基于线性回归与GRNN的禽畜养殖场数据处理

摘要

禽畜养殖场环境的智能化测量和控制技术是21世纪禽畜养殖业发展的一个重要方向，它将推动粗放型低效禽畜养殖业向知识型、技术型、现代化的高效禽畜养殖业转变。与国外发达国家相比，我国的禽畜业生产水平还比较落后。为了提高禽畜生产的产量和效率，近年来，我国的禽畜养殖业正朝着规模化和工厂化的方向发展。这种饲养方式造成了各种有害气体的大量产生、聚集和挥发，对周围环境造成严重污染。为此，研究禽畜养殖场有害气体的排放、检测与控制问题已引起各国农业和环保部门以及学术界的广泛关注。 本文针对目前禽畜养殖场环境污染问题，提出了有害气体浓度缺失数据的恢复性估算方法。针对因传感器故障而失真的数据，考虑对某一有害气体测量值的时间、空间和环境等多种影响因素，通过多个传感器监测有害气体浓度、环境温度和湿度等参数，采用多元线性逐步回归和基于广义回归神经网络的数据融合方法对连续采样数据中的缺失部分进行恢复性估算。在变量的选择上对影响有害气体浓度的诸多因子利用散点图进行了分析，找出了对有害气体浓度影响显著的因子，在此基础上，分别研究了基于多元线性回归和广义回归神经网络的数据估算方法，并编写了相应的软件，实现了缺失数据的恢复性估算。所研究的方法不仅解决了实际问题，而且从理论上分析了所用方法的科学性和合理性。本文以氨气浓度数据处理为例，对美国一饲养场采集到的某三天氨气浓度历史数据进行分析处理。通过实验数据的处理表明，数理统计的逐步回归算法估算结果最大相对误差为9.37％；广义回归神经网络的估算结果显示最大相对误差为9.80％，可见这两种方法估算值与实际测量值之间的误差很小，且算法容易实现，能够将数据恢复到预期的精度。该研究为准确地计量有害气体排放量提供了可靠的依据，从而采取措施对有害气体排放进行控制。

目录

文摘

英文文摘

学位论文版权使用授权书及声明

第1章绪论

1.1国内外禽畜养殖场有害气体研究现状

1.2多元线性回归方法和广义回归神经网络的发展概况

1.2.1多元线性回归方法的发展概况

1.2.2广义回归神经网络的发展概况

1.3本文的主要研究工作

1.4本文研究的意义

第2章利用多元线性回归估算有害气体浓度

2.1多元线性回归分析

2.1.1线性回归分析简介

2.1.2多元线性回归模型

2.1.3回归方程的检验

2.1.4回归预测原理

2.2禽畜养殖场有害气体分析回归方程的优选

2.2.1回归方程自变量选取方法简介

2.2.2回归算法的选定

2.2.3逐步回归算法的数学模型

2.3有害气体浓度数据的处理

2.3.1数据的采集与预处理

2.3.2数据估算与分析

2.4本章小节

第3章改进型径向基神经网络

3.1 RBF神经网络

3.2正则化理论

3.3正则化网络模型

3.4 RBF网络的变形

3.4.1广义RBF网络

3.4.2广义回归神经网络

3.5本章小结

第4章利用基于神经网络的数据融合法估算有害气体浓度

4.1数据融合方法

4.1.1数据融合的定义

4.1.2数据融合的基本原理

4.1.3数据融合的特点

4.1.4数据融合主要过程

4.2基于GRNN神经网络的数据融合方法

4.2.1基于神经网络的数据融合

4.2.2基于GRNN的数据融合方法在有害气体数据处理中的应用

4.3本章小结

第5章数据处理软件设计

5.1数据处理软件概述

5.2数据处理软件设计的注意事项

5.3 Visual Basic简介

5.4有害气体浓度数据处理软件设计

5.4.1有害气体浓度数据的显示

5.4.2氨气浓度数据的筛选

5.4.3估算数据误差比较

5.5本章小结

第6章结论与展望

6.1本文主要完成的工作

6.2后续工作展望

参考文献

致谢

攻读硕士期间发表的论文