基于LSTM神经网络的肉牛动态称重算法研究

发布时间：2025-07-01 23:59

　　 为了解决肉牛称重过程存在现场操作困难、耗费人力物力以及近距离接触存在安全健康隐患等问题,试验采用人工神经网络构建动态称重模型,分析了BP神经网络算法实际应用存在的问题及原因,采用LSTM网络开展牛只行走动态称重时间序列训练及测试,依据误差分析对算法进行改进。结果表明:改进后的算法提高了动态称重预测结果的精度,最大误差为2.4 kg(1.70%),最小误差为0.1 kg(0.04%),所有测试数据的平均误差为0.70%,符合实际称重需求。说明试验采用的LSTM动态称重算法适用于实际生产,具有较强的实际应用价值。

【文章页数】：6 页

【部分图文】：

图2 LSTM单元结构

长短期记忆网络(longshorttermmemorynetwork,LSTM)是递归神经网络(recurrentneuralnetwork,RNN)的进一步发展。RNN网络只考虑最近时刻的状态,通过双曲正切函数(tanh)控制过去的输出与当前的输入。LSTM网络在其....

图3 LSTM网络结构

LSTM神经网络模型的输入为地磅四脚压力传感器连续采集量,目标值为牛只静态重量值,计算程序外部输入量为空称重量,采用Sigmoid激活函数。选取80头肉牛数据作为训练集,采用Sigmoid激活函数,牛只重量范围为130.0～440.5kg,将此范围的数据转化在[01]区间,保....

图4 LSTM模型训练迭代次数与目标值的均方误差

模型训练迭代次数与目标值的MSE见图4。由图4可知:模型训练前100次迭代过程中,LSTM网络输出数据与真值均方误差快速下降,随后迭代过程中MSE下降变缓,230次迭代后误差保持不变。随着训练次数的增加模型预测准确率逐渐提升,输出值与真值的拟合程度趋向最佳。

图7 动态称重程序流程

综合上述模型构建及处理过程,将数据输入到训练好的模型中,去除牛只交替时的采样点,并对牛只拟合值取平均值,获取牛只重量预测值。动态称重的程序流程见图7。2.2.4LSTM模型验证及误差分析

本文编号：4054900