一种基于机器学习的蛋白类饲料微生物蛋白产量预测方法、系统、终端设备及存储介质

本技术涉及机器学习，具体地涉及一种基于机器学习的蛋白类饲料微生物蛋白产量预测方法、系统、终端设备及存储介质。

背景技术：

1、在反刍动物营养中，瘤胃微生物蛋白（microbial crude protein，mcp）是宿主必需氨基酸含量的主要来源，占小肠吸收氨基酸含量的70%-85%。准确预测mcp产量对于评估蛋白饲料价值、实现精准营养供给至关重要。

2、目前，mcp产量的预测方法主要分为两类：

3、第一类是经验系数法，以美国国家研究委员会（nrc）模型为代表，通过固定的转化效率系数（如0.85）建立mcp产量与可降解蛋白（rdp）或可消化养分（tdn）之间的线性关系。此类模型参数简洁，但用一个静态的平均效率系数掩盖了日粮结构、微生物动态及能氮同步性导致的效率波动，特别是在应用于白酒糟、花生粕、ddgs等非常规蛋白饲料时，预测偏差大、鲁棒性不足。

4、第二类是动态机理法，以康奈尔净碳水化合物-蛋白质体系（cncps）为代表，通过数学方程描述瘤胃内底物降解、微生物生长等动态过程。该类模型机理性强，但依赖大量难以获取的动力学参数（如各组分降解速率、微生物最大生长速率等）。更重要的是，其核心参数和计算逻辑内置于商业软件中未公开，研究者无法独立复现和验证，尤其在处理降解动力学偏离常规范围的非常规原料时，适用性存疑。

5、因此，现有技术的主要缺陷在于：缺乏一种不依赖固定效率系数和封闭参数、能有效处理高维非线性关系、且对非常规蛋白饲料具有良好预测准确性和泛化能力的mcp产量预测方法。

技术实现思路

1、本发明旨在解决现有技术中的问题，提供一种能有效精准获得mcp产量预测数据的一种基于机器学习的蛋白类饲料微生物蛋白产量预测方法、系统、设备及存储介质。

2、为了实现上述目的，本技术第一方面提供一种基于机器学习的蛋白类饲料微生物蛋白产量预测方法，包括：

3、s1、构建多维度数据库，所述多维度数据库包含至少10种蛋白类饲料原料的静态化学指标以及对应的通过短期静态体外发酵试验测得的微生物蛋白产量；其中，所述静态化学指标包括至少一种数据类型，每个静态化学指标作为一个输入特征，所述微生物蛋白产量作为唯一输出变量；

4、s2、将包括多个静态化学指标进行组合构建多个数据集作为输入特征，每个数据集包括训练集和测试集，结合所述输出变量，基于多个机器学习算法及对应的超参搜索区间分别建立对应的初始蛋白饲料mcp产量预测模型，对每个初始蛋白饲料mcp产量预测模型的性能进行评价并比较获得最优的初始蛋白饲料mcp产量预测模型，基于粒子群优化算法和最优的初始蛋白饲料mcp产量预测模型剔除冗余和共线性的输入特征，获得最优输入特征子集；

5、s3、基于所述最优输入特征子集，利用粒子群优化算法对多个初始蛋白饲料mcp产量预测模型的超参数进行全局寻优，以最大化交叉验证的r²均值为优化目标，确定最优超参数组合，并使用所述最优超参数组合对多个初始蛋白饲料mcp产量预测模型进行训练得到优化后的蛋白饲料mcp产量预测模型，通过比较确定catboost预测模型为最优的蛋白饲料mcp产量预测模型，将catboost预测模型确定为最终的蛋白饲料mcp产量预测模型；

6、s4、将待测蛋白类饲料的静态化学指标输入至训练好的最终的蛋白饲料mcp产量预测模型，输出所述待测蛋白类饲料的微生物蛋白产量预测值。

7、在一实施方式中，所述静态化学指标至少包括常规营养成分、康奈尔净碳水化合物-蛋白质体系分馏组分以及氨基酸含量三个不同数据类型。

8、在一实施方式中，所述多个机器学习算法至少包括神经网络算法ann、基于核的算法svm以及基于树模型的集成算法rf、gbr、adaboost和catboost算法。

9、在一实施方式中，所述最优输入特征子集包括总能、淀粉、酸性洗涤不溶蛋白、可溶性真蛋白、可溶性蛋白、中速降解碳水化合物、慢速降解碳水化合物、不可降解碳水化合物、中速降解蛋白、不可利用蛋白和丙氨酸。

10、在一实施方式中，s2中，利用多个机器学习算法分别建立对应的初始蛋白饲料mcp产量预测模型建模过程中，多个机器学习算法均采用超参数完成训练，以最基础的超参数组合建模，超参数搜索范围如下：

11、迭代次数：100～1000；

12、学习率：0.01～0.3；

13、树深度：1～10；

14、l2正则项系数：1～10。

15、在一实施方式中，步骤s3中，粒子群优化算法参数设置为：粒子数量为10，个体学习因子c1=0.1，社会学习因子c2=0.7，惯性权重w=0.9，并采用线性递减策略，最大迭代次数为100次。

16、本技术的第二方面，提供一种基于机器学习的蛋白类饲料微生物蛋白产量预测系统，包括：

17、多维度数据库构建模块，用于获取包含至少10种蛋白类饲料原料的静态化学指标以及对应的通过短期静态体外发酵试验测得的微生物蛋白产量；其中，所述静态化学指标包括至少一种数据类型，每个静态化学指标作为一个输入特征，所述微生物蛋白产量作为唯一输出变量；

18、输入特征优化模块，用于将包括多个静态化学指标进行组合构建多个数据集作为输入特征，每个数据集包括训练集和测试集，结合所述输出变量，基于多个机器学习算法及对应的超参搜索区间分别建立对应的初始蛋白饲料mcp产量预测模型，对每个初始蛋白饲料mcp产量预测模型的性能进行评价并比较获得最优的初始蛋白饲料mcp产量预测模型，基于粒子群优化算法和最优的初始蛋白饲料mcp产量预测模型剔除冗余和共线性的输入特征，获得最优输入特征子集；

19、预测模型确定模块，利用粒子群优化算法对多个初始蛋白饲料mcp产量预测模型的超参数进行全局寻优，以最大化交叉验证的r²均值为优化目标，确定最优超参数组合，并使用该最优超参数组合对多个初始蛋白饲料mcp产量预测模型进行训练得到优化后的蛋白饲料mcp产量预测模型，通过比较确定catboost预测模型为最优的蛋白饲料mcp产量预测模型，将catboost预测模型确定为最终的蛋白饲料mcp产量预测模型；

20、预测输出模块，用于将待测蛋白类饲料的静态化学指标输入至训练好的最终的蛋白饲料mcp产量预测模型，输出所述待测蛋白类饲料的微生物蛋白产量预测值。

21、本技术的第三方面，提供一种终端设备，包括：

22、至少一个处理器；

23、至少一个存储器，用于存储至少一个程序；

24、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上述的一种基于机器学习的蛋白类饲料微生物蛋白产量预测方法。

25、本技术的第四方面，提供一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于实现如上所述的一种基于机器学习的蛋白类饲料微生物蛋白产量预测方法。

26、与现有技术相比，本技术具有如下有益效果：

27、上述基于机器学习的蛋白类饲料微生物蛋白产量预测方法、系统、设备及存储介质中，预测方法在建模完成后，通过静态化学指标（如常规营养成分）直接预测微生物蛋白产量，无需逐一进行耗时长、成本高的静态体外发酵试验，大幅缩短了评估周期，降低了检测成本。采用多维度数据库（含至少10种原料及对应实测值），结合多种机器学习算法建立对应的初始蛋白饲料mcp产量预测模型，通过比较性能获得最优的初始蛋白饲料mcp产量预测模型，基于粒子群优化算法和最优的初始蛋白饲料mcp产量预测模型剔除了冗余和共线性的输入特征，保留了与微生物蛋白产量最相关的最优输入特征子集。与使用全输入特征集相比，最优输入特征子集训练得到的模型具有更高的泛化能力和预测精度，避免了过拟合，从而提升了预测模型的泛化能力和准确性。在此基础上，利用粒子群优化算法（pso）以交叉验证r²均值为目标进行全局寻优，避免了手动调参的盲目性与局部最优问题，确保了模型在给定数据集上的最佳性能。最终选定的catboost预测模型能通过对称树结构和有序提升有效缓解预测偏移，进一步提高了微生物蛋白产量预测的稳定性和精度。实验表明，在测试集上预测值与实测值的决定系数r²可达0.7393，均方根误差（rmse）=8.60和平均绝对误差（mae）=6.63。本发明不依赖特定原料的经验系数或未公开的封闭参数，解决了传统模型在白酒糟、花生粕、ddgs等非常规蛋白饲料上预测偏差大、参数适配难的问题。