浅析肉鸡采食量下降的原因

肉鸡饲养以其生长期短，出栏时间快，经济效益比较可观等优点迅速发展。如果饲养过程中出现不当的情况，如采食量下降会造成经济损失，本文将原因浅析如下。1环境因素 舍室温度过低，刚人栏的肉鸡不能适应育雏室的低温环境，就会引起采食量下降。如：王家某一养殖户饲养的一千只肉鸡，人雏时表现活泼好动，饮水开食都表现正常，     

肉鸡采食量变化的信号与管理

<正>肉鸡采食的目的是为了满足能量需要,同时也为了产生饱感。采食量受多种因素影响,包括肉鸡的体形和年龄、环境温度、活动性、繁殖周期的阶段、食物的外观和滋味等因素。1采食量变化的主要影响因素1.1营养因素在正常情况下,代谢能增加,采食量下降。饲料合理均衡的营养浓度是决定采食量的前提。在非热应激条件下降低饲料营养浓度,鸡能够通过增加采食量来确保摄入足够的营养物质。相对低营养浓度饲料配方的关键为营养均衡,营养素消化利用     

基于音频特性的西瓜成熟度无损检测技术研究

目前西瓜的成熟度的鉴定仍然采用传统的算、看、听、测等方法,这些方法都难以对西瓜成熟度做出精确判断,本文通过分析不同成熟度西瓜样本的拍击音频信号,借鉴国内外的先进技术和经验,提取了和西瓜成熟度密切相关的几种特征,并从中找出1个相关性最高的特征-通带能量向量完成对西瓜成熟度的无损检测。     

肉鸡饲养后期快速育肥技术

加快肉鸡的后期育肥速度,对显著提高饲养效益具有重要的意义。笔者结合近年来的实践与各地经验,现将加快肉鸡后期育肥出栏速度的相关技术介绍如下。     

基于高光谱技术的细菌生物被膜分类检测

针对现有生物被膜检测方法耗时、费力、低效的问题,以大肠杆菌、金黄色葡萄球菌、沙门氏菌为例,研究荧光高光谱技术对不同细菌生物被膜进行种类识别和成膜能力评价的可行性。采集细菌生物被膜样本荧光高光谱图像,并基于5种方法预处理后的光谱数据建立支持向量机分类（support vector classification machine,SVC）和偏最小二乘判别分析（partial least squares discriminant analysis model,PLS-DA）细菌被膜分类检测模型。利用连续投影算法（successive projections algorithm,SPA）、竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）分别提取特征波长并建立相应简化模型。结果显示：细菌生物被膜种类识别全波长和特征波长模型中SVC性能均优于PLS-DA,最优模型为None-SPA-SVC,校正集和预测集分类准确率均为96.67%。在细菌生物被膜成膜能力的全波长模型分类判别中,SVC算法整体上分类准确率优于PLS-DA;对于简化模型...     

基于支持向量机的农业数据分类研究

介绍了支持向量机的原理,研究了基于支持向量机的农业数据分类,结果表明应用支持向量机可以有效地提高农业数据的分类性能。     

基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究

传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。     

应用数据检索的木材检测技术统计分类及建模检测方法

以木材无损检测方法的统计分类作为样本,通过检索数据集进行数据挖掘,得到木材检测类文献及关键词关联关系;对采样数据进行了分类对比,实现了应用大数据的有限训练集对输入和输出间有效关联数据提取;对作为样本的检测法进行了木材无损检测法有效性分类分析,对检测法进行改进算法描述,提出了应用灰度变换的支持向量机建模进行木材无损检测纹理分形及逆向扫描建模。     

基于Grey-Sigmoid核函数支持向量机高光谱遥感图像分类方法研究

针对传统支持向量机方法中存在的野值噪声敏感问题,提出了一种基于紧密度的Grey-Sigmoid核函数支持向量机,不仅考虑样本与所属类中心之间的关系,还考虑了各个样本之间的距离。通过样本之间的紧密度来描述各个样本之间的关系,利用包围同一类样本的最小超球半径来衡量样本间的紧密度,样本灰度依据样本在球中的位置确定。通过对田间小麦全蚀病的遥感图像分类的实验验证,证明Grey-Sigmoid核函数和传统的Sigmoid核函数相比,计算速度更快,且精度没有明显损失。     

限饲对肉种母鸡产蛋期产蛋性能和蛋品质的影响

试验为2×2的两因子试验设计。选用23周龄高低脂系肉种母鸡各384羽,分为4个处理组,每组12个重复,每个重复16只。当产蛋率达到5%时,进行日粮处理,高低脂系母鸡分别饲喂中国鸡饲养标准(NY/T33-2004)推荐的需要量和75%的需要量。试验持续到54周龄。结果表明,饲料采食量与品系在产蛋量、蛋重上存在显著的交互作用(P0.05)。不同品系对产蛋量和破蛋率有着显著的影响(P0.05)。高脂系母鸡的产蛋量显著高于低脂系,破蛋率显著低于低脂系(P0.05)。采食量限饲显著降低了蛋重,显著提高了蛋形指数和产蛋量(P0.05)。不同品系在产蛋量、蛋重、破蛋率、蛋黄颜色上表现出不同的母体效应(P0.05)。     

基于优化的长短时记忆神经网络牧群采食量估测模型

为了能够较为精准的估测牧群的采食量信息,提出一种基于遗传算法(genetic algorithm, GA)和长短时记忆神经网络（long short-term memory,LSTM）的牧群采食量估测模型。首先通过皮尔森系数法分析得出影响牧群的采食量的主要影响因子,以减少输入维度并解决信息冗余问题。在此基础上,构建基于 LSTM 神经网络算法的牧群采食量估测模型,并引入遗传算法来优化LSTM 神经网络模型参数来增加模型的可靠性。最后,利用该模型对牧群采食量进行估测。试验结果表明：该采食量估测模型各评价指标平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、以及均方根误差（root mean square error,RMSE）分别为2.982、9.85%和6.108。与单一的LSTM神经网络以及GRU神经网络模型相比,均优于其他模型;且该模型具有较好的估测性能和较强的泛化能力,能够为合理轮牧提供科学指导,对草地保护有一定的应用价值。     

基于Adaboosting_SVM算法的多特征蛋壳裂纹识别

以无裂纹蛋和裂纹蛋为测试对象,采用机器视觉技术和支持向量机等技术手段,分析无裂纹蛋和裂纹蛋在图像上的差异,提取特征参数,实现蛋壳裂纹的自动识别;针对蛋壳表面的亮斑,对预处理后的图像运行消除亮斑算法并进行区域标记。在此基础上,从5个不同视角提取13个能够表征无裂纹蛋和裂纹蛋的特征参数,分别是图像标记区域参数(区域标记数和标记点数)、几何特征参数(长轴和短轴)、基于Freeman链码的形状参数(形状数)、纹理特征参数(均值、标准偏差、平滑度、三阶矩、一致性、熵)和频谱特性参数(最大幅值和最大相位)。采用Adaboosting算子对上述特征参数进行优化,突出影响因子较大的参数组合,作为SVM的输入向量,建立蛋壳裂纹的识别模型。结果表明:该方法对蛋壳表面的亮斑、微小裂纹及普通裂纹均具有识别能力,模型正确率达97.5%,符合蛋品企业对蛋壳裂纹检测的精度要求。     

基于声波信号递归图的鸡蛋裂纹检测

针对基于声波信号的鸡蛋裂纹检测过程中易受到噪音干扰的问题,采集运输线上敲击鸡蛋产生的声波信号,对信号进行递归图分析,采用递归定量分析提取递归图的量化特征参数,用于鸡蛋壳裂纹的分类检测。分别构建基于支持向量机(support vector machine,SVM)、反向传播神经网络模型的鸡蛋裂纹分类检测模型,对300枚鸡蛋进行检测。结果表明,SVM检测模型效果较好;在SVM模型中,完好蛋和裂纹蛋的识别率分别达93.98%和95.52%,效果理想。     

基于图像技术的玉米叶部病害识别研究

针对野外光照条件下玉米叶部病害的图像识别问题,采用Retinex算法进行图像增强,消除光照的不利影响,在R-G灰度空间中运用自动阈值法进行病斑图像分割,提取病斑的颜色、纹理及不变矩特征,并采用主成分分析和支持向量机相结合的方法进行玉米叶片常见病害的分类识别。实验结果显示,小斑病、锈病和弯孢菌叶斑病的总识别精度为90.74%。表明本研究方法在自然光照环境下可获得良好的病害识别效果,具有一定的实用价值。     

基于支持向量机的中国农业机械总动力预测

为更好地预测中国农业机械总动力的发展趋势,引入了基于支持向量机的预测方法.以1979—2008年中国农业机械总动力的统计数据为训练样本,以2009年和2010年的统计数据为检验样本,采用新陈代谢法建立了基于支持向量机的我国农业机械总动力预测模型.为了验证该方法的有效性和优越性,同时采用新陈代谢法分别建立了基于普通BP神经网络和改进的BP神经网络的预测模型.仿真预测与检验样本预测的结果表明,基于支持向量机的预测精度明显高于普通BP神经网络和改进的BP神经网络预测模型.在此基础上,计算出2011年至2015年中国农业机械总动力的预测值分别为97 859.1,103 053.7,108 480.7,112 794.7,115 096.8万kW,指出了其具有增长趋缓的变化趋势.     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

一种基于支持向量机的植物根系图像边缘检测算法(英文)

由于传统边缘检测方法中存在的比如粗糙边缘、噪声边缘和不准确边缘等缺点,因此在植物根系的研究中,采用传统的图像边缘检测方法检测出来的边缘信息都无法达到令人满意的效果。本文基于支持向量机方法给出一种新型、简单有效的边缘检测算法。基于带高斯径向基核函数的最小二乘支持向量机,得到了一簇梯度算子和相应的二阶导数算子。用所得到的边缘检测算法与Canny和Prewitt算法的性能进行了比较。仿真结果表明本文给出的算法与传统算法相比,不仅边缘检测性能得到提高,而且可以一定程度地克服噪声干扰。     

基于SVM的农机装备水平组合预测模型研究

采用支持向量机的组合预测方法,对黑龙江垦区农机装备水平进行预测。在确定单一预测模型的基础上,运用自组织神经网络方法,将权系数确定问题转化为粗糙集理论中属性重要性评价的问题;计算各单一预测方法对组合模型的依赖度、重要度和权系数;利用建立的基于支持向量机非线性农机装备水平组合预测模型,对黑龙江垦区2002—2012年农机装备水平的历史数据进行检验。误差分析表明:该模型对农机总动力、大中型拖拉机、小型拖拉机、大中型拖拉机配套机具和小型拖拉机配套机具的预测平均相对误差为0.471%、1.328%、3.738%、1.193%、3.574%,均低于各单一预测模型的平均相对误差;利用该模型对黑龙江垦区农机装备水平进行预测,到2020年拥有农机总动力999.33万kW、大中型拖拉机88 921台、小型拖拉机38 453台,大中型拖拉机与配套农机具台数比为1.51∶1,小型拖拉机与配套农机具台数比为1.68∶1。所建模型适用于黑龙江垦区农机装备水平的预测。