基于随机森林回归的鱼饲料颗粒密度预测方法

2022-08-24邢书青

广东蚕业 2022年7期

邢书青

邢书青

（郑州黄河鲤种质资源保护工作站河南郑州450000）

文章针对现有预测方法对鱼饲料颗粒密度预测精度低的问题，引入随机森林回归，开展对其预测方法的设计研究。通过鱼饲料密度特征数据选取，以鱼饲料颗粒压制过程中的压缩比和压制速度等为特征数据，将获取到的原始特征数据进行预处理；基于随机森林回归，建立预测模型，结合模型输出结果实现对鱼饲料颗粒密度的预测。采用对比实验的方式将基于随机森林回归的预测方法与基于响应面法的预测方法对鱼饲料颗粒密度的预测结果进行对比，得出基于随机森林回归的预测方法预测精度更高，可为鱼饲料颗粒压制质量提升提供重要的数据依据。

随机森林回归；密度；方法；预测；颗粒；鱼饲料

为保证饲料的适口性，提高饲料的消化率，需要对饲料加工工艺进行更为科学合理的设计。在这一过程中，饲料颗粒处理品质包括对饲料颗粒尺寸的控制、含水率以及粉化率等参数评价。鱼类与其他畜禽类动物相比，其消化器官更加简单且长度更短[1]。通常情况下，鱼的消化道长度仅为猪的10％，而鱼的进食和生活环境也与其他动物有很大的差异。因此，基于这一特征，要求鱼饲料应当更加容易消化，且其颗粒大小、形状等都需要适应鱼的大小、种类[2]。饲料的颗粒密度直接关系到饲料的品质，影响饲料的产量、外观及其消化吸收。鱼粉的粒度是衡量鱼粉品质的一个重要标准。通过已有大量研究可知，对鱼饲料密度造成影响的因素主要包括工艺及参数、成型设备、饲料原料与配比等，但目前有关鱼饲料颗粒密度的研究相对较少，在对其密度的预测方面更是极少涉及[3]。因此，本文基于上述论述，在明确鱼饲料颗粒密度重要性的基础上，引入随机森林回归开展对鱼饲料颗粒密度预测方法的设计研究。

1 鱼饲料密度特征数据选取与预处理

在选择鱼饲料密度特征的时候，考虑到影响密度的因素，选择相关、信息量大、存在差异的特征，并以此来构建未来的预测模型[4]。在对特征数据进行提取时，还需要对原始特征数据进行转化，使其成为模型能识别的数据，从而便于后续预测模型的运算。通过对鱼饲料颗粒压制整个过程进行探究，明确对其密度产生影响的特征数据包括压制速度、压制比，其中压制比又会对鱼饲料颗粒压制装置的有效孔深产生一定影响，即压缩比越大，则装置的有效孔深越深，反之，压缩比越小，则装置的有效孔深越浅[5]。在压制过程中，环模压缩比的范围规定在1∶10～1∶18范围内，因此鱼饲料密度特征当中压缩比特征数据的取值也为1∶10～1∶18。挤压机的压力速度会对挤压鱼粉物料的挤压时间和流速产生影响，通常情况下，压制装置的压制速度可设定为2 mm/s、4 mm/s、6 mm/s、8 mm/s和10 mm/s，共5个不同水平，因此，压制速度特征数据的取值同上。结合获取到的鱼饲料密度特征数据，确定鱼饲料颗粒密度与压缩比和压缩速度之间存在以下二阶响应面回归关系：

公式（2）中，每一行均表示在同一时间各个相关特征的实际测量结果，每一列均表示某一相同特征的样本数量；表示数量，表示与鱼饲料颗粒密度相关的特征数值。根据上述公式，对原始特征数据进行预处理，为后续预测模型的建立提供重要依据。

2 建立基于随机森林回归的预测模型

将上述经过预处理得到的矩阵直接作为随机森林回归预测模型的输入，利用Bootstrap对样本进行重新采集，并生成样本子集，同时产生相应的OOB数据。在森林当中，针对每一个节点都需要完成对个特征数据的采集，同时该节点还需要进行不断分裂。根据分裂结果，建立多个对鱼饲料颗粒密度预测的模型，利用OOB数据对其OOB误差进行计算[6]。最后，对多个模型输出的结果取平均值作为最终预测模型的输出结果。根据上述论述，基于随机森林回归的预测模型表达式如式（3）。

公式（3）中，表示预测模型输出的预测结果，表示示性函数，表示随机森林中决策树给出的预测数据结果，表示常数。在上述预测模型运行的过程中，完成对样本子集的采集后，各个节点开始分裂，并重新对分裂的节点进行特征选择，同时判断其是否可继续分裂。在所有节点均分裂完毕后，生成最终的回归决策子树，并对其OOB误差进行计算。在预测模型运算中，决策子树的数量和随机选择的特征分裂个数都会对最终预测结果造成一定影响。由于不能够直接将预测模型中各个决策树的预测结果作为直接结果，因此在模型运行的最后一步增加交叉验证环节，通过泛化计算将泛化误差不在允许范围内的数值去除，仅针对剩余部分数据进行求均值计算，以此完成对基于随机森林回归的预测模型的构建。

3 模型预测结果输出

在完成对预测模型的构建后，再将其应用到具体环境当中针对鱼饲料颗粒密度进行预测时，为确保模型输出结果的预测精度更高，需要利用平均相对误差（MeanRelativeError, MRE）对输出结果进行检验，其公式如式（4）。

4 对比实验与结果分析

4.1 实验准备

本文在已有研究的基础上，引入一种随机森林回归模型，提出了一种针对鱼饲料密度预测的方法，为验证这一方法的实际应用可行性，选择以某鱼饲料颗粒压制装置作为实验设备，利用该设备完成对鱼饲料的压制，并利用前述方法对其密度进行预测。鱼饲料颗粒压制装置的型号为RZ-KLJ-120，外形尺寸为480 mm×635 mm×1 100 mm，重量为250 kg。为使实验具有可比性，以基于响应面法的预测方法为对照，利用该预测方法对压制后的鱼饲料颗粒密度进行预测，对比两种方法得到的预测结果。

本次研究选择制备的鱼饲料为鲫鱼饲料，为确保实验的客观性，在利用两种预测方法对其密度进行预测时，均针对按照表1鱼饲料配方压制的饲料的密度进行预测。

表1鲫鱼饲料压制配方记录表

序号成分含量（1）鱼粉28.5 g （2）43％蛋白豆粕78.5 g （3）棉粕286.5 g （4）双低菜粕220.0 g （5）全脂米糠125.0 g （6）小麦122.0 g （7）油菜籽25.0 g

按照表1中所示的配方，利用饲料颗粒压制装置完成对鱼饲料的制备。以此为基础，开展实验测试环节。

4.2 对比实验分析

在实验过程中，对比在不同压制速度下两种预测方法对鱼饲料颗粒密度的预测精度。为确保实验的客观性，鱼饲料颗粒的实际密度可通过公式（5）计算得出平均密度数值。

表2两种预测方法的预测精度对比

序号压制速度实际颗粒密度本文预测方法预测结果对照组预测方法预测结果（1）2 mm/s1.12 g/cm31.12 g/cm31.26 g/cm3 （2）4 mm/s1.10 g/cm31.11 g/cm31.25 g/cm3 （3）6 mm/s1.09 g/cm31.08 g/cm31.30 g/cm3 （4）8 mm/s1.05 g/cm31.06 g/cm31.18 g/cm3 （5）10 mm/s1.02 g/cm31.02 g/cm31.16 g/cm3

从表2中记录的实验数据可以看出，本文预测方法在第1组、第5组得出的预测结果与实际颗粒密度完全一致，而其他组得到的预测结果与其相差也均在±0.01 g/cm3以内；对照组预测方法得出的预测结果与实际颗粒密度在5组实验数据中均表现为相差较大。因此，通过上述得出的实验结果能够初步证明，本文提出的预测方法在实际应用中可在装备压制速度不断变化的过程中，实现对鱼饲料颗粒密度的高精度预测。

在实际对鱼饲料颗粒进行压制的过程中，压缩比也会在一定程度上影响到饲料颗粒压制装置的有效孔深，进而对鱼饲料颗粒密度产生影响。因此为进一步验证上述两种预测方法的预测精度差异，选择将压缩比作为变量条件，对不同压缩比条件下两种预测方法的预测精度进行比较。RZ-KLJ-120型号鱼饲料颗粒压制装置的压缩比从1∶10到1∶18不等，其分别对应的有效孔深如表3所示。

表3RZ-KLJ-120型号压制装置不同压缩比与有效孔深

序号压缩比有效孔深（1）1∶1022.5 mm （2）1∶1223.6 mm （3）1∶1427.8 mm （4）1∶1630.2 mm （5）1∶1832.5 mm

结合表3中所示的数据，同样按照公式（5）完成对鱼饲料颗粒实际密度的计算，并将两种预测方法得出的预测结果与其进行比较，为更直观地对比，绘制如图1所示的实验结果。

图1　两种预测方法预测精度对比结果

由图1可知，本文提出的预测方法所得预测曲线能够通过全部5个节点，说明预测结果与实际鱼饲料颗粒密度一致，而对照组预测方法得出的预测曲线在压缩比为1∶10、1∶14和1∶18时均未通过实际密度节点，因此其预测精度明显不如本文提出的方法。通过上述实验结果能够综合证明，在引入随机森林回归的基础上提出的预测方法，可在不同压制速度和压缩比条件下，实现对鱼饲料颗粒密度的高精度预测。