TBESO-BP:一个改进的回归模型,用于预测亚临床乳腺炎
Kexin Han1, Yongqiang Dai1, Huan Liu1
1College of Information Science and Technology, Gansu Agricultural University, Lanzhou, China.
Frontiers in veterinary science
|April 16, 2025
概括
一个新的TBESO-BP模型使用乳牛群改善数据准确预测乳牛的亚临床乳腺炎. 这种人工智能方法可以改善牛乳炎的早期检测和管理.
科学领域:
- 兽医科学 兽医科学 兽医科学
- 动物健康中的人工智能
- 乳制品生产 乳制品生产
背景情况:
- 亚临床乳腺炎显著影响奶牛的经济,福利和生物安全.
- 目前的识别方法 (SCC,微生物学) 面临挑战,限制了早期干预.
- 准确预测亚临床乳腺炎对于有效的群体管理至关重要.
研究的目的:
- 开发和评估一个增强的神经反向传播 (BP) 网络模型,用于预测亚临床乳腺炎.
- 使用人工智能提高体细胞计数 (SCC) 预测的准确性和效率.
- 引入TBESO (多策略增强蛇优化器) 算法,以提高BP网络性能.
主要方法:
- 利用了2022年1月至7月的每月乳制品群体改善 (DHI) 数据.
- 开发了一个增强的BP网络模型,结合了TBESO算法.
- 将TBESO-BP模型与六种替代回归预测模型进行比较.
主要成果:
- TBESO-BP模型实现了高的确定系数 (R2 = 0.94).
- 该模型显示平均绝对误差 (MAE) 为2.07,根平均平方误差 (RMSE) 为5.33.
- 在预测准确性和错误减少方面,TBESO-BP的表现优于六种替代模型.
结论:
- TBESO-BP模型是预测乳牛亚临床乳腺炎的精确和有效工具.
- TBESO算法显著提高了BP神经网络在回归任务中的性能.
- 这种人工智能驱动的方法可以提高计算效率,并在奶牛养殖中得到实际应用.
