文献类型：期刊文章

作　　者：尹航[1] 吕佳威[1,2] 陈耀聪[1,3] 岑红蕾[4] 李景彬[4] 刘双印[1,5]

YIN Hang;L Jiawei;CHEN Yaocong;CEN Honglei;LI Jingbin;LIU Shuangyin(College of Information Science and Technology,Zhongkai University of Agriculture and Engineering,Guangzhou 510225,China;Information Technology Research Center,Beijing Academy of Agricultural and Forestry Sciences,Beijing 100097,China;Guangdong Provincial Agricultural Products Safety Big Data Engineering Technology Research Center,Guangzhou 510225,China;College of Mechanical and Electric Engineering,Shihezi University,Shihezi 832003,China;Guangzhou Key Laboratory of Agricultural Products Quality and Safety Traceability Information Technology,Zhongkai University of Agriculture and Engineering,Guangzhou 510225,China)

机构地区：[1]仲恺农业工程学院信息科学与技术学院,广州510225 [2]北京市农林科学院信息技术研究中心,北京100097 [3]广东省农产品安全大数据工程技术研究中心,广州510225 [4]石河子大学机械电气工程学院,石河子832003 [5]仲恺农业工程学院广州市农产品质量安全溯源信息技术重点实验室,广州510225

出　　处：《农业机械学报》

基　　金：国家自然科学基金项目(61871475);广东省自然科学基金项目(2021A1515011605);现代农业机械兵团重点实验室开放项目(BTNJ2021002);广州市创新平台建设计划项目(201905010006);广州市重点研发计划项目(20210300003);广东省科技厅重点领域研发计划项目(2020B0202080002)。

年　　份：2022

卷　　号：53

期　　号：1

起止页码：261-270

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为减少肉羊集约化养殖过程中因环境恶化产生的应激反应,精准调控CO_(2)质量浓度,提出了基于分布式梯度提升框架(LightGBM)、麻雀搜索算法(SSA)融合极限学习机(ELM)的CO_(2)质量浓度预测模型。首先利用LightGBM筛选出与CO_(2)质量浓度相关的重要特征,降低预测模型的输入维度;然后选择Sigmoid为激活函数,使用具有较强非线性处理能力的单隐含层ELM神经网络算法构建CO_(2)质量浓度预测模型;最后通过麻雀智能优化算法对ELM模型中所需要的超参数进行优化,并将优化后模型应用于新疆玛纳斯集约化肉羊养殖基地。试验结果表明,该模型预测均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R^(2))分别为0.0213 mg/L、0.0136 mg/L和0.9886,综合性能指标优于支持向量回归(SVR)、反向传播神经网络(BPNN)、长短记忆神经网络(LSTM)、门限循环单元(GRU)和LightGBM等;CO_(2)质量浓度预测曲线贴近真实曲线,具有良好的预测效果,能有效满足集约化肉羊养殖过程中CO_(2)质量浓度精准预测及调控要求。

关 键 词：羊舍 集约化养殖 CO_(2)质量浓度预测  极限学习机 麻雀搜索算法  分布式梯度提升框架  

分 类 号：TP391]