买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽农业大学

摘要：本发明属于农业信息处理领域，具体是融合共振稀疏Transformer网络的猪舍温度预测方法，利用共振稀疏分解方法对各个温度采集测点的温度序列数据进行分解，得到各个温度采集测点的低频温度趋势序列与高频波动序列；对各个低频温度趋势序列进行预测，得到各个温度采集测点的低频温度预测序列；对各个高频波动序列进行预测，得到各个温度采集测点的高频温度预测序列；将低频温度预测序列与高频温度预测序列求和计算，得到最终各个温度采集测点的温度预测数据，进而对猪舍环境进行调控。本发明考虑了集约化猪舍温度序列数据的低频走势与高频振荡特性，可有效捕捉时间序列数据中的长期依赖关系，计算复杂度低，预测精度高。

主权项：1.融合共振稀疏Transformer网络的猪舍温度预测方法，其特征在于，该方法包括以下步骤：步骤S1：在猪舍内设置多个温度采集测点，拾取各个温度采集测点的温度序列数据；步骤S2：利用共振稀疏分解方法对各个温度采集测点的温度序列数据进行分解，得到各个温度采集测点的低频温度趋势序列与高频波动序列；步骤S3：利用Transformer网络模型方法对各个低频温度趋势序列进行预测，得到各个温度采集测点的低频温度预测序列；步骤S4：利用卷积神经网络的双向长短时记忆网络CNN-BiLSTM模型对各个高频波动序列进行预测，得到各个温度采集测点的高频温度预测序列；步骤S5：将低频温度预测序列与高频温度预测序列求和计算，得到最终各个温度采集测点的温度预测数据，同时计算预测时间序列与实际时间序列的误差，对预测模型的超参数进行实时调整；步骤S6：根据各个温度预测数据，对猪舍环境进行调控；步骤S3具体包括：步骤S31：Transformer模型由模型编码器Encoder和模型解码器Decoder组成；其中，模型编码器Encoder包括向量位置编码、多头自注意力机制、残差连接与网络层归一化处理与前馈神经网络；模型解码器Decoder包括掩码多头自注意力机制、前馈神经网络、全连接层；步骤S32：在模型编码器Encoder中，向量位置编码用来对输入序列X中的每个位置添加标记信息，区分输入序列的不同位置与顺序；步骤S33：在模型解码器Decoder中，使用通过创建掩码矩阵将未来位置构造掩码多头自注意力机制，使得未来位置的注意力得分置为无穷小，使当前元素只与历史元素产生联系；在步骤S32中：步骤S321：使用sin和cos函数的线性变换提供模型位置信息，具体操作为： （5）；式（5）中，为输入序列的位置，如=0，1,2,…,N；为序列维度；和表示序列维度的奇偶性；为嵌入空间维度的大小；步骤S322：在模型编码器Encoder中，多头自注意力机制使用多个并行的自注意力机制，单个自注意力机制通过学习不同的权重，捕获子空间的信息，具体操作为：根据向量位置编码添加位置编码后的向量，通过三个权重矩阵：查询矩阵，键矩阵和值矩阵，分别转变为自注意力机制所需的向量Q、向量K与向量V： ，，，其中，为添加过位置编码之后的输入向量；步骤S323：使用点积法计算输入序列中每个元素间的相关性得分：Score=Q*KT；将每个元素间的相关性得分进行归一化处理：，其中，为向量K的维度；通过Softmax函数，将位置编码后的向量中的每个元素间的得分向量转换成[0,1]之间的概率分布，计算公式为： （6）；步骤S324：多头注意力机制使用多组权重矩阵,,，得到多组所需的向量Q，向量K与向量V，得到多个头的输出被连接在一起进行线性变换矩阵Z： （7）；式（7）中，,,为第i个向量Q,K与V；为注意力头权重矩阵；步骤S325：残差连接与网络层归一化处理为：在上一步经过多头注意力机制输出后，进行残差连接操作与网络层归一化操作；步骤S326：前馈神经网络为一个两层的神经网络，先进行线性变换，然后进行ReLU非线性变换，再进行线性变换，具体为： （8）；式（8）中，为前一层的输出，与为前馈神经网络的权重系数，与为前馈神经网络的偏置，最后利用残差连接方式连接各层。

全文数据：

权利要求：

百度查询： 安徽农业大学 融合共振稀疏Transformer网络的猪舍温度预测方法