毕业设计_文献翻译_一种监测动物饮水模型

1、PAGE19 / NUMPAGES19目 录 TOC o 1-3 h z u HYPERLINK l _Toc350349006 一种通过饮水行为监控幼猪生理状况的模型 PAGEREF _Toc350349006 h 2 HYPERLINK l _Toc350349007 摘要 PAGEREF _Toc350349007 h 2 HYPERLINK l _Toc350349008 关键词 PAGEREF _Toc350349008 h 2 HYPERLINK l _Toc350349009 1简介 PAGEREF _Toc350349009 h 3 HYPERLINK l _Toc350349

2、010 2材料 PAGEREF _Toc350349010 h 5 HYPERLINK l _Toc350349011 3方法 PAGEREF _Toc350349011 h 8 HYPERLINK l _Toc350349012 3.1累积和图 PAGEREF _Toc350349012 h 9 HYPERLINK l _Toc350349013 4例证 PAGEREF _Toc350349013 h 11 HYPERLINK l _Toc350349014 4.1V字型累积和图构造 PAGEREF _Toc350349014 h 11 HYPERLINK l _Toc350349015 4

3、.2DLM的设置 PAGEREF _Toc350349015 h 11 HYPERLINK l _Toc350349016 4.3模型的应用 PAGEREF _Toc350349016 h 14 HYPERLINK l _Toc350349017 5讨论 PAGEREF _Toc350349017 h 15 HYPERLINK l _Toc350349018 6结论 PAGEREF _Toc350349018 h 17 HYPERLINK l _Toc350349019 7参考文献 PAGEREF _Toc350349019 h 18一种通过饮水行为监控幼猪生理状况的模型摘要在评价猪的健康和行

4、为的变化时候，我们需要一种统一的饲料或者饮水量模型。在猪生长4到11周龄的时候，我们连续地检测猪的饮水量。本研究包括三群十八个批次的猪，每一批次400-900头猪。管理方式为“全进全出型”。猪饮水的数据通过电子记录，同时被传送到电脑按照时间序列分析。像改变饮食和治疗这样的管理干扰我们每天会记录在工作日志里。结果表明，水的消耗有着明显的昼夜节律。不考虑猪群和房屋设备的影响，猪饮水的消耗在每天的下午4点到6点到达高峰，在每天早晨3点到5点达到最低。在猪饮水量不断增加的这段期间里，这种昼夜交替的规律一直持续着。在健康的时候，猪会表现出一种平稳的饮水模式，然而，它们会因为得病而改变自己的饮水规律。我们

5、运用状态空间模型结合累积和控制图这种工具基于饮水消耗来在线监测幼猪。通过例子表明，我们可以在生理征兆发生约一天之前监测出一种突发性的疾病（痢疾）。关键词动态线性模型；累积和控制图；饮水行为；昼夜模型1简介通常，管理上的决策都是基于主观判断。一般来说，这些决定都是基于一系列信息源的结合，这些信息源包括猪可以看到的行为（侵略）和猪群行为（腹泻）或者是其他来自于每月记录(温度)。像腹泻这种疾病的爆发通常在猪群中传染的很快，如果不能快速检测和治疗的话，猪的生长率就会下降，死亡率就会增高。同样，低质量的饲喂也会导致低生长率和低饲料转化率。由于单位人员饲养动物数目的趋势是变得越来越大，所以很少有空闲时间来

6、观察断奶后个体动物的行为。在以前，每天的看养工作都是和人工喂养和人工产粪结合在一起的，这增加了发现疾病或者其他问题的机会。现代养猪系统是有全漏缝地板、自动环境控制、自动喂料饮水系统构成，这使得饲养员能够管理更多的动物。理论上讲，节省劳动力的设备能够增加一些时间用于检查和监督动物。然而，在商业实践中，不断进步的技术意味着人工时间被转移到了更多的动物上。通过来自于丹麦农业资讯服务机构的数据，花费在每个商品猪生产中平均的劳动力投入量仅仅为10-12分钟。因此，对于生产者来说，花费时间来检查动物是否感染疾病或者接触应激源很重要。问题是怎样确定许多猪群的风险等级或者是健康水平。当然，管理者可能有一些经验

7、，例如说，某些疾病的爆发出现在生产周期中的给定的阶段。然而，人们普遍认为对于往哪个方面集中管理，一些种类的指导也许会派上用场。因此，有人建议自动化检测系统和时间序列分析也许是一种有前途的管理工具（Frost et al.，1997；Bird and Crabtree,2000;Bird et al.,2001）。令人意外的是，在现代的养猪生产中这种方法很少有人尝试。人们一致同意动物福利应该有一系列的指标来衡量，比如说动物行为（Smidt，1983），动物进食和饮水行为的变化通常是表明猪在经历环境应急最先的视觉征兆。动物进食方式已经有一系列的课题来研究（Slader and Gregory, 1

8、988; Nienaberet al., 1991; Xin and DeShazer, 1992; Young and Lawrence, 1994; Hyun et al., 1997）。这些课题都发现猪进食行为是有着极为显著的昼夜规律，Bigelow and Houpt（1988）认为猪饮水行为和饲料消耗是紧密联系的，这一规律引起了一种假设猪健康状况的变化影响饲料摄入量同样影响水的摄入量，以至于影响饮水行为。这一假设形成了一种通过对猪饮水量统计和监测来发觉猪行为变化的想法。统计学中的质量控制在制造业中的使用已经司空见惯（see e.g. Montgomery, 1996），却很少用在动物

9、饲养上。但也有一些例子存在，比如在通过监测每日产出牛奶量(Van Bebber et al., 1999)来预测奶牛是否得病，基于时间序列来分析(de Mol etal., 1999)肉鸡饲料进食量的变化 (Roush et al., 1992)；对于牛奶日产量的监测(Thysen, 1992)。这些监测系统有一些共同点：（1）拥有自动收集成果的特性，（2）拥有适当的模型来分析收集的数据。现代计算机科技已经发展很快，使得农场水平下的实时监测成为了可能。过程计算机，来源于工厂自动化，通常和电子流量表结合在一起安装在农场为电脑提供实时关于饮水量的数据。真正的挑战在于为了尽可能获取更多的信息而处理记

10、录的数据。监测生产特性通常很难，因为随机性和反馈上系统性的变化经常使得对数据的翻译变得复杂。最基本的问题是怎样在一连串离散的饮水量中检测出变化点。在变化点的问题上有很多文献，参见Christensen andRudemo (1996) 和 Csrg and Horvth (1988)对于不同方法的讨论。在本研究中，变化点问题是由于数据的动态性而变得复杂。时间序列在总水平围表现出不同的每日模型和不可预测的增长率，同时有着几乎没有，如果有的话在时间序列的开始处也是很少的先验信息。这篇论文的目的在于以实时监测饮水量为基础，开发出一种方法监测幼猪的生长情况的方法。这中方法结合了Bayesian的模型传

11、统的统计质量控制模型，又叫累积和控制图。一种相似的方案来自于Iwersen（1997）。这种方法意图在于被使用同时成为养猪场中基于计算机的监测系统的一部分。2材料饮水量的采集来自于商业农场18个编组4-11周龄的猪。其中一个农场有两个部分参加了，而另外两个农场分别参加了一部分。每组猪都有一样的断奶时间。猪舍能够容纳400-900头猪，管理方式为全进全出。在这三个农场中，我们参考丹麦饲养标准建立了标准的谷物豆类饮食标准，所有的模型中，水由自动饮水器控制。生产条件参见表2-1。农场A农场B农场C每部分猪群数12244猪群猪数3530250课题部分数211地板样式部分板条部分板条厚垫草饲喂系统自动管

12、道喂食器自动管道喂食器自动管道喂食器饲喂方案无限制无限制无限制每个饮水器猪数171530表2-1 农场A和B生产状况几乎一样，是相对来说小猪群和漏缝地板而C农场是大猪群和厚垫草地板C和A、B相比有着两倍的单位饮水器的猪数图2-1 水和饲料摄入，温度和相对湿度电子监测。数据被转到数据库加工。本课题仅使用饮水量数据饮水量每两分钟按照总的公升消耗量记录一次。所有的数据都会每2分钟记录一次然后存在当地的过程计算机里。每24小时数据会通过调制解调器连接传送到数据中心。此外，农场员工在工作日志中记录下生病动物的治疗、饲喂变化、清除死亡动物等任何举动。电子记录和日志记录的数据被安排为分批传送。一个单独数据包

13、括36000对象和50页工作记录。由于技术问题，18组中只有12个时间序列是完整的。拥有300-900头猪的一组水的消耗量可以看做是连续的过程，但实际上，流量是离散的间隔很少的测量量。图2-1中呈现的一组350头断奶29天的幼猪两分钟的饮水量。图中所示，饮水量是指两分钟时间猪消耗的水的升数。图中点的密集程度代表着一天中猪非常量饮水行为。数据的首要目标在于研究猪的饮水行为是否能作为其健康状况的指示器。我们需要做的第一步是数据是否能够重复，也就是说对于每一个观察，我们应该能够形成有对数据依据的预期。从图2 中可以很明显看到两分钟饮水总量有一些随机干扰。为了减少这些随机性的干扰，让数据更加容易处理，

14、两分钟的数据被整合在一起。整合意味着数据的丢失，因此我们也没有整合很过分。一项按照20分钟计算，对1h到4h求和区间的估值表明1h间隔是处理数据和数据不丢失信息之间最好的平衡。1小时饮水总量表现出更加平稳的模型。图SEQ 图表 * ARABIC1-2 一组350头断奶29天的幼猪两分钟的饮水量图2-SEQ 图表 * ARABIC2 图2中2分钟的量被合并到一个小时（图2-3）在表一中尽管猪生长条件有着相当可观的区别，但这种幼猪的饮水模型在所有的四部分猪中几乎是一样的（同样在所有三个农场）。我们可以提取数据中以下几种特点(Madsen et al., in press):在猪的生长过程中饮水量也

15、相应增加每天的饮水量稳定在一个标准的模式由于生物学上的差异和测量误差数据有一些随机性误差下一节中，我们将会介绍一种专门适应饮水数据特点的检测方法。3方法在19世纪20年代沃尔特休华特开发出了一些商业生产分析技术，这项技术用来监测连续生产过程中产品质量状况（参见 Montgomery，1996，第四章）。统计过程控制（SPC），又叫做质量控制，在工业中广泛运用来促进商业运作和生产过程的客观评价。SPC被用来监测一种产品的特性，当这一正在监测的特性超过预设的围的时候就会发出警告。尽管它也允许一定的浮动，基本控制图则是用来监测一种一般为常量的数据。由于预期的数值并不是保持稳定状态，因此监测生长中的猪

16、的饮水量也在某种程度上更加复杂。一般来说饮水量是一种我们需要监测的随机的可以察觉的变量。饮水行为作为猪生理活动的一个响应我们对可察觉的过程进行了改进。正如第二部分所描述，记录中数据的动态特性并不遵守控制图基于的“恒定过程”假设。因此，我们需要转化时间序列下的饮水量的数据来适应SPC的框架。另一个问题是像第二部分所描述的那样监测的数据有一些随机性。数据通过动态线性模型被模式化，使得数据非常适合模拟动态周期演化。参见Madsen et al（in press）。这一模型由一个线性叠加的模型和一个24小时循环周期模型组成，而周期模型也是由一系列子模型构成。如下面4.3中所示，通过这一方案的运用，我们

17、把模型分为水平增长部分和周期循环部分。图3-1 （a）一段连续的断奶幼猪每小时群体饮水量。在第11天结束工作人员发现了腹泻，而在第九天已经有明显的饮水量增加（b）DLM中标准化误差错误总和通常来说，DLM模型是通过之前的观察运用先验的知识用来预测的。在这个框架下，DLM像Madsen所描述的那样被用来先一步做饮水量的预测。这一预测t-1和实际测量值Yt之间的差异作为测量偏离标准水平下饮水量的方法。当过程模型是有效的时候，对于这种偏离或者说是预测错误，我们可以把它认为是具有零均值的独立的随机误差项。从另一方面来说，如果幼猪改变了自己的饮水行为，数据将不再遵循模型的预测，预测错误的数字也会增加。关

18、于详细如何计算预测，参见（West and Harrison 1997, pp. 103104）。在实际生产实践中，我们必须学会区分猪增长的过程中的饮水量变化导致的偏离和因为疾病引起的饮水量增加/减少而造成的偏离。后者在图3-1中有表示，图3-1表明来自于DLM中，基于一组断奶幼猪的标准化预测误差总和在断奶后最初的20天有着严重的腹泻爆发。该疾病的爆发在第11天被发现，然后所有的猪都用抗生素治疗了五天。我们可以很清楚的从图中看到预测误差总和在发现腹泻之前的1-2天明显增加，这一增加表明了一种数据和模型之间的系统偏差。我们几乎在所有的时间序列中发现了这一种记录有腹泻爆发的模型。这种下面所描述的监

19、测观念是基于DLM和累和或者是累积和控制图的。一般方法是在t这一时间点根据之前观测数据Y0Yt做出下一时间点t+1水平下的观测值的预测。然后我们用累积和控制图发现在什么时候预测误差的时间序列偏离了零值。3.1累积和图累积和控制图在一系列样本值中直接包含了所有的信息。累积和可以用来发现在什么时候一个进程偏离了给定的目标值。如果我们预测ft是来自于DLM的过程均值目标，累积和控制图则是由样本数i构造未知数方程（Montgomery，1996）。Si=t=1i（Yt-ft）如果过程仍在控制中，那么累积和Si应该随机在0值附近浮动。但是，如果潜在的过程平均值变化，不过是向上还是向下，都将会以正相关或者

20、负相关的方式影响累积和。因此，如果Si有变化的趋势，我们就可以认定过程平均值已经变动了。图3-2 累积和控制图（a）V字模型和比例（b）累积和控制图的使用关于累积和技术方面关键的因素是发现在什么时候总和Si开始变动。我们考虑了两种典型的累积和，表格式的累积和和V字式的累积和。表格式累积和（Montgomery，1996）通过分别计算上部和下部累积，上部累积是累加偏离零值同时大于目标值的数值总和，而下部积累是累积偏离零值同时小于目标值的数值总和，当积累的偏离量超过了一个给定的限度的时候我们可以说进程失控。V字式累积和原理参见图5所示。这个决定过程包括把V字型的临界线放在累积和控制图中同时O点放在

21、最后一个放在累积和Si上。如果所有之前的累积和数，S1，S2，Si-1位于V字的两个“胳膊”里面，则我们认为过程控制中，如果有一累积和在任何时候都在“胳膊”外面，我们就认为进程失控。尽管Montgomery建议不要用V字型累积和图用在质量工程中，我们两种方法都试了，选定它来作为监测工具。对于生产者来说，如何在由于猪成长引起的预测误差总量的变化和像腹泻这样疾病突发引起的变化之间区别很重要。延伸来说，我们可以看成长期控制和短期控制之间的权衡。在3.1.1部分，我们通过V字型累积和图讲到如何分清长期和短期。想对累积和控制图了解更多参见Johnson and Leone（1947）and Lucas（

22、1976）。3.1.1V字型累积图的构造V字型可以由引线距离d和角度定义，引线距离是从开头时到顶点（也就是V的交点）之间的距离，见图5（a）角度是V字型夹角的一半。引线距离的设定也已理解成模型对短期变化的敏感性，而V字臂膀的角度设定决定了可以允许多大的变化（长期）。这种方式的累积和，可以参见. Johnson and Leone (1974) 和Montgomery (1996).后者建议选择d=22ln(1-)和=tan-1(2A)代表错误得出已经发生转变的可能性（一种错误警报），为已经存在的未能监测出变动的概率，为希望捕捉到的变动。=是当时过程偏移量的时候，我们希望监测到的标准偏差变化的量

23、级，在本案例中预测误差由DLM产生。Montgomery（1996）推荐A值介于和2之间。既然模型预测误差作为模型倒塌和设备控制的指示，我们就需要把累积和监测固定在一定的比例上。一个既定数量尺寸条件下的预测误差指示着一样尺度下猪的健康状况中的不稳定性，这一点很重要。在幼猪生产中，每头猪平均每天饮水量增加量大约一样。在50天的生产周期里，1-41天中每天都表明记录中饮水量数据的平均水平按照数值4的因素增加。逻辑结论表明，在开始处和在结束时的饮水量偏离值是在相对比例下是一样的，是按照数值4的因素偏离。另一个问题是，在不同的设施系统中，动物数量对记录的饮水总量的影响有着很大的不同。由于预测误差的方差

24、被认为是围相当大，V字型累积和的构造就显得错综复杂了。为了解决这一难题，很明显我们需要把预测误差按照相对比例转换，这样以来我们就可以运用简单的标准化误差来代替绝对误差。标准预测误差期望值为0，当然，方差为1，这样就简化了在1-2间隔下的比例因子A。具体的参数，的值取决于人们认为多大的偏离零值的累积误差能表现出猪的健康问题。这一问题在第4节中我们详细叙述。4例证在之前的章节里重点主要是理论模型构建，本章中，通过在实验中一个农场中的数据选取达到模型对特殊的情形给予警告的功能。我们选取数据遵循以下原则：时间序列是完整的，没有信息丢失。包含监测到腹泻的一系列数据。包含猪受到应激的一系列数据。包含猪没有

25、饲养的一系列数据。数据来源于有着405头仔猪的猪群，从断奶那一天算起（平均年龄为28天）。数据是连续性记录，直到仔猪50天后离开设施。4.1V字型累积和图构造如3.1.1.节中所描述，累积和的敏感性取决于我们期望测出的预测误差变化的大小（相对于0值的偏离），也取决于公布的错误得出转变已经发生的可能性和未能测出转移发生的可能性。如果模型越敏感，那么我们得出错误的预警的概率就越高。我们决定采用1%的错误预警可能性和1%的未能测出移动的可能性。正如3.1.1节中提到，比例因子A在1-2之间最为合适。A的选择影响着V字型累积图的“胳膊”的斜率因此也影响着累积图的敏感性（A值越高，V字型累积图界限越低）

26、初始分析遵循以下设置。错误得出偏移已经发生的可能性，=0.01。未能测出偏移的可能性，=0.01。期望测出的偏移量，=1.5。比例因子A=1。=1.51=1.5，引线间距d=22ln1-=21.52ln1-0.010.01=4.08=tan-12A=tan-11.521=36.9这些值近似为d=4，=37。4.2DLM的设置对于DLM，在某些方便我们需要特别考虑。在Madsen 等人看来，最优模型设置是以一种特殊的数据集为基础，这种数据集同时被选为记录在案的时间序列的代表。我们曾讨论过调和成分对模型的循环部分做出了多少贡献，然后我们发现具有三个调和成分的模型表现的最为出色。贴现因子的最优设置为

27、T=0.98，C=0.97（贴现因子表现的是信息衰减率）。为了评价最优设置的稳定性，由Madsen等人描述的优化程序我们把它用在了第二章讲述的12个完整的时间序列中。几乎所有的时间序列由于不同的原因包含了一些不正常序列，比如说由于水管的泄漏，9号数据集有20小时的观测序列是正常值的4倍。大多数的不规则序列是由于猪生理状况变化引起的，比如说肠道疾病、喂食器堵塞、猪的运动、咬尾巴行为（这些事件都被工作人员一一记录在日志本中）。表4-1 均方差MSE，DLM中带有3-9个调和成分的值，按照12个时间序列计算。比如说，12个序列中7个序列在有四个调和项目的时候均方差最小。高等级的均方差是由不可预测的时

28、间序列引起的。图4-1 观测值（实线部分）和仅用线性增长模型和时间节拍，基于DLM的1小时预测（有着12个调和成分）当腹泻爆发时，模型很难跟上新的模式，由此预测误差总和良好的表现出了不规律饮水行为。表4-1描述了均方差（MSE）通过DLM的线性增长和循环子模型分别计算了3到9个调和成分。（均方差的计算是通过含有1到12个调和成分模型来完成的）不同的模型经常包含着调和成分最大可能达到的时间，比如说，在DLM中包含3个调和成分，则调和成分的则相应为24、12、8。从表中可以看出有七个序列是带有四个调和成分的并且拥有着最低的均方差值。我们应该注意到有4个序列需要至少4个调和成分来表述冬天记录的每日饮

29、水模型，而其他的8个序列则是在夏天记录的。虽然在得出结论之前还需要更深入的研究，但是，这也许意味着猪饮水行为的模型也许是按照一年中时间来决定的。对于剩下的分析，我们将会运用包含4个调和成分的模型。两个贴现因子的最优取值是在每一数据集和每一模型以一样的方式使MSE减到最小，见Madsen等人所述。趋势子模型的贴现因子T，变化围从0.88到0.98，而循环子模型的贴现因子C变换围则是从0.94到0.98。这些数据与Madsen等人有着很好的一致性，通过实验表明预测性的表现对C的敏感性要大于T。对C和T的低估是许多不规则序列的特点，这些序列表现出很高的均方差值。低的贴现因子值增加了系统的多样性，W，

30、意味着模型变得更加适应数据上突发性的变化，特别是T的低值使得模型更加适应同水平的变化。但是既然我们通过预测误差来使模型反应等级变化，较低的T值就不可取了。因此，我们设置T=0.98，C=0.97，这也是使建立在规律数据集（编号5，表2）的参数同时适合生产实践使用。在Madsen等人的研究中，讨论了DLM中包括二次增长时期。这个二次模型相对于仅仅是线性增长模型来说在饮水量等级方面表现出更强的适合性。很明显我们可以看出，不管模式怎么变化，二次模型在预测方面更准确。但是当DLM用在监测偏离正常饮水行为的环境中，它就不应该使自己适应于猪增重方面的突然变化，也就是说数据集合模型预测之间的偏离是重点。问题

31、在于如下例子：通过仅有线性增长模型（图4-1）和二次增长模型（图4-2）评价这一系列饮水数据和第9天变化的模式（由腹泻引起）。两个模型都包含12种调和成分。图 4-2 观测值（实线部分）和通过二次增长模型和时间节拍，基于DLM的1小时预测值（有着12个调和成分）当腹泻爆发时，模型很快跟上新的模式，同时饮水量的增加就没有像线性增长模型那样很好的表现出来。图4-3 标准预测误差之和。由于在A点偏离饮水模型，系统发出了预警。腹泻的爆发被监测到并在B点治疗。在这种情况下，总和在A点被重新设置为0，为了对进程进行描述，我们省略了此部分。线性增长模型在适应新模式方面是非常缓慢的。缓慢的响应造成的后果就是不

32、规则的饮水行为被很好的在预测误差错误之和中反应出来。另一方面来说，二次模型对新的饮水模式反应很快，而增加的饮水量就没有线性模型反应的那么明显，由于我们目的在于监测饮水模型变化，所以我们优先采用线性模型。4.3模型的应用随着上述各种设定，累积和已经被用于来自于DLM的一系列预测误差。在每一次发布失控预警的时候，总和都会被重新设置为0。图4-3表述了来自于一批幼猪的一系列预测腹泻的爆发。在断奶第9天上午11点，V字型累积和图被用于预测误差之和，并且到达了被认为进程失控的临界值（图中未能所示0值的重置）工作人员于第11天上午8点发现疾病爆发（工作人员没有查看监测系统的权限）在这个案例中，监测系统提供

33、的疾病爆发信息比实际工作人员发现早了33个小时。当然，既然在下午4点到第二天早晨8点没有工作人员视觉上的检查，疾病的视觉征兆也许在上述的时间段就已经发生。但是很明显，症状没有在第10天下午4点的时候表现出来，由此我们可以推断这个监测系统在预警方面至少比视觉可见的症状早了17个小时。另一个例子如图4-4所示，来自于DLM的对照组的48天幼猪生产。垂直线表示监测系统的预警，第4天和第9天的预警是由腹泻引起。在第39和40天饮水量的巨大偏离是由于12个小时的自动喂食器的停止运转，而在第41天就没有警报解释（除非是饲喂方面的延缓效应）。在第44天，水中加入了甲酸，最终在第48天，猪出栏。图4-4累积图

34、发出的预警可以由图中竖线表示。第4天和第9天的预警是由腹泻引起。在39和40天附近的饮水量巨大偏离是因为12个小时的自动饲喂装置的关闭，而在第41天就没有警报。在第44天，饮水中加入了甲酸，最终在第48天，猪出栏。5讨论虽然这篇研究仅仅采用了12个时间序列，但仍然能够强有力的表达监测出的猪饮水行为在生产中提供有用的信息（Bird and Crabtree（2000）。这一监测幼猪饮水行为的方法是基于动态线性模型和累积和控制图模型，这种结合已经证明为一种有效的监测猪疾病或者其他影响猪饮水量的生产问题的工具。方法一般是引出一个生长中猪的模型，然后监测什么时候会偏离模型。这种方法在每一时间段给出了简

35、单的信息：警报/正常，同时结合了观测下时间序列中关于警报是由增重引起还是由疾病引起的信息。预警本身不能提供到底是那种因素导致饮水行为的偏离，但是结合了生产者的一些知识如在猪的生命周期中的一些特定的阶段某些问题很常见，我们就可以判断出这些可能的原因。比如说，通产在一个断奶仔猪群里在断奶后3-7天发生腹泻，如果我们在第五天检测到饮水量的预警信息，那么就很有可能是腹泻从而采取相应的治疗。也有着其他监测猪饮水行为变化的方法。Thysen（1992）建立了泌乳期体细胞水平下的多状态动态模型。这个模型有着三种可能的状态：标准状态，异常状态，状态水平变化。对于每一时间段，三种模型的可能性都被计算出来，而系统

36、水平上的变化则由高可能性的水平转移模型指示出来。这种多状态的方法在此实验中下并不直接因为对于正常模型的偏离不能仅仅被描述为一种单一的模型（水平转移）。可能偏离是由于每日模型稳定的总体水平下的转变，也可能是稳定的日模型水平的变化。比如说夜间饮水量的增加而日间保持不变。总的来说，多状态模型将包含一系列相互对抗的子模型，同时他们都将按照自己偏离正常模型的具体方式量化。多状态模型也许从另一方面来说在出现问题时给了猪行为变化类型更加详细的信息。对于所有的时间序列，室温度作为补充记录来估计高温对饮水量的影响。但是温度在记录期间没有超过28，在这温度温度对于饮水行为没有影响。然而，在温度28-30，温度很有

37、可能影响猪饮水行为，如果这样的话，这种影响应该作为回归效应包含在动态线性模型中。为了初始化模型，我们需要详述先验分布。如果出了时间序列本身没有其他的信息，我们可以通过参考分析来初始化非模型。参考分析运用时间序列上第一次观察的数据来估计参数。在实际上，我们通过对每一个模型参数（包括V）的测量来获得一个充分详尽的关于参数的联合后验分布。在参考分析期间，一般认为方差为零（比如，Wt=0），非零值将会考虑到变化，由于任何参数的改变时不可能在参数估值存在之前发现的，所以变化是不可沽的。详细估算方法参见West and Harrison (1997),128-136pp。由参考分析开始具体到批次的动态线性

38、模型的使用形成一个适用于所有组即使每饮水模型不同也没关系的一般模型。唯一的任务就是决定涵盖多少谐函数组件在模型里面还有贴现因子的设置。一个具有12谐函数的模型有着足够的参数来描述每日模型，但是如果一个具体的饮水模型能用少一点的谐函数表示，其他的就在模型中仅仅提供不必要的干扰了。目前已经证实没有模型12个时间序列的8个中包含着4个或者更少的谐函数，但是一般对于这一问题的推荐应该是建立在更多的数据可以为研究使用的基础上。我们应该注意到在数据设置上包含着一系列偏离正常饮水模型而没有解释的，也就是没有记录在工作日志里面的。我们不应该把这个看做模型的不足，而更应该看成没有被生产者发现的环境影响造成了猪的

39、应激从而影响了饮水量。这些警报的确切数据去决议V字型累积和图的设置。换句话说，如果管理者认为有太多警报的话，我们就会调整设置。这种全进全出的操作方式中建立的监视猪饮水模型有着实际生产推广的潜力。一种预警系统在农场围监视着每一组猪，这样就增加了生产者专注于对发生问题猪的处理和照顾。我们可以看到在猪表现出生理症状之前监测出像腹泻这种疾病的爆发的对减少用药和提高生产率有着一定的前景。6结论本研究表明猪的饮水行为有着极为显著的昼夜特点，这是我们利用其饮水行为监测生长猪的生产和健康状况的先决条件。这一基于动态线性模型和累积和控制图模型的监测幼年猪饮水行为的系统在建立猪饮水率模型（包括将来预期变更的摄水量

40、）已经被证实为一个有用的工具。该方法运用了一个事实就是当猪处于健康状况的时候它们的饮水模式是稳定的，当它们受到应激或者得病的时候它们经常改变饮水行为。这种性质的信息也许对于动物生产者来说是一个警戒，使得他们介入通过特殊的设施来阻止疾病和应激。目前还没有系统性的研究哪种类型的疾病导致了饮水形式的变化，但是目前一个例子表明突发性的腹泻可以通过这种方法在猪生理状况表现出来时大约前一天监测到。7参考文献Barnard, G., 1959. Control charts and stochastic processes. J. Roy. Stat. Soc. 21.Bigelow, J.A., Houp

41、t, T.R., 1988. Feeding and drinking patterns in young pigs. Physiol. Behav. 43 (1), 99109.Bird, N., Crabtree, H., Schoeld, C.P., 2001. Engineering Technologies for Pig Production. No. 28 in British Society of Animal Science Occational Publication. BSAS, Edinburgh 105112.Bird, N., Crabtree, H.G., 200

42、0. Real-time production performance monitoring. Pig J. 45, 5568.Christensen, J., Rudemo, M., 1996. Multiple change-point analysis of disease incidence rates. Prevent. Vet. Med.99, 5376.Csrg, M., Horvth, L., 1988. Nonparametric methods for changepoint problems. Handbook Stat. 7, 403425.de Mol, R., Ke

43、en, A., Kroeze, G., 1999. Description of a detection model for oestrus and diseases in dairy cattlebased on time series analysis with a kalman lter. Comput. Electron. Agric. 22, 171185.Frost, A., Schoeld, C., Beaulah, S., Mottram, T., Lines, J., Wathes, C., 1997. A review of livestock monitoringand

44、the need for integrated systems. Comput. Electron. Agric. 17, 139159.Hyun, Y., Ellis, M., McKeith, F.K., Wilson, E.R., 1997. Feed intake pattern of group-housed growing-nishing pigs monitored using a computerized feed intake recording system. J. Anim. Sci. 75, 14431451.Iwersen, J., 1997. Statistical

45、 process control for autocorrelated processes: a case-study. Front. Stat. Qual. Contr.5, 138155.Johnson, N., Leone, F., 1974. Statistics and Experimental Design, second ed., vol. 1, Wiley & Sons, Inc.Lucas, J., 1976. The design and use of cumulative sumquality control schemes. J. Qual. Technol. 8.Madsen, T.N., Andersen, S., Kristensen, A.R., in press. Modelling the drinking patterns of young pigs using a state space m