CN109949930A - 基于贝叶斯网络的动物疫情诊断方法及系统 - Google Patents
基于贝叶斯网络的动物疫情诊断方法及系统 Download PDFInfo
- Publication number
- CN109949930A CN109949930A CN201910221551.3A CN201910221551A CN109949930A CN 109949930 A CN109949930 A CN 109949930A CN 201910221551 A CN201910221551 A CN 201910221551A CN 109949930 A CN109949930 A CN 109949930A
- Authority
- CN
- China
- Prior art keywords
- animal
- epidemics
- bayesian network
- age
- max
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 204
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 45
- 230000036760 body temperature Effects 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims abstract description 4
- 201000010099 disease Diseases 0.000 claims description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 26
- 230000009758 senescence Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000003975 animal breeding Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000018199 S phase Effects 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims 1
- 235000013622 meat product Nutrition 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于贝叶斯网络的动物疫情诊断方法及系统,其中方法包括以下步骤:S1、构造动物疫情诊断贝叶斯网络;S2、采集动物体征和环境数据,包括动物性别、年龄、体温、单日运动步数,动物所处的环境温度、湿度以及动物疫情人工诊断历史记录;S3、对采集的动物体征和环境数据进行离散化;S4、利用离散化的数据对动物疫情诊断贝叶斯网络进行训练;S5、根据经过训练的动物疫情诊断贝叶斯网络计算动物疫情发生的概率;S6、当动物疫情发生概率超过指定阈值时进行预警。本发明可根据动物的体征数据和环境数据进行疫情的远程、自动、精确诊断并预警,可有效预防大规模动物疫情的产生,最大限度的保障肉类食品安全。
Description
技术领域
本发明涉及农业和人工智能领域,更具体地,涉及一种基于贝叶斯网络的动物疫情诊断方法及系统。
背景技术
肉类食品安全是一项倍受社会广泛关注的话题。保障肉类食品安全的根本手段是加强动物养殖过程中的疾病监控,防止大规模动物疫情的发生,避免病死肉流入市场。当前动物疫情防治的主要手段仍依赖人工诊断。然而,人工诊断存在费用高以及滞后性问题,无法做到实时监控和诊断。利用传感器技术实时观测动物的体征数据是实现动物养殖疾病自动化监控的有效手段。例如:专利CN201610593810.1公开了一种猪场用自动化疾病监控系统,通过采用温度传感器、氨气传感器和红外传感器等对猪及其生活的环境进行监控,及时发现动物疫情;专利CN201710402521.3公开了一种基于物联网的养殖猪场智能监控系统,通过记录猪的体温、脉搏和运动步数评估猪的健康状态并进行提醒。
如上所述的已有工作虽然能够采集动物及其生活的环境信息并达到实时监控的目的。但是,已有方法及系统不能精确的对动物疫情进行诊断,其预警过程存在大量误判。例如:专利CN201610593810.1主要是由人工根据采集的动物体温进行疫情诊断;专利CN201710402521.3将采集的数据与健康数据阈值进行比对,然后作出疫情诊断。虽然,体温是进行动物疫情诊断的一个重要因素,但是,事实上,动物疫情的精确诊断是一项极其复杂的过程。其需要综合考虑多项数据,并且还与动物的性别、年龄等多种因素具有复杂的关联关系。上述基于体温观测的人工诊断方法和基于健康数据阈值比对的方法存在自动化程度和智能化程度不足以及诊断预警不够精确的问题。
发明内容
本发明要解决的技术问题在于针对现有的动物疫情诊断方法不够精确的问题,本发明提供了一种基于贝叶斯网络的动物疫情诊断方法及系统。
提供一种基于贝叶斯网络的动物疫情诊断方法,包括以下步骤:
S1、构造动物疫情诊断贝叶斯网络;
S2、采集动物体征和环境数据,包括动物性别、年龄、体温、单日运动步数,动物所处的环境温度、湿度以及动物疫情人工诊断历史记录;
S3、对采集的动物体征和环境数据进行离散化;
S4、利用离散化的数据对动物疫情诊断贝叶斯网络进行训练;
S5、根据经过训练的动物疫情诊断贝叶斯网络计算动物疫情发生的概率;
S6、当动物疫情发生概率超过指定阈值时进行预警。
接上述技术方案,所述动物疫情诊断贝叶斯网络由显状态、隐状态和状态之间的依赖关系构成,其中,显状态包括“动物性别”、“动物年龄”、“动物体温”、“动物单日运动步数”、“环境温度”和“环境湿度”,隐状态为“发生疫情”;
“动物体温”依赖于“发生疫情”、“动物性别”、“动物年龄”、“环境温度”和“环境湿度”;
“动物单日运动步数依赖于“发生疫情”、“动物性别”、“动物年龄”、“环境温度”和“环境湿度”。
接上述技术方案,步骤S2中采集的数据构成数据集D,由若干条数据记录组成,每一条数据记录为一个病例。
接上述技术方案,步骤S3中数据的离散化具体为:
年龄按照幼儿期、性成熟前、性成熟后、老年期四个阶段进行划分;不同阶段的离散值不同;
体温划分为3个区间,包括体温低于正常值、正常值范围内、体温高于正常值,不同区间的离散值不同;
单日运动步数r按照等宽离散化方法划分为5个区间,假设动物可预期的最大单日运动步数为Rmax,则5个区间r∈[0,0.25Rmax]、r∈(0.25Rmax,0.5Rmax]、r∈(0.5Rmax,0.75Rmax]、r∈(0.75Rmax,Rmax]、r>Rmax的离散值不同;
环境温度按照GB/T6529标准划分为22个区间,温度范围从低到高分别对应不同的整数离散值;
环境湿度划分为3个区间,分别为湿度低于40%、湿度大于40%小于60%、湿度大于60%,不同区间的离散值不同。
接上述技术方案,步骤S4中的动物疫情诊断贝叶斯网络具体训练过程为根据采集并离散化后的数据集D计算贝叶斯网络的参数,包括先验概率和条件概率,具体为:
根据专家经验确定动物发生疾病的先验概率为P1,即有:
P(Disease=1)=P1,
P(Disease=2)=1-P1
状态Gender、Age、AH和AT的取值分布均设定为均匀分布;
按照如下公式计算条件概率:
其中,#D(Disease=d,Gender=g,Age=a,AH=m,AT=t)表示数据集D中满足条件Disease=d,Gender=g,Age=a,AH=m,AT=t的数据记录的数量,字母b,d,g,a,m,t,e代表对应数据项的取值,Disease为发生疫情,Gender为动物性别,Age为动物年龄,BT为动物体温,DES为动物单日运动步数,AT为环境温度,AH为环境湿度。
接上述技术方案,步骤S5中发生动物疫情的概率计算方法为:
采集待诊断的动物数据,包括动物性别Gender、年龄Age、体温BT、单日运动步数DES,动物所处的环境温度AT和环境湿度AH;
根据经过训练的动物疫情诊断贝叶斯网络计算疫情发生的概率:
接上述技术方案,年龄为幼儿期的离散值为1;年龄为幼儿期后到性成熟前的离散值为2;年龄为性成熟后到老年期前的离散值为3;年龄为老年期的离散值为4;
当体温低于正常值时离散值为1;体温在正常值范围内的离散值为2;体温高于正常值时离散值为3;
r∈[0,0.25Rmax]时离散值为1;r∈(0.25Rmax,0.5Rmax]时离散值为2;r∈(0.5Rmax,0.75Rmax]时离散值为3;r∈(0.75Rmax,Rmax]时离散值为4;r>Rmax时离散值为5;
环境温度的22个区间,温度范围从低到高分别对应整数离散值1~22;
湿度低于40%离散值为1,湿度大于40%小于60%离散值为2,湿度大于60%离散值为3
本发明还提供了一种基于贝叶斯网络的动物疫情诊断系统,包括动物电子耳标、环境数据采集终端、NB-IoT网关、疫情诊断预警服务器和系统图形化界面;
动物电子耳标安装在动物的耳朵上,采集动物体温和单日运动步数信息,并将采集的信息通过无线通讯技术发送到NB-IoT网关;
环境数据采集终端安装在动物养殖场内,采集环境温度和湿度信息,并将采集的信息通过无线通讯技术发送到NB-IoT网关;
NB-IoT网关采用NB-IoT协议无线连接动物电子耳标、环境数据采集终端,构成无线通讯网络;
疫情诊断预警服务器为Web服务器,其接收采集的动物体征数据和环境数据,结合用户输入的动物性别、年龄以及动物疫情人工诊断历史记录对动物疫情诊断贝叶斯网络进行训练;训练好的动物疫情诊断贝叶斯网络存储在疫情诊断预警服务器中;以采集的动物体征数据和环境数据作为输入,根据训练好的动物疫情诊断贝叶斯网络计算发生动物疫情的概率;当发生动物疫情的概率超过给定阈值时,疫情诊断预警服务器进行预警提醒;
系统图形化界面为Web界面,提供数据录入、查询和预警功能。
本发明解决其技术问题所采用的技术方案是:本发明综合考虑了动物性别、年龄、体温、单日运动步数,动物所处的环境温度和环境湿度等多种与动物疫情相关的因素及因素之间的关联关系,通过构建复杂的动物疫情诊断贝叶斯模型可实现动物疫情的精确诊断,减少误报率和漏报率;此外可在无人工干预的情况下,对动物进行全天候、远程的精确诊断和预警,最大限度的预防动物疫情的发生,从源头上保障肉类食品安全。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例基于贝叶斯网络的动物疫情诊断方法流程图;
图2为本发明实施例基于贝叶斯网络的动物疫情诊断方法的原理示意图;
图3为本发明实施例构建的动物疫情诊断贝叶斯网络;
图4为本发明实施例基于贝叶斯网络的动物疫情诊断系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的基于贝叶斯网络的动物疫情诊断方法,如图1和图2所示,具体包括以下步骤:
S1、构造动物疫情诊断贝叶斯网络;
S2、采集动物体征和环境数据,包括动物性别、年龄、体温、单日运动步数,动物所处的环境温度、湿度以及动物疫情人工诊断历史记录;
S3、对上述采集的动物体征和环境数据进行离散化;
S4、利用上述离散化的数据对上述动物疫情诊断贝叶斯网络进行训练;
S5、根据上述经过训练的动物疫情诊断贝叶斯网络计算动物疫情发生的概率;
S6、当上述动物疫情发生概率超过指定阈值时进行预警。
进一步的技术方案是,上述步骤S1中的动物疫情诊断贝叶斯网络如图3所示,由显状态、隐状态和状态之间的依赖关系构成。其中,显状态有“动物性别(Gender)”、“动物年龄(Age)”、“动物体温(BT)”、“动物单日运动步数(DES)”、“环境温度(AT)”和“环境湿度(AH)”。隐状态为“发生疫情(Disease)”。
所述状态“发生疫情(Disease)”取值为1和2,分别代表发生疫情和没有发生疫情;
所述状态“动物性别(Gender)”取值为1和2,分别代表公和母;
所述状态“动物年龄(Age)”、“动物体温(BT)”、“动物单日运动步数(DES)”、“环境温度(AT)”和“环境湿度(AH)”为连续状态;
上述状态之间的依赖关系为:
“动物体温(BT)”依赖于“发生疫情(Disease)”、“动物性别(Gender)”、“动物年龄(Age)”、“环境温度(AT)”和“环境湿度(AH)”;
“动物单日运动步数(DES)依赖于“发生疫情(Disease)”、“动物性别(Gender)”、“动物年龄(Age)”、“环境温度(AT)”和“环境湿度(AH)”。
进一步的技术方案是,上述步骤S2中采集的数据构成数据集D,由若干条数据记录组成,每一条数据记录为一个病例,包含数据项有动物性别(Gender)、年龄(Age)、体温(BT)、单日运动步数(DES),动物所处的环境温度(AT)、环境湿度(AH)以及是否发生疫情的人工诊断结论(Disease)。
进一步的技术方案是,上述动物疫情诊断贝叶斯网络中的连续状态取值方法和步骤S3中的动物体征数据和环境数据离散化方法为:
对于年龄,按照幼儿期、性成熟前、性成熟后、老年期四个阶段进行划分。年龄为幼儿期的离散值为1;年龄为幼儿期后到性成熟前的离散值为2;年龄为性成熟后到老年期前的离散值为3;年龄为老年期的离散值为4;
对于体温,划分为3个区间。当体温低于正常值时离散值为1;体温在正常值范围内的离散值为2;体温高于正常值时离散值为3;
对于单日运动步数r,按照等宽离散化方法划分为5个区间。假设动物可预期的最大单日运动步数为Rmax,则r∈[0,0.25Rmax]时离散值为1;r∈(0.25Rmax,0.5Rmax]时离散值为2;r∈(0.5Rmax,0.75Rmax]时离散值为3;r∈(0.75Rmax,Rmax]时离散值为4;r>Rmax时离散值为5;
对于环境温度,按照GB/T6529标准划分为22个区间,温度范围从低到高分别对应整数离散值1~22;
对于环境湿度,划分为3个区间,湿度低于40%离散值为1,湿度大于40%小于60%离散值为2,湿度大于60%离散值为3。
进一步的技术方案是,上述步骤S4中的动物疫情诊断贝叶斯网络(如图3所示)训练方法为,根据上述步骤S2和S3中采集并离散化后的数据集D计算贝叶斯网络的参数,包括先验概率和条件概率,具体为:
根据专家经验确定动物发生疾病的先验概率(可根据专家经验确定)为0.05,即有:
P(Disease=1)=0.05,
P(Disease=2)=0.95
状态Gender、Age、AH和AT的取值分布均设定为均匀分布;
按照如下公式计算条件概率:
其中,#D(Disease=d,Gender=g,Age=a,AH=m,AT=t)表示数据集D中满足条件Disease=d,Gender=g,Age=a,AH=m,AT=t的数据记录的数量。字母b,d,g,a,m,t,e代表对应数据项的取值。
进一步的技术方案是,上述步骤S5中发生动物疫情的概率计算方法为:
采集待诊断的动物数据,包括动物性别(Gender)、年龄(Age)、体温(BT)、单日运动步数(DES),动物所处的环境温度(AT)和环境湿度(AH);
根据上述经过训练的动物疫情诊断贝叶斯网络计算疫情发生的概率:
第二方面,提供了一种基于贝叶斯网络的动物疫情诊断系统,如图4所示,包含动物电子耳标、环境数据采集终端、NB-IoT网关、疫情诊断预警服务器和系统图形化界面;
动物电子耳标:动物电子耳标安装在动物的耳朵上,采集动物体温和单日运动步数信息,并将采集的信息通过无线通讯技术发送到无线通讯网关;
环境数据采集终端:环境数据采集终端安装在动物养殖场内,采集环境温度和湿度信息,并将采集的信息通过无线通讯技术发送到无线通讯网关;
NB-IoT网关:NB-IoT网关采用NB-IoT协议无线连接动物电子耳标、环境数据采集终端,构成无线通讯网络;
疫情诊断预警服务器:疫情诊断预警服务器为Web服务器,其接收采集的动物体征数据和环境数据,结合用户输入的动物性别、年龄以及动物疫情人工诊断历史记录对上述动物疫情诊断贝叶斯网络进行训练。训练好的动物疫情诊断贝叶斯网络存储在疫情诊断预警服务器中。以采集的动物体征数据和环境数据作为输入,根据训练好的动物疫情诊断贝叶斯网络计算发生动物疫情的概率。当发生动物疫情的概率超过给定阈值时,疫情预警装置进行预警提醒;
系统图形化界面:系统图形化界面为Web界面,提供数据录入、查询和预警功能。
本发明的一种基于贝叶斯网络的动物疫情诊断方法及系统,可根据动物的体征数据和环境数据进行疫情的远程自动精确诊断并预警,有效预防大规模动物疫情,保障肉类食品安全。
与现有技术相比,本发明的优势主要体现在以下两个方面:
(1)综合考虑了动物性别、年龄、体温、单日运动步数,动物所处的环境温度和环境湿度等多种与动物疫情相关的因素及因素之间的关联关系。通过构建复杂的动物疫情诊断贝叶斯模型可实现动物疫情的精确诊断,减少误报率和漏报率;
(2)可在无人工干预的情况下,对动物进行全天候、远程的精确诊断和预警,最大限度的预防动物疫情的发生,从源头上保障肉类食品安全。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种基于贝叶斯网络的动物疫情诊断方法,其特征在于,包括以下步骤:
S1、构造动物疫情诊断贝叶斯网络;
S2、采集动物体征和环境数据,包括动物性别、年龄、体温、单日运动步数,动物所处的环境温度、湿度以及动物疫情人工诊断历史记录;
S3、对采集的动物体征和环境数据进行离散化;
S4、利用离散化的数据对动物疫情诊断贝叶斯网络进行训练;
S5、根据经过训练的动物疫情诊断贝叶斯网络计算动物疫情发生的概率;
S6、当动物疫情发生概率超过指定阈值时进行预警。
2.根据权利要求1所述的基于贝叶斯网络的动物疫情诊断方法,其特征在于,所述动物疫情诊断贝叶斯网络由显状态、隐状态和状态之间的依赖关系构成,其中,显状态包括“动物性别”、“动物年龄”、“动物体温”、“动物单日运动步数”、“环境温度”和“环境湿度”,隐状态为“发生疫情”;
“动物体温”依赖于“发生疫情”、“动物性别”、“动物年龄”、“环境温度”和“环境湿度”;
“动物单日运动步数依赖于“发生疫情”、“动物性别”、“动物年龄”、“环境温度”和“环境湿度”。
3.根据权利要求1所述的基于贝叶斯网络的动物疫情诊断方法,其特征在于,步骤S2中采集的数据构成数据集D,由若干条数据记录组成,每一条数据记录为一个病例。
4.根据权利要求1所述的基于贝叶斯网络的动物疫情诊断方法,其特征在于,步骤S3中数据的离散化具体为:
年龄按照幼儿期、性成熟前、性成熟后、老年期四个阶段进行划分;不同阶段的离散值不同;
体温划分为3个区间,包括体温低于正常值、正常值范围内、体温高于正常值,不同区间的离散值不同;
单日运动步数r按照等宽离散化方法划分为5个区间,假设动物可预期的最大单日运动步数为Rmax,则5个区间r∈[0,0.25Rmax]、r∈(0.25Rmax,0.5Rmax]、r∈(0.5Rmax,0.75Rmax]、r∈(0.75Rmax,Rmax]、r>Rmax的离散值不同;
环境温度按照GB/T6529标准划分为22个区间,温度范围从低到高分别对应不同的整数离散值;
环境湿度划分为3个区间,分别为湿度低于40%、湿度大于40%小于60%、湿度大于60%,不同区间的离散值不同。
5.根据权利要求1所述的基于贝叶斯网络的动物疫情诊断方法,其特征在于,步骤S4中的动物疫情诊断贝叶斯网络具体训练过程为根据采集并离散化后的数据集D计算贝叶斯网络的参数,包括先验概率和条件概率,具体为:
根据专家经验确定动物发生疾病的先验概率为P1,即有:
P(Disease=1)=P1,
P(Disease=2)=1-P1
状态Gender、Age、AH和AT的取值分布均设定为均匀分布;
按照如下公式计算条件概率:
其中,#D(Disease=d,Gender=g,Age=a,AH=m,AT=t)表示数据集D中满足条件Disease=d,Gender=g,Age=a,AH=m,AT=t的数据记录的数量,字母b,d,g,a,m,t,e代表对应数据项的取值,Disease为发生疫情,Gender为动物性别,Age为动物年龄,BT为动物体温,DES为动物单日运动步数,AT为环境温度,AH为环境湿度。
6.根据权利要求1所述的基于贝叶斯网络的动物疫情诊断方法,其特征在于,步骤S5中发生动物疫情的概率计算方法为:
采集待诊断的动物数据,包括动物性别Gender、年龄Age、体温BT、单日运动步数DES,动物所处的环境温度AT和环境湿度AH;
根据经过训练的动物疫情诊断贝叶斯网络计算疫情发生的概率:
7.根据权利要求4所述的基于贝叶斯网络的动物疫情诊断方法,其特征在于,年龄为幼儿期的离散值为1;年龄为幼儿期后到性成熟前的离散值为2;年龄为性成熟后到老年期前的离散值为3;年龄为老年期的离散值为4;
当体温低于正常值时离散值为1;体温在正常值范围内的离散值为2;体温高于正常值时离散值为3;
r∈[0,0.25Rmax]时离散值为1;r∈(0.25Rmax,0.5Rmax]时离散值为2;r∈(0.5Rmax,0.75Rmax]时离散值为3;r∈(0.75Rmax,Rmax]时离散值为4;r>Rmax时离散值为5;
环境温度的22个区间,温度范围从低到高分别对应整数离散值1~22;
湿度低于40%离散值为1,湿度大于40%小于60%离散值为2,湿度大于60%离散值为3。
8.一种基于贝叶斯网络的动物疫情诊断系统,其特征在于,包括动物电子耳标、环境数据采集终端、NB-IoT网关、疫情诊断预警服务器和系统图形化界面;
动物电子耳标安装在动物的耳朵上,采集动物体温和单日运动步数信息,并将采集的信息通过无线通讯技术发送到NB-IoT网关;
环境数据采集终端安装在动物养殖场内,采集环境温度和湿度信息,并将采集的信息通过无线通讯技术发送到NB-IoT网关;
NB-IoT网关采用NB-IoT协议无线连接动物电子耳标、环境数据采集终端,构成无线通讯网络;
疫情诊断预警服务器为Web服务器,其接收采集的动物体征数据和环境数据,结合用户输入的动物性别、年龄以及动物疫情人工诊断历史记录对动物疫情诊断贝叶斯网络进行训练;训练好的动物疫情诊断贝叶斯网络存储在疫情诊断预警服务器中;以采集的动物体征数据和环境数据作为输入,根据训练好的动物疫情诊断贝叶斯网络计算发生动物疫情的概率;当发生动物疫情的概率超过给定阈值时,疫情诊断预警服务器进行预警提醒;
系统图形化界面为Web界面,提供数据录入、查询和预警功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910221551.3A CN109949930A (zh) | 2019-03-22 | 2019-03-22 | 基于贝叶斯网络的动物疫情诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910221551.3A CN109949930A (zh) | 2019-03-22 | 2019-03-22 | 基于贝叶斯网络的动物疫情诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949930A true CN109949930A (zh) | 2019-06-28 |
Family
ID=67010637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910221551.3A Pending CN109949930A (zh) | 2019-03-22 | 2019-03-22 | 基于贝叶斯网络的动物疫情诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949930A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112562862A (zh) * | 2020-12-15 | 2021-03-26 | 杭州市余杭区疾病预防控制中心(杭州市余杭区卫生检测检验中心、杭州市余杭区健康教育所、杭州市余杭区职业病防治中心) | 疫情信息识别方法、装置和设备 |
CN112568141A (zh) * | 2020-12-09 | 2021-03-30 | 东莞中融数字科技有限公司 | 对猪进行疾病预防的监管系统 |
CN113393937A (zh) * | 2021-07-12 | 2021-09-14 | 长沙瑞和数码科技有限公司 | 猪传染疾病的预防方法、装置、设备和计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615884A (zh) * | 2015-02-04 | 2015-05-13 | 中国科学院地理科学与资源研究所 | 一种基于病毒检出率的传染病重症、死亡风险预警系统及方法 |
CN107046554A (zh) * | 2016-02-05 | 2017-08-15 | 南京国雅信息科技有限公司 | 动物健康智能监测系统及其数据采集传输与查询方法 |
CN107752987A (zh) * | 2017-09-18 | 2018-03-06 | 浙江利尔达物联网技术有限公司 | 一种牲畜健康情况自动分析方法及系统 |
CN107767954A (zh) * | 2017-10-16 | 2018-03-06 | 中国科学院地理科学与资源研究所 | 一种基于空间贝叶斯网络的环境健康风险监测预警系统及方法 |
-
2019
- 2019-03-22 CN CN201910221551.3A patent/CN109949930A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615884A (zh) * | 2015-02-04 | 2015-05-13 | 中国科学院地理科学与资源研究所 | 一种基于病毒检出率的传染病重症、死亡风险预警系统及方法 |
CN107046554A (zh) * | 2016-02-05 | 2017-08-15 | 南京国雅信息科技有限公司 | 动物健康智能监测系统及其数据采集传输与查询方法 |
CN107752987A (zh) * | 2017-09-18 | 2018-03-06 | 浙江利尔达物联网技术有限公司 | 一种牲畜健康情况自动分析方法及系统 |
CN107767954A (zh) * | 2017-10-16 | 2018-03-06 | 中国科学院地理科学与资源研究所 | 一种基于空间贝叶斯网络的环境健康风险监测预警系统及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112568141A (zh) * | 2020-12-09 | 2021-03-30 | 东莞中融数字科技有限公司 | 对猪进行疾病预防的监管系统 |
CN112562862A (zh) * | 2020-12-15 | 2021-03-26 | 杭州市余杭区疾病预防控制中心(杭州市余杭区卫生检测检验中心、杭州市余杭区健康教育所、杭州市余杭区职业病防治中心) | 疫情信息识别方法、装置和设备 |
CN113393937A (zh) * | 2021-07-12 | 2021-09-14 | 长沙瑞和数码科技有限公司 | 猪传染疾病的预防方法、装置、设备和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949930A (zh) | 基于贝叶斯网络的动物疫情诊断方法及系统 | |
CN104334075B (zh) | 具有调整通知的生物测定属性异常检测系统 | |
US20100302043A1 (en) | Integrated sensor network methods and systems | |
Cook et al. | CASAS: A smart home in a box | |
US8775127B2 (en) | Trustworthiness assessment of sensor data processing | |
CN103475736B (zh) | 一种传感器通信系统及其利用该系统进行监控的方法 | |
Xie et al. | Digital twin enabled fault detection and diagnosis process for building HVAC systems | |
US20210176120A1 (en) | Fine grained network management to edge device features | |
CN103488148A (zh) | 一种基于物联网和计算机视觉的家畜行为智能监控系统 | |
Novák et al. | Anomaly detection in user daily patterns in smart-home environment | |
Lupiani et al. | Monitoring elderly people at home with temporal case-based reasoning | |
JP2008269215A (ja) | 特異パターン検出システム、モデル学習装置、特異パターン検出方法、及び、コンピュータプログラム | |
CN107046554A (zh) | 动物健康智能监测系统及其数据采集传输与查询方法 | |
EP4097742A1 (en) | Sensor-based machine learning in a health prediction environment | |
WO2018120962A1 (zh) | 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法 | |
Zhang et al. | Probabilistic learning from incomplete data for recognition of activities of daily living in smart homes | |
WO2015127491A1 (en) | Monitoring system | |
CN112385569A (zh) | 使用健康图网络检测和管理牲畜中的疾病爆发 | |
Sparks et al. | Optimal exponentially weighted moving average (EWMA) plans for detecting seasonal epidemics when faced with non-homogeneous negative binomial counts | |
KR102425522B1 (ko) | 영상정보를 분석하여 가축 방역 경계선을 설정하는 방법 | |
Sándor et al. | Sensor data validation and abnormal behavior detection in the internet of things | |
TWM642660U (zh) | 居家行為分析系統 | |
JP2007279887A (ja) | 特異パターン検出システム、モデル学習装置、特異パターン検出装置、特異パターン検出方法、及び、コンピュータプログラム | |
Mehdi et al. | Self-Adaptive sampling rate to improve network lifetime using watchdog sensor and context recognition in wireless body sensor networks | |
WO2022225945A1 (en) | System, method, and apparatus for pet condition detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |