申请/专利权人：华南农业大学

申请日：2021-07-28

公开（公告）日：2024-04-12

公开（公告）号：CN113487107B

主分类号：G06Q10/04

分类号：G06Q10/04;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.10.26#实质审查的生效;2021.10.08#公开

摘要：本发明公开了一种基于多层径向基网络的大型动物体重自动评估方法、系统及介质，该方法包括：每层首先随机生成径向基函数中心点，再生成径向基神经元以组成径向基层，最后连接径向基层和全连接层以构建多层径向基网络模型；输入归一化的大型动物体况参数以训练多层径向基网络模型，采用损失函数优化模型的参数；利用训练好的多层径向基网络模型进行体重自动估计。本发明采用一维的大型动物体况参数进行预测其体重，基本不受动物姿态以及运动的影响，对于估计动物生重的鲁棒性较大；本发明将多层径向基网络层通过全连接层进行连接，拟合能力更高，仅在输入一维体况的情况下有较高的估计精度。

主权项：1.基于多层径向基网络的大型动物体重自动评估方法，其特征在于，包括下述步骤：根据设定的各径向基层中心点的个数，以位置随机的方式生成中心点，基于中心点生成对应的径向基核函数以及径向基神经元，通过连接全连接层调整维度以连接下一层，重复上述步骤以构造多层径向基网络模型；所述中心点是和输入数据相同维度的向量，表示在该维度空间中的一个点，初始位置随机，后续通过损失函数求导进行更新调整；所述生成中心点对应的径向基核函数以及径向基神经元的过程具体为：每个中心点随机生成径向基神经元控制数σ，以每个中心点再生成径向基神经元其中，为第k层第i个中心点，xk为第k层输入数据，σ控制径向基神经元的形状和作用范围，其初始值随机，后续通过损失函数求导进行更新调整；该层的输出数据是一个行数为该层径向基网络神经元数量，列数为1的矩阵；所述全连接层为一个行数等于径向基层输出矩阵列数的矩阵，通过矩阵相乘以调整输出数据的维度；所述径向基核函数的工作过程为：将输入的数据从低纬度映射至高纬度，对于映射到高维度的数据先依次计算出其与第k层各个中心点的欧式距离即为其中xk为映射在第k层所有径向基核上的输入数据，ci为第i个中心点，ci与xi是维度相同的一维向量；根据σ所控制的第k层第i个径向基核函数的形状并通过径向基核函数，即其中为第k层第i个径向基核函数的输出值，依次输出所有中心点的在径向基核函数作用下的反应值；连接全连接层并得到其输出其中为全连接层中第k层中第j个神经元的输出值，bk表示全连接层第k层的偏置数，表示第k层中的第j个全连接神经元的权值，然后再连接下一层径向基网络；训练多层径向基网络模型，首先将分别归一化处理后的体况参数输入多层径向基网络模型得到输出数据，将输出数据和标准数据作为损失函数的参数输入计算损失值，然后利用损失函数优化多层径向基网络模型的参数，当损失值稳定达到预期某一极小值时，即得到训练好的多层径向基网络模型；所述归一化处理具体为，将输入的体况参数与对应的体重分别进行归一化，归一化方法均相同，具体如下式： 其中x和x′分别表示归一化前某头大型动物的体况参数组成的一维向量和归一化后该头大型动物的体况参数组成的一维向量，min为理论上该大型动物各体况最小值所组成的一维向量，max为理论上该大型动物各体况最大值所组成的一维向量；所述将归一化处理后的体况参数输入多层径向基网络模型得到输出数据具体包括以下步骤：计算第k层第i个输入数据与第k层的各个神经元中心点的欧式距离 将数据通过幂级数展开：以多项式核的展开形式从低维度映射至高维度以提取更多特征信息，其中nk表示第k层的神经元个数，xk表示第k层的输入数据，表示第k层第i个神经元中心点；由最后一层全连接层调整输出数据矩阵的维度，输出当次多层径向基网络模型的估计体重y′，并进行反归一化：y＝y′Weightmax-Weightmin+Weightmin得到大型动物的估计体重，其中的Weightmax和Weightmin为该大型动物理论体重最大值和最小值；所述损失函数具体为： 该函数展开表达，得到网络通式如下： 其中，L为损失函数得出的损失值，Yi为预先测量的第i头大型动物的标准体重数据，yi为多层径向基网络估计的第i头大型动物的体重数据，N为输入多层径向基网络模型的数据量，nk表示第k层网络的神经元的数量，wk表示第k层网络的全连接层权重，xk表示第k层网络的输入，表示第k层第j个神经元的中心点；将待预测的大型动物的归一化后的体况参数结果作为输入数据，输入到训练好的多层径向基网络模型，所述多层径向基网络模型的输出即为待预测的大型动物体重估计值。

全文数据：

权利要求：

百度查询： 华南农业大学 基于多层径向基网络的大型动物体重自动评估方法、系统及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD