本发明涉及人工智能，尤其涉及一种基于深度学习网络的种猪配种控制方法及系统。
背景技术：
1、在传统的养殖业中，种猪配种决策往往依赖于饲养员的经验和直觉，以及简单的遗传学原理。这一过程通常涉及对种公猪和种母猪的物理特征、健康状况、繁殖历史和遗传背景的评估。然而，这种传统方法在面对遗传性状的复杂性和环境因素的动态变化时，存在明显的局限性。它难以准确预测后代的生长性能、健康状况和经济效益，尤其是在追求特定性状（如高生长速度、优良肉质或高效的饲料转化率）时，其效率和准确性受到了严重限制。随着人工智能技术的发展，应用到种猪养殖行业中，如何基于深度学习网络实现种猪配种控制成为当前亟待解决的技术问题。
技术实现思路
1、为了解决上述提出的至少一个技术问题，本发明提供一种基于深度学习网络的种猪配种控制方法，通过利用基于深度学习的后代性状指标预测模型与nsga-ii多目标优化算法，本发明能够精准预测后代猪的性状，并从中筛选出最符合繁育需求的种猪配种组合，显著提升养猪业的效率和经济效益。
2、一方面，本发明提供了一种基于深度学习网络的种猪配种控制方法，所述方法包括：
3、获取繁育需求数据，获取不同组合的种公猪和种母猪的繁育性能指标数据；
4、将所述繁育性能指标数据，输入训练好的后代性状指标预测模型，输出多个不同生长阶段的后代性状数据，所述后代性状指标预测模型基于深度学习网络训练得到；
5、基于所述繁育需求数据，对多个所述后代性状数据进行筛选，将筛选出的数据对应的种猪组合确定为繁育配对种猪组合。
6、优选地，所述后代性状指标预测模型包括：全连接神经网络和gru网络；
7、其中，所述全连接神经网络接收所述繁育性能指标数据，所述全连接神经网络的输入层神经元数量等于所述繁育性能指标数据的特征数量，经过隐藏层处理后输出初生后代的所述后代性状数据，所述全连接神经网络的输出层神经元数量等于所述后代性状数据的特征数量；
8、将所述初生后代的后代性状数据输入所述gru网络，输出不同生长阶段的所述后代性状数据。
9、优选地，所述获取不同组合的种公猪和种母猪的繁育性能指标数据之前，还包括：
10、对所述种母猪的繁育性能指标数据进行聚类处理，得到多个种母猪类别；
11、计算同个所述种母猪类别内的所述繁育性能指标数据的算数平均值，并将计算结果作为对应所述种母猪类别的繁育性能指标数据。
12、优选地，所述对所述种母猪的繁育性能指标数据进行聚类处理，得到多个种母猪类别，包括：
13、设置聚类参数，所述聚类参数包括邻域半径和最小点数；
14、基于所述聚类参数，根据dbscan算法对所述种母猪的繁育性能指标数据进行聚类分析，得到所述种母猪类别。
15、优选地，所述繁育性能指标数据包括种猪岁数、种猪体重、后代猪初生阶段体重均值、后代猪生长阶段体重均值、后代猪料肉比均值和后代猪类型比例；所述后代性状数据包括后代猪初生阶段体重、后代猪生长阶段体重、后代猪料肉比和后代猪类型；所述后代猪类型包括种猪类型和肉猪类型。
16、优选地，采用近期预设配种次数内的数据对所述繁育性能指标数据中的所属后代猪初生阶段体重均值、所述后代猪生长阶段体重均值和所述后代猪料肉比均值进行均值计算。
17、优选地，所述方法还包括训练所述后代性状指标预测模型，具体包括：
18、获取包含多个不同种猪组合的繁育性能指标数据，以及对应的不同生长阶段的所述后代性状数据，得到训练数据；
19、将所述繁育性能指标数据作为所述全连接神经网络的输入，初生阶段的所述后代性状数据作为标签，对所述全连接神经网络进行训练；
20、所述全连接神经网络训练完成后，根据所述全连接神经网络的输出和所述后代性状数据对所述gru网络进行训练。
21、第二方面，本发明提供了一种基于深度学习网络的种猪配种控制系统，所述系统包括：
22、数据获取模块，用于获取繁育需求数据，获取不同组合的种公猪和种母猪的繁育性能指标数据；
23、后代数据预测模块，用于将所述繁育性能指标数据，输入训练好的后代性状指标预测模型，输出多个不同生长阶段的后代性状数据，所述后代性状指标预测模型基于深度学习网络训练得到；
24、种猪组合确定模块，用于基于所述繁育需求数据，对多个所述后代性状数据进行筛选，将筛选出的数据对应的种猪组合确定为繁育配对种猪组合。
25、优选地，所述后代性状指标预测模型包括：全连接神经网络和gru网络；
26、其中，所述全连接神经网络接收所述繁育性能指标数据，所述全连接神经网络的输入层神经元数量等于所述繁育性能指标数据的特征数量，经过隐藏层处理后输出初生后代的所述后代性状数据，所述全连接神经网络的输出层神经元数量等于所述后代性状数据的特征数量；
27、将所述初生后代的后代性状数据输入所述gru网络，输出不同生长阶段的所述后代性状数据。
28、优选地，所述繁育性能指标数据包括种猪岁数、种猪体重、后代猪初生阶段体重均值、后代猪生长阶段体重均值、后代猪料肉比均值和后代猪类型比例；所述后代性状数据包括后代猪初生阶段体重、后代猪生长阶段体重、后代猪料肉比和后代猪类型；所述后代猪类型包括种猪类型和肉猪类型。
29、本发明的有益效果在于：
30、（1）本发明通过采用全连接神经网络和gru网络的组合，模型能够从种猪的繁育性能指标数据中学习到复杂的遗传模式和生长动态，从而准确预测后代猪的性状，包括生长速度、饲料转化效率和类型比例等关键指标；
31、（2）本发明通过将种母猪的繁育性能指标数据进行聚类处理，不仅减少了计算量，还提高了模型的泛化能力，使得预测结果更加稳定可靠；
32、（3）本发明通过使用近期的配种数据更新模型，确保了预测模型能够适应种猪繁育性能的自然变化，增强了预测的准确性和实用性。
1.一种基于深度学习网络的种猪配种控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习网络的种猪配种控制方法，其特征在于，所述后代性状指标预测模型包括：全连接神经网络和gru网络；
3.根据权利要求1所述的一种基于深度学习网络的种猪配种控制方法，其特征在于，所述获取不同组合的种公猪和种母猪的繁育性能指标数据之前，还包括：
4.根据权利要求3所述的一种基于深度学习网络的种猪配种控制方法，其特征在于，所述对所述种母猪的繁育性能指标数据进行聚类处理，得到多个种母猪类别，包括：
5.根据权利要求2所述的一种基于深度学习网络的种猪配种控制方法，其特征在于，所述繁育性能指标数据包括种猪岁数、种猪体重、后代猪初生阶段体重均值、后代猪生长阶段体重均值、后代猪料肉比均值和后代猪类型比例；所述后代性状数据包括后代猪初生阶段体重、后代猪生长阶段体重、后代猪料肉比和后代猪类型；所述后代猪类型包括种猪类型和肉猪类型。
6.根据权利要求5所述的一种基于深度学习网络的种猪配种控制方法，其特征在于，采用近期预设配种次数内的数据对所述繁育性能指标数据中的所属后代猪初生阶段体重均值、所述后代猪生长阶段体重均值和所述后代猪料肉比均值进行均值计算。
7.根据权利要求5所述的一种基于深度学习网络的种猪配种控制方法，其特征在于，所述方法还包括训练所述后代性状指标预测模型，具体包括：
8.一种基于深度学习网络的种猪配种控制系统，应用如权利要求1-7任一项所述的一种基于深度学习网络的种猪配种控制方法，其特征在于，所述系统包括：
9.根据权利要求8所述的一种基于深度学习网络的种猪配种控制系统，其特征在于，所述后代性状指标预测模型包括：全连接神经网络和gru网络；
10.根据权利要求9所述的一种基于深度学习网络的种猪配种控制系统，其特征在于，所述繁育性能指标数据包括种猪岁数、种猪体重、后代猪初生阶段体重均值、后代猪生长阶段体重均值、后代猪料肉比均值和后代猪类型比例；所述后代性状数据包括后代猪初生阶段体重、后代猪生长阶段体重、后代猪料肉比和后代猪类型；所述后代猪类型包括种猪类型和肉猪类型。
