述数据采集单元中的身份识别单元 识别出的电子标签的信息；所述电子标签位于每个畜禽身体的外表面上，如佩戴于畜禽的 耳朵上。
[0048] 图3示出了本发明实施例提供的畜禽健康状况监测方法中步骤S2的流程图。如 图3所示，所述步骤S2中，所述数据处理单元通过聚类算法对所述行为加速度数据进行聚 类分析，具体包括以下步骤：
[0049] S21 :将所述N个畜禽的各类基本行为划分为K个类别，预设所述K个类别的聚类 中心，其中K为大于0的整数；
[0050] S22:分别计算所述N个畜禽中每个畜禽的行为加速度数据与所述K个聚类中心的 欧氏距离，将所述每个畜禽的行为加速度数据分配到与其欧式距离最小的聚类中心所代表 的类别中；
[0051] S23 :分别对所述K个类别中每个类别包含的所有行为加速度数据求均值，将所述 均值作为该类别新的聚类中心，计算该类别中所有行为加速度数据到该类别的所述新的聚 类中心的距离平方和；
[0052] S24:判断聚类中心和所述距离平方和的值是否发生改变，若未发生改变，则聚类 结束；若发生改变，则重复步骤S22。
[0053] 优选地，所述步骤S21中将所述N个畜禽的各类基本行为划分为K个类别具体为：
[0054] 将所述N个畜禽的各类基本行为划分为K = 4个类别，所述4个类别包括躺卧行 为、站立或慢走行为、采食行为和跨跳行为。
[0055] 优选地，所述步骤S21中预设所述K个类别的聚类中心具体为：根据周围环境数据 预设所述K个类别的聚类中心；
[0056] 其中，所述周围环境数据为所述数据采集单元中的温度传感器、气压传感器及相 对湿度传感器分别采集到的畜禽所在的周围环境的温度、气压及相对湿度。例如在不同季 节的情况下，畜禽的日常行为所持续的时间会呈现不同的规律。因此，在判断畜禽健康状态 时，应将畜禽所在的周围环境数据考虑进去，根据周围环境数据的不同，为各个类别预设不 同的聚类中心。
[0057] 优选地，所述步骤Sl还包括微型存储单元存储所述数据采集单元采集到的数据 信息，这样即可由PC机定时发送指令给微存储单元获取数据，也可防止断电等突发事件导 致的数据丢失情况。
[0058] 优选地，所述步骤Sl还包括利用无线传输单元将所述数据采集单元采集的数据 信息经过转换处理并传输至所述数据处理单元。
[0059] 优选地，所述数据采集单元中的红外视频采集设备采集每个畜禽行为的全程监控 视频；利用所述监控视频核实所述健康状况信息。例如在畜禽行为的全程监控视频经过转 换处理并传输至PC机后，可由人工进行查看，起到进一步核实畜禽健康状况监测结果的作 用，使监测的准确率更高。
[0060] 优选地，数据处理单元根据所述每个畜禽的健康状况信息给出对每个畜禽的管理 建议；所述管理建议包括分群、隔离或维持原圈养方式。
[0061] 下面通过举例对所述畜禽健康状况监测方法及系统的具体工作流程进行描述。
[0062] 图2示出了本发明实施例提供的畜禽健康状况监测系统的结构示意图。如图2所 示，所述系统包括：数据采集单元10、微型存储单元20、身份识别单元30、无线传输单元40、 数据处理单元50。
[0063] 本实施例中，数据采集单元10包括收集畜禽（例如奶牛）的行为加速度特征数据 的三轴加速度传感器111和收集周围环境数据的温度传感器112、气压传感器113及湿度传 感器114组成的微型传感器组成的微型传感器单元11，此微型传感器单元11可通过固定装 置15(例如绑带）固定在奶牛的腿部，不会损害奶牛健康及影响奶牛的日常生产活动。将 红外视频采集设备12以预设角度安放在奶牛的生活环境中，获取畜禽行为的监控视频。电 源模块13采用电池为数据采集单元10进行供电。
[0064] 身份识别单元30固定在奶牛的生活环境中的预设位置，例如饮水处、挤奶处等， 以达到获取奶牛特定行为状态的目的。身份识别单元30还包括奶牛携带（例如佩戴于奶 牛的耳朵上）的电子标签31、RFID读写设备32和识别控制模块33。电子标签31的作用 是识别奶牛的身份信息，识别控制模块33控制RFID读写设备32读取电子标签31的电子 标签识别信息。作为本实施例的优选，RFID读写设备32的型号为双天线的EPC电子标签 固定读写器。
[0065] 数据处理单元50可以选为PC机，其与RFID读写设备32通过无线传输通讯方式 进行数据交互，实现对奶牛的个体身份的识别。数据处理单元50中安装有聚类算法软件， 利用所述聚类算法软件对接收到的所述第二数据集进行分析处理，借助数据挖掘的聚类算 法对所述数据集进行反复叠加训练得到较为稳定的聚类中心，建立基本行为模式架构，基 本原理如下：
[0066] 对于给定的一个包含η个d维数据点的数据集X = U1, x2，…，Xi,…，xn}，其中 Xie Rd，以及要生成的数据子集的数目K，将数据对象组织为K个划分C= {ck，i = 1，2,… K}。每个划分代表一个类Ck，每个类Ck有一个类别中心μ i。选取欧氏距离作为相似性和 距离判断准则，计算该类内各点到聚类中心μ i的距离平方和
[0067]
巧味i
[0068] 聚类目标是使各类总的距离平方用
：小。 Jt=I
[0069]
[0070] 此算法从一个初始的K类别划分开始，然后将各数据点指派到各个类别中，以减 小总的距离平方和。总的距离平方和随着类别个数K的增加而趋向于减小（当K = η时， J(C) =0)。是一个反复迭代过程，目的是使聚类域中所有的样品到聚类中心距离的平方和 J(C)最小。
[0071] 根据此聚类算法，畜禽个体的三轴加速度数据用ACC = (ACCX，ACCy，ACCz)表示。
[0072] 应用于奶牛日常行为建模的具体计算过程如下：
[0073] 首先，假定需要聚类的对象共有η个，样本集为X = {Xl，X2，…，xn}，该算法的目 的是把η个样本对象分成K = 4个簇，这里的K是指奶牛的四个主要的日常行为分类，使得 簇内的样本对象具有较高的相似性，而簇间的样本对象相似性很低。
[0074] 例如，将奶牛的日常行为划分为K = 4类，即躺卧行为、站立或慢走行为、采食行为 及夸跳行为，划分描述如表1所示。
[0075] 表1.奶牛的日常行为分类
[0076]
[0078] -般情况下，奶牛每天用于采食和反刍的时间约13. 5个小时；躺卧休息的时间约 7个小时；其他的站立、跨跳等时间约3. 5个小时。
[0079] 图4示出了本发明实施例提供的奶牛4种日常行为的三轴加速度曲线图，其中， 图（a)~（d)分别示出了奶牛的上下跨跳、躺卧、采食及站立或者慢走时的三轴加速度曲 线。由图（a)可知，当奶牛处于上下跨跳行为时，三轴加速度传感器记录的数据曲线会出现 大幅地急升急降，以及不规则的波动；图（b)中，奶牛躺卧时，三轴加速度传感器记录的加 速度数据曲线基本保持稳定，且主要集中在采食行为之后；图（c)中，当奶牛处在采食阶段 时，三轴加速度数据曲线波动比较剧烈且加速度数据没有明显的规律性；图（d)中，当奶牛 站立或者慢走时，加速度数据曲线呈现比较规律地波动。因此利用三轴加速度传感器方向 轴的响应差异，以及结合聚类分析算法对采集的数据样本集进行聚类，可以实现对4种主 要日常行为特征类别的分类。
[0080] 然后，借助数据挖掘的聚类算法对所述数据集进行反复叠加训练得到较为稳定的 聚类中心，具体运算流程如下：
[0081] (1)随机选取K = 4个初始的聚类中心' C2，…，CK。
[0082] (2)将样本集X中的对象按照最小距离原则分配到K个聚类中的某一个中；最小 距离原则#=111；[11||父-(^||，父={叉1，叉2，."，叉11}，]_ = 1，2，."，1^。
[0083] (3)重新计算新的聚类中心位置，以便聚类中的每个样本对象的均值到新的聚类 中心的距离之和最小； I ^
[0084] Gj = - X义，:X = {χρ x2，…，xn}，j = 1，2，...，K。式中：Iij是该聚类中所包含 /=1 的样