面向畜禽舍溫度監測數據融合算法改進研究

摘要：

在現代化大型智能畜禽養殖中，由于畜禽舍內溫度分布不均勻、傳感器采集數據效率低下等原因，無法全面、準確及時反映畜禽舍內溫度變化情況。為提高畜禽養殖溫度監測系統的性能，提出一種分層無線傳感器網絡（WSN）實時融合策略。該策略設計的無線傳感器網絡分為兩層，首先將底層傳感器采集的溫度數據利用改進的無跡卡爾曼濾波器（IUKF）進行預處理，然后融合中心利用改進蜣螂算法優化核極限學習機（IDBO-KELM）對預處理后的數據進行實時融合。試驗結果表明，在數據預處理方面改進的無跡卡爾曼濾波器能夠有效抑制畜禽舍內噪聲干擾，克服采集數據出現異常和發散現象；在多傳感器數據融合方面本文建立的IDBO-KELM算法其訓練集與測試集準確率分別是99.15%和98.12%，相較于原始算法準確率提升6.98%，數據融合用時3.36 s，保證禽畜舍內溫度監測的效率和準確性，同時減少運算時間。

關鍵詞：畜禽舍；多傳感器數據融合；環境監測；改進無跡卡爾曼濾波

中圖分類號：TP274+.2

文獻標識碼：A

Research on improvement of data fusion algorithm for temperature monitoring in livestock house

Abstract：

In large-scale modern intelligent livestock and poultry breeding， due to the uneven distribution of temperature in livestock and poultry houses and the low efficiency of sensor data collection， it is impossible to comprehensively， accurately and timely reflect the change of temperature in livestock and poultry houses. To improve the performance of temperature monitoring system in livestock breeding， a real-time fusion strategy of layered wireless sensor network （WSN） was proposed in this paper. The WSN designed by this strategy is divided into two layers. Firstly， the temperature data collected by the bottom sensor is preprocessed by an improved unscented Kalman filter （IUKF）. Then， the fusion center uses the improved dung beetle algorithm to optimize the nuclear Extreme Learning machine （IDBO-KELM） for real-time fusion of the preprocessed temperature data. The experimental results show that the improved unscented Kalman filter in data preprocessing can effectively suppress noise interference in livestock and poultry houses， overcome abnormal and divergent phenomena in collected data. In terms of multi-sensor data fusion， the IDBO-KELM algorithm established in this article has an accuracy of 99.15% in the training set and 98.12% in the test set， respectively. Compared to the original algorithm， the accuracy is improved by 6.98%， and the data fusion time is 3.36 s， ensuring the efficiency and accuracy of temperature monitoring in poultry houses while reducing computational time.

Keywords：

livestock premises; multi-sensor data fusion; environmental monitoring; IUKF

0 引言

隨著現代化畜禽養殖業發展速度不斷加快，禽畜養殖業逐步向規模化、集約化、工業化與智能化方向發展［1］。國內現階段畜禽養殖業發展水平和發達國家養殖水平相比還存在一定差距，存在養殖場內環境信息不能被精準監測，溫度調節、新風控制等環節仍需依賴人工進行操作等問題。溫度直接影響畜禽機體的熱調節［2］，是智能化畜禽養殖中最重要的環境因素。據美國國家研究委員會（National Research Council，NRC）報道，在一定范圍內氣溫每升高1 ℃，豬采食量減少40 g，在持續高溫28 ℃～35 ℃環境下，生豬日采食量較常溫時下降14%，日增質量下降21%，料重比增加0.23；若奶牛在適宜的溫度下產奶量為100%，當環境溫度分別升高到21 ℃、27 ℃、30 ℃和38 ℃時，產奶量分別下降到89%、75%、70%和27%。因此在適宜的溫度條件下養殖能使動物機體性能和健康指標達到最佳，有利于禽畜生長和繁殖，進而提高畜禽生長速度和經濟回報收益。

目前，國內外學者主要從理化統計模型和算法分析兩方面對畜禽環境監測與環境指標預測進行研究［38］。楊柳［9］提出基于歷史溫濕度序列進行多尺度分析，得到溫濕度的變化規律曲線，利用支持向量機預測出下一時刻豬舍內溫濕度值。謝秋菊等［10］對影響豬舍溫濕度相關因素結合傳感器監測到的歷史數據，構建出LSTM溫濕度預測模型，預測豬舍內溫濕度變化。曾志雄等［11］建立基于梯度提升決策樹XG-Boost的豬舍溫度預測模型，并與BPNN和LR模型進行比較，提高了溫度預測的準確度。Seo等［12］建立了完整的商業豬舍模型，研究寒冷季節豬舍內通風問題。施珮等［13］利用GA算法優化極限學習機，融合EMD分解后的水溫時序數據，對水產養殖中溫度參數建模，實現水溫系統精準監測。由此可見，無線傳感器數據融合技術因其適應性強，適用范圍廣等特點在面向畜禽養殖環境監測中十分重要，其中對養殖環境溫度進行精準監測可極大提高畜禽生產率，有利于養殖行業的可持續發展。

上述采用各類預測模型對畜禽舍環境因素進行研究，但對環境因素預測時幾乎很少考慮到傳感器本身易受噪聲等各類外部環境因素干擾，或是受傳感器自身老化影響導致的傳感器數據采集異常使數據處理效果欠佳，從而導致預測精度降低。本文提出雙層結構無線傳感器網絡，將底層傳感器采集數據利用改進的無跡卡爾曼濾波算法進行預處理，然后在融合中心利用改進核極限學習機模型對預處理后的數據進行實時融合，實現溫度的精準監測。

1 多傳感器數據融合框架

傳感器網絡通常由感知節點、匯聚節點和區域網關三部分組成。設計的多傳感器數據融合框架如圖1所示。傳感器在感知節點處采集數據，經匯聚節點發送至區域網關，在網關處使用IUKF對原始數據進行預處理，將預處理之后的數據采用IDBO-KELM進行融合，得到融合結果并將其發送至終端進行監測。

2 基于改進無跡卡爾曼濾波的數據預處理技術

底層傳感器采集的溫度數據通常易受白噪聲、有色噪聲等外部環境因素干擾，也易受傳感器自身老化影響。以上因素會導致傳感器數據采集異常［14］，采集的數據不能真實反映當前系統工作狀況。若將異常數據傳輸到無線傳感器網絡會導致整個網絡受到污染，監測網絡陷入錯誤感知。因此，選用合理的數據預處理算法處理底層傳感器數據、優化采集數據質量十分必要。

卡爾曼濾波（KF）［15］及針對非線性系統開發的無跡卡爾曼濾波（UKF）［16］可以較好地抑制現場噪聲干擾，克服采集數據出現異常和發散現象。在實際應用中，卡爾曼濾波系列因操作簡單、性能優異成為數據預處理的首選方法。畜禽舍環境監測時，底層傳感器易受現場強噪聲污染，UKF比KF更加適用于此類環境［17］。

2.1 系統狀態模型

對底層傳感器預處理的溫度狀態用下述離散時間空間狀態模型進行描述

xd+1=Adxd+ωd d=0，1…，N（1）

式中：

xd+1——下一個時刻d+1時畜禽舍內的溫度；

Ad——系統矩陣；

ωd——系統狀態噪聲。

網絡中各傳感器的測量情況描述為

z（i，d）=C（i，d）xd+ν（i，d） i=1，2，…，N（2）

式中：

z（i，d）——第i個傳感器的溫度觀測值；

C（i，d）——輸出矩陣；

ν（i，d）——系統觀測噪聲。

2.2 基于無跡卡爾曼濾波的改進算法

UKF是一種新型的濾波估計算法，該算法利用UT變換確定樣本點均值和協方差來近似代替原始分布的均值和協方差，并通過非線性方程傳遞［18］。傳統UKF使用UT變換處理上述問題，但其采樣能力有限，會導致Sigma采樣點出現散布現象。針對UKF采樣易出現散布的問題，引入自適應比例因子，對Sigma采樣點的分布進行修正，改善Sigma點到均值點分布不均勻現象，提高無跡卡爾曼濾波器在非線性系統的濾波能力。引入自適應比例因子，得到新的采樣點更新公式

其中n+σ=3滿足高斯分布，令D（d－1）=xhi（d－1）－x-i（d－1），則

式中：

D（d－1）——每個d－1時刻Sigma采樣點到均值的距離。

D（d－1）max=max{D（d－1）（h，h），h∈I}

D（d－1）min=min{D（d－1）（h，h），h∈I}

式中：

I——所有Sigma采樣點的集合。

自適應比例因子

其中D（d－1）fusion是由D（d－1）max和D（d－1）min結合最優融合思想，得到的采樣點到均值距離的融合估計。D（d－1）fusion的表達式如式（8）所示。

對UKF中Sigma采樣點分布進行修正后，考慮到UKF其性能取決于系統噪聲的先驗知識，若系統噪聲特性未知或不準確，則濾波解會出現偏差甚至發散。其中，過程噪聲協方差矩陣和信號測量過程中噪聲協方差矩陣對濾波效果影響較大。根據現有研究，總結如下：（1）系統噪聲協方差矩陣與測量噪聲協方差矩陣均未知時，若對系統噪聲協方差矩陣與測量噪聲協方差矩陣同時進行調整，極易引起濾波結果發散［19］。（2）對系統噪聲協方差矩陣與測量噪聲協方差矩陣進行反比例調整，能提高系統估計精度且保證濾波結果不發散［20］。（3）不能同時對系統噪聲協方差矩陣和測量協方差矩陣進行實時在線估計，需在已知其中一個矩陣條件下在線估計另一個矩陣［20］。

MRUKF［21］是基于最大后驗原理計算噪聲統計的方法，該算法引入抗差因子在線調整殘差權重獲得最大后驗估計。最大后驗概率（Maximum Posterior，MP）是基于貝葉斯形式的估計方法，該方法通過最大化參數的后驗概率密度來估計參數。假設θ是未知隨機變量，z是與θ相關的測量值，p（θ|z）表示θ相對于z的條件密度函數，稱為θ的后驗概率密度。隨機變量θ的MP估計可以通過式（9）構造。

在MRUKF基礎上，僅對測量噪聲協方差矩陣進行在線估計和調整。觀測噪聲統計量的無偏MP估計

式中：

式中：

Wcs——標量權重。

最后引入遺忘因子在線調整觀測噪聲協方差矩陣，削弱歷史數據誤差積累產生的影響，提高濾波器的魯棒性能。引入遺忘因子的測量方程更新如下

式中：

λi——數據權重；

η——遺忘因子。

其中Γ（a，d）=ΛK（a，d），Λ=diag{λ1，λ2，…，λa}為遺忘因子矩陣，K（a，d）為無跡卡爾曼濾波增益矩陣。無跡卡爾曼濾波整體改進流程如圖2所示。

3 多傳感器數據融合技術

在畜禽智能化養殖行業中，神經網絡的應用尚處于起步階段，融合系統需有較高的計算精度和魯棒性。利用神經網絡進行數據融合，可以合理利用冗余數據與公共信息，提高系統融合速度。

3.1 基于神經網絡數據融合方法

神經網絡與分布式數據融合在很多方面作用相似。從結構上看，分布式融合與神經網絡均屬于多輸入多輸出系統，且系統均有并行處理信息功能，神經網絡的信息處理中心是神經元，而分布式融合的信息中心是每一層的融合中心。在工作原理上，分布式融合是對多源及多數量信息進行綜合利用，神經網絡是建立非線性系統的輸入輸出映射。因此，選用神經網絡實現數據融合是完全可行的。

將神經網絡引入多傳感器數據融合當中，將輸入輸出之間的融合規則建立起來，通過對傳感器采集信息與系統需求之間的映射關系的學習訓練，搭建準確的數據融合系統。訓練好的網絡能更好地結合實際完成數據融合操作，實現融合系統的高效、精準融合。

如圖3所示，傳感器采集的信息數據需經過處理過程1進行規范處理，如對多種類型數據進行歸一化處理，使其成為規范化的輸入數據發送給神經網絡。網絡訓練時需要大量優質的數據樣本，使得網絡在學習過程中建立準確的融合規則，傳感器數據融合的輸出值也是樣本輸出的期望值。訓練完成后，神經網絡就搭建了符合輸入輸出映射關系的融合系統，融合后的數據經處理過程2，成為決策系統可讀的指令信息。

3.2 核極限學習機

極限學習機（ELM）是由Huang等［22］提出的單隱層前饋神經網絡，與其他前饋神經網絡相比，ELM的輸入層與隱藏層連接權重不需要迭代調整，只需求解一次方程得到。因此，ELM能夠有效減少層間計算負荷，比傳統機器學習計算速度更快，泛化性能更好。但由于網絡隨機給定初始權值，使得ELM輸出結果并不穩定。為解決上述問題，引入核函數與核函數矩陣。

式中：

x——輸入樣本；

H——樣本數；

H——隱含層特征映射矩陣；

C——正則化系數；

I——單位向量矩陣；

T——樣本對應輸出。

KELM結合核映射核正則化理論，如式（16）所示。

根據ELM的定義，輸出權值矩陣β用式（17）表示。

式（17）中核函數選擇RBF徑向基核函數。

3.3 改進蜣螂優化算法

史加榮等［23］利用高斯混合模型篩選近似日，利用麻雀算法優化改進KELM的超參數，得到最佳模型。王雨虹等［24］利用改進鯨魚算法對核極限學習機正則化系數和核函數參數尋優，構建改進鯨魚算法優化核極限學習機故障診斷模型，結果表明改進后的故障診斷模型具有更高的精度和泛化能力。為得到畜禽舍環境監測數據融合最佳模型，本文利用改進蜣螂優化算法對核極限學習機核函數與正則化參數尋優。

蜣螂優化算法（DBO）是東華大學沈波［25］教授繼麻雀搜索算法（SSA）之后提出的新型群體智能優化算法，該算法模擬蜣螂滾球、跳舞、覓食、偷竊和繁殖行為，與粒子群算法（PSO）［26］、麻雀算法（SSA）［27］、鯨魚算法（WOA）［28］相比，該算法收斂速度快、精度高、穩定性較好，同時該算法局部開發與全局搜索性能較優。

DBO算法模擬蜣螂自然行為，包含4個過程：滾球、繁殖、覓食和偷竊。首先利用太陽導航和自然環境影響搜索模式確保對搜索空間充分探索；其次該算法的慣性權值R具有動態變化特征，可以平衡DBO算法的探索與開發性能，通過蜣螂產卵區域和最佳覓食區域動態更新可以促進算法對局部地區的開發；最后蜣螂的偷竊行為能使算法及時跳出局部最優。

首先對原始蜣螂算法進行改進，引入自適應t分布變異策略優化小蜣螂覓食位置，改變自由度參數提高算法局部探索與全局探索能力；引入黃金正弦算法改進偷竊更新策略，縮小整個探索空間，提高算法收斂速度并促進跳出局部最優。

引入自適應t分布變異策略改進小蜣螂覓食位置，對小蜣螂覓食位置Xi=（xi1，xi2，…，xin）更新如式（18）所示。

xti=xi+xi·t（iter）（18）

式中：

xi——第i個蜣螂個體覓食位置；

t（iter）——以算法迭代次數為參數自由度的t分布自由度參數。

式（18）在xi的基礎上增加t分布型隨機干擾項xi·t（iter）。算法初始階段，迭代次數較小，t分布變異類似于柯西分布變化，此時算法全局探索能力較優；算法運行中期，t分布變異處于柯西分布和高斯分布之間，t分布變異算子結合高斯算子與柯西算子的優點，改善算法局部開發與全局搜索能力；算法運行后期，t分布變異近似高斯分布變異，此時算法具有較好的局部探索能力［29］。

黃金正弦算法（Golden-SA）［30］根據正弦函數與單位圓的關系，遍歷正弦函數上所有點，即整個單位圓。在蜣螂偷竊者位置更新過程中引入黃金分割系數，每次迭代過程既能縮小搜索范圍，又能遍歷優解區域。通過式（19），對偷竊蜣螂個體進行位置更新。

xt+1i=xti·|sin（r1）|－r2·sin（r1）·|c1Pti－c2xti|（19）

其中，xti=［xti，1，xti，2，…，xti，d］，i=1，2，…，n；t=1，2，…，tmax。

式中：

xti，d——第i個個體在第t次迭代時d維的位置；

Pti——第t次迭代全局最優位置；

r1、r2——屬于［0，2π］，［0，π］的隨機數，下次迭代個體i的移動距離由r1決定，下次迭代個體i的移動方向由r2決定［31］；

c1、c2——黃金分割系數，引入位置更新公式。

利用改進蜣螂優化算法對核極限學習機正則化系數C和核函數參數S尋優。改進蜣螂算法優化核極限學習機算法流程圖如圖4所示。

4 仿真試驗

4.1 數據預處理結果

對奶牛養殖舍內溫度測量進行仿真試驗，假設初始溫度為14.4 ℃，考慮到適宜奶牛生長的溫度，選擇15.5 ℃作為模擬溫度，牛舍溫度受空氣流通、光照等因素影響會產生小幅度波動。進行數據預處理仿真試驗時，每2 min采集一次牛舍溫度。牛舍內部和舍外空氣進行交換，本文引入過程噪聲方差Q設置為0.01，溫度傳感器的方差R設置為0.25。

利用改進無跡卡爾曼濾波算法對底層傳感器采集的奶牛舍溫度數據進行預處理，試驗測試了卡爾曼濾波、無跡卡爾曼濾波和改進無跡卡爾曼濾波的性能，并將其與傳感器測量數據Z進行比較，如圖5所示。

從圖5可以看出，未經預處理的奶牛養殖舍內溫度數據波動較大，但現實中奶牛養殖環境溫度相對穩定，未經預處理的溫度數據不能真實反映奶牛養殖舍內實際溫度變化狀況。經過上述三種濾波算法預處理后，波動明顯減小，上述三種濾波算法都能有效抑制濾波發散，IUKF的濾波性能優于KF濾波和UKF濾波。

圖6是3種濾波算法的誤差分析圖，可以看出，采用IUKF進行數據預處理后，誤差明顯減小。

為驗證改進后算法的有效性，任意選取6組底層無線傳感器采集的溫度數據進行濾波比較，其中3組比較結果如圖7所示。IUKF濾波算法的濾波效果都優于KF濾波算法，IUKF濾波算法能夠更好地抑制濾波發散。

4.2 抗干擾性檢驗

為驗證采用MRUKF概率加權改進無跡卡爾曼濾波算法的抗干擾性，評估所提算法在系統模型參數突變時的濾波性能，對濾波測量模型進行隨機擾動。圖8為觀測模型在突變條件下觀測值與改進無跡卡爾曼濾波算法的濾波曲線。

仿真結果證明，模型受到干擾測量值產生突變時IUKF能有效抑制模型參數突變對濾波結果的影響。濾波曲線平滑，IUKF的估計結果接近真實溫度，具有較強的抗干擾能力。

4.3 改進蜣螂優化算法性能驗證

為比較蜣螂算法尋優性能，檢驗改進后算法的正確性和有效性，試驗對8個測試函數進行仿真，驗證算法改進效果。試驗將IDBO與DBO、PSO、WOA、FOA進行比較，設置最大迭代次數為500，每個算法對測試函數獨立運行30次。測試函數見表1，其中F1～F7是單峰測試函數，最小值fmin均為0；F8是多峰測試函數，最小值fmin為-2094。

圖9是5種優化算法在8個測試函數上的收斂曲線圖。從圖9可以看出，IDBO能夠短時間內尋找到理論最優值或接近理論最優值，IDBO收斂速度快并且尋優速度高。通過圖9（a）～圖9（d）中4組函數收斂曲線發現，迭代次數不到400時，IDBO已經找到理論最優值，從圖9（g）、圖9（h）發現IDBO適應度值小于DBO的最小適應度值，IDBO更接近于理論最小值。綜上所得，改進后DBO優化算法迭代次數少于其他算法，收斂速度更快，不易陷入局部最優。

4.4 融合算法性能驗證

試驗采集新疆某現代化奶牛養殖場中環境數據，牛舍的長寬高分別為110 m、50 m、6 m。舍內共有483頭奶牛，奶牛養殖舍如圖10所示。無線傳感器采用星型結構完成組網，傳感器布局如圖11所示。

16個溫濕度采集模塊作為終端節點均勻部署在監控區域，每4個終端節點中間放置一個匯聚節點。區域網關布置在區域中心，測點高度為2 m，可根據牛舍高度進行調整。試驗選取T3000超高精度雙通道測溫儀，可實現±0.001 ℃的測溫準確度。

無線通信模塊將測量數據傳輸至微處理器，測量數據經預處理后利用神經網絡進行融合，最后將底層傳感器采集的原始數據、經數據預處理的數據與神經網絡融合數據通過網關發送至服務器存儲。本試驗采集奶牛舍溫度，共650組數據，利用MATLAB（R2021a）軟件進行數據分析，IDBO優化KELM網絡，將650組經過預處理的數據中作為輸入，按7∶3的比例劃分訓練集與測試集，進行回歸預測。為驗證IDBO算法優化KELM網絡的性能優于其他算法，試驗選取PBO、FOA、WOA算法分別優化KELM網絡，為避免試驗中偶然性發生，平均每個算法進行30次試驗取其訓練集、測試集預測結果的平均值，如表2所示。

由表2可知，IDBO-KELM訓練集與測試集的準確率分別是99.15%和98.12%，上述分析結果表明利用IDBO對KELM網絡進行優化能獲得較好的預測效果，下面分析網絡計算復雜度對系統實時性的影響。本文對比了幾種神經網絡的運行時間，如表3所示。相較于傳統的神經網絡DBO-BP運行時長59.83 s而言，IDBO-KELM融合速度明顯提升。

改進后的核極限學習機能夠接近畜禽舍內真實溫度的變化，可以有效提高融合精度，提高運行速度，實現對畜禽養殖舍溫度進行實時監測。

5 結論

1）" 提出了分層無線傳感器網絡實時融合策略，多傳感器網絡的建立可以提高畜禽舍溫度數據采集的真實性與全面性。利用改進無跡卡爾曼濾波器優化底層傳感器采集數據，用于解決UKF采樣點易散布和系統噪聲不準確導致濾波發散問題。試驗結果表明，改進的無跡卡爾曼濾波算法可以過濾雜波，有效解決底層傳感器采集數據準確度低的問題，為后續融合工作提供可靠的數據來源，對畜禽舍溫度數據精準采集有一定意義。

2）" 提出基于IDBO-KELM神經網絡算法的多傳感器數據融合模型，IDBO-KELM訓練集與測試集的準確率達到99.15%和98.12%，相較于傳統算法有明顯提升，同時該算法能夠合理利用冗余數據，提高運行速度，用時僅3.36 s，滿足系統實時融合的需求。

3）" 建立的無線傳感器網絡實時融合策略具有較優性能，為畜禽舍環境智能監測與控制提供可行參考，便于系統進行下一步控制操作，為畜牧養殖業實現智能化、現代化提供可靠保障。

參 考 文 獻

［1］ 劉波， 劉筱， 韓宇捷， 等. 規模化養豬場典型沼氣工程各排放節點氨排放特征研究［J］. 農業工程學報， 2018， 34（23）： 179-185.

Liu Bo， Liu Xiao， Han Yujie， et al. Study on emission characteristics of ammonia from anaerobic digesters in industrial pig farm ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（23）： 179-185.

［2］ 黃志滔， 曹永峰， 夏晶晶， 等. 后備母豬舍夏季環境調控影響因子變化規律試驗與分析［J］. 中國農機化學報， 2021， 42（11）： 50-57.

Huang Zhitao， Cao Yongfeng， Xia Jingjing，et al. Experiment and analysis on the change law of environmental control factors in summer in reserve pigsty ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（11）： 50-57.

［3］ 韓建軍， 南少偉， 李建平， 等. 基于隨機森林算法的糧堆機械通風溫度預測及控制研究［J］. 河南工業大學學報（自然科學版）， 2019， 40（5）： 107-113.

Han Jianjun， Nan Shaowei， Li Jianping， et al. Research on prediction and control of mechanical ventilation temperature of grain pile based on random forest algorithm ［J］. Journal of Henan University of Technology （Natural Science Edition）， 2019， 40（5）： 107-113.

［4］ 黃凱， 唐倩， 沈丹， 等. 冬季豬舍內溫濕度與有害氣體分布規律研究［J］. 畜牧與獸醫， 2019， 51（7）： 35-41.

Huang Kai， Tang Qian， Shen Dan，et al. Study on the distribution law of temperature， humidity and harmful gas in winter pig house ［J］. Animal Husbandry amp; Veterinary Medicine， 2019， 51（7）： 35-41.

［5］ Bedi J， Toshniwal D. Empirical mode decomposition based deep learning for electricity demand forecasting ［J］. IEEE Access， 2018， 6： 49144-49156.

［6］ Rong L， Aarnink A J A. Development of ammonia mass transfer coefficient models for the atmosphere above two types of the slatted floors in a pig house using computational fluid dynamics ［J］. Biosystems Engineering， 2019， 183： 13-25.

［7］ Xie Q， Ni J Q， Bao J， et al. A thermal environmental model for indoor air temperature prediction and energy consumption in pig building ［J］. Building and Environment， 2019， 161： 106238.

［8］ Xie Q， Ni J， Su Z. A prediction model of ammonia emission from a fattening pig room based on the indoor concentration using adaptive neuro fuzzy inference system ［J］. Journal of Hazardous Materials， 2017， 325： 301-309.

［9］ 楊柳. 基于多尺度信息融合的豬舍環境控制系統設計［D］. 西安： 陜西科技大學， 2019.

［10］ 謝秋菊， 鄭萍， 包軍， 等. 基于深度學習的密閉式豬舍內溫濕度預測模型［J］. 農業機械學報， 2020， 51（10）： 353-361.

Xie Qiuju， Zheng Ping， Bao Jun，et al. Thermal environment prediction and validation based on deep learning algorithm in closed pig house ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（10）： 353-361.

［11］ 曾志雄， 余喬東， 易子騏， 等. 基于WSN的集中通風式分娩豬舍環境參數時空分布特性［J］. 農業工程學報， 2020， 36（12）： 204-211.

Zeng Zhixiong， Yu Qiaodong， Yi Ziqi， et al. Spatiotemporal distribution characteristics of environmental parameters of centralized ventilation delivery sows based on WSN ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（12）： 204-211.

［12］ Seo I H， Lee I B， Moon O K， et al. Modelling of internal environmental conditions in a full-scale commercial pig house containing animals ［J］. Biosystems Engineering， 2012， 111（1）： 91-106.

［13］ 施珮， 袁永明， 匡亮， 等. 基于EMD-IGA-SELM的池塘養殖水溫預測方法［J］. 農業機械學報， 2018， 49（11）： 312-319.

Shi Pei， Yuan Yongming， Kuang Liang， et al. Water temperature prediction in pond aquaculture based on EMD-IGA-SELM neural network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（11）： 312-319.

［14］ Kumar M， Garg D P， Zachery R A. A generalized approach for inconsistency detection in data fusion from multiple sensors ［C］. American Control Conference. IEEE Xplore， 2006.

［15］ Welch G F. Kalman filter ［M］. Computer Vision. Cham： Springer International Publishing， 2021.

［16］ Ullah I， Shen Y， Su X， et al. A localization based on unscented kalman filter and particle filter localization algorithms ［J］. IEEE Access， 2020， 8： 2233-2246.

［17］ Xia S， Nan X， Cai X， et al. Data fusion based wireless temperature monitoring system applied to intelligent greenhouse ［J］. Computers and Electronics in Agriculture， 2022， 192： 106576.

［18］ 仝運佳， 謝麗宇， 薛松濤， 等. 基于自適應無跡卡爾曼濾波算法的非線性系統估計［J］. 建筑結構學報， 2023， 44（1）： 182-191， 224.

Tong Yunjia， Xie Liyu， Xue Songtao， et al.Adaptive unscented Kalman filter for nonlinear structural identification ［J］. Journal of Building Structures， 2023， 44（1）： 182-191， 224.

［19］ Wang X， You Z， Zhao K. Inertial/celestial-based fuzzy adaptive unscented Kalman filter with Covariance Intersection algorithm for satellite attitude determination ［J］. Aerospace Science and Technology， 2016， 48： 214-222.

［20］ 馮亦奇， 陳勇. 基于遺忘因子的UKF車輛狀態參數估計算法［J］. 合肥工業大學學報（自然科學版）， 2020， 43（11）： 1450-1455， 1499.

Feng Yiqi， Chen Yong.Unscented Kalman filter for vehicle state parameter estimation based on forgetting factor ［J］. Journal of Hefei University of Technology （Natural Science）， 2020， 43（11）： 1450-1455 1499.

［21］ Gao Z， Mu D， Gao S， et al. Adaptive unscented Kalman filter based on maximum posterior and random weighting ［J］. Aerospace Science and Technology， 2017， 71： 12-24.

［22］ Huang G B， Wang D H， Lan Y. Extreme learning machines： A survey ［J］. International Journal of Machine Learning and Cybernetics， 2011， 2： 107-122.

［23］ 史加榮， 趙丹夢， 王琳華， 等. 基于RR-VMD-LSTM的短期風電功率預測［J］. 電力系統保護與控制， 2021， 49（21）： 63-70.

Shi Jiarong， Zhao Danmeng， Wang Linhua， et al. Short-term wind power prediction based on RR-VMD-LSTM ［J］. Power System Protection and Control， 2021， 49（21）： 63-70.

［24］ 王雨虹， 孫遠星， 包偉川， 等. 基于數據均衡化與改進鯨魚算法優化核極限學習機的變壓器故障診斷方法［J］. 信息與控制， 2023， 52（2）： 235-244， 256.

Wang Yuhong， Sun Yuanxing， Bao Weichuan， et al. Transformer fault diagnosis method based on data equalization and kernel-based extreme learning machine of improved whale algorithm ［J］. Information and Control， 2023， 52（2）： 235-244， 256.

［25］ Xue J， Shen B. Dung beetle optimizer： A new meta-heuristic algorithm for global optimization ［J］. The Journal of Supercomputing， 2023， 79（7）： 7305-7336.

［26］ Marini F， Walczak B. Particle swarm optimization （PSO）. A tutorial ［J］. Chemometrics and Intelligent Laboratory Systems， 2015， 149： 153-165.

［27］ Xue J， Shen B. A novel swarm intelligence optimization approach： Sparrow search algorithm ［J］. Systems Science amp; Control Engineering， 2020， 8（1）： 22-34.

［28］ Lakshmi V A， Mohanaiah P. WOA-TLBO： Whale optimization algorithm with teaching-learning-based optimization for global optimization and facial emotion recognition ［J］. Applied Soft Computing， 2021， 110： 107623.

［29］ 李永毅， 張劍妹， 連瑋. 基于t分布變異的自適應黏菌優化算法［J］. 山西大同大學學報（自然科學版）， 2022， 38（6）： 40-44.

Li Yongyi， Zhang Jianmei， Lian Wei.Adaptive slime mould optimization algorithm based on t-distribution mutation ［J］. Journal of Shanxi Datong University （Natural Science Edition）， 2022， 38（6）： 40-44.

［30］ Tanyildizi E， Demir G. Golden sine algorithm： A novel math-inspired algorithm ［J］. Advances in Electrical and Computer Engineering， 2017， 17（2）： 71-78.

［31］ 高晨峰， 陳家清， 石默涵. 融合黃金正弦和曲線自適應的多策略麻雀搜索算法［J］. 計算機應用研究， 2022， 39（2）： 491-499.

Gao Chenfeng， Chen Jiaqing， Shi Mohan. Multi-strategy sparrow search algorithm integrating golden sine and curve adaptive ［J］. Application Research of Computers， 2022， 39（2）： 491-499.