基于多模态神经网络的鸭饲料配方优化方法与流程

本发明涉及计算机辅助动物营养与饲料配方优化领域，尤其涉及基于多模态神经网络的鸭饲料配方优化方法。

背景技术：

1、鸭饲料配方需要同时兼顾原料营养组成、毒素安全、鸭群阶段性需求、生产成本以及原料库存。粗蛋白、含水率、代谢能和霉菌毒素等指标会随原料批次发生波动，鸭龄、品种、群体体重分布、舍内温湿度和健康状态也会改变鸭群的营养需求及对风险因素的易感程度，因此同一静态配方难以持续适配不同生产时间窗。

2、现有鸭饲料配方方法通常依据静态营养标准和线性规划模型确定原料比例，难以刻画原料、环境、实际采食量与日增重、料肉比及健康风险之间的非线性关系；对检测重复性、采样覆盖、检测时间和缺失状态所反映的不确定度缺少统一传递机制，容易将插补结果误作安全依据。另一方面，成品制造偏差和鸭群生物响应偏差若使用同一反馈通道更新模型，可能产生错误归因和配方震荡，导致营养不足、毒素超限、无效安全裕量或过度依赖人工试验。

3、因此，需要一种能够解决上述现有技术不足的鸭饲料配方优化方法。

技术实现思路

1、本发明的目的在于提供基于多模态神经网络的鸭饲料配方优化方法。该方法对原料批次检测数据和鸭群时序数据执行基准转换与时间对齐，建立带边可靠度的异构暴露图，分别生成配方批次暴露表示和鸭群状态表示，经可靠度及缺失掩码控制的交叉融合后预测日增重、料肉比和健康风险；进一步利用分群保形校准形成约束边界，依据鸭群易感性、当前健康风险和毒素检测可靠度分配联合风险预算，并在营养、安全、库存、用量和成本约束下输出投料比例及适用时间窗；通过成品复检产生的制造残差和饲喂结果产生的生物响应残差分别更新检测边与校准边界。

2、本发明提供了基于多模态神经网络的鸭饲料配方优化方法，包括：

3、s1、获取鸭饲料原料批次数据和目标鸭群时序数据，进行干物质基准转换、时间对齐并生成缺失掩码，得到对齐多模态数据；

4、s2、根据所述对齐多模态数据建立包括原料批次节点、营养成分节点、毒素节点、配方节点和鸭群时间片节点的异构暴露图，确定表征暴露量及时滞的边权和表征检测质量的边可靠度；

5、s3、分别利用图编码器和时序编码器对所述异构暴露图和鸭群时间片序列进行编码，并根据所述边可靠度和缺失掩码进行交叉融合，得到融合表示；

6、s4、基于所述对齐多模态数据生成候选配方集合，将各候选配方的特征和所述融合表示输入多任务预测头，得到生产性能、健康风险和毒素暴露预测结果，对所述预测结果进行鸭群分组保形校准并分配联合风险预算，得到约束边界；

7、s5、根据所述约束边界，在阶段性营养约束和安全约束下从所述候选配方集合中求解目标配方，输出各原料批次的投料比例和鸭群适用时间窗；

8、s6、根据成品复检结果形成制造残差并更新所述异构暴露图，根据实际饲喂结果形成生物响应残差并更新鸭群分组的保形校准样本和约束边界，以用于后续配方求解。

9、可选的，s1包括：获取各原料批次的粗蛋白含量、含水率、代谢能估计值、霉菌毒素检测值、价格、库存、检测重复性、采样覆盖率、检测时间点、检测有效时长、由所述检测时间点和检测有效时长确定的失效时间点、当前评价时间和缺失标记，并获取目标鸭群的鸭龄、品种、群体体重分布、采食量、健康指标、舍内温度、舍内湿度、配方投喂时间和历史日增重及料肉比；

10、根据含水率将湿基营养测定值转换为干物质基测定值，按照原料入库时间、配方生产时间和鸭群采食时间将各项信息映射到鸭群时间片，将各字段的缺失标记编码为所述缺失掩码，得到所述对齐多模态数据和对应的缺失掩码。

11、可选的，s2包括：在原料批次节点与配方节点之间建立投料边，在原料批次节点与营养成分节点及毒素节点之间建立检测边，在配方节点与鸭群时间片节点之间建立采食边；

12、根据投料比例、干物质基测定值、实际采食量和从投料至采食的时间间隔确定所述边权；

13、根据检测重复性、采样覆盖率、从当前评价时间至失效时间点的剩余时长相对于检测有效时长的比例以及缺失标记确定所述边可靠度，并在缺失标记表示检测缺失或当前评价时间达到失效时间点时将对应检测边可靠度设为零。

14、可选的，s3包括：由所述图编码器按照边类型分别聚合相邻节点特征，并利用所述边权和边可靠度调节各相邻节点特征的聚合系数，形成配方批次暴露表示；

15、由所述时序编码器按照鸭群时间片的先后顺序对群体体重分布、采食量、健康指标和舍内温湿度进行编码，形成鸭群状态表示；

16、以所述边可靠度和由缺失标记编码得到的缺失掩码共同生成交叉融合门控系数，通过所述交叉融合门控系数控制所述配方批次暴露表示与鸭群状态表示之间的信息传递，得到所述融合表示；

17、进一步的，所述图编码器、时序编码器、多任务预测头和交叉融合门控系数生成网络通过历史原料批次数据、历史配方数据、历史鸭群时间片数据、成品复检结果和实际饲喂结果训练得到；

18、训练过程中，以日增重预测损失、料肉比预测损失、健康风险预测损失和毒素暴露预测损失的加权和作为多任务损失，将具有缺失标记或当前评价时间达到失效时间点的检测边可靠度设为零，并保持同一训练样本中其余检测边可靠度不变；

19、按照训练样本中各原料批次的投料比例对该训练样本关联的检测边可靠度进行归一化加权求和，得到样本可靠度，当该训练样本关联的全部检测边可靠度均为零时将所述样本可靠度设为零；

20、以所述样本可靠度作为该训练样本的多任务损失权重，并根据加权后的多任务损失更新模型参数。

21、可选的，s4包括：形成所述约束边界的保形校准过程包括：按照鸭龄区间、品种和由温湿度指数阈值划分的热应激等级构建鸭群分组；

22、针对各鸭群分组，根据历史预测结果与实际饲喂结果构建日增重、料肉比和健康风险非符合度分数，根据候选配方毒素暴露预测结果与由成品复检毒素实测值、实际采食量及鸭群适用时间窗换算得到的毒素暴露实测结果构建毒素暴露非符合度分数，根据各原料批次的干物质基粗蛋白测定值及候选投料比例计算候选配方粗蛋白值，并根据所述候选配方粗蛋白值与成品复检粗蛋白实测值构建粗蛋白不足非符合度分数；

23、根据各原料批次的代谢能估计值及候选投料比例计算候选配方代谢能值，并根据所述候选配方代谢能值与由成品复检营养成分测定值确定的代谢能参考值构建代谢能不足非符合度分数；

24、按照基础覆盖率确定各类非符合度分数的分位值并形成基础校准边界；

25、当目标鸭群分组的校准样本数量未达到预设样本门槛时，依次采用包含该目标鸭群分组的上位合并分组、全局校准样本或预设保守边界，并在样本数量达到所述预设样本门槛后采用该目标鸭群分组的分位值；

26、进一步的，分配所述联合风险预算包括：根据鸭龄、品种和当前健康指标确定鸭群易感性分值，按照与健康风险预测头训练标签一致的映射规则将当前健康指标转换为当前健康风险数值，并根据候选配方中各原料批次的投料比例对相应霉菌毒素检测边可靠度进行加权聚合，得到毒素检测可靠度；

27、在预设联合违约概率上限内，为粗蛋白不足约束、代谢能不足约束、毒素暴露约束和健康风险约束分配违约概率预算，使健康风险约束的违约概率预算与所述鸭群易感性分值及当前健康风险数值负相关，并使毒素暴露约束的违约概率预算与所述毒素检测可靠度正相关；

28、将一减去各违约概率预算作为对应约束的预算覆盖率，并将所述基础覆盖率与预算覆盖率中的数值最大者作为目标覆盖率；

29、日增重非符合度分数和料肉比非符合度分数继续采用所述基础覆盖率及对应的基础校准边界，按照所述目标覆盖率重新选取健康风险、毒素暴露、粗蛋白不足和代谢能不足非符合度分数的分位值，以重新选取的分位值形成最终的健康风险上界、毒素暴露上界、粗蛋白下界和代谢能下界，并与基础校准边界中的日增重下界和料肉比上界共同形成所述约束边界。

30、可选的，s5包括：以各原料批次的投料比例和鸭群适用时间窗为决策变量，以配方成本和相邻生产批次投料比例变化量为目标函数项；

31、将所述阶段性营养约束、安全约束、库存约束、原料用量约束和成本约束与所述约束边界组成配方可行域，在所述配方可行域内筛选同时满足所述约束边界的候选配方，并输出目标函数值满足求解终止条件的候选配方所对应的投料比例和鸭群适用时间窗；

32、当所述配方可行域为空或在预设求解时限内未满足求解终止条件时，保持毒素暴露约束和健康风险约束不变，优先沿用经当前数据复核后同时满足当前约束边界、阶段性营养约束、安全约束、库存约束和原料用量约束的已验证配方；

33、在不存在所述已验证配方时，触发原料批次替换、重新检测或扩展候选配方集合中的至少一种处理并重新求解，在重新求解得到满足所述配方可行域的候选配方前不输出目标配方；

34、进一步的，将原料批次的霉菌毒素检测值具有缺失标记或当前评价时间达到失效时间点的情形作为检测异常分支；

35、在所述检测异常分支中，从检测方法量程上限、同类原料有效检测值的上分位值和安全限量换算值中选取使毒素暴露预测结果数值最大的保守值，根据所述保守值和候选投料比例确定该原料批次的毒素暴露贡献，当所述毒素暴露贡献使毒素暴露上界超过安全约束时禁止使用该原料批次，否则将该原料批次的掺入上限收紧至满足所述安全约束，并触发重新检测；

36、在获得有效的重新检测值之前，不以插补结果提高该原料批次的边可靠度或解除所述安全约束；

37、在获得有效的重新检测值后，利用所述重新检测值更新对应边权和毒素暴露贡献，在既定安全限量不变的条件下重新计算该原料批次的掺入上限并重新判定所述安全约束，并根据重新检测的重复性、采样覆盖率、检测时间点、失效时间点和缺失标记重新确定对应边可靠度。

38、可选的，s6包括：将成品复检的营养成分及毒素实测值与根据各原料批次检测值及投料比例计算的成品估计值之差作为所述制造残差，根据所述制造残差修正原料批次节点至营养成分节点及毒素节点的边权，并根据所述制造残差的重复测量离散程度修正对应的边可靠度；

39、将鸭群实际日增重及实际料肉比与对应预测结果之差作为生产性能残差，按照与健康风险预测头训练标签一致的映射规则将实际健康指标转换为实际健康风险结果并将所述实际健康风险结果与健康风险预测结果之差作为健康风险残差，将所述生产性能残差和健康风险残差组成所述生物响应残差并写入对应鸭群分组的保形校准样本，在保留制造残差更新结果的条件下重新确定非符合度分数的分位值和约束边界。

40、本发明的有益效果是：

41、1、通过按原料批次、营养或毒素、配方以及鸭群时间片建立异构暴露图，并将检测重复性、采样覆盖、检测时间和缺失状态转换为边可靠度，使批次检测不确定度能够沿模型处理链进入预测结果和配方约束。

42、2、通过图编码、时序编码以及由可靠度和缺失掩码控制的交叉融合，刻画原料、环境、采食量与生产性能之间的非线性关系，减少静态营养标准和线性配方模型造成的营养过量或营养不足。

43、3、通过分群保形校准和联合风险预算动态收紧可行域，并在关键毒素信息缺失或过期时保持禁用、限量或复检约束，在控制实际约束违约率的同时减少过度保守成本。

44、4、通过区分成品复检对应的制造残差与饲喂结果对应的生物响应残差，分别更新原料检测边和鸭群分组校准边界，减少错误归因与连续生产中的配方震荡。