[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

说明书

本发明涉及畜牧业领域，特别是涉及一种基于多标签链式生态环境奶牛行为分类判别方法及装置，所述方法包括获取奶牛行为原始数据，对原始数据打上标签Y1和标签Y2，将原始数据衍生为57维特征向量，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，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；将实时数据输入第一提升树模型、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；本发明本发明将不同类别的奶牛的行为分为九种姿态，通过精准的奶牛行为分类监测，可以判断奶牛的发情和健康状况。

技术领域

本发明涉及畜牧业领域，特别是涉及基于多标签链式生态环境奶牛行为分类判别方法及装置。

背景技术

目前通过监测牛的行为特征判断其发情和健康状况，这一技术主要应用于奶牛养殖方面，特别是应用于荷斯坦牛的养殖研究。针对奶牛的行为特征研究可分为计步和多姿态判别。利用振动传感器监测奶牛的行走步数，计步的准确率较高，但传感器系于奶牛的脚踝处容易碰撞围栏和浸入泥水，造成使用寿命缩短。利用三轴加速度计系于奶牛的颈部可以克服上述问题，但会降低计步的准确率。对于奶牛多姿态的判断研究，在数据采集方面主要是通过三轴加速度计系于奶牛的颈部，研究方法主要有支持向量机(SVM)、人工神经网络、K-均值聚类和无监督PAM算法结合基于有监督的随机森林算法等，不同的研究方法也将奶牛的行为特征分为不同的类别，但仅是粗分类效果较好，细分类效果较差。例如，奶牛行为特征分为运动和静止较好，奶牛行为特征分为站立和躺卧效果较差。

发明内容

为了对奶牛的站立、站立动作、静卧、静卧动作、慢走、慢跑、快跑、采食和爬跨九种姿态特征进行有效、细致的判别，本发明提出基于多标签链式生态环境奶牛行为分类判别方法及装置，所述方法包括以下步骤：

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X打上标签Y2，即根据Y2标签对57维特征向量X进行分类，对打完标签的57维特征向量X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X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(简称gbdt1)和第二提升树模型(简称gbdt2)；

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(简称Lr1)和第二逻辑回归模型(简称Lr2)；

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。

进一步的，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包括：

将第一数据集中40％的数据和数据对应的标签Y1，训练得到第一梯度提升树模型；

利用第一梯度提升树模型预测数据集中剩余60％的数据集，得出第一预测结果，再将60％的数据集及其预测得到的对应的标签合并作为第三数据集；

根据第三数据集和对应标签Y2，训练得到第二梯度提升树模型；