[发明专利]基于多标签链式生态环境的奶牛行为分类判别方法及装置

权利要求书

1.基于多标签链式生态环境奶牛行为分类判别装置，包括奶牛姿态原始数据采集器、Lora网关和服务器，奶牛姿态数据采集器安装在奶牛的脖子上，该奶牛姿态数据采集器包括三轴加速度采集器、三轴角速度采集器、三轴角度采集器以及Lora模块；奶牛姿态数据采集器通过Lora模块将三轴加速度采集器、三轴角速度采集器以及三轴角度采集器的数据发送给Lora网关；Lora网关包括4G模块，Lora网关每隔一段时间通过4G模块将采集的数据发送到服务器；其特征在于，服务器对原始数据进行处理，得出奶牛九种姿态分类结果，服务器包括57维特征向量生成器、数据平衡单元、归一化单元、SVM模型、第一提升树模型、第二提升树模型、第一逻辑回归模型以及第二逻辑回归模型；其中：

57维特征向量生成器用于将奶牛姿态数据采集器采集的原始数据转化为57维特征向量；

数据平衡单元用于对打完标签的57维特征向量进行数据平衡采样；

归一化单元用于对采样后的数据进行归一化处理；

SVM模型用于从57维特征中选出9维特征；

第一提升树模型用于以实时的筛选出来的9维数据作为输入，获得第一带Y1标签的预测结果；

第二提升树模型用于以带Y1标签的预测结果以及9维数据作为输入，获得叶子节点序列；

第一逻辑回归模型用于对第二提升树模型的预测结果叶子节点序列进行进一步预测，并将标签Y1作为预测结果；

第二逻辑回归模型用于对第一逻辑回归模型的预测结果以及叶子节点序列进行进一步预测，并将标签Y2作为预测结果，即最终预测结果。

2.根据权利要求1所述的基于多标签链式生态环境奶牛行为分类判别装置，其特征在于，所述数据平衡单元包括数据分类子单元、近邻计算子单元、类别分类子单元、删除子单元以及样本合成单元；其中：

数据分类子单元根据数据的实际数量将数据分为多数类和少数类，即当实际的数据量超过设置的数据量阈值时，为多数类，否则为少数类；

近邻计算子单元计算与当前数据之间距离最近的N个数据作为当前数据的近邻集合；

类别分类子单元用于计算当前数据中的近邻集合中与当前集合的类别不一样的数据的数量；

删除子单元用于删除多数类的当前数据的近邻集合中与当前类别不一致的数据，直到当前数据近邻集合中的与当前数据类别不一致的数据的数量小于等于近邻集合容量的一半，优先删除与当前数据之间距离较远的数据；

样本合成子单元包括合成数量确定子单元和合成子单元，其中合成数量确定子单元根据多数类和少数类原始数据的数量确定需要合成的数据数量，再以少数类中某个数据来合成新数据的数量；合成子单元根据少数类中的某个原始数据及其近邻集合中的某个数据以及一个0～1之间随机数合成新的数据。

3.基于多标签链式生态环境奶牛行为分类判别方法，其特征在于，具体包括以下步骤：

S1、从佩戴奶牛脖子上的数据采集器获取奶牛行为原始数据，奶牛行为原始数据包括奶牛的三轴加速度、三轴角速度、三轴角度、奶牛行为姿态数据以及每个数据的采集时间；将奶牛的三轴加速度、三轴角速度、三轴角度9维原始数据衍生为57维特征向量；

S2、将奶牛行为姿态数据作为标签Y2，根据数据的采集时间将每个57维特征向量打上标签Y2，即根据标签Y2对57维特征向量进行分类，对打完标签的57维特征向量进行数据平衡采样；

S3、设置一个中间标签Y1，将标签Y2中的奶牛行为姿态标记为静止、小幅动作以及大幅动作；

S4、将57维特征向量进行最大最小归一化；

S5、根据标签Y2使用递归特征消除法从57维特征中选择9维特征；

S6、将选出的9维数据集随机选择一半记作第一数据集，用于GBDT模型的训练；另一半数据记作第二数据集，用于逻辑回归模型的构建；

S7、利用第一数据集训练GBDT模型获得第一提升树模型和第二提升树模型；

S8、将第二数据集输入第一提升树模型和第二提升树模型获得第四数据集，根据第四数据集训练进行逻辑回归训练，获得第一回归模型和第二逻辑回归模型；

S9、根据实时数据、第一提升树模型、第二提升树模型、第一回归模型和第二逻辑回归模型，得出奶牛九种姿态分类结果。