CN113159244A - 一种基于物联网的禽类养殖管理系统 - Google Patents

Abstract

本发明公开了一种基于物联网的禽类养殖管理系统，包括：RFID脚环标签，用于设置于待养殖管理的禽类；禽类养殖数据采集模块，用于多点设置于养殖场获取禽类活动数据；禽类异常行为检测模块，用于根据禽类养殖数据采集模块上传的禽类活动数据，经过数据清洗与筛选、特征提取与归一化处理，得到特征样本集；基于所述特征样本集通过构建孤立森林模型对异常样本进行检测，获得异常禽类样本集合。本发明将RFID等物联网技术用于禽类养殖业，并将收集到的数据进行分析，能够识别出禽类的异常行为；本发明能够降低物联网在禽类养殖领域实施所需要的各项成本与门槛。

Description

一种基于物联网的禽类养殖管理系统

技术领域

本发明属于农业物联网技术领域，涉及禽类养殖领域，特别涉及一种基于物联网的禽类养殖管理系统。

背景技术

近年来，由于人均可支配收入的不断提高，加之各种食品安全问题通过网络逐渐进入大众视野，人们对于食品质量与安全的要求也在与日俱增。对于猪、牛、羊等大型动物的畜牧养殖业，可以通过电子耳标在动物的耳朵上穿孔标记，从而对其整个生命周期与供应的过程进行全程溯源。而对于禽类养殖而言，虽然有很多政府及组织尝试对其进行推广，但由于诸多因素，射频识别(Radio-Frequency Identification，RFID)等物联网技术在禽类养殖中难以看见大规模的产业化应用。

对于禽类养殖而言，要想实现规模化的产品溯源等智能化技术，第一步工作是需要通过大规模部署物联网设备并收集足够多的禽类养殖数据；然而，这一步面临的技术挑战有很多，包括：首先，对于禽类而言，电子标签的体积不能太大，也不宜太重，否则会严重制约其行动，甚至会对禽类皮肤、关节造成损伤，致使其患病。其次，由于大量养鸡场坐落在山林里，且养殖点较为分散，物联网设备难以统一管理，设备与运行在其上的应用程序一旦发生故障，或需要进行软件升级，会消耗大量的人力与物力。最后，由于禽类养殖普遍利润较低，较其他畜牧业而言对成本要求更为敏感，在部署物联网系统时需要严格把控设备的成本问题。

综上，亟需一种新的基于物联网的禽类养殖管理系统。

发明内容

本发明的目的在于提供一种基于物联网的禽类养殖管理系统，以解决上述存在的一个或多个技术问题。本发明将RFID等物联网技术用于禽类养殖业，并将收集到的数据进行分析，能够识别出禽类的异常行为；本发明能够降低物联网在禽类养殖领域实施所需要的各项成本与门槛。

为达到上述目的，本发明采用以下技术方案：

本发明的一种基于物联网的禽类养殖管理系统，包括：

RFID脚环标签，用于设置于待养殖管理的禽类；

禽类养殖数据采集模块，用于多点设置于养殖场，包括：

RFID阅读器模块，用于通过RFID脚环标签采集禽类活动数据；所述RFID阅读器模块设置有网口调试板；所述RFID阅读器模块设置有预设数量的(可以是1～4个)阅读器天线；

物联网网关节点模块，所述物联网网关节点模块预加载有软件，用于控制RFID阅读器模块进行数据采集的时间间隔；

WiFi中继模块，用于连接RFID阅读器模块和物联网网关节点模块组成局域网，用于通过中继的工作模式从养殖场的WiFi获取互联网接入；

禽类异常行为检测模块，用于根据禽类养殖数据采集模块上传的禽类活动数据，经过数据清洗与筛选、特征提取与归一化处理，得到能够反映禽类个体每日的活动量、饮水进食量、休息时间的特征样本集；基于所述特征样本集通过构建孤立森林模型对异常样本进行检测，获得异常禽类样本集合；

其中，所述异常禽类样本集合用于作为禽类养殖管理的依据。

本发明的进一步改进在于，所述物联网网关节点模块还设置有：

缓存数据库，用于在网络链路断开时，对RFID阅读器模块采集的禽类活动数据进行本地缓存。

本发明的进一步改进在于，所述禽类养殖数据采集模块还包括：

外壳，所述RFID阅读器模块、物联网网关节点模块、WiFi中继模块设置于所述外壳内。

本发明的进一步改进在于，所述用于多点设置于养殖场具体为用于设置在养殖场的喂食点、栖息点及活动点。

本发明的进一步改进在于，所述禽类异常行为检测模块中，根据禽类养殖数据采集模块上传的禽类活动数据，经过数据清洗与筛选、特征提取与归一化处理，得到能够反映禽类个体每日的活动量、饮水进食量、休息时间的特征样本集的步骤具体包括：

批量查询养殖场预设时间内收集到的禽类活动数据X，每条数据包括EPC编号、阅读器天线编号以及时间戳；按照EPC编号进行分组，每个分组按照时间戳以升序方式进行排序，记为Xⁱ，i表示禽类的EPC编号；

对每个分组Xⁱ进行数据清洗，获得经过数据清洗的分组数据集

对每组经过数据清洗的分组数据集Yⁱ进行特征提取，得到样本集；对样本集进行分类，获得未标记为异常的样本集；

对所述未标记为异常的样本集中的样本进行归一化处理，获得归一化处理后的特征样本集。

本发明的进一步改进在于，所述对每个分组Xⁱ进行数据清洗，获得经过数据清洗的分组数据集

的步骤具体包括：

设

m_i是分组Xⁱ的记录数据总条目，对于每条记录x_j，x_j1代表第j条记录的天线编号，x_j2代表第j条记录的时间戳，从第2条记录对分组Xⁱ进行遍历，计算：

Δt_j＝x_j2-x_(j-1)2，

若x_j1≠x_(j-1)1且满足Δt_j＜t，则将x_j标记为剔除，阈值t等于阅读器两个数据采集时间间隔的时间；

记经过数据清洗的分组数据集为

本发明的进一步改进在于，阅读器的数据采集时间间隔为禽类在两个设备之间移动所需的最短时间。

本发明的进一步改进在于，所述对每组经过数据清洗的分组数据集Yⁱ进行特征提取，得到样本集；对样本集进行分类，获得未标记为数据不足或数据异常的样本集的步骤具体包括：

养殖场的阅读器天线总数为l，检测的时间范围的天数为d，则特征维数为：

dim(z)＝l×(d+l)+1，

统计每个天线每天的有效记录数，产生d×l个特征；统计每个天线d天产生的所有的记录数，形成l个特征；将Yⁱ数据集的记录总数n_i作为一个特征；

经过特征计算后，形成的样本集记为D′＝{z′₁，z′₂，...，z′_p}；

对统计特征不符合条件的样本根据经验直接分类，包括：筛除记录总数不符合条件的子样本集，若n_i小于阈值c，则作为数据不足样本集记为D_{data-shortage}；若样本的任意一个天线d天内的记录数统计量为0且样本集的该天线d天内的记录数统计量中位数不为0，标记该样本为数据异常样本，将数据异常样本集记为D_{data-abnormal}；未标记为数据不足或数据异常的样本集记为D＝{z₁，z₂，...，z_q}。

本发明的进一步改进在于，所述对所述未标记为数据不足或数据异常的样本集中的样本进行归一化处理，获得归一化处理后的特征样本集的步骤包括：

选择反正切函数或指数为负数的幂函数进行归一化处理：

本发明的进一步改进在于，所述通过构建孤立森林模型对异常样本进行检测，获得异常禽类样本集合的步骤具体包括：

构建孤立森林模型的步骤包括：选择一个取样的数量n，数量n小于等于256；从样本集中随机选取n个样本，构造孤立树并将其加入孤立森林集合中，重复直到孤立森林集合中已经构造了预设数量的ψ棵孤立树为止，获得孤立森林模型；

对所有样本集根据孤立森林模型计算异常得分并进行预测，将异常得分高于预设阈值的样本集记为D_abnormal，将异常得分低的样本集记为D_normal。

与现有技术相比，本发明具有以下有益效果：

本发明将RFID技术运用于禽类养殖产业，在养殖场的多点放置RFID阅读器天线，和现有的使用电池供电的计步器脚环技术相比，RFID芯片的成本更加低廉，能够对禽类的行为进行实时观测，且重量更轻便不会限制禽类活动。此外，利用收集到的禽类活动数据，本发明可以识别出禽类的异常行为，便于养殖管理员及时发现问题采取隔离措施管理，可避免造成大的损失。

本发明的平台中，设置有RFID阅读器，用于在养殖场多点放置(可以包括进食点、栖息点以及运动点)；基于离群点检测的方法，每周利用收集到的数据自动识别出本周行为异常的禽类个体，并进行记录与观察，便于养殖管理。

本发明中，设置超高频异形脚环标签对家禽进行标记识别，不会伤害到家禽的羽毛和皮肤，不会影响到家禽的运动。

本发明的平台中，采用物联网网关设备来作为RFID阅读器设备的接入，具有良好的扩展性；对于在偏远农场地区存在的通信链路质量低的问题，在断网时可通过网关设备上的本地数据库缓存数据，并在网络恢复时重传，具有持续的数据采集能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来说，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的附图。

图1是本发明实施例中，基于物联网的禽类养殖管理系统的软件架构示意图；

图2是本发明实施例中，基于物联网的禽类养殖管理系统的功能模块示意图；

图3是本发明实施例中，养殖场设备部署示意图；

图4是本发明实施例中，硬件设备与服务器连接示意图；

图5是本发明实施例中，异常检测的流程示意图。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面结合本发明实施例中的附图，对本发明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发明一部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例，都应属于本发明保护的范围。

本发明实施例主要提供一个面向禽类养殖的物联网平台，通过在养殖场部署多个RFID阅读器设备，将阅读器的天线放置在养殖场的喂养点、栖息点以及活动点，利用RFID脚环标签对禽类种群进行数据收集与管理。将收集到的数据通过预处理与特征提取后，运用离群点检测算法识别出行为异常的禽类个体，进行标记与观察；另一方面，可以利用收集到的禽类活动数据进行溯源。

请参阅图1至图5，本发明实施例的一种基于物联网的禽类养殖管理系统，包括以下三个模块构成：

禽类养殖数据采集模块，其硬件部分如图4所示，包括一个物联网网关节点，一个带有网口调试板的R2000阅读器模块，一个具有中继功能的WiFi模块和一个防水外壳组成。其中物联网网关节点可以是任意的ARM架构的Linux微型电脑主板。物联网网关节点与R2000阅读器模块通过网口连接至WiFi模块，组成一个局域网。WiFi模块可以通过中继的工作模式从养殖场的WiFi获取互联网接入。

禽类养殖数据采集模块的软件部分运行在物联网网关节点上，负责与R2000阅读器模块通信，向R2000阅读器模块发送指令控制采集的时间间隔，并对盘存周期内读取到的相同编码的禽类数据进行去重操作，最终将去重后的数据统一上传至服务器并持久化在MySQL数据库中。物联网网关节点还装有轻量级数据库，如Redis或Mongo DB，在网络链路不佳时，上传服务器操作会抛出数据库连接异常，此时采集模块将会把数据缓存至物联网网关节点的轻量级数据库。当网络链路恢复时，养殖数据采集模块会分批将本地的缓存数据中取出，上传至服务器并持久化在MySQL数据库中。其中采集到的禽类活动数据主要由产品电子码(Electronic Product Code，EPC)、设备编号、天线编号、时间戳组成。为了识别养殖过程中禽类的各种行为，需要在多点(包括喂食点、栖息点及活动点)设置禽类养殖数据采集模块，如图3所示。

本发明实施例中，需要进一步明确的是，为了支持禽类异常行为检测算法，采集时间间隔t需要严格控制在禽类在两个设备之间移动所需的最短时间，便于后续综合养殖场内多个阅读器设备采集到的数据，剔除禽类长时间在某个天线附近停留而产生的大量重复记录。

禽类异常行为检测模块基于禽类养殖数据采集模块上传的大量禽类活动记录数据，经过数据清洗与筛选、特征提取与归一化处理，得到能够反映禽类个体每日的活动量、饮水进食量、休息时间等活动的特征，并通过构建孤立森林模型，对异常样本进行检测，异常禽类样本集合。该模块的主要由三个部分构成，包括数据的提取与装载、数据清洗与特征提取、孤立森林模型的构造与异常检测。

1)数据的提取与装载

首先需要进行禽类活动记录数据的采集，这部分的实现已经在禽类数据采集模块中详细阐述。在采集到一段时间的数据后，就可以对农场的禽类进行异常行为检测。首先进行禽类活动记录数据的提取与载入。从数据库禽类活动记录表中批量查询某个养殖场最近数天收集到的所有禽类记录数据X，每条记录包括EPC编号、天线编号以及时间戳。数据全部加载完毕后，首先按照EPC编号进行分组，每个分组按照时间戳以升序方式进行排序，记为Xⁱ，其中i表示禽类的EPC编号。

2)数据清洗与特征提取

首先，对每个分组Xⁱ进行数据清洗。设

m_i是分组Xⁱ的记录数据总条目。对于每条记录x_j，x_j1代表第j条记录的天线编号，x_j2代表第j条记录的时间戳。从第2条记录对分组Xⁱ进行遍历，计算：

Δt_j＝x_j2-x_(j-1)2

若x_j1≠x_(j-1)1且满足Δt_j＜t，则将x_j标记为剔除，这里的阈值t等于阅读器两个数据采集周期的时间。通过上述方法，可以清洗掉因为禽类个体长期停留在某个天线附近而产生的大量重复的无意义数据，从而使后续计算出的特征更准确地反映禽类的各项指标。记经过数据清洗的分组数据集为

接下来，对每组经过清洗的数据集Yⁱ进行特征提取，得到p个样本，样本记为z。设该农场所具有的天线总数为l，且检测的时间范围的天数为d，则特征维数为：

dim(z)＝l×(d+l)+1

具体的特征计算方法为：首先，统计每个天线每天的有效记录数，产生d×l个特征；接着统计每个天线d天产生的所有的记录数，形成l个特征；最后将Yⁱ子数据集的记录总数n_i作为一个特征。经过特征计算后，形成的样本集记为D′＝{z′₁，z′₂，...，z′_p}。

接下来，对统计特征不符合条件的样本根据经验直接分类。首先，筛除记录总数不符合条件的子样本集，若n_i小于阈值c，则说明该禽类个体的记录数量太少，可能由于死亡、丢失或者隔离等原因造成，将这部分数据不足的样本集记为D_{data-shortage}。若样本的任意一个天线d天内的记录数统计量为0，且样本集的该天线d天内的记录数统计量中位数不为0，直接标记该样本为数据异常样本，所有数据异常样本集记为D_{data-abnormal}。数据异常的样本表示超过半数的样本均在该天线产生过活动记录，但未读取到数据异常样本在该天线的记录，在样本已经被隔离时可能会产生这样的情况。未标记为异常的样本集记为D＝{z₁，z₂，...，z_q}进行后续运算。

最后，对特征进行预处理与归一化，从而适用于孤立森林离群点检测算法的输入要求。归一化的函数选择非常关键，直接会改变特征的分布情况。通常情况下患病或不健康的禽类相较于健康的个体而言，表现为饮食下降、精神萎靡、不愿活动等，进食或活动的次数更低，更容易在角落里长期停留，所以各项特征通常会聚集在较低的值附近。因此假设正常的禽类活动量、进食量都会在较大的值附近产生聚集，且这种聚集是非线性的，如150和200次打卡记录的差距要远小于0和50次之间的差距。所以应该选择非线性的归一化处理。本文选择了反正切函数或指数为负数的幂函数进行归一化处理：

经过归一化处理后的特征可以更加有效地被孤立树进行分割。

3)孤立森林的模型构造与异常行为检测

使用特征归一化后的样本集对孤立森林进行构造。构造过程如下：首先选择一个取样的数量n，这个数量最大不超过2⁸即256。从样本集中随机选取n个样本，构造孤立树并将其加入孤立森林集合中。重复上述过程，直到孤立森林集合中已经构造了ψ棵孤立树为止。

模型构造完成后，对所有样本集根据模型计算异常得分并进行预测。将异常得分较高的样本集记为D_abnormal，该样本集的禽类为可能患病的个体；而异常得分低的样本集记为D_normal，为健康的禽类个体。最终将D_{data-shortage}、D_{data-abnormal}、D_abnormal和D_normal四个分类后的子样本集分类记录在异常行为检测报告中，并将检测报告持久化至数据库中便于用户后续查询。

禽类养殖管理模块，主要实现对禽类信息、农场信息、阅读器及其天线信息、禽类异常行为检测报告信息进行统一的管理。其中禽类信息包括EPC编码、品种、生长时间、所属的养殖场编号、关联的订单编号信息。农场信息包括编号、名称、地理位置、所属农场主编号。阅读器信息包括阅读器编号、阅读器名称、阅读器天线数量、阅读器所属农场编号。阅读器天线信息包括天线编号、天线位置(可以是喂食点、栖息点或活动点)、所连接阅读器编号。禽类异常行为检测报告信息包括报告编号、检测数据起止时间、检测时间、检测总数、异常禽类个数、异常禽类列表、报告关联的农场编号。该模块支持在消费者购买禽类后，禽类会与购买的订单相关联，此时支持消费者查看其购买禽类的活动数据。禽类行为数据信息为禽类养殖数据采集模块所上传，包括禽类EPC编号、采集阅读器编号、采集天线编号、采集时间。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (10)

1.一种基于物联网的禽类养殖管理系统，其特征在于，包括：

RFID脚环标签，用于设置于待养殖管理的禽类；

禽类养殖数据采集模块，用于多点设置于养殖场，包括：

RFID阅读器模块，用于通过RFID脚环标签采集禽类活动数据；所述RFID阅读器模块设置有网口调试板；所述RFID阅读器模块设置有预设数量的阅读器天线；

物联网网关节点模块，所述物联网网关节点模块预加载有软件，用于控制RFID阅读器模块进行数据采集的时间间隔；

WiFi中继模块，用于连接RFID阅读器模块和物联网网关节点模块组成局域网，用于通过中继的工作模式从养殖场的WiFi获取互联网接入；

禽类异常行为检测模块，用于根据禽类养殖数据采集模块上传的禽类活动数据，经过数据清洗与筛选、特征提取与归一化处理，得到能够反映禽类个体每日的活动量、饮水进食量、休息时间的特征样本集；基于所述特征样本集通过构建孤立森林模型对异常样本进行检测，获得异常禽类样本集合；

其中，所述异常禽类样本集合用于作为禽类养殖管理的依据。

2.根据权利要求1所述的一种基于物联网的禽类养殖管理系统，其特征在于，所述物联网网关节点模块还设置有：

缓存数据库，用于在网络链路断开时，对RFID阅读器模块采集的禽类活动数据进行本地缓存。

3.根据权利要求1所述的一种基于物联网的禽类养殖管理系统，其特征在于，所述禽类养殖数据采集模块还包括：

外壳，所述RFID阅读器模块、物联网网关节点模块、WiFi中继模块设置于所述外壳内。

4.根据权利要求1所述的一种基于物联网的禽类养殖管理系统，其特征在于，所述用于多点设置于养殖场具体为用于设置在养殖场的喂食点、栖息点及活动点。

5.根据权利要求1所述的一种基于物联网的禽类养殖管理系统，其特征在于，所述禽类异常行为检测模块中，根据禽类养殖数据采集模块上传的禽类活动数据，经过数据清洗与筛选、特征提取与归一化处理，得到能够反映禽类个体每日的活动量、饮水进食量、休息时间的特征样本集的步骤具体包括：

批量查询养殖场预设时间内收集到的禽类活动数据X，每条数据包括EPC编号、阅读器天线编号以及时间戳；按照EPC编号进行分组，每个分组按照时间戳以升序方式进行排序，记为Xⁱ，i表示禽类的EPC编号；

对每个分组Xⁱ进行数据清洗，获得经过数据清洗的分组数据集

对每组经过数据清洗的分组数据集Yⁱ进行特征提取，得到样本集；对样本集进行分类，获得未标记为异常的样本集；

对所述未标记为异常的样本集中的样本进行归一化处理，获得归一化处理后的特征样本集。

6.根据权利要求5所述的一种基于物联网的禽类养殖管理系统，其特征在于，所述对每个分组Xⁱ进行数据清洗，获得经过数据清洗的分组数据集

的步骤具体包括：

设

m_i是分组Xⁱ的记录数据总条目，对于每条记录x_j，x_j1代表第j条记录的天线编号，x_j2代表第j条记录的时间戳，从第2条记录对分组Xⁱ进行遍历，计算：

Δt_j＝x_j2-x_(j-1)2，

若x_j1≠x_(j-1)1且满足Δt_j＜t，则将x_j标记为剔除，阈值t等于阅读器两个数据采集时间间隔的时间；

记经过数据清洗的分组数据集为

7.根据权利要求6所述的一种基于物联网的禽类养殖管理系统，其特征在于，阅读器的数据采集时间间隔为禽类在两个设备之间移动所需的最短时间。

8.根据权利要求6所述的一种基于物联网的禽类养殖管理系统，其特征在于，所述对每组经过数据清洗的分组数据集Yⁱ进行特征提取，得到样本集；对样本集进行分类，获得未标记为数据不足或数据异常的样本集的步骤具体包括：

养殖场的阅读器天线总数为l，检测的时间范围的天数为d，则特征维数为：

dim(z)＝l×(d+l)+1，

统计每个天线每天的有效记录数，产生d×l个特征；统计每个天线d天产生的所有的记录数，形成l个特征；将Yⁱ数据集的记录总数n_i作为一个特征；

经过特征计算后，形成的样本集记为D′＝{z′₁，z′₂，...，z′_p}；

对统计特征不符合条件的样本根据经验直接分类，包括：筛除记录总数不符合条件的子样本集，若n_i小于阈值c，则作为数据不足样本集记为D_{data-shortage}；若样本的任意一个天线d天内的记录数统计量为0且样本集的该天线d天内的记录数统计量中位数不为0，标记该样本为数据异常样本，将数据异常样本集记为D_{data-abnormal}；未标记为数据不足或数据异常的样本集记为D＝{z₁，z₂，...，z_q}。

9.根据权利要求8所述的一种基于物联网的禽类养殖管理系统，其特征在于，所述对所述未标记为数据不足或数据异常的样本集中的样本进行归一化处理，获得归一化处理后的特征样本集的步骤包括：

选择反正切函数或指数为负数的幂函数进行归一化处理：

10.根据权利要求9所述的一种基于物联网的禽类养殖管理系统，其特征在于，所述通过构建孤立森林模型对异常样本进行检测，获得异常禽类样本集合的步骤具体包括：

构建孤立森林模型的步骤包括：选择一个取样的数量n，数量n小于等于256；从样本集中随机选取n个样本，构造孤立树并将其加入孤立森林集合中，重复直到孤立森林集合中已经构造了预设数量的ψ棵孤立树为止，获得孤立森林模型；

对所有样本集根据孤立森林模型计算异常得分并进行预测，将异常得分高于预设阈值的样本集记为D_abnormal，将异常得分低的样本集记为D_normal。

Images