CN113126676A

CN113126676A - 一种畜禽舍养殖环境参数智能控制***

Info

Publication number: CN113126676A
Application number: CN202110287867.XA
Authority: CN
Inventors: 邱巨兵; 杨苏鹏; 林子皓; 刘昊泽; 马从国; 丁晓红; 王苏琪; 杨艳; 柏小颖; 周恒瑞; 张月红; 李亚洲; 刘伟; 王建国
Original assignee: Huaiyin Institute of Technology
Current assignee: Anhui Zeyue Information Technology Co ltd; Shanxi Jinlong Breeding Co ltd
Priority date: 2021-03-17
Filing date: 2021-03-17
Publication date: 2021-07-16
Anticipated expiration: 2041-03-17
Also published as: CN113126676B

Abstract

本发明公开了一种畜禽舍养殖环境参数智能控制***，所述***包括畜禽舍环境参数采集、控制平台和生长参数智能解耦控制子***，实现对畜禽环境参数进行检测和生长参数智能化调节，本发明有效解决了现有畜禽养殖环境没有根据畜禽养殖环境生长参数变化的具有时变、非线性、多变量耦合等特点等对畜禽养殖环境生产的影响，没有对畜禽养殖环境生长参数进行精确检测和解耦控制，从而极大的影响畜禽养殖环境生产效益和生产管理问题。

Description

一种畜禽舍养殖环境参数智能控制***

技术领域

本发明涉及畜禽舍环境参数检测与调节的自动化装备技术领域，具体涉及一种畜禽舍养殖环境参数智能控制***。

背景技术

畜禽的生长、发育、繁殖除了受到遗传和营养等因素的影响外，最直接的影响因素是畜禽养殖环境，良好的畜禽养殖环境可以有效预防与减少畜禽疫病的发生，促进畜禽健康和快速成长。随着集约化高密度养殖技术的兴起和发展，我国畜禽养殖模式逐渐从放养或低密度低水平人工养殖模式，向科学化、规模化和机械化的设施养殖模式转变。目前，我国畜禽设施养殖环境监控技术与智能决策手段落后，畜禽设施养殖信息化仍然薄弱。主要难点在于畜禽设施养殖小气候环境参数易受生物、气候和人类生产活动等多种因素相互影响且作用机理复杂，具有时变、非线性、多变量耦合等特点。因此，亟需利用先进的信息技术研究探索畜禽设施养殖环境监测理论与方法，实现畜禽设施养殖小气候环境精准调控，对防止畜禽养殖环境恶化，确保畜禽在无应激环境下健康生长，提高畜禽养殖科学化管控水平，具有重要的理论价值和现实意义。本发明了一种畜禽舍养殖环境参数智能控制***实现对畜禽养殖环境参数的精准调节和解耦控制。

发明内容

本发明提供了一种畜禽舍养殖环境参数智能控制***，本发明有效解决了现有畜禽养殖环境没有根据畜禽养殖环境生长参数变化的具有时变、非线性、多变量耦合等特点等对畜禽养殖环境生产的影响，没有对畜禽养殖环境生长参数进行精确检测和解耦控制，从而极大的影响畜禽养殖环境生产效益和生产管理问题。

本发明通过以下技术方案实现：

一种畜禽舍养殖环境参数智能控制***，其特征在于：所述***包括畜禽舍环境参数采集、控制平台和生长参数智能解耦控制子***，实现对畜禽环境参数进行检测和生长参数智能化调节。

本发明进一步技术改进方案是：

畜禽舍环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和手机APP组成，检测节点采集畜禽舍环境参数经网关节点上传到云平台，在云平台端存储数据和发布信息；手机APP通过云平台提供的畜禽舍环境信息可实时监测畜禽舍环境参数；检测节点和控制节点负责采集畜禽舍环境参数和控制畜禽舍环境设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台和手机APP的双向通信，实现畜禽舍环境参数采集和畜禽舍设备控制；畜禽舍环境参数采集与控制平台结构见图1所示。

本发明进一步技术改进方案是：

生长参数智能解耦控制子***由ESN神经网络模型、降噪自编码器A、时延神经网络模型、PID控制器、积分回路、模糊递归神经网络补偿控制器、FLNN神经网络模型和参数解耦控制模块组成，由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为FLNN神经网络模型的2个对应输入；温度、湿度、风速和光照度的期望值作为ESN神经网络模型的对应输入，多组温度、湿度、风速和光照度传感器输出分别作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为降噪自编码器A的输入，降噪自编码器A的输出作为ESN神经网络模型的对应输入；ESN神经网络模型输出与参数解耦控制模块的降噪自编码器A输出的差值作为生长环境等级差值，生长环境等级差值和生长环境等级差值的变化率分别作为PID控制器和模糊递归神经网络补偿控制器的输入，PID控制器输出作为积分回路的输入和FLNN神经网络模型的对应输入，FLNN神经网络模型和模糊递归神经网络补偿控制器的输出分别作为参数解耦控制模块的NARX神经网络控解耦制器的2个对应输入；生长参数智能解耦控制子***见图2所示。

本发明进一步技术改进方案是：

参数解耦控制模块由LSTM神经网络扰动控制器、NARX神经网络控解耦制器和降噪自编码器B组成；多个温度、湿度、风速和光照度传感器的输出作为降噪自编码器B的多个对应输入，降噪自编码器B输出作为LSTM神经网络扰动控制器的对应输入，LSTM神经网络扰动控制器输出作为NARX神经网络控解耦制器的对应输入，NARX神经网络控解耦制器输出的温度控制值、湿度控制值、光照度控制值和风速控制值分别为LSTM神经网络扰动控制器的4个对应输入和温度调控装置、湿度调控装置、光照度调控装置和风速调控装置的对应输入。参数解耦控制模块见图2所示。

本发明与现有技术相比，具有以下明显优点：

一、本发明畜禽舍环境的温度、湿度和风速存在非线性、大滞后和动态变化复杂等特点，在测量畜禽舍环境参数的传感器很容易受到干扰，所以畜禽舍环境参数测量中常常包含较大的噪声。另一方面，畜禽舍环境的测量参数多于其独立变量的数量，即在这些测量参数中存在冗余信息。多个时延神经网络和降噪自编码器通过对畜禽舍环境温度、湿度和风速、光照度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，在畜禽舍环境大数据处理过程中，应用个时延神经网络和降噪自编码器对畜禽舍环境测量参数进行预测和融合，可以大大提高畜禽舍环境参数的准确率。

二、本发明NARX神经网络控解耦制器是一种通过引入LSTM神经网络扰动控制器的输出、FLNN神经网络模型和模糊递归神经网络补偿控制器的输出及反馈实现来建立NARX神经网络控解耦制器的动态递归网络，它是沿着畜禽舍环境参数调控装置输入控制量状态特征参数在时间轴方向的拓展的多个时间环境参数调控装置控制量状态特征参数的序列来实现及函数模拟功能的数据关联性建模思想，该方法通过一段时间内LSTM神经网络扰动控制器、FLNN神经网络模型和模糊递归神经网络补偿控制器的输出的特征参数来建立畜禽舍环境参数调控装置控制量模型，NARX神经网络控解耦制器输出的参数调控装置控制量在反馈作用中被作为输入而闭循环训练提高NARX神经网络控解耦制器的计算精确度，实现对畜禽舍环境调控装置控制量状态连续动态输出。

三、LSTM神经网络扰动控制器是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从NARX神经网络控解耦制器输出和畜禽舍环境生长参数的序列数据中提取信息，还能够保留来自于先前较远步骤的NARX神经网络控解耦制器输出和畜禽舍环境生长参数长期相关性的信息。此外，由于环境参数调控装置的输入控制量的采样间隔相对较小，环境参数调控装置的输入控制量存在长期空间相关性，而LSTM神经网络扰动控制器有足够的长期记忆来处理这种问题，提高LSTM神经网络扰动控制器输出作为畜禽环境调控装置输入防止畜禽舍环境参数等级被扰动的准确性，提高控制畜禽舍环境参数等级的精确性和鲁棒性。

四、本发明FLNN函数连接神经网络模型由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，FLNN函数连接神经网络模型的网络计算量更小，训练速度更快。可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展FLNN函数连接神经网络模型的输入变量，可提高FLNN函数连接神经网络模型的网络分辨能力，提高FLNN函数连接神经网络模型输出控制量的准确性。

五、本发明控制器由ESN神经网络模型、PID控制器、扰动控制器和解耦控制模块组成复合控制实现对畜禽舍养殖环境参数等级的联合调节，ESN神经网络模型调节中考虑了畜禽舍环境温度、湿度、光照度和风速的预测值对畜禽舍环境参数等级控制的影响，实现畜禽舍环境参数等级的预调节；PID控制器实现对畜禽舍环境参数等级变化的动静调节，解耦控制模块对畜禽舍环境参数等级的解耦和扰动调节，四种调节共同作用，提高畜禽舍环境参数等级控制的准确性和鲁棒性。

附图说明

图1为本专利的畜禽舍环境参数采集与控制平台；

图2为本专利的生长参数智能解耦控制子***；

图3为本专利的检测节点；

图4为本专利的控制节点；

图5为本专利的网关节点；

图6为本专利的现场监控端软件。

具体实施方式

结合附图1-6，对本发明技术方案作进一步描述：

一、***总体功能的设计

本发明一种畜禽舍养殖环境参数智能控制***实现对畜禽舍养殖环境参数进行检测和智能解耦控制，该***由畜禽舍环境参数采集与控制平台和生长参数智能解耦控制子***两部分组成。畜禽舍环境参数采集与控制平台包括畜禽舍养殖环境参数的检测节点、控制节点、网关节点、现场监控端、云平台、远程监控端和手机App组成，检测节点和控制节点构建成CC2530的自组织通信网络来实现检测节点、控制节点和网关节点之间的自组织网络通信；检测节点将检测的畜禽舍养殖环境参数通过网关节点发送给现场监控端和云平台，网关节点、云平台、现场监控端和手机App之间实现畜禽舍养殖环境参数和相关控制信息的双向传输,手机APP通过云平台提供的畜禽舍环境信息可实时监测畜禽舍环境参数。畜禽舍环境参数采集与控制平台见图1所示。

二、检测节点的设计

采用大量基于CC2530的自组织通信网络的检测节点作为畜禽养殖环境参数感知终端，检测节点通过自组织通信网络实现与网关节点之间的信息相互交互。检测节点包括采集畜禽舍养殖环境温度、湿度、风速和光照度的传感器和对应的信号调理电路、MSP430微处理器和CC2530模块；检测节点的软件主要实现自组织网络通信和畜禽舍环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性，检测节点结构见图3。

三、控制节点的设计

控制节点通过CC2530的自组织通信网络实现与网关节点之间的信息相互交互，控制节点包括控制外部设备对应的4个数模转换电路、MSP430微处理器、CC2530模块和4个外部设备控制器；4个外部设备控制器分别为温度调控装置、湿度调控装置、风速调控装置和光照度调控装置；控制节点见图4。

四、网关节点设计

网关节点包括CC2530模块、NB-IoT模块、MSP430微处理器和RS232接口，网关节点包括CC2530模块实现与检测节点和控制节点之间通信的自组织通信网络，NB-IoT模块实现网关与云平台之间的数据双向交互，RS232接口连接现场监控端实现网关与现场监控端之间的信息交互。网关节点见图5。

五、现场监控端软件设计

现场监控端是一台工业控制计算机，现场监控端主要实现对畜禽舍参数进行采集和畜禽舍参数进行处理，实现与网关节点之间信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和生长参数智能解耦控制子***。生长参数智能解耦控制子***结构见图2。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用***的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图6。生长参数智能解耦控制子***由ESN神经网络模型、降噪自编码器A、时延神经网络模型、PID控制器、积分回路、模糊递归神经网络补偿控制器、FLNN神经网络模型和参数解耦控制模块组成。各个模型的设计过程如下：

1、ESN神经网络模型设计

温度、湿度、风速和光照度的期望值作为ESN神经网络模型的对应输入，降噪自编码器A的输出作为ESN神经网络模型的对应输入，ESN神经网络模型输出与参数解耦控制模块的降噪自编码器A输出的差值作为生长环境等级差值；ESN神经网络(Echo statenetwork，ESN)是一种新型的动态神经网络，具有动态神经网络的全部优点，同时由于回声状态网络引入了“储备池”概念，所以该方法较一般动态神经网络能够更好地适应非线性***辨识。“储备池”就是把传统动态神经网络中间连接的部分转变成一个随机连接的“储备池”，整个学习过程其实就是学习如何连接“储备池”的过程。“储备池”其实就是一个随机生成的大规模递归结构，该结构中神经元相互连接是稀疏的，通常用SD表示相互连接的神经元占总的神经元N的百分比。ESN神经网络模型的其状态方程为:

式中W为神经网络的状态变量，W_in为神经网络的输入变量；W_back为神经网络的输出状态变量连接权矩阵；x(n)表示神经网络的内部状态；W_out为ESN神经网络模型的核储备池、神经网络的输入以及神经网络的输出之间的连接权矩阵；

为神经网络的输出偏差或可以代表噪声；f＝f[f₁,f₂,…,f_n]为“储备池”内部神经元的n个激活函数；f_i为双曲正切函数；f_out为ESN神经网络模型的ε个输出函数。ESN神经网络模型输出为畜禽舍环境生长参数等级实际控制值。

2、降噪自编码器A设计

多个时延神经网络模型的输出作为降噪自编码器A的输入，降噪自编码器A的输出作为ESN神经网络模型的对应输入；降噪自编码器(DAE)是一种降维方法，通过训练具有小中心层的多层神经网络，将高维数据转换为低维数据。降噪自编码器(DAE)是一种典型的三层神经网络，在隐藏层和输入层之间有一个编码过程，在输出层和隐藏层之间有一个解码过程。自动编码器通过对输入数据的编码操作得到编码表示(编码器)，通过对隐含层的输出解码操作得到重构的输入数据(解码器)，隐含层的数据就是降维数据。然后定义重构误差函数来测量自动编码器的学习效果。基于误差函数可以添加约束条件，生成各种类型的自动编码器。编码器和解码器以及损失函数如下所示:

编码器：h＝δ(Wx+b)(2)

解码器：

损失函数：

AE的训练过程与BP神经网络类似，W和W'为权值矩阵，b和b'为偏置量，h为隐含层的输出值，x为输入向量，

为输出向量，δ为激励函数，一般使用Sigmoid函数或tanh函数。降噪自编码器A是通过在输入数据中加入噪声数据来训练稀疏自编码网络，由于噪声数据的作用使自编码网络学习的数据特征更具有鲁棒性，自编码网络分为编码过程和解码过程，输入层到隐藏层为编码过程，隐藏层到输出层为解码过程。自编码网络的目标是利用误差函数使输入和输出尽量相近，通过反向传播最小化误差函数，得到自编码网络最优的权值和偏置，为建立深度自编码网络模型做准备。降噪自编码网络过程中使用随机概率将畜禽舍环境原始数据中某些值置为0得到含有噪声数据，根据自编码网络编码解码原理，利用含有噪声畜禽舍环境数据得到编码数据和解码数据，最后通过解码数据和原始数据构造误差函数，通过反向传播最小化误差函数，得到最优的网络权值和偏置。通过加入噪声来破坏畜禽舍环境原始数据，然后将损坏的数据作为输入层输入到神经网络中。降噪自编码器A神经网络的重构结果应与畜禽舍环境原始数据近似，通过这种方法，可以消除畜禽舍环境扰动，并获得稳定的结构。原始畜禽舍环境输入数据通过加入噪声得到干扰输入，然后输入到编码器中得到特征表达，再通过解码器映射到输出层。

3、PID控制器设计

ESN神经网络模型输出与参数解耦控制模块的降噪自编码器A输出的差值作为生长环境等级差值，生长环境等级差值和生长环境等级差值的变化率分别作为PID控制器和模糊递归神经网络补偿控制器的输入，PID控制器输出作为积分回路的输入和FLNN神经网络模型的对应输入；PID闭环控制器主要是由比例P、积分I微分D所构成的，主要是基于生长环境等级差值，通过比例、积分、微分进行控制量计算从而实现有效控制。PID闭环控制的重要基础在于比例控制，而积分控制可有效缩小稳态误差，但是极有可能会导致超调增加，微分控制能够促进大惯性***响应速度加快，并有效降低超调，PID输入与输出u(t)的关系即：

其中，e(t)代表输入；u(t)代表输出；K_P代表比例系数；K_I代表积分系数；K_D代表微分系数；

4、时延神经网络模型设计

多组温度、湿度、风速和光照度传感器输出分别作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为降噪自编码器A的输入；时间延迟神经网络(Time Delay Neural Networks，TDNN神经网络)是一个自适应线性网络，多组温度、湿度、风速和光照度传感器输出从网络左边进入,通过单步延时线D的作用,经过d步延时后成为d+1维向量的输入,该向量是由当前K个时刻多组温度、湿度、风速和光照度传感器输出的信号和K以前的d-1个多组温度、湿度、风速和光照度传感器输出的信号组合而成，神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入-输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，通过在输入层对多组温度、湿度、风速和光照度传感器输出值进行延迟，使网络可以利用之前的d步的多组温度、湿度、风速和光照度传感器输出与当前的多组温度、湿度、风速和光照度传感器输出共同预测当前时间点的畜禽舍环境参数等级值输出，对于一个输入层延迟步数为d的时延神经网络，R为时延神经网络的前向传播算子，可以简单地把输入序列X与输出序列Y之间的关系表示成如下形式：

Y(t)＝R(X(t),X(t-1),…,X(t-d)) (6)

5、FLNN神经网络模型设计

由2个积分算子S相串联构成1个积分回路，每个积分回路的2个积分算子连接端和积分回路的输出分别作为FLNN神经网络模型的2个对应输入，PID控制器输出作为积分回路的输入和FLNN神经网络模型的对应输入，FLNN神经网络模型和模糊递归神经网络补偿控制器的输出分别作为参数解耦控制模块的NARX神经网络控解耦制器的2个对应输入；FLNN函数型连接神经网络是一个函数型神经网络模型，该模型中的函数型连接的作用是将FLNN神经网络模型的输入模式的每个分量乘以整个模式向量，其结果是产生一个原始模式向量的张积。FLNN函数连接型神经网络通过对FLNN神经网络模型的输入模式预先进行非线性扩展，在FLNN函数型连接神经网络中引入“高阶”项，通过对FLNN神经网络模型的输入模式的非线性扩展，将FLNN神经网络模型的输入模式映射到一个更大的模式空间，增强了FLNN神经网络模型输入信号的模式表达，大大简化了FLNN函数连接型神经网模型的网络结构。虽然FLNN函数连接型神经网模型输入的FLNN神经网络模型的输入信息并没有增多，但FLNN函数连接型神经网模型模式的增强带来了FLNN函数连接型神经网模型的网络结构的简化和学习速度的提高，用单层网络就可以实现“监督”学习，相对于多层前向神经网络具有很大的优势。FLNN函数连接型神经网模型用单层网络实现监督学习，这个求解过程可由下述自适应监督学习算法完成。FLNN函数型连接神经网络模型的学习算法可由下式表示：

权值调整：

其中：F_i(k)、

e_i(k)和w_n(k)分别为第i个输入模式的期望输出、估计输出、误差和函数型网络在第k步的第n个连接权；α为学习因子，影响稳定性和收敛速度。FLNN函数连接神经网络模型采用函数扩展的方式，对FLNN神经网络模型的输入进行扩展，使FLNN神经网络模型的输入转化到另外一个空间，将增强后的模式作为FLNN函数连接神经网络模型的网络输入层的输入，通过这种方法来更好地处理畜禽舍环境参数等级控制输出控制量的非线性问题；FLNN函数连接神经网络模型由输入层和输出层构成，没有隐含层，因此相较于传统神经网络，FLNN函数连接神经网络模型的网络计算量更小，训练速度更快。可以避免更新隐层权值，只需调整输出层权值，因而具有较快的收敛速度及较少的在线计算量，同时扩展FLNN神经网络模型的输入变量，可提高FLNN函数连接神经网络模型的网络分辨能力。

6、模糊递归神经网络补偿控制器设计

ESN神经网络模型输出与参数解耦控制模块的降噪自编码器A输出的差值作为生长环境等级差值，生长环境等级差值和生长环境等级差值的变化率分别作为PID控制器和模糊递归神经网络补偿控制器的输入，FLNN神经网络模型和模糊递归神经网络补偿控制器的输出分别作为参数解耦控制模块的NARX神经网络控解耦制器的2个对应输入；模糊递归神经网络补偿控制器(HRFNN)是2个输入1输出的网络拓扑结构，网络由4层组成：输入层、成员函数层、规则层和输出层。模糊递归神经网络补偿控制器包含2个输入节点，其中每个输入节点对应m个条件节点，m代表规则数，nm个规则节点，1个输出节点。图中第Ⅰ层将输入引入网络；第Ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用

分别代表第k层的第i个节点的输入和输出，则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层：输入层，该层的各输入节点直接与输入变量相连接，网络的输入和输出表示为：

式中

和

为网络输入层第i个节点的输入和输出，N表示迭代的次数。

第Ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每一个节点代表一个隶属函数，采用高斯基函数作为隶属函数。网络的输入和输出表示为：

式中mij和σ_ij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。

第Ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量h_k，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：

式中ω_jk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，该层节点对第二层的输出量和第三层的反馈量进行Π操作，

是第三层的输出量，m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量，包含两种类型的节点：承接节点，反馈节点。承接节点，使用加权求和来计算内部变量，实现去模糊化的功能；内部变量表示的隐藏规则的模糊推理的结果。反馈节点采用sigmoid函数作为模糊隶属度函数实现内部变量的模糊化。HRFNN网络的隶属度函数层使用局部隶属度函数，与其不同的是：反馈部分在内部变量的论域上采用的是全局隶属度函数，用来简化网络结构和实现全局历史信息的反馈。承接节点的个数等于反馈节点的个数；承接节点的个数与规则层节点的个数相等。反馈量连接到第3层，作为模糊规则层的输入量，反馈节点的输出包含模糊规则激活强度的模糊递归神经网络补偿控制器输出的历史信息。

第Ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。网络的输入和输出表示为：

公式中λ_j是输出层的连接权值。模糊递归神经网络具有逼近高度非线性动态***的性能，加入内部变量的模糊递归神经网络的训练误差和测试误差分别为明显减少，该网络预测效果优于带自反馈模糊递归神经网络和动态建模的模糊神经网络，这说明加入内部变量后网络的学习能力得到了增强，并且更充分地反映畜禽舍环境参数控制量的动态特性。仿真结果证明了网络的有效性。本专利的模糊递归神经网络HRFNN，并采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。使用HRFNN对畜禽舍环境参数进行误差与误差变化量的补偿控制，HRFNN通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。模糊递归神经网络补偿控制器输出包含规则层激活强度和输出的畜禽舍环境参数补偿控制的历史信息，增强了HRFNN适应畜禽舍环境参数等级控制的非线性动态***的快速跟踪能力和控制的精确性。实验表明，HRFNN可以更加准确地控制畜禽舍环境生长参数的等级。

7、参数解耦控制模块设计

参数解耦控制模块由LSTM神经网络扰动控制器、NARX神经网络控解耦制器和降噪自编码器B组成；参数解耦控制模块见图2所示。

(1)、LSTM神经网络扰动控制器设计

降噪自编码器B输出作为LSTM神经网络扰动控制器的对应输入，NARX神经网络控解耦制器输出的温度控制值、湿度控制值、光照度控制值和风速控制值分别为LSTM神经网络扰动控制器的4个对应输入，LSTM神经网络扰动控制器输出作为NARX神经网络控解耦制器的对应输入；LSTM神经网络扰动控制器引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制新信息的加入或滤出；遗忘门能忘记需要丢掉的信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(Input Gate)，输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络扰动控制器是可以持续较长时间短期记忆的模型适合用预测时间序列控制畜禽舍养殖环境参数扰动的变化，LSTM神经网络扰动控制器有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络扰动控制器可以学习长期的依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的检测点的畜禽舍环境参数和NARX神经网络控解耦制器的动态变化信息，并增加了三种门(Input、Forget、Output)结构来控制检测点的它们历史信息的使用。设输入畜禽舍环境参数和NARX神经网络控解耦制器输出的时间序列值为(x₁,x₂,…,x_T)，隐含层状态为(h₁,h₂,…,h_T)，则t时刻有：

i_t＝sigmoid(W_hih_t-1+W_xiX_t) (13)

f_t＝sigmoid(W_hfh_t-1+W_hfX_t) (14)

c_t＝f_t⊙c_t-1+i_t⊙tanh(W_hch_t-1+W_xcX_t) (15)

o_t＝sigmoid(W_hoh_t-1+W_hxX_t+W_coc_t) (16)

h_t＝o_t⊙tanh(c_t) (17)

其中i_t、f_t、o_t代表input门、forget门和output门，c_t代表cell单元，W_h代表递归连接的权重，W_x代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。使用长短期记忆的4个LSTM神经网络扰动控制器来对进行控制畜禽舍环境的参数调控装置的输入畜禽舍环境参数和NARX神经网络控解耦制器输出的时间序列值，该方法首先建立LSTM神经网络控制器模型，利用预处理的输入畜禽舍环境参数装置输入量和畜禽舍环境参数的时间序列值数据建立训练集并对控制器进行训练，LSTM神经网络扰动控制器考虑了输入畜禽舍环境参数和NARX神经网络控解耦制器输出的时间序列值的时序性和非线性，来输出控防止畜禽舍养殖环境参数的扰动制量，具有较高输出控制畜禽舍环境参数扰动控制量的时间序列值的控制精度。

(2)、NARX神经网络控解耦制器设计

FLNN神经网络模型和模糊递归神经网络补偿控制器的输出分别作为参数解耦控制模块的NARX神经网络控解耦制器的2个对应输入；LSTM神经网络扰动控制器输出作为NARX神经网络控解耦制器的对应输入，NARX神经网络控解耦制器输出的温度控制值、湿度控制值、光照度控制值和风速控制值分别为LSTM神经网络扰动控制器的4个对应输入和温度调控装置、湿度调控装置、光照度调控装置和风速调控装置的对应输入；NARX神经网络控制器是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络控制器第i个隐层节点的输出h_i为：

NARX神经网络第j个输出层节点输出o_j为：

本发明专利的NARX神经网络控制器的输入层、时延层、隐层和输出层分别为3-19-10-4个节点。

(3)、降噪自编码器B设计

多个温度、湿度、风速和光照度传感器的输出作为降噪自编码器B的多个对应输入，降噪自编码器B输出作为LSTM神经网络扰动控制器的对应输入；降噪自编码器B的设计方法参照本专利的相似；降噪自编码器B的设计过程。

六、一种畜禽舍养殖环境参数智能控制***的设计举例

根据畜禽舍养殖环境参数智能控制***的实际状况，***布置了畜禽舍养殖环境参数检测与控制平台的检测节点、控制节点、网关节点现场监控端的平面布置安装图，其中传感器根据检测的需要均衡布置在畜禽舍的各个方位，通过该***实现对畜禽舍环境参数的采集与生长参数的智能化解耦控制。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims

1.一种畜禽舍养殖环境参数智能控制***，其特征在于：所述***包括畜禽舍环境参数采集、控制平台和生长参数智能解耦控制子***，实现对畜禽环境参数进行检测和生长参数智能化调节；

所述生长参数智能解耦控制子***由ESN神经网络模型、降噪自编码器A、时延神经网络模型、PID控制器、积分回路、模糊递归神经网络补偿控制器、FLNN神经网络模型和参数解耦控制模块组成；

温度、湿度、风速和光照度的期望值作为ESN神经网络模型的对应输入，多组温度、湿度、风速和光照度传感器输出分别作为对应的多个时延神经网络模型的输入，多个时延神经网络模型的输出作为降噪自编码器A的输入，降噪自编码器A的输出作为ESN神经网络模型的对应输入；ESN神经网络模型输出与参数解耦控制模块的降噪自编码器A输出的差值作为生长环境等级差值，生长环境等级差值和生长环境等级差值的变化率分别作为PID控制器和模糊递归神经网络补偿控制器的输入，PID控制器输出作为积分回路的输入和FLNN神经网络模型的对应输入，FLNN神经网络模型和模糊递归神经网络补偿控制器的输出分别作为参数解耦控制模块的NARX神经网络控解耦制器的对应输入。

2.根据权利要求1所述的一种畜禽舍养殖环境参数智能控制***，其特征在于：所述参数解耦控制模块由LSTM神经网络扰动控制器、NARX神经网络控解耦制器和降噪自编码器B组成；多个温度、湿度、风速和光照度传感器的输出作为降噪自编码器B的多个对应输入，降噪自编码器B输出作为LSTM神经网络扰动控制器的对应输入，LSTM神经网络扰动控制器输出作为NARX神经网络控解耦制器的对应输入，NARX神经网络控解耦制器输出的温度控制值、湿度控制值、光照度控制值和风速控制值分别为LSTM神经网络扰动控制器的对应输入和温度调控装置、湿度调控装置、光照度调控装置和风速调控装置的对应输入。

3.根据权利要求1所述的一种畜禽舍养殖环境参数智能控制***，其特征在于：所述积分回路由2个积分算子S相串联构成，每个积分回路的2个积分算子连接端和积分回路的输出分别作为FLNN神经网络模型的对应输入；。

4.根据权利要求1所述的一种畜禽舍养殖环境参数智能控制***，其特征在于：所述畜禽舍环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和客户端APP组成，检测节点采集畜禽舍环境参数经网关节点上传到云平台，在云平台端存储数据和发布信息；客户端APP通过云平台提供的畜禽舍环境信息可实时监测畜禽舍环境参数；检测节点和控制节点负责采集畜禽舍环境参数和控制畜禽舍环境设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台和客户端APP的双向通信，实现畜禽舍环境参数采集和畜禽舍设备控制。