采用多源信息融合的妊娠猪舍环境质量评价方法

迟 宇，郭艳娇，冯 涵，李 寒，郑永军,3

采用多源信息融合的妊娠猪舍环境质量评价方法

迟 宇1，郭艳娇1，冯 涵1，李 寒2，郑永军1,3※

（1. 中国农业大学工学院，北京 100083；2. 中国农业大学信息与电气工程学院，北京 100083；3. 现代农业装备与设施教育部工程研究中心，北京 100083）

妊娠猪舍作为养殖场猪只繁育的基础条件，其环境质量对母猪的生产性能有显著影响。为合理评价妊娠猪舍环境质量，该研究提出一种基于模拟退火的粒子群算法（Simulated Annealing-Particle Swarm Optimization，SA-PSO）、套索算法（Least Absolute Shrinkage and Selection Operator，LASSO）和反向传播（Back Propagation，BP）神经网络的环境质量评价模型。利用卡尔曼滤波和分批估计自适应加权融合算法，实现多节点环境数据的时间与空间序列融合；构建猪舍环境质量非线性评价模型，采用LASSO算法，筛选得出与环境质量强相关的特征参数，实现输入降维；融合SA-PSO算法实现网络初始权值和阈值的优化，形成SA-PSO-LASSO-BP神经网络评价模型。通过对数据采集系统获取的实际妊娠猪舍环境数据进行验证，结果表明：提出的环境质量评价模型决定系数为0.918、总准确率为95.85%，相比单纯使用BP神经网络，加入LASSO和SA-PSO算法后决定系数与总准确率分别提高了37.43%、11.09个百分点，具有更高的评价精度和性能，可更好地拟合复杂环境参数与环境质量间的非线性关系，为妊娠猪舍环境质量评价提供参考。

模型；环境；妊娠猪舍；环境质量；BP神经网络；LASSO算法；SA-PSO算法

0 引 言

在生猪养殖集约化、规模化发展的过程中，母猪的繁殖性能和健康作为影响养殖企业经济效益的关键因素，受到妊娠猪舍内环境质量（适宜性或舒适度）的直接影响[1-3]。因此建立可监测特征环境参数与舒适度之间的关系、及时准确地评价妊娠猪舍环境质量，是改善环境调控措施、实现猪舍环境舒适度精准调控的重要前提，对于减轻母猪生长与繁育过程中受到的环境胁迫、提高养殖效益有实际意义。

目前，对于猪舍环境质量评价主要分为2类：模糊综合评价模型与机器学习模型。由于猪舍环境是一个由多环境参数共同作用所形成的复杂非线性时变系统，且环境参数间相互影响，因此舍内环境质量与环境参数间的关系难以使用准确的数学模型进行映射。模糊综合评价法[4-6]作为猪舍环境质量常用的评价方法，虽然能够有效解决多环境参数的不确定性和模糊边界问题，但未能挖掘环境参数间的耦合关系和环境参数与环境质量间的非线性关系，存在欠学习的问题。由此，程捷等[7]提出一种基于改进D-S（Dempster-Shafer）证据理论的数据融合算法，能够兼顾各环境参数的数据特征和内在联系，有效地识别猪舍环境状态。考虑到环境参数与环境适宜性之间的非线性关系，孙聪[8]利用改进CS（Cuckoo Search）算法优化的BP（Back Propagation）神经网络构建猪舍环境适宜度评价模型；朱保钏[9]通过改进的C4.5算法实现对育肥猪舍环境适宜性的预测；陈冲等[10]提出了一种基于MSCCS-LSSVR（Mutative Scale Chaos Cuckoo Search-Least Square Support Vector Regression）模型的哺乳母猪舍环境舒适度评价预测方法。由于猪舍内环境受到舍外环境、地理位置等因素影响，不同猪舍内环境参数的变化范围和变化趋势存在实际差异。以上方法虽能拟合猪舍环境参数与适宜性之间的非线性关系，但未对参数选取原则与其对环境质量的影响程度作深入分析，模型存在应用普适性和泛化性差的问题。

BP神经网络是一种多层前馈型网络模型，具有高度的自学习和非线性映射能力，已在畜禽舍内环境参数评估预测方面取得良好的效果[11-12]。因此本文采用BP神经网络构建非线性评价模型，但其性能易受初始权值和阈值随机性的影响，仍需采用优化算法对其初始参数进行优化[12-13]，进一步提升网络性能和预测精度。针对妊娠猪舍内环境质量的特征参数选择与BP神经网络参数优化问题，采用LASSO（Least Absolute Shrinkage and Selection Operator）算法筛选特征参数，简化多环境参数结构；利用SA-PSO（Simulated Annealing-Particle Swarm Optimization）算法优化BP神经网络的初始权值和阈值，构建SA-PSO-LASSO-BP神经网络模型，实现妊娠猪舍环境质量的可靠评价，为后续环境质量精准调控提供决策支持。

1 数据获取

1.1 采集设备与采集方案

采集现场为湖南省株洲某生猪养殖基地。该基地是一个典型的集生猪培育、种猪繁殖于一体的集约化生猪养殖基地，本研究所选猪舍为密闭环境，长40 m、宽14 m、高3 m，内部为4列式猪栏结构，如图1a所示。该猪舍内限位栏长2.2 m、宽0.65 m、高1 m，共养殖228头长白猪。依据国家标准[14]，猪舍环境评价主要包括猪舍空气、猪舍通风、猪舍采光、猪舍噪声等4个方面，且每方面均包含多个环境参数。其中温度、相对湿度、NH3质量浓度、CO2质量浓度、H2S质量浓度、PM2.5质量浓度、PM10质量浓度、光照强度、噪声等9个指标是猪舍环境质量的主要影响因素[15-17]，均可通过传感器直接获得。经预检测，将传感器安装于距离地面2 m处，数值波动较小且可避免猪舍喷水、清洁等管理工作对传感器造成的损坏。试验采用的多种传感器组成1个采集节点，布置见图1b，实现数据的可持续监测。各传感器及参数指标见表1。

图1 猪舍结构及采集节点布置

表1 传感器参数

利用Arduino Mega 2560作为控制核心建立数据采集系统，总体结构如图2所示。该系统的10个采集节点每间隔10 min对环境数据进行1次采集，并通过WIFI模块将各传感器采集的环境数据传输至物联网监测平台数据中心，实现数据的存储与远程监控。采集周期为2021年10月1日至2021年12月31日（92 d）。

图2 数据采集系统

1.2 数据预处理

1.2.1 单一传感器时间序列数据融合

由于环境参数传感器在工作过程中易受到妊娠猪舍日常生产与管理工作的干扰而产生噪声。采用卡尔曼滤波算法[17]对原始数据进行滤波处理，能够有效地抑制系统与环境噪声，减小随机误差的影响，较好地实现时间序列数据融合。以下以温度传感器数据为例，说明数据预处理过程。

本文对2021年10月1日至2日猪舍内一个温度传感器连续采集的288个数据进行预处理。为填补无线传输丢包造成的缺失数据，将同一时刻其他同质传感器采集数据的平均值作为本传感器缺失的时点数据。采集到的原始温度时序数据经卡尔曼滤波平滑后消除了峰值突变（图3），实现异常数据修正与环境噪声实时动态计算和补偿。滤波前后温度数据的方差分别为1.49和1.43，滤波后数据的方差较滤波前下降了4.03%，数据波动性降低，确保了数据的准确性和有效性。

图3 卡尔曼滤波结果

1.2.2 多源同质传感器空间序列数据融合

单一传感器时间序列数据融合后，需要对10个采集节点的同质传感器数据进行空间序列融合。本研究以分批估计自适应加权融合算法[18]为核心，首先利用等分法将单一传感器连续采集的10个数据划分为2组，根据分批估计理论分别求取2组数据的局部方差；再采用自适应加权融合算法计算多源同质传感器数据的整体方差，获得各传感器数据的加权因子，从而实现多源同质传感器空间序列融合。

为验证分批估计自适应加权融合算法的可行性，首先分别对妊娠猪舍内布置的10个采集节点获得的原始温度数据进行卡尔曼滤波，再对同一时刻不同温度传感器数据进行空间序列融合，融合数据的均方误差（Mean Square Error，MSE）与算术平均法和自适应加权融合算法对比，结果如图4所示。

注：本文算法为分批估计自适应加权融合算法。

由图4可知，利用算术平均法对传感器数据进行空间融合，MSE分布于0.455～2.358，使用自适用应权融合算法融合数据的MSE分布于0.006～0.141，而分批估计自适应加权融合算法融合数据的MSE最大值仅为0.055。本文采用的分批估计自适应加权融合算法效果最优，融合数据的MSE较算术平均法下降了92.14%以上，有效提高了融合精度，减少了数据冗余。

按以上缺失时点数据同质均值补偿、卡尔曼滤波、分批估计自适应加权等流程对所有传感器的数据融合预处理后，进行归一化处理，统一于[0,1]区间，消除各项参数的量纲与数值差异。

2 环境质量评价模型

由于猪舍环境是一个由多种环境参数共同作用所形成的时变系统，为挖掘环境参数间的耦合关系、拟合环境参数与环境质量之间的非线性关系，本研究采用BP神经网络对环境质量进行评价。通过LASSO算法对特征环境参数进行筛选，重置BP神经网络的结构参数，确定BP神经网络的拓扑结构，进一步提高环境质量评价精度；利用SA-PSO算法优化BP神经网络的初始权值和阈值，提高BP神经网络的收敛速度与收敛精度，最终形成的SA-PSO-LASSO-BP神经网络算法流程如图 5所示。

图5 SA-PSO-LASSO-BP神经网络算法流程图

2.1 评价标准建立

参考国家标准GB/T 17824.3—2008《规模猪场环境参数及环境管理》，将环境质量识别框架分为3级：1级（适宜）、2级（较适宜）、3级（不适宜），并确定9种环境因素在3种环境质量识别框架下的特征值范围，构建妊娠猪舍环境质量评价标准（表2）。

表2 环境质量评价标准

注：其他情况为9种环境参数处于不同环境质量评价等级特征值范围。

Note: Other conditions indicate that nine environmental parameters are in the range of characteristic values of different environmental quality evaluation grades.

当9种环境参数均满足同一等级的特征值要求时，可直接确定其对应的等级。对同一时刻环境参数处于不同等级特征值范围的情况，当其中某一项环境参数严重超标时，采用“一项否决”策略评价为3级；否则，通过层次分析法和梯形隶属度函数计算确定猪舍环境质量等级[4]。

基于数据采集系统获得的92 d数据，预处理后选取3种环境质量识别框架下的传感器数据共5 110组。采用上述评价标准进行环境质量等级评定，最终获得1等级样本数据1 566组，2等级样本数据1 785组，3等级样本数据1 759组，可作为特征选择、环境质量评价模型构建优化的数据训练集与测试集。

2.2 特征选择

在采用BP神经网络进行猪舍环境质量评价时，若将9种环境参数均作为输入量会增加模型结构的复杂性，降低模型的性能和泛化能力；若输入特征参数不足，则会降低模型的评价精度。因此，本文采用LASSO算法[19]对9种环境参数进行特征选择，优化输入参数量。该方法在回归系数缩减的过程中，将特征性较弱的环境参数的回归系数缩减为0，从而达到“变量选择”的目的，其目标函数为

式中为样本数量；为环境因素个数；y为第个样本对应的环境质量等级；β为第个环境因素对应的回归系数；x为第个样本对应的第个影响因素；为惩罚因子。

随机从预处理后的各等级环境数据中抽取700组数据，共获得2 100组样本数据。为提高模型的泛化能力和特征选择的准确性，采用十折交叉验证，按照9∶1的比例从2 100组样本数据中每种等级随机抽取数据，共获得1 890组训练集和210组测试集，求解得到不同值下对应的均方根误差（Root Mean Squared Error，RMSE）如图6所示。由图6可知，当处于0.1～0.2时，均方根误差存在最小值。考虑交叉验证是随机分组，为保证模型的泛化性和鲁棒性，选取10次交叉验证结果的平均值作为LASSO算法最佳惩罚因子，即0.147。

图6 不同λ取值下的均方根误差

图7为LASSO算法分析后各环境参数所对应的回归系数轨迹图，由图7可知，随着值的增加，环境参数的标准化回归系数逐渐收敛。当= 0.147时，温度、相对湿度、NH3质量浓度、CO2质量浓度的标准化回归系数分别为0.57、-0.097、0.138、0.185，H2S质量浓度、PM2.5质量浓度、PM10质量浓度、光照强度、噪声的标准化回归系数均为0，在特征选择的过程中被淘汰。因此，本文选取温度、相对湿度、NH3质量浓度、CO2质量浓度4种环境参数作为BP神经网络模型的输入量。

图7 9种环境参数的标准化回归系数

2.3 特征分析

妊娠猪舍2021年11月24日—2021年11月30日特征环境参数的分布如图8所示。由图可知妊娠猪舍温度于14:00—15:00达到峰值，然后随时间逐渐下降，在08:00—09:00达到最低，然后逐渐升高；相反，相对湿度、CO2质量浓度和NH3质量浓度于08:00—09:00达到峰值而后逐渐下降，于14:00—15:00降至最低值后波动上升。妊娠猪舍内温度、相对湿度、NH3质量浓度、CO2质量浓度呈现出明显的非线性变化趋势，且具有一定的周期性和相关性。

对特征环境参数进行Pearson相关性分析，分析结果如表3所示。由表3可知，温度与相对湿度、NH3质量浓度、CO2质量浓度之间的相关系数分别为-0.637、-0.871、-0.737，说明温度与其他特征环境参数间存在显著负相关关系（<0.01）；此外，相对湿度与NH3质量浓度、CO2质量浓度之间的相关系数为0.330、0.723，表明相对湿度与NH3质量浓度、CO2质量浓度间存在显著正相关关系（<0.01），与图8中各环境参数的变化规律一致。这是因为温度的上升加速了舍内水分的蒸发，从而导致相对湿度下降；随着温度的持续升高，猪在行为上表现出精神萎靡、呼吸深度变浅、采食量减退等现象[20]，机体的排泄量也随之减少[21]，舍内CO2质量浓度和NH3质量浓度降低。因此，温度、相对湿度、NH3质量浓度、CO2质量浓度呈现出此种变化趋势和相关关系。

由于猪舍特征环境参数呈非线性变化趋势，且各参数间存在相关关系，因此难以使用准确的数学模型描述环境参数与环境质量之间的关系。BP神经网络作为一种多层前馈型网络模型，具有高度的自学习、自适应和泛化能力，较强的非线性映射能力[22]，能够充分挖掘环境参数间的耦合关系，拟合复杂环境参数与环境质量之间的非线性关系，从而达到良好的识别与分类目的。因此，本研究使用BP神经网络进行建模，实现妊娠猪舍环境质量的可靠性评价。

注：7d，2021-11-24至2021-11-30；1d，2021-11-24。

表3 特征环境参数间的相关系数

注（Note）: *,<0.01.

2.4 BP神经网络模型结构的确定

BP神经网络由输入层、隐含层和输出层组成，其中输入层为特征选择后的4种环境参数（4个节点），输出层为对应的环境质量等级（1个节点），隐含层的节点数需进行求解。目前，没有固定的方法求解隐含层节点数，但可依据Kolmogorov定理进行隐含层节点数的经验估计，其经验公式[12, 23]为

式中为输入层节点数；为输出层节点数；为常数，取值范围为1～10。

在本研究中，= 4，= 1，最终计算得到隐含层节点数的取值范围为4～12。

为确定隐含层节点具体数量，在I5-7300 HQ、2.5 GHz、8 GB内存、Window 10系统集成开发环境下，使用MATLAB编写相关程序。经反复试验确定输入层到隐含层的传递函数为“tansig”，隐含层到输出层的传递函数为“purelin”“trainlm”作为常用的训练函数之一，具有收敛速度快、误差小、训练效果优等特点[23]，因此本文选取“trainlm”为训练函数；同时，设置BP神经网络的迭代次数为1 000，学习率为0.01。在此基础上，将2100组环境数据按照9∶1的比例划分为训练集和测试集后，分别训练具有4～12个隐含层节点个数的BP神经网络。

为了对不同隐含层节点数量下模型的预测结果进行定量分析，采用平均绝对误差（Mean Absolute Error，MAE）、RMSE、决定系数（Coefficient of determination，2）、准确率（Accuracy，ACC）作为评价指标，不同隐含层节点数量下BP神经网络的性能如图9所示。由图9可知，当隐含层节点数为11时，BP神经网络的MAE、RMSE、2、ACC分别达到0.077、0.277、0.878、92.33%，均为最优值。相较于其他模型，隐含层节点数为11的BP神经网络2与ACC至少提高了5.73%、2.50%，MAE与RMSE至少下降了3.75%、2.12%，具有更高的性能和评价精度。因此，本研究确定最佳隐含层节点数=11。

注：R2，决定系数；ACC，准确率，%。

2.5 BP神经网络模型参数的优化

基于单一BP神经网络对猪舍环境质量进行评价时，其性能受到网络初始权值和阈值等参数的影响，存在收敛速度慢、易陷入局部极小值等问题，从而无法寻得全局最优值。为提高妊娠猪舍环境质量评价精度，本研究采用粒子群算法（Particle Swarm Optimization，PSO）对BP神经网络的初始权值和阈值进行优化，既保留神经网络的非线性拟合能力，又能够发挥粒子群算法的全局寻优能力，综合提升BP神经网络的收敛速度和寻优精度[24]。

PSO算法虽然收敛速度快，但存在易过早收敛、易陷入局部最优等缺点[25]，因此本文将模拟SA算法嵌入PSO算法中。参考文献[25]，在SA-PSO算法中，采用带压缩因子的方法选择合适的参数提高PSO算法的收敛性；同时对PSO算法的最优解进行优化，让粒子有较大的概率接受非最优解，从而跳出局部最优解。假设在维空间内，粒子的种群规模为，第个粒子在第维空间的位置、速度分别为x和v，在算法迭代过程中，每个粒子根据个体极值P和全局极值G来更新自己的速度和位置

式中v+1为粒子第+1次的速度；x+1为粒子第+1次的位置；v为粒子第次的速度；x为粒子第次的位置； P为粒子第次的个体极值；G’为粒子第次的全局极值；为惯性权重；1、2为学习因子；1、2为随机数，1、2∈[0,1]；为当前迭代次数；为压缩因子，max为最大惯性权值，min为最小惯性权值，为最大迭代次数。

以上述特征选择和环境质量评价方法为基础，共选取3 010组环境数据，1级、2级、3级3种质量等级下的传感器数据分别为866、1 085、1 059组，按照9∶1的比例划分成2 709组训练集和301组测试集。经过多次试验测试，SA-PSO算法的初始参数设置如下：粒子的种群规模= 20，学习因子1=2= 2.05，最大惯性权值max= 0.9，最小惯性权值min= 0.4，退温系数= 0.99，最大迭代次数= 1 000。

为验证SA-PSO算法的优化性能，选取遗传算法（Genetic Algorithm，GA）、麻雀搜索算法（Sparrow Search Algorithm，SSA）、粒子群算法3种优化算法进行对比。试验以RMSE为适应度函数，迭代终止条件为达到最大迭代次数，4种算法的适应度函数曲线如图10所示。由图10可知，随着迭代次数的增加，适应度函数曲线收敛。相较于GA、SSA算法，PSO算法的适应度值更低，为0.194，寻优效果更佳；加入SA算法后，SA-PSO算法的适应度值进一步降低，达到0.187，较PSO算法减小了3.61%。因此，通过SA算法对PSO算法进行优化，能够更好地发挥PSO算法的全局寻优能力，提高其寻优精度，适合于BP神经网络初始权值和阈值的优化。

注：GA，遗传算法；SSA，麻雀搜索算法；PSO，粒子群算法；SA-PSO，模拟退火-粒子群算法。

3 结果与分析

为验证SA-PSO-LASSO-BP神经网络的性能，选取BP神经网络、LASSO-BP神经网络、GA-LASSO-BP神经网络、SSA-LASSO-BP神经网络、PSO-LASSO-BP神经网络等5种模型进行对比。试验采用MSE作为网络误差函数，迭代终止条件网络误差目标值设置为0.01，6种模型的3 010组训练集性能测试结果如表4所示。

表4 不同神经网络模型性能

由表4可知，对于收敛速度，BP神经网络迭代766次时完成训练，而LASSO-BP神经网络模型迭代537次完成训练，迭代次数下降了29.90%，说明LASSO算法能够降低BP神经网络结构的复杂性和训练压力，从而提高网络的收敛速度；通过4种优化算法改进的LASSO-BP神经网络的迭代次数分别为374、192、79、36次，运行时间分别为2.65、1.93、1.45、1.20 s，其中建立的SA-PSO-LASSO-BP神经网络的迭代次数最少、运行时间最短，相较于PSO-LASSO-BP神经网络迭代次数减少了54.43%、运行时间加快了17.24%，具有更快的收敛速度。

对于收敛精度，BP神经网络在误差为0.090时停止训练，LASSO-BP神经网络在误差为0.074时停止训练，网络误差下降了17.78%，验证了LASSO算法能够提高BP神经网络输入参数的特征性，提高网络的收敛精度；通过4种优化算法改进的LASSO-BP神经网络的误差值分别为0.040、0.037、0.036、0.033，本文所提出模型的误差值最低，较PSO-LASSO-BP神经网络误差下降了8.33%，具有更高的评价精度和性能。

模型训练后，以301组样本测试6种神经网络模型的评价效果，结果如表5所示。由表5可知，SA-PSO-LASSO-BP神经网络的MAE、RMSE、2、总准确率分别为0.037、0.176、0.918、95.85%，与其他5种模型相比，效果最优。相比单纯使用BP神经网络，加入LASSO和SA-PSO算法2与总准确率分别提高了37.43%、11.09个百分点，MAE与RMSE分别下降了79.10%、44.83%。因此，SA-PSO-LASSO-BP神经网络通过LASSO算法对9种环境参数进行特征选择，有效地提高了BP神经网络的评价性能；其次，采用SA-PSO算法优化网络的初始权值和阈值，更充分地挖掘了环境参数间的耦合关系，更好地拟合了妊娠猪舍环境参数与环境质量间的非线性关系，大幅度增强网络的评价效率，提高环境质量评价精度。

表5 不同神经网络模型评价结果

4 讨 论

通过实际数据训练结果可知，与现有文献中常用的模糊综合评价法[4-6]相比，采用的BP神经网络充分挖掘了环境参数间的耦合关系，拟合复杂环境参数与环境质量间的非线性关系，可以有效解决模糊综合评价存在的欠学习问题。现有文献中的机器学习方法[7-10]进行猪舍环境质量评价时，未对环境参数选取原则与其对环境质量的影响程度作深入分析，未能考虑不同猪舍内环境参数受外环境、地理位置等因素影响所产生的变化范围和趋势的实际差异。运用LASSO算法选择特征环境参数，解决机器学习存在的普适性和泛化性差等问题，同时实现了BP神经网络模型输入的降维，有效降低了网络结构的复杂程度。由于BP神经网络本身容易受到初始权值和阈值等参数的影响，存在收敛速度慢、易陷入局部极小值等不足，使用SA-PSO算法对BP神经网络的初始权值和阈值进行优化，有效地提高了网络的收敛速度与收敛精度。

本研究提出的SA-PSO-LASSO-BP神经网络模型，通过LASSO和SA-PSO算法对BP神经网络的结构与参数进行优化，达到了提高BP神经网络预测精度与性能的目的，实现妊娠猪舍环境质量的可靠评价。采用的特征选择和BP神经网络模型，是在现有实际数据基础上构建的具有较佳效果的模型，可以进一步尝试采用DEFS（Differential Evolution Feature Selection）算法[13]、LightGBM（Light gradient boosting machine）算法[26]进行特征参数筛选，采用SVM（Support Vector Machine，SVM）[27]、ELM（Extreme Learning Machine，ELM）[28]等方法构建评价模型。

此外，计算流体力学（Computational Fluid Dynamics ，CFD）近年来被广泛应用于猪舍送风降温[29]、排风换气[30]系统的设计，以及环境调控[31]、通风效果[32]的评价。因此，在后续的研究中可利用CFD对妊娠猪舍通风降温系统进行优化设计，结合本文所提出的猪舍环境质量评价方法，分析不同通风风速、通风温度等条件下舍内的通风效果，制定通风、温控等设备的调控策略，以满足猪舍适宜性控制的应用要求。

5 结 论

为合理地评价妊娠猪舍环境质量，本研究提出一种基于SA-PSO-LASSO-BP（Simulated Annealing-Particle Swarm Optimization-Least Absolute Shrinkage and Selection Operator-Back Propagation）的环境质量评价模型。利用卡尔曼滤波和分批估计自适应加权融合算法对环境数据进行预处理，采用LASSO算法筛选特征环境参数，使用SA-PSO算法优化BP神经网络的初始权值和阈值，得到如下结论：

1）利用卡尔曼滤波和分批估计自适应加权融合算法对多采集节点的原始环境数据进行预处理，单一传感器时间序列数据融合结果的方差较滤波前下降了4.03%；多源同质传感器时间序列数据融合结果的方差较算术平均法至少下降了92.14%，能够有效地抑制噪声干扰、降低环境数据的冗余性。

2）采用LASSO算法对预处理后的环境数据进行特征选择，较全环境参数模型，LASSO-BP神经网络模型迭代次数下降了29.90%，网络误差降低了17.78%。SA-PSO-LASSO-BP神经网络模型的迭代次数为36次，运行时间为1.20 s，网络误差为0.033，相较于GA-LASSO- BP神经网络模型迭代次数减少了54.43%，运行时间加快了17.24%，网络误差下降了8.33%，网络收敛精度和收敛速度显著提高。

3）采用实际妊娠猪舍环境数据作为测试样本对SA-PSO-LASSO-BP神经网络模型及其他5模型的评价效果进行验证，结果表明：SA-PSO-LASSO-BP神经网络模型的平均绝对误差为0.037、均方根误差为0.176、决定系数为0.918、总准确率为95.85%，相比单纯使用BP神经网络，加入LASSO和SA-PSO算法之后决定系数与总准确率分别提高了37.43%、11.09个百分点，平均绝对误差与均方根误差分别下降了79.10%、44.83%，具有更高的评价精度和性能。

本文提出基于SA-PSO-LASSO-BP神经网络模型的猪舍环境质量评价方法，可充分挖掘环境参数间的耦合关系，更好地拟合复杂环境因素与环境质量间的非线性关系，为猪舍环境提供有效的质量评价手段。

[1] 李修松，叶章颖，李国铭，等. 规模化猪场妊娠母猪舍改进湿帘降温系统的环境特性[J]. 农业工程学报，2020，36(20)：238-245.

Li Xiusong, Ye Zhangying, Li Guoming, et al. Environmental characteristics of a swine gestation barn with an innovative cooling pad system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 238-245. (in Chinese with English abstract)

[2] 韩战强，银岭，马亚姣，等. 饲养模式、新型饲料添加剂、猪舍温热环境对母猪繁殖性能的影响[J]. 养猪，2021(6)：35-38.

Han Zhanqiang, Yin Ling, Ma Yajiao, et al. Research progress on the effects of feeding pattern, feed additives and warm and hot environment on sow reproductive performance[J]. Swine Production, 2021(6): 35-38. (in Chinese with English abstract)

[3] Li J, Han Q. Effects of environment and breed on growth performance and meat quality of fattening pigs[J]. Animal Welfare, 2020, 29(2): 177-184.

[4] 谢秋菊，苏中滨，刘超吉，等. 猪舍环境适宜性模糊综合评价[J]. 农业工程学报，2016，32(16)：198-205.

Xie Qiuju, Su Zhongbin, Liu Chaoji, et al. Fuzzy synthetic assessment of swine house environmental adaptability[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(16): 198-205. (in Chinese with English abstract)

[5] 沈翠凤. 基于物联网的畜禽舍环境远程监控和评判系统研究[J]. 中国农机化学报，2020，41(12)：112-118.

Shen Cuifeng. Research on remote monitoring and evaluation system of livestock and poultry house environment based on Internet of Things[J]. Journal of Chinese Agricultural Mechanization, 2020, 41(12): 112-118. (in Chinese with English abstract)

[6] 梁帆，刘振涛. 猪舍环境控制评价指标体系构建与分析：以河北省规模猪场为例[J]. 猪业科学，2021，38(8)：86-91.

Liang Fan, Liu Zhentao. Construction and analysis of evaluation index system of piggery environmental control: A case study of large-scale pig farms in Hebei Province[J]. Swine Industry Science, 2021, 38(8): 86-91. (in Chinese with English abstract)

[7] 程捷，冯天玉，黄世明，等. 基于D-S证据理论的猪舍环境状态识别研究[J]. 中国农机化学报，2021，42(6)：50-54.

Cheng Jie, Feng Tianyu, Huang Shiming, et al. Research on recognition of piggery environmental state based on D-S evidence theory[J]. Journal of Chinese Agricultural Mechanization, 2021, 42(6): 50-54. (in Chinese with English abstract)

[8] 孙聪. 基于物联网猪舍多参数测控系统设计及环境适宜度评价研究[D]. 镇江：江苏大学，2019.

Sun Cong. Design and Environmental Suitability Evaluation of Multi-parameter Measurement and Control System in Pig House Based on Internet of Things[D]. Zhenjiang: Jiangsu University, 2019. (in Chinese with English abstract)

[9] 朱保钏. 基于物联网猪舍参数测控及环境适宜度预测模型研究[D]. 镇江：江苏大学，2020.

Zhu Baochuan. Research on the Prediction Model of Parameters Measurement and Control and Environmental Suitability of Piggery Based on Internet of Things[D]. Zhenjiang: Jiangsu University, 2020. (in Chinese with English abstract)

[10] 陈冲，刘星桥，刘超吉，等. 哺乳母猪舍环境舒适度评价预测模型优化[J]. 农业机械学报，2020，51(8)：311-319.

Chen Chong, Liu Xingqiao, Liu Chaoji, et al. Optimization of evaluation and prediction model of environmental comfort in lactating sow house[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(8): 311-319. (in Chinese with English abstract)

[11] 刘春红，杨亮，邓河，等. 基于ARMA和BP神经网络的猪舍氨气浓度预测[J]. 中国环境科学，2019，39(6)：2320-2327.

Liu Chunhong, Yang Liang, DengHe, et al. Prediction of ammonia concentration in piggery based on ARIMA and BP neural network[J]. China Environmental Science, 2019, 39(6): 2320-2327. (in Chinese with English abstract)

[12] 杨断利，李今，陈辉，等. 基于IPSO优化BP神经网络的蛋鸡舍有害气体监测系统[J]. 农业机械学报，2021，52(4)：327-335.

Yang Duanli, Li Jin, Chen Hui, et al. Monitoring system of harmful gas in layer house based on improved Particle Swarm Optimization BP neural network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(4): 327-335. (in Chinese with English abstract)

[13] 赵建辉，张晨阳，闵林，等. 基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演[J]. 农业工程学报，2021，37(11)：112-120.

Zhao Jianhui, Zhang Chenyang, Min Lin, et al. Retrieval for soil moisture in farmland using multi-source remote sensing data and feature selection with GA-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 112-120. (in Chinese with English abstract)

[14] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会. GB/T 17824.3—2008 《规模猪场环境参数及环境管理》[S]. 北京：中国标准出版社，2008.

[15] 申仲健，吴中红，张锦瑞，等. 新风过滤和排风除臭装置条件下楼房猪舍夏季环境监测[J]. 农业工程学报，2022，38(11)：215-222.

Shen Zhongjian, Wu Zhonghong, Zhang Jinrui, et al. Environmental monitoring of a multi-floor pig building under the condition equipped with fresh air filters and exhaust deodorization devices in summer[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(11): 215-222. (in Chinese with English abstract)

[16] Chen C, Liu X Q. An intelligent monitoring system for a pig breeding environment based on a wireless sensor network[J]. International Journal of Sensor Networks, 2019, 29(4): 275-283.

[17] 杜鹏，包晓安，胡逸飞，等. 基于卡尔曼滤波的无线传感网时空数据融合算法[J]. 电子科技，2022，35(6)：21-27.

Du Peng, Bao Xiao'an, Hu Yifei, et al. Research on spatio-temporal data fusion algorithm of wireless sensor network based on Kalman filter[J]. Electronic Science and Technology, 2022, 35(6): 21-27. (in Chinese with English abstract)

[18] Wang H D, Wang D Y. An improved multiple wireless sensor data batch estimation adaptive weighted fusion algorithm[J]. Chinese Journal of Sensors and Actuators, 2015, 28(8): 1239-1243.

[19] Robert T. Regression Shrinkage and Selection Via the Lasso[J]. Journal of the Royal Statistical Society: Series B (Methodological), 2018, 58(1): 267-288.

[20] 于潇滢，韩蕊，秦贵信. 环境温度对猪生产性能、养分消化和产热量的影响[J]. 黑龙江畜牧兽医，2017(17)：136-138.

Yu Xiaoying, Han Rui, Qin Guixin. The effect of environmental temperature on growth performance, nutrient digestibility and heat production in pigs[J]. Heilongjiang Animal Science and Veterinary Medicine, 2017(17): 136-138. (in Chinese with English abstract)

[21] 田宗祥，郭志明，张玲清. 环境温度对猪采食量的影响研究进展[J]. 国外畜牧学(猪与禽)，2017，37(9)：38-39.

Tian Zongxiang, Guo Zhiming, Zhang Lingqing. Research progress of the effect of ambient temperature on feed intake of pigs[J]. Animal Science Abroad(Pigs and Poultry), 2017, 37(9): 38-39. (in Chinese with English abstract)

[22]王浩云，宋进，潘磊庆，等. 优化BP神经网络提高高光谱检测调理鸡肉菌落总数精度[J]. 农业工程学报，2020，36(5)：302-309.

Wang Haoyun, Song Jin, Pan Leiqing, et al. Improving hyperspectral detection accuracy of total bacteria in prepared chicken using optimized BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(5): 302-309. (in Chinese with English abstract)

[23]陈啸，王红英，孔丹丹，等. 基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型[J]. 农业工程学报，2016，32(14)：306-314.

Chen Xiao, Wang Hongying, Kong Dandan, et al. Quality prediction model of pellet feed basing on BP network using PSO parameters optimization method [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 306-314. (in Chinese with English abstract)

[24] 刘雪，李亚妹，刘娇，等. 基于BP神经网络的鲜鸡蛋货架期预测模型[J]. 农业机械学报，2015，46(10)：328-334.

Liu Xue, Li Yamei, Liu Jiao, et al. BP neural network based prediction model for fresh egg's shelf life[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(10): 328-334. (in Chinese with English abstract)

[25] 李平. 基于SA-PSO的Plug-In混合动力汽车模糊控制策略优化研究[D]. 济南：山东大学，2017.

Li Ping. Optimization Research on Fuzzy Control Strategy for a Plug-In Hybrid Vehicle Based on SA-PSO Algorithm[D]. Jinan: Shandong University, 2017. (in Chinese with English abstract)

[26] 尹航，吕佳威，陈耀聪，等. 基于LightGBM-SSA-ELM的新疆羊舍CO2浓度预测[J]. 农业机械学报，2022，53(1)：261-270.

Yin Hang, Lu Jiawei, Chen Yaocong, et al. Prediction of CO2concentration in Xinjiang breeding environment of mutton sheep based on LightGBM-SSA-ELM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1): 261-270. (in Chinese with English abstract)

[27] 张天亮，张东兴，崔涛，等. 基于支持向量机和ReliefF算法的玉米品种抗倒伏预测[J]. 农业工程学报，2021，37(20)：226-233.

Zhang Tianliang, Zhang Dongxing, Cui Tao, et al. Lodging resistance prediction of maize varieties based on support vector machine and ReliefF algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 226-233. (in Chinese with English abstract)

[28] 施珮，匡亮，袁永明，等. 基于改进极限学习机的水体溶解氧预测方法[J]. 农业工程学报，2020，36(19)：225-232.

Shi Pei, Kuang Liang, Yuan Yongming, et al. Dissolved oxygen prediction for water quality of aquaculture using improved ELM network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 225-232. (in Chinese with English abstract)

[29] 张校军，王华，龙沈飞，等. 定点送风降温对母猪周围温度和对流换热的影响[J]. 农业工程学报，2022，38(5)：225-232.

Zhang Xiaojun, Wang Hua, Long Shenfei, et al. Effects of fixed-point air supply cooling system on airflow and temperature around sows and convective heat transfer of sows[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(5): 225-232. (in Chinese with English abstract)

[30] 吴志东，房俊龙，巴文革，等. 冬季采暖保育猪舍送排风管道组合换气系统设计与评价[J]. 农业工程学报，2021，37(10)：152-158.

Wu Zhidong, Fang Junlong, Ba Wenge, et al. Design and evaluation of combined ventilation system with air supply and exhaust ducts for a nursery heating piggery in winter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(10): 152-158. (in Chinese with English abstract)

[31] 刘营芳，黄子硕. 基于辐射供热和个性化送风的分娩猪舍环境保障系统[J]. 农业工程学报，2022，38(2)：260-268.

Liu Yingfang, Huang Zishuo. Thermal environment regulation and energy consumption of delivery pigsty based on radiation and personalized ventilation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(2): 260-268. (in Chinese with English abstract)

[32] Marco B, Enrica S, Alberto B, et al. Assessment of geometrical and seasonal effects on the natural ventilation of a pig barn using CFD simulations[J]. Computers and Electronics in Agriculture, 2022, 193: 106652.

Environmental quality evaluation method for swine gestation barns based on multi-source information fusion

Chi Yu1, Guo Yanjiao1, Feng Han1, Li Han2, Zheng Yongjun1,3※

(1.,,100083,; 2.,,100083,;3.(),100083,)

Environmental quality of swine gestation barns can bring a significant impact on the fertility of breeding sows. Therefore, it is crucial to accurately evaluate the environmental quality and then timely trim the conditions, particularly for high breeding efficiency under less environmental stress. In this study, an environmental quality evaluation model of swine gestation barns was proposed using the Simulated Annealing-Particle Swarm Optimization-Least Absolute Shrinkage and Selection Operator-Back Propagation (SA-PSO-LASSO-BP) Neural Network (NN). Firstly, nine parameters were identified using the Chinese National Criteria. A data collection system was then established to collect the environmental data. Secondly, a Kalman filter and a batch estimation adaptive weighted fusion algorithm were introduced to fuse the multi-node environmental data, in order to remove the errors and redundant data from the data collection. Thirdly, a Least Absolute Shrinkage and Selection Operator (LASSO) regression model was selected for the feature selection. There were four feature factors that were closely related to environmental quality, including temperature, relative humidity, NH3concentration, and CO2concentration. Meanwhile, the structural parameters were optimized in the BP-NN , where the number of hidden layer nodes was determined to be 11. Finally, the initial weights and threshold values of the BP NN were optimized by the SA-PSO for the ultimate evaluation model. A comparison was made on the several NNs to verify the evaluation performance of the SA-PSO-LASSO-BP NN, including the BP, LASSO-BP, Genetic Algorithm-LASSO-BP (GA-LASSO-BP), Sparrow Search Algorithm-LASSO-BP (SSA-LASSO-BP), and the PSO-LASSO-BP NN. The training results proved that the convergence accuracy and rate of the SA-PSO-LASSO-BP network were significantly improved by the feature selection with the LASSO regression model. The number of iterations and the network errors of the LASSO-BP NN decreased by 29.9% and 17.78%, respectively, compared with the BP NN. In terms of feature selection, the SA-PSO algorithm implemented by the SA-PSO-LASSO-BP NN was utilized to optimize the initial weights and thresholds of the network, in order to further improve the convergence accuracy and rate of the model. Compared with the PSO-LASSO-BP NN, the number of iterations, running time, and network error were reduced by 54.43%, 17.24%, and 8.33%, respectively. The validation test indicated that the best performance of the model was achieved, with the coefficient of determination (2) of 0.918, an overall accuracy of 95.85%, the Mean Absolute Error (MAE) of 0.037, and the Root Mean Squared Error (RMSE) of 0.176. Consequently, the SA-PSO-LASSO-BP NN model can better fit the nonlinear relationship between complex environmental factors and environmental quality. The finding can serve as a strong reference for the environmental quality evaluation of swine gestation barns.

models; environment; swine gestation barns; environmental quality; BP neural network; Least Absolute Shrinkage and Selection Operator (LASSO) algorithm; Simulate Anneal-Particle Swarm Optimization (SA-PSO) algorithm

10.11975/j.issn.1002-6819.2022.18.023

TU264+. 3

A

1002-6819(2022)-18-0212-10

迟宇，郭艳娇，冯涵，等. 采用多源信息融合的妊娠猪舍环境质量评价方法[J]. 农业工程学报，2022，38(18)：212-221.doi：10.11975/j.issn.1002-6819.2022.18.023 http://www.tcsae.org

Chi Yu, Guo Yanjiao, Feng Han, et al. Environmental quality evaluation method for swine gestation barns based on multi-source information fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 212-221. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.023 http://www.tcsae.org

2022-08-05

2022-09-07

国家重点研发计划项目（2016YFD0700204）

迟宇，研究方向为图像与信息处理技术。Email：selivia0328@163.com

郑永军，博士，教授，博士生导师，研究方向为农业智能技术与装备。Email：zyj@cau.edu.cn