目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1 课题研究意义 1
2 国内外研究现状 1
2.1 国内研究方法现状 1
2.2 国外研究方法现状 2
3 研究内容 3
4 论文组织结构安排 3
第二章 数据及预处理 5
1 实验数据 5
1.1 实验环境 5
1.2 数据集描述 6
2 数据预处理 7
2.1 删除重复值 7
2.2 填写缺失值 7
2.3 偏差值处理 7
2.4 数据格式转换 7
2.5 归一化 7
第三章 基于PSO优化DNN的预测模型搭建 8
1 神经网络 8
1.1 神经元 8
1.2 激活函数 8
1.3 神经网络（NN） 11
2 深度神经网络（DNN） 12
3 基于PSO算法优化的DNN模型 13
3.1 粒子群优化算法（PSO） 13
3.2 惯性权重线性递减的粒子群算法（PSOW） 13
3.3 带收缩因子的粒子群算法（PSOX） 14
3.4 基于惯性权重线性递减的粒子群优化算法的DNN预测模型 14
第四章 结果与讨论 16
1模型参数设置 16
2模型预测结果展示 16
3模型预测能力评价 20
第五章 结论与展望 21
1结论 21
2展望 21
参考文献 22
致 谢 24
基于多点监测和机器学习的冬季鸡舍氨气浓度预测模型研究
摘 要
冬季气候导致鸡舍长时间无法通风，使室内氨气浓度持续升高，进一步形成了黄羽鸡健康率低下和死亡率较高的问题。针对这种现象，一些养殖公司已经逐渐重视并采取了措施。但是，鸡舍中氨气浓度监测和预测的知识具有一定缺失。在本文中，使用机器学习模型来预测冬季黄羽鸡鸡舍中的氨气浓度。经过分析，对 *51今日免费论文网|www.51jrft.com +Q: ^351916072* 
氨气产生的数据进行非线性变换，不可能用普通函数直接进行预测和计算。自动检测技术设备是在氨气浓度达到一定水平时打开风机通风操作，以在保证室内空气温度的前提下为黄羽鸡提供动态的最佳环境。当前，大多数深度神经网络（DNN）算法可以处理复杂的非线性预测问题，并可以对海量数据执行非线性拟合。因此，本文采用具有线性递减惯性权重的粒子群优化算法（PSOX）来优化传统的深度神经网络，并建立一个神经网络模型来预测鸡舍中的氨浓度。将鸡舍中六个氨气监测点的数据同时放入模型中，以预测氨气浓度数据。结果表明，基于PSOX算法优化的DNN深度学习算法的预测模型优化了对鸡舍氨气浓度预测的精度。在鸡舍中的应用可以有效地预测未来的氨气浓度，并对系统进行准确，快速的控制。

原文链接：http://www.jxszl.com/dzxx/dzdq/609051.html