基于人工神经网络的瘤胃发酵甲烷产量预测模型研究

反刍动物的瘤胃发酵是温室气体甲烷的重要来源之一。瘤胃甲烷的产生不仅造成了大量饲料能量的损失，而且加重了地球的温室效应。准确地预测瘤胃甲烷产量是提高饲料利用效率和减轻温室效应的基础。现有预测瘤胃甲烷产量的模型主要是基于瘤胃甲烷与饲料营养特性指标之间的一元线性相关模型和多元线性相关模型。尽管这些模型能够在一定程度上阐明了瘤胃甲烷与饲料特性之间的相关关系，但是均不能从数量上准确地模拟瘤胃甲烷的产生规律，导致预测瘤胃甲烷产量的准确性较差。人工神经网络（artificial neural network，ANN）是应用大量简单处理单元广泛连接组成的复杂网络，是一个大规模自组织、自适应的非线性智能系统，因此特别适用于模拟指标的非线性变化规律。本项目计划研究ANN模拟瘤胃甲烷产生规律的适用性和准确性，并根据反刍动物饲料的碳水化合物组分和含氮化合物组分建立准确预测瘤胃甲烷产量的ANN人工智能模型。

本项目研究了应用人工神经网络(ANN)模拟和预测瘤胃甲烷(CH4)、二氧化碳(CO2)和挥发性脂肪酸(VFA)产量的可行性。应用体外培养发酵技术测定牛典型日粮的CH4、CO2和VFA产量。应用康奈尔净碳水化合物——蛋白质体系(CNCPS）分析了日粮营养组分。将牛日粮分为训练集（45种）和测试集（10种）。应用SAS®9.2对训练集数据进行逐步回归分析。结果显示，CH4产量与CNCPS碳水化合物组分CA、CB1、CB2相关显著。以日粮CNCPS组分CA、CB1、CB2为自变量(x1, x2, x3)，CH4、CO2或VFA产量为因变量(y)，拟合多元线性相关模型，计算r2和P值。以MATLAB 7.14作为仿真平台，分别应用训练集日粮CH4、CO2和VFA产量与CNCPS组分CA、CB1、CB2对三层反馈神经网络 (BP3)训练，建立预测模型。应用所建立的多元线性相关模型和BP3模型，预测测试集相关数据。采用配对t检验分析实测值与预测值的差异；采用一元线性相关模型分析实测值与预测值的相关关系，计算r2和P值；计算RMSPE%，分析预测误差。结果显示，牛日粮CNCPS组分CA、CB1和CB2 分别与体外培养发酵CH4、CO2和总产气量之间存在显著多元线性相关关系。在以CH4、CO2和总产气量分别作为单一输出变量的条件下，BP3神经网络模型3—8—1, 3—11—1和3—2—1能够分别地准确模拟和预测牛日粮体外培养发酵CH4, CO2 和总产气量。BP3神经网络模型模拟和预测CH4的准确性与多元线性相关模型相近，但是BP3模拟和预测CO2和总产气量的准确性高于多元线性相关模型。结果还显示，CNCPS组分CA、CB1 和CB2 与体外培养发酵乙酸、丙酸、丁酸和总VFA之间均存在显著多元线性相关关系。所建模型能够准确预测乙酸和丁酸产量，但不能准确预测丙酸和总VFA产量。在以乙酸、丙酸、丁酸或总VFA作为单一输出变量的条件下，BP3模型3—4—1、3—3—1、3—6—1 和 3—6—1能够准确模拟和预测乙酸、丙酸、丁酸和总VFA产量。BP3模型的准确性高于多元线性模型。本项目阐明了CNCPS组分CA、CB1、CB2可用作预测CH4、CO2、总产气量和VFA的日粮组分。应用BP3神经网络能够准确模拟和预测体外培养发酵CH4、CO2、总产气量和VFA产量。