申请/专利权人：北京中农优嘉生物科技有限公司

申请日：2024-04-09

公开（公告）日：2024-07-02

公开（公告）号：CN118278768A

主分类号：G06Q10/0637

分类号：G06Q10/0637;G06Q50/02;G06F18/20

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.19#实质审查的生效;2024.07.02#公开

摘要：一种基于多任务学习模型的低蛋白日粮预测肉鸡生长性状和屠宰性状的方法，其特征在于，包括以下步骤：S101:数据收集：收集肉鸡在不同日粮蛋白水平下的试验数据；S102:数据预处理；S103:模型训练；S104:生长性能和屠宰性能预测。其有益效果为：通过本发明能够快速预测肉鸡对不同日粮蛋白水平的响应，大大减少了传统生长试验的时间和成本。

主权项：1.一种基于多任务学习模型的低蛋白日粮预测肉鸡生长性状和屠宰性状的方法，其特征在于，包括以下步骤：S101:数据收集：收集肉鸡在不同日粮蛋白水平下的试验数据，所述试验数据包括营养成分数据、鸡代谢能、生产性能数据、屠宰性能数据、器官指数、鸡胸肌白条纹情况、鸡胸木质肉情况；S102:数据预处理：将步骤S101中收集到的数据分成试验前期数据和试验后期数据，所述试验前期的数据为试验前期的营养成分数据、试验前期的生产性能数据和试验前期的屠宰性能数据；所述试验后期的数据为试验后期的营养成分数据、试验后期的生产性能数据和试验后期的屠宰性能数据；所述收集的数据中的数值型数据采用最大最小值归一化处理，所述收集的数据中的类型数据采用进行独热编码处理；S103:模型训练：采用多任务学习模型步骤S102预处理好的数据进行训练；采用两个相同结构的多任务学习模型分别对试验前期数据和试验后期数据进行训练，所述的两个相同结构的多任务学习模型分别为试验前期多任务学习模型和试验后期多任务学习模型；S104:生长性能和屠宰性能预测：利用训练好的试验前期多任务学习模型和试验后期多任务学习模型，根据所给营养成分数据来预测肉鸡的生长性能和屠宰性能，输出相应的目标任务数据项；所述步骤S103的多任务学习模型的架构主要包括数据输入层1、专家网格层2、Tower模块层3和目标任务层4，所述数据输入层1用于收集输入特征，所述输入特征为试验前期营养成分数据项或试验后期营养成分数据项，所述专家网格层2由多个专家网络模块构成，所述专家网络模块的个数与目标数据项的个数相同；每个专家网络模块内至少一个包含Dense层，每个Dense层至少包含五个神经元；所述专家网格层2和Tower模块层3之间采用Gate机制，每个目标任务拥有独立的Gate，通过Gate控制每个专家网络模块对不同任务的贡献程度；所述Gate采用softmax激活函数，所有的分支Gate权重之和为1，其具体公式表示如下： 上面的k表示第k个目标任务的Gate值，gi表示第i个专家网络模块对第k个目标任务的分支Gate的权重值，其中n的值为专家网络模块的个数；所述Tower模块层3由多个Tower网络模块组成，所述Tower网络模块的数量与目标任务相同，每一个Tower网络模块对应一个目标任务，每个Tower网络模块接收对应目标任务的Gate值，在Tower网络模块内至少一个包含Dense层，每个Dense层至少包含5个神经元。所述目标任务层4为输出目标任务，如果目标任务为数值型，则其输出为一个神经元，如果目标任务为类型数据，则设置相应的数量的神经元。

全文数据：

权利要求：

百度查询： 北京中农优嘉生物科技有限公司 一种基于多任务学习模型的低蛋白日粮预测肉鸡生长性状和屠宰性状的方法

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