3.根據權利要求1所述的一種基于LSTM-Kalman模型的蛋雞產蛋率預測方法，其特征在于，所述S2中初始化LSTM模型參數，輸入訓練集，不斷調整模型參數，直到獲取預期的目標準確率，結合Kalman濾波，構建基于LSTM-Kalman的蛋雞產蛋率預測模型：

LSTM神經網絡是將一般遞歸神經網絡的隱層神經元替換為一種特殊的LSTM遞歸神經網絡結構，圖一是LSTM神經網絡內存塊的示意圖。

其中，x_t為當前輸入，h_t，h_t-1分別為當前輸出和前一時刻的輸出，C_t、C_t-1分別是當前時刻的記憶內容和前一時刻的記憶內容。

LSTM神經網絡的內部計算如下：

第一，遺忘門的作用是保存歷史信息，它決定從LSTM單元狀態中丟棄哪些信息，保留哪些信息，其輸出可表示為：

f_t＝σ(ω_fh_t-1+U_fx_t+b_f)\*MERGEFORMAT (1)

其中，σ()是sigmoid函數。ω_f、U_f、b_f表示線性關系的權重和偏執量。

第二，LSTM輸入門的輸入由三部分組成:輸入層神經元的輸出向量、前一層隱層單元的輸出向量和前一時刻單元的保留信息。輸入門包含兩個部分：輸入門的sigmoid層作為需要更新的信息，tanh層創建一個新的后選址向量C_t，并添加到細胞狀態，將細胞的新狀態乘以舊狀態C_t-1和f_t來獲取遺忘后的信息，加上來實現更新。

輸入門各變量的定義為：

i_t＝σ(ω_ih_t-1+U_ix_t+b_i)\*MERGEFORMAT (2)

第三，LSTM單元的狀態由輸出門更新。輸出門的輸入由三部分組成，分別是輸入層神經元的輸出向量、前一隱層單元的輸出向量和當前時間單元的保留信息。由sigmoid層確定哪些部分的當前細胞狀態需要輸出，tanh層對細胞狀態進行處理，得到-1和1之間的值，乘以sigmoid輸出獲得輸出結果，具體如式(5)和(6)。

O_t＝σ(ω_oh_t-1+U_ox_t+b_o)\*MERGEFORMAT (5)

h_t＝O_ttanh(C_t)\*MERGEFORMAT (6)

受溫度、濕度等環境因素的影響，LSTM神經網絡對產蛋率的預測結果有一定的不確定性，可以通過Kalman濾波降低不確定性的影響，提高產蛋率的預測精度。

Kalman濾波主要包括狀態變量估計和狀態變量修正兩個過程。

狀態變量估計：

根據k-1時刻的真實值和系統的可控輸入預測k時刻的值。

X′_k＝AX_k-1+BU_k+ω_k\*MERGEFORMAT (7)

其中，X_k-1表示前一時刻的真實值，本文中為LSTM神經網絡的預測值。X′_k為估計值，U_k為系統的控制輸出，本文中設為1。A是從k-1時刻到k時刻的狀態轉移矩陣，B表示控制輸入與狀態量之間的轉換因子。在本次試驗中分別設置A＝I，B＝I(I為單位矩陣)。

ω_k是均值為0的高斯分布白噪聲。

狀態變量修正：

使用k時刻的觀測值與預測值之差來校正k時刻的預測值。

Z_k＝HX_K+v_k\*MERGEFORMAT (8)

X＇_k＝X＇_k+K(Z(k)-HX＇_k)\*MERGEFORMAT (9)

其中，X_k是該時刻的真實值，也就是LSTM神經網絡的預測值，Z(k)是k時刻的觀測值，v_k是均值為0，且符合高斯分布的測量噪聲，H是狀態轉移矩陣，本次試驗中設置H＝I，K為系統的增益因子，是最終得到的產蛋率的預測結果。