孫愛東++尹令++石凱歌++施振旦+++陽希文

摘要：將無線射頻識別（radio frequency identification，RFID）技術(shù)應(yīng)用于種鵝產(chǎn)蛋情況跟蹤記錄，研發(fā)選育鵝產(chǎn)蛋性能的新技術(shù)。研究內(nèi)容包括應(yīng)用RFID設(shè)備標(biāo)記和識別產(chǎn)蛋種鵝身份信息；在種鵝進出產(chǎn)蛋房時識別并記錄種鵝身份和質(zhì)量信息；通過建立鵝身份信息、進出產(chǎn)蛋房時間、質(zhì)量變化等各數(shù)據(jù)庫，運用綜合分析法、神經(jīng)網(wǎng)絡(luò)、多線性回歸等數(shù)學(xué)建模方法對數(shù)據(jù)進行分析及處理，構(gòu)建種鵝產(chǎn)蛋分析系統(tǒng)并從數(shù)據(jù)記錄中篩查產(chǎn)蛋鵝數(shù)據(jù)。設(shè)計并構(gòu)建的種鵝產(chǎn)蛋分析系統(tǒng)為種鵝產(chǎn)蛋性能選育新技術(shù)的研發(fā)提供了新思路。

關(guān)鍵詞：種鵝；無線射頻識別；神經(jīng)網(wǎng)絡(luò)；多線性回歸

中圖分類號： TP274+.1文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2016）02-0420-04

收稿日期：2015-08-13

基金項目：國家自然科學(xué)基金（編號：30871795）；國家水禽產(chǎn)業(yè)體系專項基金（編號：NYCYTX-45-13）；江蘇省科技支撐項目（編號：BE2012392）。

作者簡介：孫愛東（1969—），女，浙江寧波人，碩士，副研究員，主要從事人工智能、專家系統(tǒng)、溯源系統(tǒng)等研究。Tel：（025）84391572；E-mail：sunad2002@163.com。

通信作者：施振旦，博士，研究員，主要從事動物繁殖研究。Tel：（025）84390956；E-mail：zdshi@jaas.ac.cn。近年來，我國鵝的消費量不斷上升，然而國內(nèi)大多數(shù)鵝種產(chǎn)蛋性能較低，并有季節(jié)性生產(chǎn)的特點，使我國養(yǎng)鵝業(yè)的發(fā)展速度受到制約。楊光榮等研究表明，涼山鋼鵝、四川白鵝、川涼鵝品種的種鵝產(chǎn)蛋期為每年8月中旬至次年5月上旬，其年平均產(chǎn)蛋數(shù)分別為（29±2）、（45±3）、（50±6）個[1]。蔡來長等研究發(fā)現(xiàn)，馬崗鵝的平均產(chǎn)蛋數(shù)為38.52個，其中個體母鵝最高產(chǎn)蛋數(shù)達(dá)78個，個體產(chǎn)蛋40個以上的超過50%，個體母鵝產(chǎn)蛋少者僅有7個，高產(chǎn)者與低產(chǎn)者相差10倍，個體母鵝年產(chǎn)蛋數(shù)不及30個的約占20%，表明馬崗鵝產(chǎn)蛋性能差異較大[2]。揚州鵝通常于每年11月開產(chǎn)，至次年6月結(jié)束，平均產(chǎn)蛋數(shù)約為60～70個[3]。傳統(tǒng)產(chǎn)蛋量記錄方法多采用群體養(yǎng)殖的平均數(shù)；以試驗或育種為目的的個體產(chǎn)蛋量記錄方法主要為：產(chǎn)蛋期間頭晚用手指檢查每羽母鵝的陰道部是否有蛋貯存，次日驗證鵝號撿蛋，立即記錄[1]。蔡來長等采用產(chǎn)蛋箱的方式，每天04：00捉母鵝入箱產(chǎn)蛋，09：30開始放鵝出籠撿蛋，并按鵝肩牌編號進行產(chǎn)蛋記錄和稱蛋記錄[2]。種鵝聽覺靈敏，警覺性很強，易受驚嚇發(fā)生應(yīng)激反應(yīng)而改變正常產(chǎn)蛋規(guī)律，上述2種個體產(chǎn)蛋記錄方式均會造成種鵝的應(yīng)激反應(yīng)，影響數(shù)據(jù)的準(zhǔn)確性。

養(yǎng)鵝技術(shù)的提高促進了養(yǎng)鵝業(yè)的產(chǎn)業(yè)化發(fā)展[4-5]，使提高種鵝產(chǎn)蛋性能變得更為急迫。目前的人工摸蛋措施常對鵝造成應(yīng)激，導(dǎo)致卵泡發(fā)育異常并降低產(chǎn)蛋性能[6-8]，須設(shè)計一種能在自然狀態(tài)下對每羽鵝進行應(yīng)激探測并記錄產(chǎn)蛋數(shù)的新技術(shù)。射頻識別（radio frequency identification，RFID）技術(shù)是利用無線通信實現(xiàn)的一種非接觸式自動識別技術(shù)，無須人工干預(yù)即可通過射頻信號自動識別和記錄目標(biāo)對象信息，被應(yīng)用于牛、豬等家畜的飼養(yǎng)與疫病防控[9-12]。本研究在不造成應(yīng)激的自然條件下，探討一種應(yīng)用RFID和動態(tài)稱質(zhì)量技術(shù)解決種鵝識別和判斷產(chǎn)蛋的方法。

1組成結(jié)構(gòu)與工作原理

1.1RFID種鵝識別系統(tǒng)的工作原理

種鵝飼養(yǎng)一般為群體養(yǎng)殖，鵝舍內(nèi)設(shè)有1～2個產(chǎn)蛋房。進入繁殖季節(jié)時，種鵝會自行進入鋪有稻草的產(chǎn)蛋房中產(chǎn)蛋。本研究設(shè)計并構(gòu)建了群養(yǎng)種鵝個體產(chǎn)蛋分析系統(tǒng)，包括通道裝置、下位機（數(shù)據(jù)采集器）、上位機（數(shù)據(jù)庫服務(wù)器）3個部分，系統(tǒng)架構(gòu)見圖1。通道裝置由柵欄型隔離墻、2個讀卡器、電子秤組成（圖2）。2個讀卡器并列安放在通道中，與下位機連接；電子秤置于讀卡器之間，與下位機連接。上位機與下位機之間通過現(xiàn)場總線相連接。

1.2身份及判斷進出產(chǎn)蛋房方向

將進入產(chǎn)蛋期的母鵝腿部佩戴電子標(biāo)簽。佩戴電子標(biāo)簽的種鵝經(jīng)由通道裝置進出產(chǎn)蛋房時，觸發(fā)讀卡器讀卡，并由下位機記錄標(biāo)簽號ID、日期、時間、讀卡器編號；依據(jù)2個射頻讀寫器讀取同一ID信號的時間次序及讀卡器順序區(qū)分種鵝進出產(chǎn)蛋房的狀態(tài)。讀卡器1擺放在通道靠產(chǎn)蛋房的外側(cè)，讀卡器2則在靠產(chǎn)蛋房的內(nèi)側(cè)。種鵝進入產(chǎn)蛋房時讀卡器1首先讀到其ID號，之后是讀卡器2，以此判斷為進入；反之判斷為走出。如果同一讀卡器出現(xiàn)多條信息，則表示種鵝仍在產(chǎn)蛋房外或產(chǎn)蛋房內(nèi)，未完全通過通道便折回。

1.3產(chǎn)蛋判斷

電子秤置于通道中2個讀卡器之間（圖2）。通道的寬度設(shè)置使種鵝進出產(chǎn)蛋房時每次僅限制1羽通過，且必須經(jīng)過電子秤。種鵝行進在電子秤臺面時，觸發(fā)下位機記錄動態(tài)質(zhì)量數(shù)據(jù)及時間。鵝蛋的質(zhì)量約為120 g，因此通過對比同一羽種鵝進出產(chǎn)蛋房時的質(zhì)量差，便可判斷種鵝是否產(chǎn)蛋。如何計算行進中的種鵝質(zhì)量是整個方案的關(guān)鍵。

2種鵝動態(tài)稱質(zhì)量建模

種鵝經(jīng)過電子秤是一個動態(tài)過程。種鵝每次從電子秤上面經(jīng)過，電子秤所讀得的數(shù)據(jù)均是一系列動態(tài)過程的質(zhì)量數(shù)據(jù)，因此有必要建立數(shù)學(xué)模型對所采集的動態(tài)質(zhì)量數(shù)據(jù)進行處理。

在動態(tài)稱質(zhì)量系統(tǒng)中解決快速性問題是至關(guān)重要的，主要的解決思路有2條。（1）采取縮短過渡時間的方法，使系統(tǒng)盡快趨于穩(wěn)定。目前采用的方法為動態(tài)補償法，在測量系統(tǒng)輸出端串連1個動態(tài)補償環(huán)節(jié)，改善整個系統(tǒng)的動態(tài)性能，加快系統(tǒng)的響應(yīng)速度，等待系統(tǒng)趨于穩(wěn)態(tài)時得到被測量參數(shù)值，即在系統(tǒng)過渡過程結(jié)束后，利用系統(tǒng)的穩(wěn)態(tài)值進行測量。（2）通過系統(tǒng)動態(tài)過渡過程的信息來提取被測量參數(shù)的信息。系統(tǒng)對外界激勵的響應(yīng)過程包含了系統(tǒng)自身的特征，即動態(tài)過渡過程包含了被稱對象質(zhì)量的信息。對稱質(zhì)量系統(tǒng)來說，當(dāng)被測物料施加于系統(tǒng)上時，稱質(zhì)量系統(tǒng)自身的特征也發(fā)生了改變，特征量改變的大小與物體質(zhì)量存在著一定數(shù)量關(guān)系，可通過系統(tǒng)的過渡過程包含特征量的改變間接進行測量。因此可將動態(tài)測量作為參數(shù)估計和預(yù)測問題來處理，即根據(jù)有關(guān)稱質(zhì)量系統(tǒng)的先驗知識推導(dǎo)出含有未知參數(shù)的模型，并用該模型擬合稱質(zhì)量過渡過程信號。被測質(zhì)量可看作稱質(zhì)量測力過程的終值，因此可用模型參數(shù)加以估計或預(yù)測得出。

目前，動態(tài)稱質(zhì)量主要應(yīng)用于汽車等交通工具的質(zhì)量測量，以及工程中配料定量的問題[13-15]，因此大部分動態(tài)稱質(zhì)量的經(jīng)驗公式并不適于本研究對象。經(jīng)對比多種方法發(fā)現(xiàn)，本研究對象與鵝群所在的特定環(huán)境有較大關(guān)系。進入產(chǎn)蛋房通道的寬闊程度及平滑程度均會影響鵝的行走速度，而鵝行走過程中的快慢將直接影響測量裝置所測得的鵝質(zhì)量數(shù)值。飼養(yǎng)場本身的環(huán)境因素對鵝有較大影響。

基于以上情況分析，首先采用具有學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)解決這一類受環(huán)境因素影響較大的問題。神經(jīng)網(wǎng)絡(luò)要求大量數(shù)據(jù)作為輸入，且神經(jīng)網(wǎng)絡(luò)相應(yīng)的參數(shù)應(yīng)針對不同電子秤進行恰當(dāng)修改，這不利于簡單實現(xiàn)系統(tǒng)，因此同時采用多線性回歸的方法對以上問題進行求解。將神經(jīng)網(wǎng)絡(luò)和多線性回歸2種方法得出的結(jié)果進行進一步對比，以決定在系統(tǒng)中采用的方法。

2.1神經(jīng)網(wǎng)絡(luò)動態(tài)稱質(zhì)量模型的構(gòu)建

人工神經(jīng)元網(wǎng)絡(luò)簡稱神經(jīng)網(wǎng)絡(luò)，是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)。該系統(tǒng)由大量人工神經(jīng)元按照一定拓?fù)浣Y(jié)構(gòu)廣泛互連形成，并按照一定學(xué)習(xí)規(guī)則，通過對大量樣本數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，把網(wǎng)絡(luò)掌握的“知識”以神經(jīng)元之間的連接權(quán)值和閾值形式儲存下來，利用這些“知識”可實現(xiàn)某種人腦功能的推理機。

輸入層（測量值數(shù)據(jù)）：共取9組測量工具測定的數(shù)據(jù)，考慮到種鵝進入和離開電子秤時數(shù)據(jù)起伏較大，較不可靠，因此選取電子秤讀取的所有數(shù)據(jù)中位于中間9位的數(shù)據(jù)。

輸出層（結(jié)果）：共1個數(shù)據(jù)，即鵝的實際質(zhì)量。

Kolmogorov理論指出，具有單個隱含層的BP神經(jīng)網(wǎng)絡(luò)可映射所有連續(xù)函數(shù)，而具有雙隱含層的BP神經(jīng)網(wǎng)絡(luò)可映射任何函數(shù)（包括不連續(xù)函數(shù)）。所要建立的映射關(guān)系是否連續(xù)尚不明確，因此先考慮具有單個隱含層的BP神經(jīng)網(wǎng)絡(luò)，如果無法滿足要求則再加1個隱層。網(wǎng)絡(luò)的輸入是9維向量，輸出是1個1維向量。隱層的節(jié)點數(shù)由經(jīng)驗公式[16]算出：

m=nl=9=3。

式中：m為中間層節(jié)點數(shù)；nl為輸入向量維數(shù)。

中間層節(jié)點數(shù)為3個，由此可確定一個9-3-1的BP神經(jīng)網(wǎng)絡(luò)。

為實現(xiàn)網(wǎng)絡(luò)輸入和輸出間的非線性映射，隱層神經(jīng)元的傳遞函數(shù)采用對數(shù)Sigmoid函數(shù)f（x）=1/（1+e-x）。通常，BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值是通過沿著網(wǎng)絡(luò)誤差的負(fù)梯度方向進行調(diào)節(jié)的，最終使網(wǎng)絡(luò)誤差達(dá)到極小值或最小值，即在這一點誤差梯度為零。限于梯度下降算法的固有缺陷，標(biāo)準(zhǔn)的BP學(xué)習(xí)算法通常具有收斂慢、易陷入局部極小值等缺點，因此出現(xiàn)了許多改進的算法。改進的BP算法可依據(jù)改進途徑分為兩大類：采用啟發(fā)式學(xué)習(xí)方法，如引入動量項因子的學(xué)習(xí)算法、變學(xué)習(xí)速率學(xué)習(xí)算法、“彈性”學(xué)習(xí)算法等；采用更有效的數(shù)值優(yōu)化方法，如共軛梯度學(xué)習(xí)算法、quasi-Newton算法、Levenberg-Marquardt優(yōu)化方法等。本研究采用Levenberg-Marquardt優(yōu)化方法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行訓(xùn)練，對神經(jīng)網(wǎng)絡(luò)的構(gòu)建過程如下。第1步：定義BP網(wǎng)絡(luò)輸入向量組成的矩陣P、目標(biāo)輸出向量組成的矩陣T；第2步：創(chuàng)建新的神經(jīng)網(wǎng)絡(luò)；第3步：訓(xùn)練BP網(wǎng)絡(luò)；第4步：輸入、輸出、測試。

2.2多重線性稱質(zhì)量模型的構(gòu)建

多重回歸（multiple linear regression）與多重相關(guān)（multiple correlation）是研究一個因變量和多個自變量之間線性關(guān)系的統(tǒng)計學(xué)分析方法。本研究將鵝的實際質(zhì)量作為因變量，將電子秤所得的多個動態(tài)數(shù)據(jù)及鵝經(jīng)過電子秤的總時間長度作為自變量，進行多重線性回歸以獲得實際質(zhì)量。

對于多重線性稱質(zhì)量模型的構(gòu)建，首先須確定自變量。種鵝通過電子秤的總時間長度不同，電子秤所讀得數(shù)據(jù)的多少也不同。對于通過電子秤花費時間較長的種鵝，電子秤所讀得的數(shù)據(jù)也相應(yīng)較多。種鵝在電子秤上的實際運動情況會對電子秤的讀數(shù)產(chǎn)生影響，如果種鵝花費時間較長，表明其行走速度較慢，電子秤所得數(shù)據(jù)相對比較穩(wěn)定，否則相反。種鵝通過電子秤期間所花的總時間應(yīng)作為自變量，同時取部分動態(tài)稱質(zhì)量結(jié)果值作為自變量。如果取值較多，則無法突出種鵝總花費時間作為自變量的特點，因此最終選擇種鵝通過電子秤的總花費時間值，以及處于時間中點處和偏移2個時間單位處電子秤所獲得的共3個質(zhì)量值作為自變量。

第1步：從電子秤讀取一系列動態(tài)稱質(zhì)量數(shù)據(jù)。通常1羽種鵝經(jīng)過電子秤可能得到的數(shù)據(jù)是0.20，0.60，0.90，…，2.01，2.02，2.02，2.04，…，0.50，0.40，0.10 kg。種鵝剛踏入和剛離開電子秤時，數(shù)值較小且變化較大；而到中點附近時才具有較為穩(wěn)定可靠的數(shù)據(jù)。第2步：在電子秤讀入每個數(shù)據(jù)時系統(tǒng)會記錄相應(yīng)時間。通過記錄的時間算出種鵝經(jīng)過電子秤所花的總時間，并作為自變量。第3步：選擇處于時間中點、與時間中點偏移2個時間單位處電子秤所獲得的共3個質(zhì)量值（分別為數(shù)值1、數(shù)值2、數(shù)值3）作為自變量。第4步：采用人工方法限制種鵝行動，并測其實際質(zhì)量作為因變量。第5步：采用SPSS統(tǒng)計軟件進行多線性回歸求解。

3試驗驗證

在鵝群中隨機選擇12羽種鵝，通過輕拍安撫的方式盡量使鵝趴伏在秤臺上，從而得到一段相對穩(wěn)定的數(shù)據(jù)作為種鵝的實際質(zhì)量。將30 cm×40 cm的秤臺放置于寬40 cm、長 200 cm 的通道中，電子秤控制器通過RS232串口線與PC機相連，PC機以20條/min的頻率按時間順序保存時間、秤臺質(zhì)量數(shù)據(jù)。種鵝通過通道自由活動于兩側(cè)空間。1羽質(zhì)量為2.07 kg的種鵝經(jīng)過秤臺時，獲得數(shù)據(jù)及提取質(zhì)量數(shù)據(jù)見表1。建模后進行試驗驗證。

3.1神經(jīng)網(wǎng)絡(luò)動態(tài)稱質(zhì)量驗證

采用2組已經(jīng)過人工驗證的數(shù)據(jù)進行檢驗。第1組的實際質(zhì)量為2.06 kg，第2組的實際質(zhì)量為2.08 kg。由程序運行結(jié)果（圖3）可知，經(jīng)過神經(jīng)網(wǎng)絡(luò)程序判斷的結(jié)果分別為 2.070 2、2.078 2 kg，與實際質(zhì)量相比誤差分別為10.2、1.8 g。允許具有120 g內(nèi)的誤差，因此結(jié)果正確。經(jīng)多次驗證所得的結(jié)果基本符合要求，誤差范圍可以接受。

3.2多重線性稱質(zhì)量驗證

使用SPSS軟件進行多重線性稱質(zhì)量建模，并獲得分析結(jié)果（表2）。模型確定鵝的實際質(zhì)量應(yīng)為數(shù)值1的0.018倍+

數(shù)值2的0.485倍+數(shù)值3的0.408倍+時間間隔的1.515×10-5倍+常數(shù)×0.173。其中，數(shù)值2是電子秤所測各段時間中點時的質(zhì)量，數(shù)值1、數(shù)值3分別為偏移2個時間單位的質(zhì)量。經(jīng)多次測試誤差普遍在30 g左右，由于鵝蛋質(zhì)量通常約為120 g，遠(yuǎn)大于30 g，因此結(jié)果可取。

3.3神經(jīng)網(wǎng)絡(luò)稱質(zhì)量模型與多線性回歸稱質(zhì)量模型的比較

在正確性方面，神經(jīng)網(wǎng)絡(luò)方法所得到的值比較準(zhǔn)確，但多線性回歸方法同樣可行。在易用性方面，多線性回歸得出的公式可直接使用，而神經(jīng)網(wǎng)絡(luò)沒有固定公式，編程和調(diào)用比較復(fù)雜。目前系統(tǒng)的目的是判斷種鵝是否產(chǎn)蛋，并不是要得到種鵝的精確質(zhì)量。2種方法同時可行的情況下，多線性回歸方法比較簡單、易實現(xiàn)，對于系統(tǒng)維護、拓展功能等方面具有實用意義，因此在構(gòu)建系統(tǒng)過程中選擇采用多線性回歸的方法。

4應(yīng)用展望

本研究設(shè)計并實現(xiàn)了種鵝產(chǎn)蛋分析系統(tǒng)。本系統(tǒng)綜合運用RFID技術(shù)對數(shù)據(jù)進行采集，應(yīng)用神經(jīng)網(wǎng)絡(luò)及多線性回歸的數(shù)學(xué)方法對數(shù)據(jù)進行分析，采用C#、ACCESS數(shù)據(jù)庫應(yīng)用等編程知識構(gòu)建系統(tǒng)。經(jīng)試驗，本系統(tǒng)能夠正確檢測出種鵝是否產(chǎn)蛋，從而為種鵝的選種提供有力依據(jù)。如果要進一步拓展本系統(tǒng)可加強硬件設(shè)備，從而避免數(shù)據(jù)的漏讀和誤讀。如果在算法上加入圖像識別系統(tǒng)，將進一步解決某些特殊情況產(chǎn)生的問題。生產(chǎn)現(xiàn)場還須采取措施保證電子秤所處環(huán)境干凈、整潔，并解決零點漂移問題。本系統(tǒng)可應(yīng)用于種鵝養(yǎng)殖場，自動記錄不同種鵝的產(chǎn)蛋情況，為判斷不同鵝高產(chǎn)與否提供依據(jù)，也為種鵝的正確選種提供有力保證。

參考文獻(xiàn)：

[1]楊光榮，張德玉，黃志秋，等. 鵝產(chǎn)蛋量及產(chǎn)蛋規(guī)律的研究[J]. 中國家禽，1997（10）：19-20.

[2]蔡來長，楊承忠，容振坤，等. 馬崗鵝產(chǎn)蛋規(guī)律的研究[J]. 中國家禽，2000，22（2）：12-14.

[3]趙萬里，王志躍，龔道清，等. 揚州鵝產(chǎn)蛋規(guī)律的初步研究[J]. 中國家禽，2004，26（15）：15-16.

[4]Sun A D，Shi D，Huang Y M，et al. Development of out-of-season laying in geese and its impact on the goose industry in Guangdong Province，China[J]. Worlds Poultry Science Journal，2007，63（3）：481-490.

[5]孫愛東，梁少東，施振旦. 廣東省鵝反季節(jié)繁殖和生產(chǎn)經(jīng)濟效益分析[J]. 中國家禽，2005，27（4）：17-19.

[6]施振旦，黃運茂，吳偉. 鵝產(chǎn)蛋周期及其生理學(xué)調(diào)控機制研究的回顧[J]. 中國家禽，2008，30（9）：1-5.

[7]Huang Y M，Shi Z D，Liu Z，et al. Endocrine regulations of reproductive seasonality，follicular development and incubation in Magang geese[J]. Animal Reproduction Science，2008，104（2/3/4）：344-358.

[8]Shi Z D，Tian Y B，Wu W，et al. Controlling reproductive seasonality in the geese：a review[J]. Worlds Poultry Science Journal，2008，64（3）：343-355.

[9]周仲芳，游洪，王彭軍，等. RFID技術(shù)在活豬檢驗檢疫監(jiān)督管理中的應(yīng)用研究[J]. 農(nóng)業(yè)工程學(xué)報，2008，24（2）：241-245.

[10]Gay P，Giuffrida M P，Piccarolo P，et al. Livestock and farm management improvement using RFID Technologies[C]. Nitra，Slovakia：32th CIOSTA Congress：Advances in labour and machinery management for a profitable agriculture and forestry，2007：269.

[11]Ng M L，Leong K S，Hall D M，et al. A small passive UHF RFID tag for livestock identification[C]. Beijing，China：IEEE 2005 International Symposium on Microwave，Antenna，Propagation and EMC Technologies for Wireless Communications Proceedings，2005：67-70.

[12]Leong K S，Leng N M，Cole P H. Investigation on the deployment of HF and UHF RFID tag in livestock identification[C]. Honolulu，HI，USA：Antennas and Propagation International Symposium，2007.

[13]殷峻暹，陳守煜，邱菊. 基于遺傳與BP混合算法神經(jīng)網(wǎng)絡(luò)預(yù)測模型及應(yīng)用[J]. 大連理工大學(xué)學(xué)報，2002（5）：594-598.

[14]徐科軍，江敦明. 稱重傳感器自適應(yīng)動態(tài)補償方法[J]. 儀表技術(shù)與傳感器，1997，18（5）：12-14.

[15]毛建東. 動態(tài)稱重系統(tǒng)的動態(tài)補償和校正[J]. 食品與機械，2006，22（2）：84-86，94.

[16]沈小倩，蔡晉輝，姚燕，等. 遺傳神經(jīng)網(wǎng)絡(luò)在動態(tài)稱重中的應(yīng)用[J]. 傳感技術(shù)學(xué)報，2010（9）：1359-1363.

豐莎，繳錫云，虞曉彬，等. 由土壤物理性指標(biāo)估算入滲參數(shù)的方法 [J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（2）：424-426，433.