CN111291931B - 动物育种预测方法、装置、电子设备和存储介质 - Google Patents

动物育种预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111291931B
CN111291931B CN202010080766.0A CN202010080766A CN111291931B CN 111291931 B CN111291931 B CN 111291931B CN 202010080766 A CN202010080766 A CN 202010080766A CN 111291931 B CN111291931 B CN 111291931B
Authority
CN
China
Prior art keywords
prediction sample
quality classification
sample pair
classification result
offspring
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.)
Active
Application number
CN202010080766.0A
Other languages
English (en)
Other versions
CN111291931A (zh
Inventor
魏陈强
郭靖
李剑
吴有林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aowang Information Technology Xiamen Co ltd
Fujian Aoxin Biotechnology Group Co ltd
Ji'an Aobao Biotechnology Co ltd
Leshan Aoxin Breeding Co ltd
Shandong Aonong Pig Breeding Co ltd
Taihe Aomu Breeding Co ltd
Fujian Aonong Biological Technology Group Co Ltd
Original Assignee
Ji'an Aobao Biotechnology Co ltd
Leshan Aoxin Breeding Co ltd
Shandong Aonong Pig Breeding Co ltd
Taihe Aomu Breeding Co ltd
Aowang Information Technology Xiamen Co ltd
Fujian Aonong Biological Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ji'an Aobao Biotechnology Co ltd, Leshan Aoxin Breeding Co ltd, Shandong Aonong Pig Breeding Co ltd, Taihe Aomu Breeding Co ltd, Aowang Information Technology Xiamen Co ltd, Fujian Aonong Biological Technology Group Co Ltd filed Critical Ji'an Aobao Biotechnology Co ltd
Priority to CN202010080766.0A priority Critical patent/CN111291931B/zh
Publication of CN111291931A publication Critical patent/CN111291931A/zh
Application granted granted Critical
Publication of CN111291931B publication Critical patent/CN111291931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Animal Husbandry (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Agronomy & Crop Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供的动物育种预测方法、装置、电子设备和存储介质，应用于电子设备，该方法包括：将多个预测样本对输入训练好的育种预测模型中进行预测，通过分类层对多个预测样本对进行分类，得到各个预测样本对的多个子代品质分类结果；并通过融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果；输出层根据各个预测样本对的最终子代品质分类结果，筛选子代品质分类结果最优的预测样本对进行输出。本申请通过多个分类器对预测样本对的子代品质进行分类预测，以从多个预测样本对中预测出子代品质最佳的预测样本对，通过该预测样本对中的母本及父本进行育种繁殖，以获得较佳的子代品质。

Description

动物育种预测方法、装置、电子设备和存储介质
技术领域
本申请涉及动物繁育技术领域，具体而言，涉及一种动物育种预测方法、装置、电子设备和存储介质。
背景技术
近年来，我国的养殖业发展迅速，在世界养殖业中占据重要地位，养殖业已成为我国农村经济的重要支柱产业。以养猪业为例，目前，在养猪业的育种繁殖过程中，通常是通过BLUP(Best Linear Unbiased Prediction，最佳线性无偏预测)算法计算各个种猪的育种值，通过育种值确定后备种猪。
BLUP算法是育种领域的经典算法，从20世纪50年代提出至今，被广泛使用，但近年来养猪业在猪育种繁殖方面的研究进展缓慢，随着时代的更替，育种算法也需要更新迭代。
发明内容
有鉴于此，本申请的目的在于提供动物育种预测方法、装置、电子设备和存储介质。
第一方面，实施例提供一种动物育种预测方法，应用于电子设备，所述电子设备包括训练好的育种预测模型，所述育种预测模型包括分类层、融合层及输出层，所述方法包括：
将多个预测样本对输入所述训练好的育种预测模型中，其中，所述多个预测样本对包括相同的母本特征和不同的父本特征，或相同的父本特征和不同的母本特征，母本特征包括母本ID、配种胎次、母本母系育种值、母本父系育种值、母本场年季性别，父本特征包括父本ID、父本母系育种值、父本父系育种值、父本场年季性别，所述母本场年季性别及父本场年季性别是指母本或父本的出生场地、出生季节及性别；
所述分类层对输入的多个预测样本对进行分类，得到各个预测样本对的多个子代品质分类结果，其中，所述多个子代品质分类结果包括贝叶斯分类结果、逻辑回归分类结果、决策树分类结果及支持向量机分类结果；
所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果；
所述输出层根据各个预测样本对的最终子代品质分类结果，筛选子代品质分类结果最优的预测样本对进行输出。
在可选的实施方式中，所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果，包括：
判断分类层中的各个分类器对于任意一个预测样本对的子代品质分类结果是否相同，其中，所述分类层包括贝叶斯分类器、逻辑回归分类器、决策树分类器及支持向量机分类器；
若各个分类器对于任意一个预测样本对的子代品质分类结果相同，则选取该子代品质分类结果作为最终子代品质分类结果，其中，子代品质分类结果包括优等、中等及劣等；
若各个分类器对于任意一个预测样本对的子代品质分类结果不同，判断该子代品质分类结果是否同时包含优等及劣等；
若该子代品质分类结果未同时包含优等及劣等，则选取多个子代品质分类结果中出现次数多的子代品质分类结果作为最终子代品质分类结果；
若分类结果同时包含优等及劣等，则选取中等作为最终子代品质分类结果。
在可选的实施方式中，所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果，包括：
统计分类层中各个分类器对于任意一个预测样本对的子代品质分类结果，选取该预测样本对出现次数多的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
在可选的实施方式中，所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果，包括：
分别计算所述分类层中各个分类器将任意一个预测样本对分类为各个子代品质分类结果的概率，并计算该预测样本对在所述分类层的多个分类器中被分为各个子代品质分类结果的平均概率；
选取平均概率最大的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
在可选的实施方式中，所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果，包括：
分别计算所述分类层的各个分类器将任意一个预测样本对分为各个子代品质分类结果的概率，并计算该预测样本对在分类层的多个分类器中被分为各个子代品质分类结果的概率的乘积；
选取乘积最大的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
在可选的实施方式中，所述方法还包括：
判断所述预测样本对中的母本特征的配种胎次是否不超过预设次数；
若不超过预设次数，判断所述子代品质分类结果的贝叶斯分类结果是否为优等或中等；
若所述贝叶斯分类结果为优等或中等，则对所述贝叶斯分类结果进行降级处理，其中，所述子代品质分类结果包括优等、中等及劣等。
第二方面，实施例提供一种动物育种预测装置，应用于电子设备，所述电子设备包括训练好的育种预测模型，所述育种预测模型包括分类层、融合层及输出层，所述装置包括：
输入模块，用于将多个预测样本对输入所述训练好的育种预测模型中，其中，所述多个预测样本对包括相同的母本特征和不同的父本特征，或相同的父本特征和不同的母本特征，母本特征包括母本ID、配种胎次、母本母系育种值、母本父系育种值、母本场年季性别，父本特征包括父本ID、父本母系育种值、父本父系育种值、父本场年季性别，所述母本场年季性别及父本场年季性别是指母本或父本的出生场地、出生季节及性别；
分类模块，用于通过所述分类层对输入的多个预测样本对进行分类，得到各个预测样本对的多个子代品质分类结果，其中，所述多个子代品质分类结果包括贝叶斯分类结果、逻辑回归分类结果、决策树分类结果及支持向量机分类结果；
融合模块，用于通过所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果；
输出模块，用于通过所述输出层根据各个预测样本对的最终子代品质分类结果，筛选子代品质分类结果最优的预测样本对作为输出。
在可选的实施方式中，所述装置还包括：
第一判断模块，用于判断所述训练样本对中的配种胎次是否不超过预设次数；
第二判断模块，用于在判断结果为不超过预设次数时，判断所述子代品质分类结果的贝叶斯分类结果是否为优等或中等；
降级处理模块，用于当贝叶斯分类结果为优等或中等时，对所述贝叶斯分类结果进行降级处理，其中，所述子代品质分类结果包括优等、中等及劣等。
第三方面，实施例提供一种电子设备，包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述电子设备执行前述实施方式中任意一项所述的动物育种预测方法。
第四方面，实施例提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被执行时实现前述实施方式任意一项所述的动物育种预测方法。
本申请实施例提供的动物育种预测方法、装置、电子设备和存储介质，应用于包括训练好的育种预测模型的电子设备，育种预测模型包括分类层、融合层及输出层，该法包括：将多个预测样本对输入训练好的育种预测模型中进行预测，通过分类层对输入的多个预测样本对进行分类，得到各个预测样本对的多个子代品质分类结果；并通过融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果；输出层根据各个预测样本对的最终子代品质分类结果，筛选子代品质分类结果最优的预测样本对进行输出。本申请通过多个分类器对预测样本对的子代品质进行分类预测，以从多个预测样本对中预测出子代品质最佳的预测样本对，通过该预测样本对中的母本及父本进行育种繁殖，以获得较佳的子代品质。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本申请实施例提供的电子设备的结构示意图；
图2为本申请实施例提供的动物育种预测方法的流程图；
图3为本申请实施例提供的贝叶斯分类器算法示例图；
图4为本申请实施例提供的逻辑回归分类器算法示例图；
图5为本申请实施例提供的决策树分类器算法示例图；
图6为本申请实施例提供的图2中的步骤S230的子步骤流程图；
图7为本申请实施例提供的降级处理的流程图；
图8为本申请实施例提供的动物育种预测装置的功能模块图。
主要元件符号说明：100-电子设备；110-动物育种预测装置；120-存储器；130-处理器；1101-输入模块；1102-分类模块；1103-融合模块；1104-输出模块；1105-第一判断模块；1106-第二判断模块；1107-降级处理模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中，需要说明的是，若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。
请参照图1，图1是本申请实施例提供的电子设备100的结构示意图，该电子设备100包括有处理器130、存储器120以及动物育种预测装置110，所述存储器120与处理器130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述动物育种预测装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器120中或固化在所述电子设备100的操作系统(Operating System，OS)中的软件功能模块。所述处理器130用于执行所述存储器120中存储的可执行模块，例如动物育种预测装置110所包括的软件功能模块及计算机程序等。
其中，所述存储器120可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器120用于存储程序，所述处理器130在接收到执行指令后，执行所述程序。
所述处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参照图2，图2为本申请实施例提供的动物育种预测方法的流程图，该方法应用于图1中的电子设备100，电子设备100包括训练好的育种预测模型，该育种预测模型包括分类层、融合层及输出层，动物育种预测方法包括以下步骤：
步骤S210，将多个预测样本对输入训练好的育种预测模型中。其中，多个预测样本对包括相同的母本特征和不同的父本特征，或相同的父本特征和不同的母本特征，母本特征包括母本ID、配种胎次、母本母系育种值、母本父系育种值、母本场年季性别，父本特征包括父本ID、父本母系育种值、父本父系育种值、父本场年季性别，所述母本场年季性别及父本场年季性别是指母本或父本的出生场地、出生季节及性别。
在养猪业，在繁育子代时，通常需要对母本及父本进行选择，从而获得品质较佳的子代。在本步骤中，将待配种的母本及父本作为一个预测样本对，通过对多个预测样本对进行分类预测，即可从多个预测样本对中选出预测结果最好的预测样本对进行繁育。
每个预测样本对中都会包括一个母本特征及一个父本特征，若是已知母本特征(即母猪)，需要从多个父本特征(即公猪)中选择出最佳父本特征用于配种，则将该母本特征与多个父本特征组合获得多个预测样本对，其中，多个预测样本对包括相同的母本特征及不同的父本特征。同理，也可以已知父本特征，从多个母本特征中选择出最佳母本特征用于配种。
具体地，在本实施例中，母本特征包括母本ID、配种胎次、母本母系育种值、母本父系育种值、母本场年季性别，其中，母本场年季性别是指该母本的出生场地、出生季节及性别；父本特征包括父本ID、父本母系育种值、父本父系育种值、父本场年季性别，其中，父本场年季性别是指该父本的出生场地、出生季节及性别。
母本母系育种值及父本父系育种值通过BLUP算法计算获得。BLUP算法即最佳线性无偏预测法，由美国康奈尔大学学者Henderson提出，该方法对于高遗传力的性状具有较好的预测效果。同时，若个体的系谱信息较为健全，则预测结果更加准确。BLUP算法的优点在于估计值是无偏的、估计值的方差最小，并且可以消除由环境因素差异导致的偏差。因此，通过BLUP法计算的个体育种值具有最佳线性无偏性，在养殖业的育种领域有广泛的应用。下面对BLUP算法进行介绍。
当需要根据n个母本特征或父本特征，对s(s≥n)个母本或父本的育种值进行估计时，可以使用矩阵模型y＝Xb+Za+e。其中，y是指n个母本特征或父本特征的向量，b是指环境效应的向量，X是b的关联矩阵，a是指s个母本或父本的育种值向量，Z是a的关联矩阵，e是随机环境效应向量，当a中的所有母本或父本都有观察值时(即s＝n时)，根据上述，可知a的协方差矩阵为
Figure BDA0002380229700000091
其中，A为s个母本或父本之间的加性遗传相关矩阵，
Figure BDA0002380229700000092
为加性遗传方差。e是随机环境效应向量，通常假设随机环境效应间彼此独立，且具有相同的方差，故有
Figure BDA0002380229700000093
于是可得到与此模型相应的混合模型方程组为：
Figure BDA0002380229700000094
其中，
Figure BDA0002380229700000101
Figure BDA0002380229700000102
为随机环境效应方差，
Figure BDA0002380229700000103
为矩阵模型y的方差，h2为遗传力，通过此方程即可获得母本或父本个体的育种值的估计值。
步骤S220，通过分类层对输入的多个预测样本对进行分类，得到各个预测样本对的多个子代品质分类结果。其中，多个子代品质分类结果包括贝叶斯分类结果、逻辑回归分类结果、决策树分类结果及支持向量机分类结果。
步骤S230，通过融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果。
在上述步骤中，分类层包括多个分类器，例如，贝叶斯分类器、逻辑回归分类器、决策树分类器及支持向量机分类器。分别通过分类层中的多个分类器对输入的每个预测样本对进行分类，以获得各个预测样本对的多个子代品质分类结果。具体地，贝叶斯分类器算法示例如图3所示，逻辑回归分类器算法示例如图4所示，决策树分类器算法示例如图5所示。通过贝叶斯分类器、逻辑回归分类器、决策树分类器即可分别获得预测样本对的贝叶斯分类结果、逻辑回归分类结果及决策树分类结果。
支持向量机分类器是一种二分类器，在本实施例中，需要对预测样本对进行三分类，可分类为优等、中等及劣等。在实际使用过程中，第一次将优等作为正样本，中等及劣等作为负样本进行分类，第二次将中等作为正样本，优等及劣等作为负样本，第三次将劣等作为正样本，优等及中等作为负样本进行分类统计，统计值最高的即作为支持向量机分类结果。
通过上述的多种分类器即可获得预测样本对的多个子代品质分类结果，分别为贝叶斯分类结果、逻辑回归分类结果、决策树分类结果及支持向量机分类结果。
将每个预测样本对的多个子代品质分类结果输入到融合层中，通过融合层对各个预测样本对的多个子代品质分类结果进行融合选择，以确定各个预测样本对的最终子代品质分类结果。
例如，若某一预测样本对别分类层中的各个分类器分别分类为优等、中等、优等、劣等时，通过融合层从多个子代品质分类结果(优等、中等、优等、劣等)中选择出最终子代品质分类结果(优等、中等、劣等中的任意一个)。
步骤S240，输出层根据各个预测样本对的最终子代品质分类结果，筛选子代品质分类结果最优的预测样本对进行输出。
在本步骤中，当融合层选择出各个预测样本对的最终子代品质分类结果之后，输出层从多个预测样本对中选择出最终子代品质分类结果最优的预测样本对进行输出。
通过上述步骤即可通过多个分类器及融合策略对多个预测样本对的子代的品质进行预测，并输出一个子代品质最优的预测样本对，通过该预测样本对中的母本特征及父本特征选择对应的公猪即母猪进行配种即可。即将待配种的母猪(或公猪)以及多个公猪(或母猪)输入到育种预测模型中，通过该模型能够输出一个子代品质最优的公猪(或母猪)。
请参照图6，图6为本申请实施例提供的图2中的步骤S230的子步骤流程图。在本实施例中，可采用妥协策略对多个子代品质分类结果进行融合选择。妥协策略包括以下子步骤：
子步骤S2301，判断分类层中的各个分类器对于任意一个预测样本对的子代品质分类结果是否相同。其中，分类层包括贝叶斯分类器、逻辑回归分类器、决策树分类器及支持向量机分类器。
子步骤S2302，若各个分类器对于任意一个预测样本对的子代品质分类结果相同，则选取该子代品质分类结果作为最终子代品质分类结果。其中，子代品质分类结果包括优等、中等及劣等。
子步骤S2303，若各个分类器对于任意一个预测样本对的子代品质分类结果不同，判断该子代品质分类结果是否同时包含优等及劣等。
子步骤S2304，若该子代品质分类结果未同时包含优等及劣等，则选取多个子代品质分类结果中出现次数多的子代品质分类结果作为最终子代品质分类结果。
子步骤S2305，若分类结果同时包含优等及劣等，则选取中等作为最终子代品质分类结果。
在上述子步骤中，若多个分类器对于同一个预测样本对的子代品质分类结果相同，则将该子代品质分类结果作为最终子代品质分类结果。若各个分类器对于同一个预测样本对的子代品质分类结果不同，则判断子代品质分类结果是否同时包含优等或劣等，若同时包含优等或劣等，则选取中等作为最终子代品质分类结果。
若子代品质分类结果未同时包含优等或劣等，例如优等、中等或中等、劣等这两种可能结果，则选取出现次数多的子代品质分类结果作为最终子代品质分类结果。例如，若多个子代品质分类结果中包括3个优等、1个中等，则选取优等作为最终子代品质分类结果。
可选地，在本实施例中，还可采用简单投票策略对多个子代品质分类结果进行融合选择。具体地，统计分类层中各个分类器对于任意一个预测样本对的子代品质分类结果，选取该预测样本对出现次数多的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
例如，当多个分类器对于同一个预测样本对的子代品质分类结果分别为优等、中等、优等、劣等时，选取出现次数最多的优等(2次)作为最终子代品质分类结果。
可选地，在本实施例中，还可采用平均值最大策略对多个子代品质分类结果进行融合选择。具体地，分别计算分类层中各个分类器将任意一个预测样本对分类为各个子代品质分类结果的概率，并计算该预测样本对在分类层的多个分类器中被分为各个子代品质分类结果的平均概率；选取平均概率最大的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
例如，若各个分类器将同一预测样本对分类为优等的概率分别为90％、50％、70％及80％，分类为中等的概率分别为5％、40％、15％及5％，分类为劣等的概率分别为5％、10％、15％及15％。则分类为优等的平均概率为72.5％，分类为中等的平均概率为16.25％，分类为劣等的平均概率为11.25％，平均值最大子代品质分类结果为优等，因此选择优等作为最终子代品质分类结果。
可选地，在本实施例中，还可采用乘积最大策略对多个子代品质分类结果进行融合选择。具体地，分别计算分类层的各个分类器将任意一个预测样本对分为各个子代品质分类结果的概率，并计算该预测样本对在分类层的多个分类器中被分为各个子代品质分类结果的概率的乘积；选取乘积最大的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
例如，例如，若各个分类器将同一预测样本对分类为优等的概率分别为90％、50％、70％及80％，分类为中等的概率分别为5％、40％、15％及5％，分类为劣等的概率分别为5％、10％、15％及15％。则分类为优等的概率的乘积为0.252，分类为中等的概率的乘积为0.0015，分类为劣等的概率的乘积为0.0001125，概率的乘积最大子代品质分类结果为优等，因此选择优等作为最终子代品质分类结果。
优选地，在本实施例中，发明人通过对各个策略的融合选择的准确率进行测试验证后发现，选用妥协策略的准确率较高，因此，本实施例优选地采用妥协策略对多个子代品质分类结果进行融合选择。
请参照图7，图7为本申请实施例提供的降级策略的流程图。在本实施例中，发明人在使用测试样本对测试各个分类器的准确率时发现，当使用贝叶斯分类器时，存在大量的被分类错误的测试样本对，且经过研究发现，被错分的测试样本对的配种胎次大多数位于1-3次之间，特别是第一胎次时，许多测试样本对本身应当被分类为中等或劣等，却被分为了优等或中等。
因此，为了解决上述问题，在贝叶斯分类器之后加入降级策略，所述降级策略包括以下步骤：
步骤S710，判断预测样本对中的母本特征的配种胎次是否不超过预设次数。
步骤S720，若不超过预设次数，判断子代品质分类结果的贝叶斯分类结果是否为优等或中等。
步骤S730，若贝叶斯分类结果为优等或中等，则对贝叶斯分类结果进行降级处理。
在上述步骤中，若预测样本对中的母本特征的配种胎次小于预设的次数(例如3次)，则判断贝叶斯分类结果对于该预测样本对的子代品质分类结果是否为优等或中等，若是优等，则将子代品质分类结果降为中等，若是中等，则降为劣等。
本实施例采用降级策略对贝叶斯分类结果进行处理是考虑到母本的第一次配置胎次的子代通常品质不佳，且产仔数量较少。因此，需要在贝叶斯分类结果中加入降级策略，提高了贝叶斯分类器的准确率。
同时，发明人在对其他分类器的准确率测试过程中发现，其余分类器并不存在此种问题，因此逻辑回归分类器、决策树分类器及支持向量机分类器无需要加入降级策略。
请参照图8，图8为本申请实施例提供的动物育种预测装置110的功能模块图，在本实施例中，动物育种预测装置110应用于电子设备100，电子设备100包括训练好的育种预测模型，育种预测模型包括分类层、融合层及输出层，动物育种预测装置110包括：
输入模块1101，用于将多个预测样本对输入训练好的育种预测模型中，其中，多个预测样本对包括相同的母本特征和不同的父本特征，或相同的父本特征和不同的母本特征，母本特征包括母本ID、配种胎次、母本母系育种值、母本父系育种值、母本场年季性别，父本特征包括父本ID、父本母系育种值、父本父系育种值、父本场年季性别，母本场年季性别及父本场年季性别是指母本或父本的出生场地、出生季节及性别。
分类模块1102，用于通过分类层对输入的多个预测样本对进行分类，得到各个预测样本对的多个子代品质分类结果，其中，多个子代品质分类结果包括贝叶斯分类结果、逻辑回归分类结果、决策树分类结果及支持向量机分类结果。
融合模块1103，用于通过融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果。
输出模块1104，用于通过输出层根据各个预测样本对的最终子代品质分类结果，筛选子代品质分类结果最优的预测样本对作为输出。
可选地，在本实施例中，动物育种预测装置110还包括：
第一判断模块1105，用于判断训练样本对中的配种胎次是否不超过预设次数。
第二判断模块1106，用于在判断结果为不超过预设次数时，判断子代品质分类结果的贝叶斯分类结果是否为优等或中等。
降级处理模块1107，用于当贝叶斯分类结果为优等或中等时，对贝叶斯分类结果进行降级处理，其中，子代品质分类结果包括优等、中等及劣等。
本申请实施例所提供的动物育种预测装置110可以为电子设备100上的特定硬件或者安装于电子设备100上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供一种电子设备100，包括处理器130及存储有计算机指令的非易失性存储器120，计算机指令被所述处理器执行时，电子设备100执行上述的动物育种预测方法，具体实现可参见方法实施例，在此不再赘述。
本申请实施例还提供一种存储介质，存储介质中存储有计算机程序，计算机程序被执行时实现上述的动物育种预测方法，具体实现可参见方法实施例，在此不再赘述。
本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种动物育种预测方法，其特征在于，应用于电子设备，所述电子设备包括训练好的育种预测模型，所述育种预测模型包括分类层、融合层及输出层，所述方法包括：
将多个预测样本对输入所述训练好的育种预测模型中，其中，所述多个预测样本对包括相同的母本特征和不同的父本特征，或相同的父本特征和不同的母本特征，母本特征包括母本ID、配种胎次、母本母系育种值、母本父系育种值、母本场年季性别，父本特征包括父本ID、父本母系育种值、父本父系育种值、父本场年季性别，所述母本场年季性别及父本场年季性别是指母本或父本的出生场地、出生季节及性别；
通过所述分类层对输入的多个预测样本对进行分类，得到各个预测样本对的多个子代品质分类结果，其中，所述多个子代品质分类结果包括贝叶斯分类结果、逻辑回归分类结果、决策树分类结果及支持向量机分类结果；
通过所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果；
所述输出层根据各个预测样本对的最终子代品质分类结果，筛选子代品质分类结果最优的预测样本对进行输出。
2.根据权利要求1所述的方法，其特征在于：所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果，包括：
判断分类层中的各个分类器对于任意一个预测样本对的子代品质分类结果是否相同，其中，所述分类层包括贝叶斯分类器、逻辑回归分类器、决策树分类器及支持向量机分类器；
若各个分类器对于任意一个预测样本对的子代品质分类结果相同，则选取该子代品质分类结果作为最终子代品质分类结果，其中，子代品质分类结果包括优等、中等及劣等；
若各个分类器对于任意一个预测样本对的子代品质分类结果不同，判断该子代品质分类结果是否同时包含优等及劣等；
若该子代品质分类结果未同时包含优等及劣等，则选取多个子代品质分类结果中出现次数多的子代品质分类结果作为最终子代品质分类结果；
若分类结果同时包含优等及劣等，则选取中等作为最终子代品质分类结果。
3.根据权利要求1所述的方法，其特征在于，所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果，包括：
统计分类层中各个分类器对于任意一个预测样本对的子代品质分类结果，选取该预测样本对出现次数多的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
4.根据权利要求1所述的方法，其特征在于，所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果，包括：
分别计算所述分类层中各个分类器将任意一个预测样本对分类为各个子代品质分类结果的概率，并计算该预测样本对在所述分类层的多个分类器中被分为各个子代品质分类结果的平均概率；
选取平均概率最大的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
5.根据权利要求1所述的方法，其特征在于，所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果，包括：
分别计算所述分类层的各个分类器将任意一个预测样本对分为各个子代品质分类结果的概率，并计算该预测样本对在分类层的多个分类器中被分为各个子代品质分类结果的概率的乘积；
选取乘积最大的子代品质分类结果作为该预测样本对的最终子代品质分类结果。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述预测样本对中的母本特征的配种胎次是否不超过预设次数；
若不超过预设次数，判断所述子代品质分类结果的贝叶斯分类结果是否为优等或中等；
若所述贝叶斯分类结果为优等或中等，则对所述贝叶斯分类结果进行降级处理，其中，所述子代品质分类结果包括优等、中等及劣等。
7.一种动物育种预测装置，其特征在于，应用于电子设备，所述电子设备包括训练好的育种预测模型，所述育种预测模型包括分类层、融合层及输出层，所述装置包括：
输入模块，用于将多个预测样本对输入所述训练好的育种预测模型中，其中，所述多个预测样本对包括相同的母本特征和不同的父本特征，或相同的父本特征和不同的母本特征，母本特征包括母本ID、配种胎次、母本母系育种值、母本父系育种值、母本场年季性别，父本特征包括父本ID、父本母系育种值、父本父系育种值、父本场年季性别，所述母本场年季性别及父本场年季性别是指母本或父本的出生场地、出生季节及性别；
分类模块，用于通过所述分类层对输入的多个预测样本对进行分类，得到各个预测样本对的多个子代品质分类结果，其中，所述多个子代品质分类结果包括贝叶斯分类结果、逻辑回归分类结果、决策树分类结果及支持向量机分类结果；
融合模块，用于通过所述融合层对每个预测样本对的多个子代品质分类结果进行融合选择，获得该预测样本对的最终子代品质分类结果；
输出模块，用于通过所述输出层根据各个预测样本对的最终子代品质分类结果，筛选子代品质分类结果最优的预测样本对作为输出。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第一判断模块，用于判断所述预测样本对中的配种胎次是否不超过预设次数；
第二判断模块，用于在判断结果为不超过预设次数时，判断所述子代品质分类结果的贝叶斯分类结果是否为优等或中等；
降级处理模块，用于当贝叶斯分类结果为优等或中等时，对所述贝叶斯分类结果进行降级处理，其中，所述子代品质分类结果包括优等、中等及劣等。
9.一种电子设备，其特征在于，包括处理器及存储有计算机指令的非易失性存储器，所述计算机指令被所述处理器执行时，所述电子设备执行权利要求1-6中任意一项所述的动物育种预测方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-6任意一项所述的动物育种预测方法。
CN202010080766.0A 2020-02-05 2020-02-05 动物育种预测方法、装置、电子设备和存储介质 Active CN111291931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010080766.0A CN111291931B (zh) 2020-02-05 2020-02-05 动物育种预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010080766.0A CN111291931B (zh) 2020-02-05 2020-02-05 动物育种预测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111291931A CN111291931A (zh) 2020-06-16
CN111291931B true CN111291931B (zh) 2022-05-20

Family

ID=71026725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010080766.0A Active CN111291931B (zh) 2020-02-05 2020-02-05 动物育种预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111291931B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227790B (zh) * 2023-04-25 2024-04-09 宏景科技股份有限公司 智慧养殖智能管理方法、装置、电子设备及智能管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103070119A (zh) * 2013-01-29 2013-05-01 中国水产科学研究院黄海水产研究所 一种以群组为单元的水产动物选择育种方法
CN106028794A (zh) * 2013-12-27 2016-10-12 先锋国际良种公司 改良的分子育种方法
CN107488659A (zh) * 2017-09-08 2017-12-19 华中农业大学 一种与柑橘果皮红黄颜色性状相关的序列及其应用
CN109350032A (zh) * 2018-10-16 2019-02-19 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070129897A1 (en) * 2005-12-02 2007-06-07 Bull's Eye Solutions, Llc System and method of facilitating animal propagation
EP3084665A4 (en) * 2013-12-19 2017-10-11 Genoscoper Oy Method and arrangement for matching mammals by comparing genotypes
AR112210A1 (es) * 2017-06-30 2019-10-02 Inguran Llc Métodos de estimación de variación de gametos

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103070119A (zh) * 2013-01-29 2013-05-01 中国水产科学研究院黄海水产研究所 一种以群组为单元的水产动物选择育种方法
CN106028794A (zh) * 2013-12-27 2016-10-12 先锋国际良种公司 改良的分子育种方法
CN107488659A (zh) * 2017-09-08 2017-12-19 华中农业大学 一种与柑橘果皮红黄颜色性状相关的序列及其应用
CN109350032A (zh) * 2018-10-16 2019-02-19 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"MINT: Mutual Information Based Transductive Feature Selection for Genetic Trait Prediction";Dan He etc;《IEEE Electronic Library》;20160630;第578-583页 *
"动物育种中的统计方法";梅步俊 等;《草食家畜》;20171031;第14-19页 *
"基于大数据构建畜禽遗传育种模型的可行性论证";黄明捷 等;《2018年学术年会》;20181231;第578页 *

Also Published As

Publication number Publication date
CN111291931A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
Sun et al. Cervical cancer diagnosis based on random forest
Mohammadi et al. Bayesian structure learning in sparse Gaussian graphical models
CN111612039A (zh) 异常用户识别的方法及装置、存储介质、电子设备
Ferkingstad et al. Unsupervised empirical Bayesian multiple testing with external covariates
US20040126782A1 (en) System and method for SNP genotype clustering
Thomas et al. Estimating variance components in natural populations using inferred relationships
Uttamatanin et al. MetaSel: a metaphase selection tool using a Gaussian-based classification technique
CN111291931B (zh) 动物育种预测方法、装置、电子设备和存储介质
Papageorgiou et al. Bayesian non-parametric models for spatially indexed data of mixed type
CN112117003A (zh) 一种肿瘤风险等级划分方法、系统、终端以及存储介质
JP7467504B2 (ja) 染色体異数性を判定するためおよび分類モデルを構築するための方法およびデバイス
CN113517022A (zh) 基因检测方法、特征提取方法、装置、设备及系统
Kim et al. Application of logitboost classifier for traceability using snp chip data
Puig et al. A Bayesian test for Hardy–Weinberg equilibrium of biallelic X-chromosomal markers
CN112215268A (zh) 一种灾害天气卫星云图分类方法和装置
Villela et al. Fetal sex determination in twin pregnancies using non-invasive prenatal testing
Yu et al. Do stronger measures of genomic connectedness enhance prediction accuracies across management units?
CN111681710B (zh) 基于基因表达特征的细胞分类方法、装置和电子设备
CN116109907B (zh) 目标检测方法、装置、电子设备及存储介质
CN114708915A (zh) 基于轮廓系数的snp分型有效性评估方法、装置以及电子设备
CN112270957A (zh) 高阶snp致病组合数据检测方法、系统、计算机设备
Knürr et al. Impact of prior specifications in a shrinkage-inducing Bayesian model for quantitative trait mapping and genomic prediction
Vandenplas et al. Convergence behavior of single-step GBLUP and SNPBLUP for different termination criteria
CN116778210A (zh) 教学影像评价系统以及教学影像评价方法
Duckett et al. Identifying model violations under the multispecies coalescent model using P2C2M. SNAPP

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
TA01 Transfer of patent application right

Effective date of registration: 20220411

Address after: 361000 unit 501-2, No. 23, erwanghai Road, software park, Siming District, Xiamen City, Fujian Province

Applicant after: AOWANG INFORMATION TECHNOLOGY (XIAMEN) CO.,LTD.

Applicant after: TAIHE AOMU BREEDING CO.,LTD.

Applicant after: Leshan AoXin breeding Co.,Ltd.

Applicant after: Ji'an Aobao Biotechnology Co.,Ltd.

Applicant after: Shandong aonong pig breeding Co.,Ltd.

Applicant after: FUJIAN AONONG BIOLOGICAL TECHNOLOGY GROUP Co.,Ltd.

Address before: Unit 1205, 168 Tapu East Road, Siming District, Xiamen City, Fujian Province 361000

Applicant before: AOWANG INFORMATION TECHNOLOGY (XIAMEN) CO.,LTD.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230823

Address after: Unit 501-2, No. 23 Wangwanghai Road, Software Park 2, Xiamen City, Fujian Province, 361008

Patentee after: AOWANG INFORMATION TECHNOLOGY (XIAMEN) CO.,LTD.

Patentee after: TAIHE AOMU BREEDING CO.,LTD.

Patentee after: Fujian Aoxin Biotechnology Group Co.,Ltd.

Patentee after: Leshan AoXin breeding Co.,Ltd.

Patentee after: Ji'an Aobao Biotechnology Co.,Ltd.

Patentee after: Shandong aonong pig breeding Co.,Ltd.

Patentee after: FUJIAN AONONG BIOLOGICAL TECHNOLOGY GROUP Co.,Ltd.

Address before: 361000 unit 501-2, No. 23, erwanghai Road, software park, Siming District, Xiamen City, Fujian Province

Patentee before: AOWANG INFORMATION TECHNOLOGY (XIAMEN) CO.,LTD.

Patentee before: TAIHE AOMU BREEDING CO.,LTD.

Patentee before: Leshan AoXin breeding Co.,Ltd.

Patentee before: Ji'an Aobao Biotechnology Co.,Ltd.

Patentee before: Shandong aonong pig breeding Co.,Ltd.

Patentee before: FUJIAN AONONG BIOLOGICAL TECHNOLOGY GROUP Co.,Ltd.

TR01 Transfer of patent right