摘 要：机器学习在动物生理预测方面取得良好的效果，但在处理具有局限性的时序问题上未能得到深入应用。文章通过环境数据对乳蛋白进行预测研究，根据数据的时序特点，对双向门控循环神经单元的网络结构进行重新设计，设计了一种基于注意力机制的正反向交替的门控循环神经网络（LG）预测模型，实验验证模型在精度上和速度上都优于其他模型，所挖掘的关键指标有助于深入理解对奶牛生理情况的影响，进而有效提升养殖效益。
关键词：奶牛乳蛋白预测模型；随机森林算法；门控循环神经网络；正反向交替门控循环神经网络模型
DOI:10.19850/j.cnki.2096-4706.2023.06.002
基金项目：宁夏自然科学基金项目（2020AAC03028）
中图分类号：TP18 文献标识码：A 文章编号：2096-4706（2023）06-0006-07
Research on the Prediction Model of Milk Protein in Dairy Cattle Based on Attention Mechanism
YOU Chuchuan1, ZHU Mengyu1, ZHAO Jun2
(1.School of Information Engineering, Ningxia University, Yinchuan 750021, China; 2.School of Advanced Interdisciplinary Studies, Ningxia University, Zhongwei 755099, China)
Abstract: Machine learning has achieved good results in animal physiological prediction, but it has not been applied in dealing with time series problems with limitations. The paper predicts and studies the milk protein through environmental data, redesigns the network structure of two-way Gated Recurrent Unit according to the time sequence characteristics of the data, and designs a forward and reverse alternating gated Recurrent Neural Network (LG) prediction model based on attention mechanism. The experiment verifies that the model is superior to other models in accuracy and speed, The key indicators excavated are conducive to deeply understand the impact on the physiological conditions of dairy cows, and then effectively improve the breeding benefits.
Keywords: milk protein prediction model; Random Forest algorithm; Gated Recurrent Neural Network; forward and reverse alternating gated Recurrent Neural Network Model
参考文献：
[1] 童津津，张华，吴富鑫，等 . 不同泌乳水平奶牛产奶量、乳成分和环境温湿指数的相关性研究 [J]. 动物营养学报，2020，32（7）：3171-3180.
[2] 母童，虎红红，冯小芳，等 . 宁夏地区荷斯坦牛乳成分及相关指标的非遗传因素、体细胞评分变化规律 [J]. 华南农业大学学报，2021，42（2）：34-43.
[3] 张腾，刘新亮，高彦平 . 基于卷积神经网络和双向门控循环单元网络注意力机制的情感分析 [J]. 科学技术与工程，2021，21（1）：269-274.
[4] 汤森林，张霞，戚文超，等 . 基于长短时记忆神经网络的葡萄叶面积指数高光谱反演 [J]. 遥感信息，2022，37（5）：38-44.
[5] IMANI M. Long Short-Term Memory Network and Support Vector Regression for Electrical Load Forecasting [C]//2019International Conference on Power Generation Systems and Renewable Energy Technologies （PGSRET）.Istanbul：IEEE，2019：1-6.
[6] CHUNG J，GULCEHRE C，CHO K，et al. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling [J/OL].arXiv：1412.3555 [cs.NE].[2022-11-03].https://arxiv.org/abs/1412.3555.
[7] 刘琳岚，肖庭忠，舒坚，等 . 基于门控循环单元的链路质量预测 [J]. 工程科学与技术，2022，54（6）：51-58.
[8] CHO K，MERRIENBOER B V，GULCEHRE C，et al. Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation [J/OL].arXiv：1406.1078 [cs.CL].[2022-11-05].https://arxiv.org/abs/1406.1078.
[9] 陈礼贤，梁杰，黄一帆，等 . 基于深度自回归循环神经网络的边缘负载预测 [J/OL]. 小型微型计算机系统：1-8[2023-02-07].http://kns.cnki.net/kcms/detail/21.1106.TP.20221123.0919.010.html
[10] ZHOU H，FANG Z J，GAO Y B，et al. Feature Fusion Network Based on Attention Mechanism for 3D Semantic Segmentation of Point Clouds-Science Direct [J].Pattern Recognition Letters，2020，133：327-333.
[11] 蒋玉英，陈心雨，李广明，等 . 图神经网络及其在图像处理领域的研究进展 [J/OL].计算机工程与应用：1-17（2022-11-28）.http://kns.cnki.net/kcms/detail/11.2127.tp.20221125.1424.030.html
[12] ZHOU H X，ZHANG Y J，YANG L F，et，al. Short-Term Photovoltaic Power Forecasting Based on Long Short Term Memory Neural Network and Attention Mechanism [J].IEEE Access，2019，7（99）：78063-78074.
[13] 师岩，王宇，吴水清 . 基于 Self-Attention 模型的机器翻译系统 [J]. 计算机与现代化，2019（7）：9-14.
[14] 杨子农 . 基于 Seq2Seq 框架的文本风格迁移研究 [D]. 南京：南京邮电大学，2022.
[15] 胥凌 . 面向 TensorFlow 和 PyTorch 的线性代数基准测试 [J]. 航空计算技术，2022，52（3）：5-9.
[16] 王丽朝，孟子尧，陈诗明，等 . 基于 GRU 神经网络的光伏电站数据预处理方法 [J]. 太阳能学报，2022，43（11）：78-84.
[17] 郑伟 . 多尺度注意力机制 DenseNet 网络 [J/OL]. 软件导刊：1-6[2022-12-29].https://kns.cnki.net/kcms/detail/42.1671.TP.20221207.1123.038.html.
作者简介：由楚川（1997—），男，汉族，辽宁铁岭人，大数据工程师，硕士，研究方向：大数据智能；朱孟宇（1997—），男，汉族，河南周口人，硕士在读，研究方向：大数据智能；通讯作者：赵军（1971—），男，汉族，宁夏中卫人，教授，博士，研究方向：大数据智能和企业计算实验研究。