基于物联网的生猪智能监测方法及系统与流程

本发明涉及数据异常检测，具体涉及一种基于物联网的生猪智能监测方法及系统。

背景技术：

1、在生猪养殖中，由于猪不同生长阶段下环境参数的不断变化会影响猪的健康状况，需要对各项参数进行异常检测，保障生猪的健康生长。而统计异常检测等传统的方法难以准确的检测数据中的异常，无法提高养殖管理的效率。

2、在现有技术中，可以采用dbscan聚类算法对异常进行检测，但设置不适当的半径参数造成聚类结果的不稳定，过小的半径参数会导致聚类结果过多，难以分辨；过大的半径参数会导致聚类结果过少，不易分析数据异常值；对数据异常检测的准确度都较差。

技术实现思路

1、为了解决使用dbscan聚类算法进行异常检测时，未确定合适的半径参数对异常检测结果不准确技术问题，本发明的目的在于提供一种基于物联网的生猪智能监测方法及系统，所采用的技术方案具体如下：

2、本发明提出了一种基于物联网的生猪智能监测方法，所述方法包括：

3、获取生猪在不同生长阶段下猪场环境的参数数据组；所述参数数据组包括目标数据组和历史数据组；所述历史数据组包含预设的猪舒适健康度标签；

4、根据每个参数在历史数据组中的变化特征获得每个参数与其他参数之间的数据相关性；根据猪舒适健康度筛选出参考历史数据组，根据每个参数与每个其他参数在所述参考历史数据组下的关联性和对应的数据相关性之间的差异分布，获得每个参数的重要性；

5、根据不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段相似性和所述重要性获得生长阶段之间的阶段数据可信度；根据所述猪舒适健康度的变化趋势将历史数据组对应的历史时间段划分出多个时间区间，根据不同时间区间下所有历史数据组参数之间的关联性分布获得时间区间之间的区间数据可信性；

6、根据时间区间之间的区间数据可信性、参数间相对差异和所述重要性获得每个时间区间的数据异常指标；根据每个历史数据组所在生长阶段对应的所述阶段数据可信度和所在时间区间的数据异常指标，获得理论数据异常性；

7、根据初始半径参数对所述参数数据组执行dbscan聚类算法，获得初始聚类簇以及每个参数数据组的初始数据异常性；根据初始聚类簇内理论数据异常性与初始数据异常性获得聚类效果评价；根据所述聚类效果评价对初始半径参数进行调整，获得半径优化参数；根据所述半径优化参数对所述参数数据组进行聚类，获得目标数据组的最终数据异常性。

8、进一步地，所述数据相关性的获取方法包括：

9、计算每个参数与其他参数之间在每个历史数据组中对应参数值的比值，作为第一比值；

10、将每个参数在所有历史数据组中对应参数值的均值，作为参数均值；将每个参数与其他参数之间的参数均值的比值作为第二比值；

11、计算第一比值与第二比值的差异，获得每个历史数据组中每个参数与其他参数的差异特征；

12、根据所有历史数据组的所述差异特征之和进行负相关映射并归一化，获得每个参数与其他参数之间的数据相关性。

13、进一步地，所述参数的重要性的获取方法包括：

14、获取所述历史数据组中对应的猪舒适健康度小于预设阈值的数据组作为所述参考历史数据组；

15、将每个参考历史数据组下差异特征负相关映射，获得每个参数与每个其他参数间的关联性；

16、计算所有参考历史数据组下所述关联性与对应数据相关性的差异之和获得每个参数与其他参数之间重要性；

17、根据每个参数与其他参数之间的参数重要性之和获得每个参数的重要性。

18、进一步地，所述阶段数据可信度的获取方法包括：

19、计算两个生长阶段中猪舒适健康度方差的差异作为所述分布特征；

20、计算每个参数在两个生长阶段中历史数据组的均值差异，获得每个参数的阶段相似性；

21、计算所有参数的阶段相似性与重要性的比值之和获得参数的阶段变化特征；

22、根据所述分布特征与所述参数的阶段变化特征获得生长阶段之间的阶段数据可信度；

23、所述分布特征与所述阶段数据可信度成负相关关系；所述阶段变化特征与所述阶段数据可信度为负相关关系。

24、进一步地，所述区间数据可信性的获取方法包括：

25、计算每小时内所有历史数据组对应的猪舒适健康度的平均值，作为每小时的猪舒适健康值；

26、将每小时的所述猪舒适健康值进行聚类，根据聚类划分结果将连续且在一个聚类结果中的小时划分成一个时间区间；

27、计算两个所述时间区间之间所有历史数据组中各个参数的关联性均值的差异，作为区间相关性，将所有参数之间的区间相关性累加后负相关映射并归一化获得区间数据可信性。

28、进一步地，所述数据异常指标的获取方法包括：

29、在一个时间区间中，计算所有历史数据组中相同参数之间的平均距离，作为相对差异；

30、计算所述相对差异与对应参数的重要性的乘积，作为对应参数的异常程度，将所有参数的异常程度累加获得对应时间区间的数据异常程度；

31、将每个时间区间与其他时间区间之间的区间数据可信性与对应其他时间区间的数据异常程度相乘，获得每个时间区间与其他时间区间之间的初始数据异常指标，将每个时间区域与所有其他时间区间之间的初始数据异常指标累加，获得每个时间区间的数据异常指标。

32、进一步地，所述理论数据异常性的获取方法包括：

33、根据所述阶段数据可信度与每个历史数据组所在的所述时间区间的所述数据异常指标获得每个历史数据组的理论数据异常性；

34、所述阶段数据可信度和所述数据异常指标均与所述理论数据异常性为正相关关系。

35、进一步地，所述聚类效果评价的获取方法包括：

36、将每个历史数据组所在初始聚类簇内元素数量和各个元素的方差的比值负相关映射并归一化，获得初始数据异常性；选取所述初始数据异常性最大时对应的初始聚类簇作为异常数据组聚类簇；

37、计算所述异常数据组聚类簇内每个历史数据组对应的理论数据异常性与初始数据异常性的差异，作为初始聚类偏差，将所述异常数据组聚类簇内的所有初始聚类偏差求和并进行负相关映射归一化处理，获得聚类效果评价。

38、进一步地，所述半径优化参数的获取方法包括：

39、比较所述聚类效果评价与预设阈值的关系，若所述聚类效果评价小于预设阈值，调大所述初始半径参数，重新聚类，直至所述聚类效果大于等于预设阈值时，获得半径优化参数；

40、若所述聚类效果评价不小于预设阈值，则以所述初始半径参数作为半径优化参数。

41、本发明还提出了一种基于物联网的生猪智能监测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现任意一项所述一种基于物联网的生猪智能监测方法的步骤。

42、本发明具有如下有益效果：

43、本发明通过获得所有参数的重要性，确定每个参数变化对数据异常情况的影响程度；根据不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段相似性和重要性获得生长阶段之间的阶段数据可信度；根据不同时间区间下所有历史数据组内参数之间的关联性分布获得时间区间之间的区间数据可信性，对每个历史数据组在不同时间区间和生长阶段下的异常情况进行分析，得到更具有参考性的历史数据组；根据时间区间之间的区间数据可信性、参数间相对差异和重要性获得每个时间区间的数据异常指标，判断当前区间内存在异常数据组的可能性；为了更全面的理解历史数据组在各个阶段的异常情况，提高聚类算法对数据组异常检测的准确性，根据每个历史数据组所在生长阶段对应的阶段数据可信度和所在时间区间的数据异常指标，获得理论数据异常性；根据初始半径参数对参数数据组执行dbscan聚类算法，获得初始聚类簇以及每个参数数据组的初始数据异常性；根据初始聚类簇内理论数据异常性与初始数据异常性获得聚类效果评价，判断dbscan聚类算法对参数数据组进行异常检测的效果；根据聚类效果评价对初始半径参数进行调整，获得半径优化参数；根据半径优化参数对参数数据组进行聚类，获得目标数据组的最终数据异常性。提高对参数数据组异常检测的准确性和效率，准确监测生猪的生存环境。