小波神经网络控制器a、递归模糊小波神经网络控制器b和递归模糊小波神经网络控制器c输出作为递归模糊小波神经网络控制器-elman神经网络控制器的对应输入，递归模糊小波神经网络控制器-elman神经网络控制器输出分别作为narx神经网络模型的3个对应输入，递归模糊小波神经网络控制器-elman神经网络控制器输出三个养殖区域环境温度实时控制值；其中递归模糊小波神经网络控制器-elman神经网络控制器为递归模糊小波神经网络控制器与elman神经网络控制器串联；
9.4、构建环境温度控制子系统，环境温度控制子系统包括环境温度预测解耦控制器、环境温度控制器、elman神经网络a、elman神经网络b、elman神经网络c、pi控制器-elman神经网络a、pi控制器-elman神经网络b、pi控制器-elman神经网络c、环境参数检测模块a、环境参数检测模块b和环境参数检测模块c；三个养殖区域环境温度设定值、环境参数检测模块a、环境参数检测模块b和环境参数检测模块c的输出分别作为环境温度预测解耦控制器的对应输入，环境温度预测解耦控制器输出与3个对应的环境参数检测模块输出的差作为环境温度控制器的3个对应输入，环境温度控制器输出的三个养殖区域环境温度实时控制值分别作为elman神经网络a、elman神经网络b和elman神经网络c的对应输入，pi控制器-elman神经网络a、pi控制器-elman神经网络b和pi控制器-elman神经网络c的输出分别作为elman神经网络a、elman神经网络b和elman神经网络c的对应输入，环境参数检测模块a、环境参数检测模块b和环境参数检测模块c的前一时刻输出与当前时刻输出的差和差的变化率分别作为pi控制器-elman神经网络a、pi控制器-elman神经网络b和pi控制器-elman神经网络c的输出的输入，elman神经网络a、elman神经网络b和elman神经网络c输出分别作为环境调节设备a、环境调节设备b和环境调节设备c的输入，环境调节设备a、环境调节设备b和
环境调节设备c实现三个对应区域环境的温度参数进行智能化调节；其中pi控制器-elman神经网络为pi控制器与elman神经网络相串联；
10.二、大数据的畜禽舍养殖环境物联网智能监控系统
11.大数据的畜禽舍养殖环境物联网智能监控系统包括参数检测终端、参数控制终端、云平台、智能监控端、浏览器端和移动app端，参数检测终端和参数控制终端分别通过无线通信模块实现与云平台之间进行参数信息交互，云平台、智能监控端、浏览器端和移动app端之间通过5g网络实现与云平台之间信息参数传递，实现畜禽舍环境参数的采集、智能控制和管理；养殖户通过云平台和5g网络在智能监控端、浏览器端和移动app端实现对畜禽舍环境的设备管理、监控、告警功能，对畜禽舍环境参数的分析与远程处理；智能监控端有环境温度控制子系统实现对畜禽舍养殖环境的智能化调节。大数据的畜禽舍养殖环境物联网智能监控系统如图4所示。
12.1、参数检测终端
13.参数检测终端包括主控制器、无线通信模块和传感器组，传感器组包括温度湿度传感器、光照度传感器、风速传感器和有害气体浓度传感器，主控制器为stm32f103c8t6单片机，传感器组对畜禽舍环境温度湿度、光照度、风速和有害气体浓度参数的检测，无线通信模块为nb-lot通信模块实现参数检测终端与云平台之间的畜禽舍参数的信息传输，将nb-lot通信模块与主控制器连接实现与云平台之间的数据交互；参数检测终端如图5。
14.2、参数控制终端
15.参数控制终端包括主控制器、无线通信模块、环境调节设备、有害气体净化器、湿帘和粪便清理器，环境调节设备包括温制器、加湿器、排风扇和光照控制器，主控制器为stm32f103c8t6单片机，环境调节设备对畜禽舍环境温度湿度、光照度和风速的调节，无线通信模块为nb-lot通信模块实现参数控制终端与云平台之间的畜禽舍参数的信息传输；参数控制终端如图6。
16.相比于现有技术，本发明具有以下明显优点：
17.1、本发明采用递归模糊小波神经网络控制器-elman神经网络控制器为递归模糊小波神经网络控制器与elman神经网络控制器串联，递归模糊小波神经网络具有良好的学习性及其很强的模式识别能力以及小波对含噪信号有很好的去噪能力，递归层用于记忆隐层过去的状态,并且在下一时刻连同网络输入一起作为隐层单元的输入,这一性质使得部分递归网络具有动态记忆功能,提高了递归模糊小波神经网络的动态性能；elman神经网络控制器一般分为4层:输入层、中间层(隐含层)、关联层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，关联层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一次延时算子。elman神经网络控制器的隐含层的输出通过关联层的延迟与存储，自联到隐含层的输入层，这种自联方式使其对elman神经网络控制器的历史状态的数据具有敏感性，内部反馈网络的加入增加了elman神经网络控制器本身处理动态信息的能力，从而达到了elman神经网络控制器动态建模的目的，elman神经网络控制器利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合，使elman神经网络控制器对递归模糊小波神经网络控制器输出的时间序列特征信息的记忆得到加强，提高了递归模糊小波神经网络控制器-elman神经网络
控制器的动态性能、精确性和可靠性。
18.2、本发明采用gru神经网络结构与rnn(recurrent neural network)相似，内部思想则借鉴了lstm神经网络的“门控”思想，但gru神经网络内部比lstm少一个“门控”，参数比lstm少，最终效果与lstm神经网络类似。gru神经网络相对于lstm神经网络更容易进行训练，在很大程度上提高了模型的训练效率，故本专利使用gru神经网络对时间序列信息进行提取。gru神经网络包括两个门状态分别为重置门控r和更新门控z，重置门控r的输入包括两个部分原始输入和上一节点状态，对于得到的门控信息首先使用重置门控重置得到数据，重置门控的功能主要对原隐状态的信息删减并加入当前节点的部分信息，然后与输入进行拼接；更新门控主要包括遗忘和记忆两部分，更新门的作用在于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大表明前一时刻的状态信息带入越多。
19.3、本发明降噪编码器-elman神经网络模型为降噪编码器与elman神经网络模型串联，降噪自编码器通过对畜禽舍环境参数信息的压缩及解压缩过程，能够利用冗余信息抑制其测量噪声；elman神经网络模型分为4层:输入层、中间层(隐含层)、关联层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用，隐含层单元的传递函数可采用线性或非线性函数，关联层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一次延时算子。elman神经网络模型的隐含层的输出通过关联层的延迟与存储，自联到隐含层的输入层，这种自联方式使其对elman神经网络模型的历史状态的数据具有敏感性，内部反馈网络的加入增加了elman神经网络模型本身处理动态信息的能力，从而达到了elman神经网络模型动态建模的目的，elman神经网络模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合，使elman神经网络模型对降噪编码器输出的畜禽舍环境参数的时间序列特征信息的记忆得到加强，提高了降噪编码器-elman神经网络模型的动态性能、精确性和可靠性。
20.4、本发明采用pi控制器-elman神经网络为pi控制器与elman神经网络串联，elman神经网络分为4层:输入层、中间层(隐含层)、关联层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用，隐含层单元的传递函数可采用线性或非线性函数，关联层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一次延时算子。elman神经网络的隐含层的输出通过关联层的延迟与存储，自联到隐含层的输入层，这种自联方式使其对elman神经网络的历史状态的数据具有敏感性，内部反馈网络的加入增加了elman神经网络模型本身处理动态信息的能力，从而达到了elman神经网络模型动态建模的目的，elman神经网络模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合，使elman神经网络对pi控制器输出的时间序列特征信息的记忆得到加强，提高了pi控制器-elman神经网络的动态性能、精确性和可靠性。
21.5、本发明通过narx神经网络模型通过引入延时模块及输出反馈建立narx神经网络模型的动态递归网络，它将narx神经网络模型的输入和输出向量延时反馈引入narx神经网络模型中形成新的输入向量，narx神经网络模型的输入不仅包括原始输入数据，还包含经过训练后的narx神经网络模型输出数据，narx神经网络模型的泛化能力得到提高，使其在非线性预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
附图说明
22.图1为本发明环境参数检测模块；
23.图2为本发明环境温度预测解耦控制器；
24.图3为本发明环境温度控制子系统；
25.图4为本发明大数据的畜禽舍养殖环境物联网智能监控系统；
26.图5为本发明参数检测终端；
27.图6为本发明参数控制终端；
28.图7为本发明智能监控端软件功能。
具体实施方式
29.为了更好解释本发明，以便于理解，下面结合附图1-7对本发明的技术方案作详细描述。以下实施例是对本发明的解释，而本发明并不局限于以下实施例。
30.一、环境参数检测模块设计
31.环境参数检测模块包括畜禽舍环境参数畜禽舍环境参数减法聚类分类器、多个降噪编码器-elman神经网络模型和gru神经网络模型。降噪编码器-elman神经网络模型为降噪编码器与elman神经网络模型串联，降噪编码器输出作为elman神经网络模型输入。
32.1、畜禽舍环境参数减法聚类分类器设计
33.畜禽舍环境参数减法聚类与其他聚类方法相比，不需要预先确定聚类数，仅根据畜禽舍环境参数样本数据密度即可快速确定畜禽舍环境参数聚类中心的位置和聚类数，而它把每一个畜禽舍环境参数数据点作为一个潜在的聚类中心的特性，则克服了山峰聚类法计算量随着问题的维数按指数增长的不足，使得畜禽舍环境参数聚类的结果与问题的维数无关。因此，畜禽舍环境参数减法聚类算法是一种适合基于畜禽舍环境参数数据建模的规则自动提取方法。设定m维空间中的n个畜禽舍环境参数数据点(x1,x2,
…
xn)，每个数据点xi＝(x
i,1
,x
i,1
,
…
,x
i,m
)都是聚类中心的候选者，i＝1,2,
…
,n，数据点xi的密度函数定义为：
[0034][0035]
式中，半径ra是一个正数，ra定义了该点的一个影响邻域，半径以外的畜禽舍环境参数的数据点对该点的密度指标贡献非常小，一般忽略不计。计算每一点xi的密度值，选择具有最高密度指标d
c1
的数据点作为第一个聚类中心x
c1
；然后修正密度值，消除前面已有聚类中心的影响，按下式修正密度值:
[0036][0037]
其中，d
c1
是畜禽舍环境参数的初始聚类中心对应的最高密度值，修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近，一般设定为rb＝ηra,1.25≤η≤1.5。修正每个畜禽舍环境参数的数据点的密度指标后，当d
ck
与d
c1
满足下式时，该密度指标对应的聚类中心即为第k个聚类中心。不断重复这个过程，直到新的聚类中心x
ck
的相应的密度指
标d
ck
与d
c1
满足下式时终止聚类:
[0038]dck
/d
c1
＜δ
ꢀꢀ
(3)
[0039]
式中，δ是根据实际情况提前设定的阈值。
[0040]
本发明提出的在线聚类方法基本思想如下:如果一个畜禽舍环境参数点到一个组的中心的距离小于聚类半径ra，那么该点属于此组，当获得新的数据时，组和组的中心做相应的变化。随着输入畜禽舍环境参数空间数据的不断增加，本发明算法通过实时动态的调整畜禽舍环境参数聚类中心与聚类个数获得更好的输入空间划分，步骤如下：
[0041]
步骤1：数据归一化处理，输入畜禽舍环境参数数据各维聚类半径ra及阈值δ等参数设定。
[0042]
步骤2：由畜禽舍环境参数数据集进行减法聚类得到c个聚类中心并存储vi(i＝1,2,
…
,c)及其对应的密度值d(vi)。
[0043]
步骤3：当新增的在线畜禽舍环境参数数据集中的第k个数据到来时，计算xk(k＝1,2,
…
,m)到i个聚类中心vi的距离d
ki
＝||x
k-vi||，若d
ki
＞ra，转到步骤4；若d
ki
≤ra，转到步骤5。
[0044]
步骤4：由式(2)计算xk的密度值d(xk)，并且d(xk)＞ε，则说明畜禽舍环境参数数据xk不属于任何一个已有的聚类，则新创建一个聚类，输入空间的聚类个数c＝c+1，返回步骤3。
[0045]
步骤5：根据最小距离准则确定数据点xk属于最近的聚类子集，进一步比较新数据xk的密度值与聚类中心的密度值，如果d(xk)＞d(vi)，则数据xk更靠近其最近的聚类中心，xk取代原聚类中心作为该子集的新聚类中心；如果d(xk)≤d(vi)，则保持聚类结果不改变，判断新增畜禽舍环境数据组是否结束。如果结束，则转到步骤6；否则，返回步骤3。
[0046]
步骤6计算畜禽舍环境参数的聚类中心vi与vj之间的距离，如果min||v
i-vj||≤(0.5-0.7)ra，且d(vi)＞d(vj)，则说明聚类子集vi与vj可以合并为一个聚类，该聚类中心为vi；否则保持聚类结果不变。
[0047]
2、降噪编码器-elman神经网络模型设计
[0048]
降噪自编码器是一种通过引入噪声来增加编码鲁棒性的自编码器，核心思想是在输入畜禽舍环境数据层中加入随机噪声进行训练，通过对污染数据的特征映射还原原始无污染的数据，从而使得编码器能够学习到更具鲁棒性和泛化性的特征表达。设x＝(x1,x2,
…
,xn)为原始信号，通过随机置零或添加噪声的方法“污染”，x生成带噪信号x
′
＝(x
′1,x
′2,
…
,x
′n)。。然后通过编码器网络g将x
′
映射至隐含层，如式(4)所示：
[0049]
z＝g(wx
′
+b)
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0050]
式中：z为隐藏层的有效特征；w为映射至隐藏层网络的权重参数；b为映射至隐藏层网络的偏置项。z在经过解码器的反向映射后，最终构造出一个与原始信号相同的输出如下式所示：
[0051][0052]
式中：w
′
为有效特征逆映射至输出层网络的权重参数；b
′
为反映射至网络层输出的偏置项。目标结果是使得输出值尽可能地接近原始信号x，构建一个平方重构误差函数，并对该函数进行最小化，从而得到优化后的权重和偏置项等网络参数。
[0053]
elman神经网络模型属于一种典型的反馈型神经网络，elman神经网络模型由输入层、隐含层、输出层和反馈层四部分组成，各层之间的连接权值可以进行学习修正。和传统的神经网络相比，elman神经网络模型多了一个反馈连接的反馈层，反馈层接收隐含层前一时刻的输出畜禽舍环境参数信号并返回给输入，达到了记忆前一时刻畜禽舍环境参数信息的目的。因此，elman神经网络模型具有时变特性，有较强的动态数据的处理能力，elman神经网络模型公式如下：
[0054]
xc＝x(k-1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0055]
x(k)＝f(w1u(k-1)+w2xc(k)+b1)(7)
[0056]
y(k)＝g(w3x(k)+b2)
ꢀꢀ
(8)
[0057]
式中：k为畜禽舍环境参数采集的次数，w1、w2和w3分别为输入层至隐含层、反馈层至隐含层、隐含层至输出层的权值矩阵，b1和b2分别为输入层至隐含层、隐含层至输出层的阈值，u(k-1)为k-1时刻的畜禽舍环境参数向量，xc(k)为k时刻反馈状态向量和为k时刻隐含层传递到输出层的向量，y(k)为输出层k时刻网络结构的畜禽舍环境的温度预测值，f为输出层与隐含层间的传递函数；g为隐含层与输出层间的传递函数。
[0058]
3、gru神经网络模型设计
[0059]
gru神经网络模型(gated recurrent unit，gru)是一种改进的lstm神经网络,可被应用于环境时序预测，相对于lstm神经网络模型具有分别控制输入值、记忆值和输出值的输入门、遗忘门和输出门，gru神经网络只有两个记忆单元：更新门和重置门，因此gru神经网络模型训练参数有所减少，计算复杂度较低，提升了训练效率。同时，作为lstm的变体，gru也可以解决传统rnn网络中的梯度消失问题，gru神经网络公式表达如下：
[0060][0061]
式中z
t
和r
t
分别表示更新门和重置门，更新门控制前一时刻的状态h
t-1
和当前节点输入x
t
影响当前隐藏状态h
t
的程度。重置门控制h
t-1
和x
t
影响重置候选集h
t
的程度。其中，权重向量w由隐藏状态权重wh和输入变量权重w
x
组成，w0为输出权重，y
t
为当前时刻输出温度值。
[0062]
二、环境温度预测解耦控制器设计
[0063]
环境温度预测解耦控制器包括4个tdl按拍延时器、gru神经网络模型、pid控制器a、pid控制器b和pid控制器c；三个养殖区域环境温度设定值、三个养殖区域环境的温度检测值分别作为对应的4个tdl按拍延时器输入，tdl按拍延时器输出分别作为gru神经网络模型的对应输入，gru神经网络模型输出分别作为pid控制器a、pid控制器b和pid控制器c的比例因子、积分因子和微分因子的输入，pid控制器a、pid控制器b和pid控制器c输出为对应的三个养殖区域环境温度预测控制值；
[0064]
三、环境温度控制器设计
[0065]
环境温度控制器包括递归模糊小波神经网络控制器a、递归模糊小波神经网络控
制器b、递归模糊小波神经网络控制器c、narx神经网络模型和递归模糊小波神经网络控制器-elman神经网络控制器；递归模糊小波神经网络控制器-elman神经网络控制器为递归模糊小波神经网络控制器与elman神经网络控制器串联。
[0066]
1、递归模糊小波神经网络控制器设计
[0067]
递归模糊神经网络进行模糊推理，并结合小波的多分辨分析的特点,将小波函数作为神经网络神经元的激励函数,构建一种新型的递归模糊小波网络(fuzzy wavelet network,fwnn)作为控制器，理论上具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性,可以达到畜禽舍环境温度精确控制的目的。递归模糊小波神经网络包含两部分:递归模糊神经网络(fnn)和小波神经网络(wnn)。递归模糊神经网络包含4个基本层:第一层是输入层,每个输入向量对应一个神经元；第二层的每个神经元代表一个语言变量值，第二层负责存储上一步的输出，在下一步将输出乘以一个反馈增益再输入到隐含层中，通过这种递归记忆实现畜禽舍环境温度控制信息动态记忆与反馈；第三层的每个神经元代表一条模糊规则；第四层是归一化层。递归模糊神经网络的输出作为小波神经网络的输入,每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组,不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征,不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点,若用小波函数作为神经网络神经元的激励函数,则由于每个神经元的伸缩和平移都可以调节,选用低尺度参数可以学习光滑函数,提高尺度能以较高精度学习局部奇异函数。递归模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现，各层神经网络节点数目分别是n,n
×
m,m,m和1。一旦决定了输入n和规则m的数目,就决定了fwn模型的结构。其中递归模糊小波神经网络的输入为x＝[x1,x2,
…
xn]，ti是第i个规则对应的小波数量；w
ik
是权值系数；是小波函数，是规则i对应的局部模型小波网络线性组合的输出；它的值是：
[0068][0069]
第一层为输入层：该层的各个节点直接与输入向量的各分量xj连接,将输入值x＝[x1,x2,
…
xn]传递到下一层；第二层计算每一个输入变量对应的隶属函数值；第三层计算每条规则的适用度；第四层是小波网络层输出，主要用于输出补偿；第五层为控制信号输出层，也称反模糊化层，在这一层进行解模糊计算,递归模糊小波神经网络输出公式如下:
[0070][0071]
2、narx神经网络模型设计
[0072]
narx神经网络模型是基于线性arx模型发展而来，常用于时间序列建模。narx神经网络模型由输入层、隐含层和输出层三个组成；narx神经网络模型的输入分为外部输入和反馈输入两部分，两部分均含有时间延迟结构。这表明narx动态神经网络的输出不仅由当前的外部输入所决定，还受外部输入时间延迟和反馈输出时间延迟的影响。该结构能够提
高神经网络的学习性能和对历史数据的敏感度，可以更好地捕捉到系统的动态特性。其中输入信号通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。narx神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对环境温度控制器输出进行预测解耦控制。x(t)表示narx神经网络模型的外部输入，即递归模糊小波神经网络控制器-elman神经网络控制器输出；m表示外部输入的延迟阶数；y(t)是narx神经网络模型的输出，即下一时段的畜禽舍环境三个区域温度控制值的预测值；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
[0073][0074]
上式中，w
ji
为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值。
[0075]
四、环境温度控制子系统设计
[0076]
环境温度控制子系统包括环境温度预测解耦控制器、环境温度控制器、elman神经网络a、elman神经网络b、elman神经网络c、pi控制器-elman神经网络a、pi控制器-elman神经网络b、pi控制器-elman神经网络c、环境参数检测模块a、环境参数检测模块b和环境参数检测模块c；pi控制器-elman神经网络为pi控制器与elman神经网络串联，设计方法参照本专利的相关设计过程。
[0077]
四、大数据的畜禽舍养殖环境物联网智能监控系统设计
[0078]
大数据的畜禽舍养殖环境物联网智能监控系统包括参数检测终端、参数控制终端、云平台、智能监控端、浏览器端和移动app端，参数检测终端和参数控制终端分别通过无线通信模块实现与云平台之间进行参数信息交互，云平台、智能监控端、浏览器端和移动app端之间通过5g网络实现与云平台之间信息参数传递，实现畜禽舍环境参数的采集、智能控制和管理；养殖户通过云平台和5g网络在智能监控端、浏览器端和移动app端实现对畜禽舍环境的设备管理、监控、告警功能，对畜禽舍环境参数的分析与远程处理；参数检测终端和参数控制终端构成畜禽舍环境的环境参数采集与现场控制层，参数检测终端的温湿度传感器、风速传感器、光照度传感器和有害气体传感器采集畜禽舍环境的温度、湿度、风速、光照度和有害气体浓度参数；参数控制终端控制畜禽舍环境的环境调节设备实现对畜禽舍的温度、湿度、风速、光照度参数进行调节和对有害气体进行净化，提供畜禽生长提供良好的生长环境；畜禽舍环境参数与阈值存在较大偏差对环境参数告警，移动app端将畜禽环境参数信息发送至养殖户，养殖户应用浏览器端和移动app端能够对畜禽养殖设备进行管理、对畜禽环境参数查询，养殖户应用智能监控端对畜禽舍环境进行远程控制。大数据的畜禽舍养殖环境物联网智能监控系统如图4所示。
[0079]
1、参数检测终端设计
[0080]
参数检测终端包括主控制器、无线通信模块和传感器组，传感器组包括温度湿度传感器、光照度传感器、风速传感器和有害气体浓度传感器，主控制器为stm32f103c8t6单片机，传感器组对畜禽舍环境温度湿度、光照度、风速和有害气体浓度参数的检测，无线通信模块为nb-lot通信模块实现参数检测终端与云平台之间的畜禽舍参数的信息传输。将
nb-lot通信模块与主控制器连接实现与云平台之间的数据交互；参数检测终端如图5所示。
[0081]
2、参数控制终端设计
[0082]
参数控制终端包括主控制器、无线通信模块、、有害气体净化器、湿帘、粪便清理器和环境调节设备，环境调节设备包括温制器、加湿器、排风扇和光照控制器，主控制器为stm32f103c8t6单片机，环境调节设备对畜禽舍环境温度湿度、光照度和风速的调节，无线通信模块为nb-lot通信模块实现参数控制终端与云平台之间的畜禽舍参数的信息传输；参数控制终端如图6所示。
[0083]
3、智能监控端设计
[0084]
智能监控端是一台工业控制计算机，智能监控端主要实现对环境参数进行采集和参数进行处理，实现与云平台之间信息交互，智能监控端实现通信参数设置和对环境检测参数的分析和处理，通过环境温度控制子系统实现对畜禽舍养殖环境的智能化调节。该管理软件选择了microsoft visual++6.0作为开发工具，调用系统的mscomm通信控件来设计通讯程序，智能监控端软件功能见图7。
[0085]
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

技术特征：
1. 大数据的畜禽舍养殖环境物联网智能监控方法，其特征在于，包括以下步骤：步骤1、构建环境参数检测模块环境参数检测模块包括畜禽舍环境参数减法聚类分类器、多个降噪编码器-elman神经网络模型和gru神经网络模型；步骤2、构建环境温度预测解耦控制器环境温度预测解耦控制器包括4个tdl按拍延时器、gru神经网络模型、pid控制器a、pid控制器b和pid控制器c；步骤3、构建环境温度控制器环境温度控制器包括递归模糊小波神经网络控制器a、递归模糊小波神经网络控制器b、递归模糊小波神经网络控制器c、narx神经网络模型和递归模糊小波神经网络控制器-elman神经网络控制器；步骤4、构建环境温度控制子系统环境温度控制子系统包括环境温度预测解耦控制器、环境温度控制器、elman神经网络a、elman神经网络b、elman神经网络c、pi控制器-elman神经网络a、pi控制器-elman神经网络b、pi控制器-elman神经网络c、环境参数检测模块a、环境参数检测模块b和环境参数检测模块c；三个养殖区域环境温度设定值、环境参数检测模块a、环境参数检测模块b和环境参数检测模块c的输出分别作为环境温度预测解耦控制器的对应输入，环境温度预测解耦控制器输出与3个对应的环境参数检测模块输出的差作为环境温度控制器的3个对应输入，环境温度控制器输出的三个养殖区域环境温度实时控制值分别作为elman神经网络a、elman神经网络b和elman神经网络c的对应输入，pi控制器-elman神经网络a、pi控制器-elman神经网络b和pi控制器-elman神经网络c的输出分别作为elman神经网络a、elman神经网络b和elman神经网络c的对应输入，环境参数检测模块a、环境参数检测模块b和环境参数检测模块c的前一时刻输出与当前时刻输出的差和差的变化率分别作为pi控制器-elman神经网络a、pi控制器-elman神经网络b和pi控制器-elman神经网络c的输出的输入，elman神经网络a、elman神经网络b和elman神经网络c输出分别作为环境调节设备a、环境调节设备b和环境调节设备c的输入，环境调节设备a、环境调节设备b和环境调节设备c实现三个对应区域环境的温度参数进行智能化调节；其中pi控制器-elman神经网络为pi控制器与elman神经网络相串联。2.根据权利要求1所述的大数据的畜禽舍养殖环境物联网智能监控方法，其特征在于，所述步骤1中，多组环境参数传感器输出作为畜禽舍环境参数减法聚类分类器的输入，畜禽舍环境参数减法聚类分类器输出的多个类型的环境参数传感器值分别作为对应的降噪编码器-elman神经网络模型的对应输入，降噪编码器-elman神经网络模型输出作为gru神经网络模型的对应输入，gru神经网络模型输出被检测环境的温度值；三个养殖区域环境的环境参数传感器分别作为环境参数检测模块a、环境参数检测模块b和环境参数检测模块c的输入，环境参数检测模块a、环境参数检测模块b和环境参数检测模块c的输出分别为对应养殖区域环境的温度检测值，每组环境参数传感器包括温度、湿度、光照和风速传感器。3.根据权利要求1所述的大数据的畜禽舍养殖环境物联网智能监控方法，其特征在于，所述步骤2中，三个养殖区域环境温度设定值、三个养殖区域环境的温度检测值分别作为对应的4个tdl按拍延时器输入，tdl按拍延时器输出分别作为gru神经网络模型的对应输入，
gru神经网络模型输出分别作为pid控制器a、pid控制器b和pid控制器c的比例因子、积分因子和微分因子的输入，三个养殖区域环境温度设定值与对应的养殖区域环境的温度检测值的误差和误差变化率分别作为pid控制器a、pid控制器b和pid控制器c的输入，pid控制器a、pid控制器b和pid控制器c输出为对应的三个养殖区域环境温度预测控制值。4.根据权利要求1所述的大数据的畜禽舍养殖环境物联网智能监控方法，其特征在于，所述步骤3中，三个养殖区域环境温度预测控制值与对应区域的环境温度检测值的误差分别作为环境温度控制器的3个输入，环境温度控制器的3个输入与narx神经网络模型3个对应输出的3个差和3个差的变化率分别作为递归模糊小波神经网络控制器a、递归模糊小波神经网络控制器b和递归模糊小波神经网络控制器c的输入，递归模糊小波神经网络控制器a、递归模糊小波神经网络控制器b和递归模糊小波神经网络控制器c输出作为递归模糊小波神经网络控制器-elman神经网络控制器的对应输入，递归模糊小波神经网络控制器-elman神经网络控制器输出分别作为narx神经网络模型的3个对应输入，递归模糊小波神经网络控制器-elman神经网络控制器输出三个养殖区域环境温度实时控制值；其中递归模糊小波神经网络控制器-elman神经网络控制器为递归模糊小波神经网络控制器与elman神经网络控制器串联。5.大数据的畜禽舍养殖环境物联网智能监控系统，其特征在于，所述智能监控系统包括参数检测终端、参数控制终端、云平台、智能监控端、浏览器端和移动app端，参数检测终端和参数控制终端分别通过无线通信模块实现与云平台之间进行参数信息交互，云平台、智能监控端、浏览器端和移动app端之间通过5g网络实现与云平台之间信息参数传递，实现畜禽舍环境参数的采集、智能控制和管理；养殖户通过云平台和5g网络在智能监控端、浏览器端和移动app端实现对畜禽舍环境的设备管理、监控、告警功能，对畜禽舍环境参数的分析与远程处理；智能监控端有环境温度控制子系统实现对畜禽舍养殖环境的智能化调节，智能监控系统加载有实现如权利要求1-4任一项所述的大数据的畜禽舍养殖环境物联网智能监控方法的计算机程序步骤。6.根据权利要求5所述的大数据的畜禽舍养殖环境物联网智能监控系统，其特征在于，所述参数检测终端包括主控制器、无线通信模块和传感器组，传感器组包括温度湿度传感器、光照度传感器、风速传感器和有害气体浓度传感器，主控制器为stm32f103c8t6单片机，传感器组对畜禽舍环境温度湿度、光照度、风速和有害气体浓度参数的检测，无线通信模块为nb-lot通信模块实现参数检测终端与云平台之间的畜禽舍参数的信息传输，将nb-lot通信模块与主控制器连接实现与云平台之间的数据交互。7.根据权利要求5所述的大数据的畜禽舍养殖环境物联网智能监控系统，其特征在于，所述参数控制终端包括主控制器、无线通信模块、环境调节设备、有害气体净化器、湿帘和粪便清理器，环境调节设备包括温制器、加湿器、排风扇和光照控制器，主控制器为stm32f103c8t6单片机，环境调节设备对畜禽舍环境温度湿度、光照度和风速的调节，无线通信模块为nb-lot通信模块实现参数控制终端与云平台之间的畜禽舍参数的信息传输。

技术总结
本发明公开了大数据的畜禽舍养殖环境物联网智能监控方法及系统，包括参数检测终端、参数控制终端、云平台、智能监控端、浏览器端和移动APP端，参数检测终端和参数控制终端分别通过无线通信模块实现与云平台之间进行参数信息交互。本发明针对现有养殖技术中普遍缺乏养殖环控计划，实际生产过程中存人工观测和决策，且未形成数据资产从而导致行业缺少对畜禽生理习性和动物行为的研究，提供一种基于集物联网、大数据、人工智能、计算机等先进技术手段的大数据的畜禽舍养殖环境物联网智能监控方法及系统。法及系统。法及系统。


技术研发人员：马响 刘从勇 张金龙 杨丹 任健 秦源汇 周红标 丁唯峰 祝清赫 张士林 周恒瑞 马从国 秦小芹 李亚洲 金德飞 王苏琪
受保护的技术使用者：淮阴工学院
技术研发日：2023.03.22
技术公布日：2023/8/24