CN117633697B - 基于物联网的生猪智能监测方法及系统 - Google Patents
基于物联网的生猪智能监测方法及系统 Download PDFInfo
- Publication number
- CN117633697B CN117633697B CN202410109502.1A CN202410109502A CN117633697B CN 117633697 B CN117633697 B CN 117633697B CN 202410109502 A CN202410109502 A CN 202410109502A CN 117633697 B CN117633697 B CN 117633697B
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- parameters
- abnormality
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000005856 abnormality Effects 0.000 claims abstract description 121
- 241000282887 Suidae Species 0.000 claims abstract description 54
- 230000036541 health Effects 0.000 claims abstract description 47
- 230000012010 growth Effects 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000013507 mapping Methods 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 12
- 241000282898 Sus scrofa Species 0.000 description 38
- 230000006870 function Effects 0.000 description 11
- 230000003698 anagen phase Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Agronomy & Crop Science (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及数据异常检测技术领域,具体涉及一种基于物联网的生猪智能监测方法及系统。该发明根据不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段变化特征获得阶段数据可信度;根据不同时间区间下历史数据组参数间的关联性分布获得区间数据可信性;根据每个历史数据组所在生长阶段对应的阶段数据可信度和所在时间区间的数据异常指标获得理论数据异常性;对参数数据组执行DBSCAN聚类算法,获取初始数据异常性;进而获得聚类效果评价对初始半径参数进行调整,获得半径优化参数对参数数据组进行聚类,获得目标数据组的最终数据异常性。本发明通过自适应调整初始半径参数,提高对参数数据组异常检测的效果,准确监测生猪的生存环境。
Description
技术领域
本发明涉及数据异常检测技术领域,具体涉及一种基于物联网的生猪智能监测方法及系统。
背景技术
在生猪养殖中,由于猪不同生长阶段下环境参数的不断变化会影响猪的健康状况,需要对各项参数进行异常检测,保障生猪的健康生长。而统计异常检测等传统的方法难以准确的检测数据中的异常,无法提高养殖管理的效率。
在现有技术中,可以采用DBSCAN聚类算法对异常进行检测,但设置不适当的半径参数造成聚类结果的不稳定,过小的半径参数会导致聚类结果过多,难以分辨;过大的半径参数会导致聚类结果过少,不易分析数据异常值;对数据异常检测的准确度都较差。
发明内容
为了解决使用DBSCAN聚类算法进行异常检测时,未确定合适的半径参数对异常检测结果不准确技术问题,本发明的目的在于提供一种基于物联网的生猪智能监测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于物联网的生猪智能监测方法,所述方法包括:
获取生猪在不同生长阶段下猪场环境的参数数据组;所述参数数据组包括目标数据组和历史数据组;所述历史数据组包含预设的猪舒适健康度标签;
根据每个参数在历史数据组中的变化特征获得每个参数与其他参数之间的数据相关性;根据猪舒适健康度筛选出参考历史数据组,根据每个参数与每个其他参数在所述参考历史数据组下的关联性和对应的数据相关性之间的差异分布,获得每个参数的重要性;
根据不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段相似性和所述重要性获得生长阶段之间的阶段数据可信度;根据所述猪舒适健康度的变化趋势将历史数据组对应的历史时间段划分出多个时间区间,根据不同时间区间下所有历史数据组参数之间的关联性分布获得时间区间之间的区间数据可信性;
根据时间区间之间的区间数据可信性、参数间相对差异和所述重要性获得每个时间区间的数据异常指标;根据每个历史数据组所在生长阶段对应的所述阶段数据可信度和所在时间区间的数据异常指标,获得理论数据异常性;
根据初始半径参数对所述参数数据组执行DBSCAN聚类算法,获得初始聚类簇以及每个参数数据组的初始数据异常性;根据初始聚类簇内理论数据异常性与初始数据异常性获得聚类效果评价;根据所述聚类效果评价对初始半径参数进行调整,获得半径优化参数;根据所述半径优化参数对所述参数数据组进行聚类,获得目标数据组的最终数据异常性。
进一步地,所述数据相关性的获取方法包括:
计算每个参数与其他参数之间在每个历史数据组中对应参数值的比值,作为第一比值;
将每个参数在所有历史数据组中对应参数值的均值,作为参数均值;将每个参数与其他参数之间的参数均值的比值作为第二比值;
计算第一比值与第二比值的差异,获得每个历史数据组中每个参数与其他参数的差异特征;
根据所有历史数据组的所述差异特征之和进行负相关映射并归一化,获得每个参数与其他参数之间的数据相关性。
进一步地,所述参数的重要性的获取方法包括:
获取所述历史数据组中对应的猪舒适健康度小于预设阈值的数据组作为所述参考历史数据组;
将每个参考历史数据组下差异特征负相关映射,获得每个参数与每个其他参数间的关联性;
计算所有参考历史数据组下所述关联性与对应数据相关性的差异之和获得每个参数与其他参数之间重要性;
根据每个参数与其他参数之间的参数重要性之和获得每个参数的重要性。
进一步地,所述阶段数据可信度的获取方法包括:
计算两个生长阶段中猪舒适健康度方差的差异作为所述分布特征;
计算每个参数在两个生长阶段中历史数据组的均值差异,获得每个参数的阶段相似性;
计算所有参数的阶段相似性与重要性的比值之和获得参数的阶段变化特征;
根据所述分布特征与所述参数的阶段变化特征获得生长阶段之间的阶段数据可信度;
所述分布特征与所述阶段数据可信度成负相关关系;所述阶段变化特征与所述阶段数据可信度为负相关关系。
进一步地,所述区间数据可信性的获取方法包括:
计算每小时内所有历史数据组对应的猪舒适健康度的平均值,作为每小时的猪舒适健康值;
将每小时的所述猪舒适健康值进行聚类,根据聚类划分结果将连续且在一个聚类结果中的小时划分成一个时间区间;
计算两个所述时间区间之间所有历史数据组中各个参数的关联性均值的差异,作为区间相关性,将所有参数之间的区间相关性累加后负相关映射并归一化获得区间数据可信性。
进一步地,所述数据异常指标的获取方法包括:
在一个时间区间中,计算所有历史数据组中相同参数之间的平均距离,作为相对差异;
计算所述相对差异与对应参数的重要性的乘积,作为对应参数的异常程度,将所有参数的异常程度累加获得对应时间区间的数据异常程度;
将每个时间区间与其他时间区间之间的区间数据可信性与对应其他时间区间的数据异常程度相乘,获得每个时间区间与其他时间区间之间的初始数据异常指标,将每个时间区域与所有其他时间区间之间的初始数据异常指标累加,获得每个时间区间的数据异常指标。
进一步地,所述理论数据异常性的获取方法包括:
根据所述阶段数据可信度与每个历史数据组所在的所述时间区间的所述数据异常指标获得每个历史数据组的理论数据异常性;
所述阶段数据可信度和所述数据异常指标均与所述理论数据异常性为正相关关系。
进一步地,所述聚类效果评价的获取方法包括:
将每个历史数据组所在初始聚类簇内元素数量和各个元素的方差的比值负相关映射并归一化,获得初始数据异常性;选取所述初始数据异常性最大时对应的初始聚类簇作为异常数据组聚类簇;
计算所述异常数据组聚类簇内每个历史数据组对应的理论数据异常性与初始数据异常性的差异,作为初始聚类偏差,将所述异常数据组聚类簇内的所有初始聚类偏差求和并进行负相关映射归一化处理,获得聚类效果评价。
进一步地,所述半径优化参数的获取方法包括:
比较所述聚类效果评价与预设阈值的关系,若所述聚类效果评价小于预设阈值,调大所述初始半径参数,重新聚类,直至所述聚类效果大于等于预设阈值时,获得半径优化参数;
若所述聚类效果评价不小于预设阈值,则以所述初始半径参数作为半径优化参数。
本发明还提出了一种基于物联网的生猪智能监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现任意一项所述一种基于物联网的生猪智能监测方法的步骤。
本发明具有如下有益效果:
本发明通过获得所有参数的重要性,确定每个参数变化对数据异常情况的影响程度;根据不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段相似性和重要性获得生长阶段之间的阶段数据可信度;根据不同时间区间下所有历史数据组内参数之间的关联性分布获得时间区间之间的区间数据可信性,对每个历史数据组在不同时间区间和生长阶段下的异常情况进行分析,得到更具有参考性的历史数据组;根据时间区间之间的区间数据可信性、参数间相对差异和重要性获得每个时间区间的数据异常指标,判断当前区间内存在异常数据组的可能性;为了更全面的理解历史数据组在各个阶段的异常情况,提高聚类算法对数据组异常检测的准确性,根据每个历史数据组所在生长阶段对应的阶段数据可信度和所在时间区间的数据异常指标,获得理论数据异常性;根据初始半径参数对参数数据组执行DBSCAN聚类算法,获得初始聚类簇以及每个参数数据组的初始数据异常性;根据初始聚类簇内理论数据异常性与初始数据异常性获得聚类效果评价,判断DBSCAN聚类算法对参数数据组进行异常检测的效果;根据聚类效果评价对初始半径参数进行调整,获得半径优化参数;根据半径优化参数对参数数据组进行聚类,获得目标数据组的最终数据异常性。提高对参数数据组异常检测的准确性和效率,准确监测生猪的生存环境。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种基于物联网的生猪智能监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于物联网的生猪智能监测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于物联网的生猪智能监测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于物联网的生猪智能监测方法的方法流程图,该方法包括:
步骤S1:获取生猪在不同生长阶段下猪场环境的参数数据组;环境数据组包括目标数据组和历史数据组;历史数据组包含预设的猪舒适健康度标签。
在本发明的实施中,不同生长阶段下,猪对营养需求、环境要求、疾病防治等方面都有不同的需求。掌握这些信息可以帮助饲养者更好地照顾生猪,保证其健康生长,从而提高生产效益。同时,了解猪的生长阶段也有助于探索猪的生长发育规律和营养需求,为进一步提高猪的生产性能提供科学依据。生长阶段包括乳猪阶段、仔猪阶段、中猪阶段、大猪阶段。
在数据库中,记录了生猪在不同生长阶段下猪场环境的历史数据组;在生猪的猪场中,安装各种传感器采集猪场环境的多种参数数据组,猪场内包括温度、湿度、二氧化碳、氨气、光照强度等环境参数。在本发明实施例中,参数数据组的采样频率为半个小时,历史数据组的采样时间段为24小时。
猪舒适健康度可以用来评价生猪在猪场环境中的舒适度和健康状况;将获得的历史数据组人为的进行评价,标记每个历史数据组对应的猪舒适健康度,获得猪舒适健康度标签,在本发明的一个实施例中,猪舒适健康度的取值范围为[0,1]。
需要说明的是,在本发明的实施例中,参数数据组的获取方法为本领域技术人员熟知的技术手段,在此不再赘述。
步骤S2:根据每个参数在历史数据组中的变化特征获得每个参数与其他参数之间的数据相关性;根据猪舒适健康度筛选出参考历史数据组,根据每个参数与每个其他参数在参考历史数据组下的关联性和对应的数据相关性之间的差异分布,获得每个参数的重要性。
为了判断某一个参数异常对其他参数的影响,分析两个参数间的数据相关性,根据每个参数在历史数据组中的变化特征获得每个参数与其他参数之间的数据相关性,参数之间差异越小,对应影响越大,数据相关性越强;分析每个参数对数据异常影响的程度,根据猪舒适健康度筛选出参考历史数据组,根据每个参数与每个其他参数在参考历史数据组下的关联性和对应的数据相关性之间的差异分布,获得每个参数的重要性;历史数据组对应的猪舒适健康度越小,参考历史数据组越有可能存在异常,所以参数之间的关联性与数据相关性差异越大,参数的重要性越大,对数据异常的影响越大。
优选地,在本发明的一个实施例中,数据相关性的获取方法包括:
计算每个参数与其他参数之间在每个历史数据组中对应参数值的比值,作为第一比值;将每个参数在所有历史数据组中对应参数值的均值,作为参数均值;将每个参数与其他参数之间的参数均值的比值作为第二比值;计算第一比值与第二比值的差异,获得每个历史数据组下每个参数与其他参数的差异特征;差异特征越大,数据相关性越小;根据所有历史数据组下差异特征之和进行负相关映射并归一化获得每个参数与其他参数之间的数据相关性,获得两个参数互相影响的程度,数据相关性越大,在某个参数异常时,导致对应参数异常的可能性越大。在本发明的一个实施例中,以参数,/>为例,数据相关性的公式表示为:
其中,表示参数/>和/>之间整体的数据相关性;/>表示参数/>在第/>次历史数据组中对应参数值;/>表示其他参数/>在第/>次历史数据组中对应参数值;/>表示参数/>在所有历史数据组中对应参数值的平均值;/>表示其他参数/>在所有历史数据组中对应参数值的平均值;/>表示以自然常数为底的指数函数。
在数据相关性的公式中,表明参数/>和其他参数/>在第/>次历史数据组上的差异特征,通过以自然常数为底的指数函数对/>进行负相关映射,当差异越小时,它们的比值相对稳定,参数之间的数据相关性就越强。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。在本发明的一个实施例中,历史数据组的数量为m。
优选地,在本发明的一个实施例中,参数的重要性的获取方法包括:
获取历史数据组中对应的猪舒适健康度小于预设阈值的数据组作为参考数据组;猪舒适健康度越小,存在的异常越大,对存在异常的历史数据组进行分析,将每个参考历史数据组下差异特征负相关映射,获得每个参数与每个其他参数间的关联性;因为数据相关性表示所有历史数据组下整体性的相关程度,关联性表示存在异常情况的每个历史数据组中参数间相关程度,计算所有参考历史数据组下关联性与对应数据相关性的差异之和获得每个参数与其他参数之间重要性,异常情况下参数间的关联性与对应数据相关性的差异越大,参数之间对数据异常情况的影响越大,重要性越高;在本发明的一个实施例中,以参数,/>为例,每个参数与其他参数之间重要性的公式表示为:
其中,表示在第/>组参考历史数据组中参数/>,/>间的关联性;/>表示参数/>,/>之间整体的数据相关性;/>表示在所有参考历史数据组中参数/>与其他参数/>之间的重要性;/>表示参数/>在第/>组参考历史数据组中对应参数值;/>表示参数/>在第/>组参考历史数据组中对应参数值;/>表示以自然常数为底的指数函数。
在每个参数与其他参数之间重要性的公式中,通过以自然常数为底的指数函数将进行负相关映射,在第/>组参考历史数据组下对应的参数之间变化特征越明显,关联性越小;/>表示第/>组参考历史数据组下对应的参数关联性与整体间的数据相关性的差异,当差异越大时,表明每个参数与其他参数间的重要性越大。
根据每个参数与所有其他参数之间的重要性之和获得每个参数的重要性,每个参数与所有其他参数之间的重要性之和越大,每个参数的重要性越大,该参数导致参数数据组异常的可能性越大;在本发明的一个实施例中,以参数为例,参数的重要性公式表示为:
其中,表示参数/>的重要性;/>表示在所有参考历史数据下时参数/>与其他参数/>之间的重要性。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。在本发明的一个实施例中,预设阈值为0.8;参考历史数据组的数量为;参数的种类为/>。
步骤S3:根据不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段相似性和重要性获得生长阶段之间的阶段数据可信度;根据猪舒适健康度的变化趋势将历史数据组对应的历史时间段划分出多个时间区间,根据不同时间区间下所有历史数据组参数之间的关联性分布获得时间区间之间的区间数据可信性。
在不同生长阶段下,猪舒适健康度越接近,且重要性越高的参数阶段变化越稳定,数据异常的可能性越小,可参考性越强,根据不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段相似性和重要性获得生长阶段之间的阶段数据可信度;根据猪舒适健康度的变化趋势将历史数据组对应的历史时间段划分出多个时间区间,根据不同时间区间下所有历史数据组参数之间的关联性分布获得时间区间之间的区间数据可信性;在不同时间区间下,对应各个参数关联性分布越分散,时间区间之间相关性越小,区间数据可信性越低。
优选地,在本发明的一个实施例中,阶段数据可信度的获取方法包括:
计算两个生长阶段中猪舒适健康度方差的差异作为分布特征,两个生长阶段的差异越大,说明猪舒适健康值的波动较大,可能某些参数出现异常影响猪的舒适度和健康状况,需要采取相应的措施加以改善;为了解每个参数在不同生长阶段的变化情况,计算每个参数在两个生长阶段中历史数据组的均值差异,获得每个参数的阶段相似性,阶段相似性越大,参数的稳定性越大;计算所有参数的阶段相似性与重要性的比值之和获得参数的阶段变化特征;根据分布特征与参数的阶段变化特征获得生长阶段之间的阶段数据可信度;分布特征越小,参数的阶段变化特征越稳定,阶段数据可信度越高,可以准确了解猪的生长状态,及时发现养殖中存在的问题;分布特征与阶段数据可信度成负相关关系;阶段变化特征与阶段数据可信度为负相关关系。在本发明的一个实施例中,以生长阶段、/>为例,阶段数据可信度的公式表示为:
其中,表示生长阶段在/>,/>之间的阶段数据可信度;/>表示猪在不同生长阶段/>和/>阶段下的猪舒适健康度的方差的差异;/>表示对应不同生长阶段/>和/>阶段下对应历史数据组中参数/>平均值的差异;/>表示参数/>的重要性;/>表示以自然常数为底的指数函数;/>表示参数的种类。
在阶段数据可信度的公式中,表示参数/>在不同生长阶段中相似性和重要性的比值,当比值越大时,在不同生长阶段的变化特征越大,阶段数据可信度越低。通过以自然常数为底的指数函数对/>进行负相关映射,参数在不同阶段的相似性越近,重要性越高,参数越接近一致且稳定,阶段数据可信度越高,有利于对生猪状态的评估。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明的一个实施例中,区间数据可信性的获取方法包括:
为了分析猪舒适健康值的变化趋势和规律,准确评估猪在养殖过程中的舒适度和健康状况,计算每小时内所有历史数据组对应的猪舒适健康度的平均值,作为每小时的猪舒适健康值;将每小时的猪舒适健康值进行聚类,根据聚类划分结果将连续且在一个聚类结果中的小时划分成一个时间区间;计算两个时间区间之间所有历史数据组中各个参数的关联性均值的差异,作为区间相关性,将所有参数之间的区间相关性累加后负相关映射并归一化获得区间数据可信性;区间相关性越强,区间数据可信性越强。在本发明的一个实施例中区间数据可信性的公式表示为:
其中,表示参数的种类;/>表示在不同时间区间下,参数/>,/>之间关联性的差异;/>表示以自然常数为底的指数函数。
在区间数据可信性的公式中,通过以自然常数为底的指数函数将进行负相关映射,不同时间区间下各参数之间的关联性差异越大,区间数据可信性越小。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S4:根据时间区间之间的区间数据可信性、参数间相对差异和重要性获得每个时间区间的数据异常指标;根据每个历史数据组所在生长阶段对应的阶段数据可信度和所在时间区间的数据异常指标,获得理论数据异常性。
根据时间区间之间的区间数据可信性、参数间相对差异和重要性获得每个时间区间的数据异常指标,在区间数据可信性越大时,时间区间下对应的所有历史数据组内参数的相对差异和重要性越大,该时间区间下的历史数据组越有发生异常;根据每个历史数据组所在生长阶段对应的阶段数据可信度和所在时间区间的数据异常指标,获得理论数据异常性,在阶段数据可信度越大的情况下,数据异常指标越大,理论数据异常性越大,该历史数据组越有可能是异常数据组。
优选地,在本发明的一个实施例中,数据异常指标的获取方法包括:
在一个时间区间中,计算所有历史数据组中相同参数之间的平均距离,作为相对差异;计算相对差异与对应参数的重要性的乘积,作为对应参数的异常程度,将所有参数的异常程度累加获得对应时间区间的数据异常程度,当时间区间中参数的相对差异越大,且对应参数的重要性越高,该参数越可能发生异常情况,则所在的历史数据组为异常数据组的可能性越大;本发明的一个实施例中数据异常程度的公式表示为:
其中,表示对应时间区间的数据异常程度;/>表明参数的种类;/>表示在时间区间下所有历史数据组中相对参数/>之间的平均距离;/>表示参数/>的重要性。
将每个时间区间与其他时间区间之间的区间数据可信性与对应其他时间区间的数据异常程度相乘,获得每个时间区间与其他时间区间之间的初始数据异常指标,将每个时间区域与所有其他时间区间之间的初始数据异常指标累加,获得每个时间区间的数据异常指标;当区间数据可信性越高,且对应其他时间区间的数据异常程度越大,该历史数据组为异常数据组的可能性越大。在本发明的一个实施例中,以对应第个时间区间的一个历史数据组为例,对应的数据异常指标的公式表示为:
其中,表示该历史数据组的数据异常指标;/>表示时间区间的数量,/>表示每个时间区间/>对时间区间/>下的区间数据可信度,/>表示将该历史数据组带入到对应第/>个时间区间内的历史数据组中所得数据异常程度。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明的一个实施例中,理论数据异常性的获取方法包括:
根据阶段数据可信度与每个历史数据组所在的时间区间的数据异常指标获得每个历史数据组的理论数据异常性,分析该历史数据组在不同生长阶段下的异常可能性,数据异常指标越大,该历史数据组越可能为异常数据组;阶段数据可信度和数据异常指标均与理论数据异常性为正相关关系。该历史数据组的理论数据异常性越大,越有可能是异常数据组。在本发明的一个实施例中,理论数据异常性的公式表示为:
其中,表示每个历史数据组的理论数据异常性;/>表示不同猪的生长阶段;/>表示时间区间/>所在的生长阶段;/>表示猪在生长阶段为/>和/>下对应的阶段数据可信度;表示该历史数据组所在时间区间/>的数据异常指标。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S5:根据初始半径参数对参数数据组执行DBSCAN聚类算法,获得初始聚类簇以及每个参数数据组的初始数据异常性; 根据初始聚类簇内理论数据异常性与初始数据异常性获得聚类效果评价;根据聚类效果评价对初始半径参数进行调整,获得半径优化参数;根据半径优化参数对参数数据组进行聚类,获得目标数据组的最终数据异常性。
DBSCAN聚类算法通过考察数据之间的相关性来进行聚类。根据初始半径参数对参数数据组执行DBSCAN聚类算法,获得初始聚类簇以及每个参数数据组的初始数据异常性;根据初始聚类簇内理论数据异常性与初始数据异常性获得聚类效果评价,对聚类结果的好坏进行评价,聚类效果评价越大,说明理论数据异常性与初始数据异常性越接近,聚类算法对参数数据组进行检测的效果更好;根据聚类效果评价对初始半径参数进行调整,获得半径优化参数;在DBSCAN聚类算法中,半径参数的大小决定了聚类的密度,改变半径参数会影响聚类的结果,增加或减少最终的簇数量,以及改变每个簇的元素数量,半径优化参数提高了数据异常检测的准确性。
优选地,在本发明的一个实施例中,聚类效果评价的获取方法包括:
将每个历史数据组所在初始聚类簇内元素数量和各个元素的方差的比值负相关映射并归一化,获得初始数据异常性,元素数量越少,且方差越大,表明所在初始聚类簇内的数据组分布的越混乱,初始数据异常性越大;选取初始数据异常性最大时对应的初始聚类簇作为异常数据组聚类簇;在本发明的一个实施例中初始数据异常性的公式表示为:
其中,表示每个历史数据组的初始数据异常性;/>表示每个历史数据组所在初始聚类簇其簇内包含数据组的数量;/>表示初始聚类簇内各个数据组的方差;/>表示以自然常数为底的指数函数。
在初始数据异常性的公式中,通过以自然常数为底的指数函数对进行负相关映射,当每个历史数据组所在聚类簇其簇内包含数据组的数量越少,且聚类簇内数据组方差越大,则说明历史数据组为异常数据组的可能性越大。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
计算异常数据组聚类簇内每个历史数据组对应的理论数据异常性与初始数据异常性的差异,作为初始聚类偏差,将异常数据组聚类簇内的所有初始聚类偏差求和并进行负相关映射归一化处理,获得聚类效果评价。在本发明的一个实施例中聚类效果评价的公式表示为:
其中,表示异常数据聚类簇内理论数据异常性与初始数据异常性之间的聚类效果评价;/>表示异常数据聚类簇内历史数据组的数量;/>表示异常数据组聚类簇内第/>个历史数据组的理论数据异常性,/>表示根据使用DBSCAN聚类算法所得第/>个历史数据组的初始数据异常性;/>表示归一化函数。
在聚类效果评价的公式中,表示异常聚类簇内第/>个历史数据组的初始聚类偏差,初始聚类偏差越大,聚类算法获得的聚类结果较差。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系和归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明的一个实施例中,半径优化参数的获取方法包括:
半径优化参数会影响聚类结果的质量,当半径参数过大时,数据会过于集中,而当半径参数过小时,数据过于分散,降低了聚类的有效性,无法准确的获得异常数据组聚类。比较聚类效果评价与预设阈值的关系,若聚类效果评价小于预设阈值,调大初始半径参数,重新聚类,直至聚类效果评价大于等于预设阈值时,获得半径优化参数;若聚类效果评价不小于预设阈值,则以初始半径参数作为半径优化参数。
需要说明的是,在本发明的一个实施例中,预设阈值为0.8,初始半径参数为2,在本发明的其他实施例中,预设阈值和初始半径参数的大小可根据具体情况具体设置,在此不做限定及赘述。在本发明实施例中,调大初始半径参数的调整步长为1,即每次调整均将半径参数加1。
在本发明的一个实施例中,根据半径优化参数对参数数据组进行聚类,获得目标数据组的最终数据异常性,合适的半径参数选择可以有效地检测出异常数据组,过高可能会导致漏检,而过低可能会导致误检;适当的调整半径参数,优化数据组的聚类结果,准确的检测目标数据组的最终数据异常性,提高对生猪养殖管理的效率。
综上所述,本发明实施例通过获得所有参数的重要性;通过不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段变化特征获得阶段数据可信度;根据不同时间区间下所有历史数据组内参数间的关联性分布获得区间数据可信性;根据每个历史数据组所在生长阶段对应的阶段数据可信度和所在时间区间的数据异常指标,获得理论数据异常性;对所有参数数据组进行DBSCAN聚类算法,获取初始数据异常性,进而获得聚类效果评价对初始半径参数进行调整,获得半径优化参数对参数数据组进行聚类,获得目标数据组的最终数据异常性。本发明根据不同生长阶段下猪场环境参数数据的变化特征自适应调整初始半径参数,提高对参数数据组异常检测的效果,准确监测生猪的生存环境。
本发明还提出了一种基于物联网的生猪智能监测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项一种基于物联网的生猪智能监测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (8)
1.一种基于物联网的生猪智能监测方法,其特征在于,所述方法包括:
获取生猪在不同生长阶段下猪场环境的参数数据组;所述参数数据组包括目标数据组和历史数据组;所述历史数据组包含预设的猪舒适健康度标签;
根据每个参数在历史数据组中的变化特征获得每个参数与其他参数之间的数据相关性;根据猪舒适健康度筛选出参考历史数据组,根据每个参数与每个其他参数在所述参考历史数据组下的关联性和对应的数据相关性之间的差异分布,获得每个参数的重要性;
根据不同生长阶段下猪舒适健康度的分布特征、所有参数的阶段相似性和所述重要性获得生长阶段之间的阶段数据可信度;根据所述猪舒适健康度的变化趋势将历史数据组对应的历史时间段划分出多个时间区间,根据不同时间区间下所有历史数据组参数之间的关联性分布获得时间区间之间的区间数据可信性;
根据时间区间之间的区间数据可信性、参数间相对差异和所述重要性获得每个时间区间的数据异常指标;根据每个历史数据组所在生长阶段对应的所述阶段数据可信度和所在时间区间的数据异常指标,获得理论数据异常性;
根据初始半径参数对所述参数数据组执行DBSCAN聚类算法,获得初始聚类簇以及每个参数数据组的初始数据异常性;根据初始聚类簇内理论数据异常性与初始数据异常性获得聚类效果评价;根据所述聚类效果评价对初始半径参数进行调整,获得半径优化参数;根据所述半径优化参数对所述参数数据组进行聚类,获得目标数据组的最终数据异常性;
所述数据异常指标的获取方法包括:
在一个时间区间中,计算所有历史数据组中相同参数之间的平均距离,作为相对差异;
计算所述相对差异与对应参数的重要性的乘积,作为对应参数的异常程度,将所有参数的异常程度累加获得对应时间区间的数据异常程度;
将每个时间区间与其他时间区间之间的区间数据可信性与对应其他时间区间的数据异常程度相乘,获得每个时间区间与其他时间区间之间的初始数据异常指标,将每个时间区域与所有其他时间区间之间的初始数据异常指标累加,获得每个时间区间的数据异常指标;
所述理论数据异常性的获取方法包括:
根据所述阶段数据可信度与每个历史数据组所在的所述时间区间的所述数据异常指标获得每个历史数据组的理论数据异常性;
所述阶段数据可信度和所述数据异常指标均与所述理论数据异常性为正相关关系。
2.根据权利要求1所述的一种基于物联网的生猪智能监测方法,其特征在于,所述数据相关性的获取方法包括:
计算每个参数与其他参数之间在每个历史数据组中对应参数值的比值,作为第一比值;
将每个参数在所有历史数据组中对应参数值的均值,作为参数均值;将每个参数与其他参数之间的参数均值的比值作为第二比值;
计算第一比值与第二比值的差异,获得每个历史数据组中每个参数与其他参数的差异特征;
根据所有历史数据组的所述差异特征之和进行负相关映射并归一化,获得每个参数与其他参数之间的数据相关性。
3.根据权利要求2所述的一种基于物联网的生猪智能监测方法,其特征在于,所述参数的重要性的获取方法包括:
获取所述历史数据组中对应的猪舒适健康度小于预设阈值的数据组作为所述参考历史数据组;
将每个参考历史数据组下差异特征负相关映射,获得每个参数与每个其他参数间的关联性;
计算所有参考历史数据组下所述关联性与对应数据相关性的差异之和获得每个参数与其他参数之间重要性;
根据每个参数与其他参数之间的参数重要性之和获得每个参数的重要性。
4.根据权利要求1所述的一种基于物联网的生猪智能监测方法,其特征在于,所述阶段数据可信度的获取方法包括:
计算两个生长阶段中猪舒适健康度方差的差异作为所述分布特征;
计算每个参数在两个生长阶段中历史数据组的均值差异,获得每个参数的阶段相似性;
计算所有参数的阶段相似性与重要性的比值之和获得参数的阶段变化特征;
根据所述分布特征与所述参数的阶段变化特征获得生长阶段之间的阶段数据可信度;
所述分布特征与所述阶段数据可信度成负相关关系;所述阶段变化特征与所述阶段数据可信度为负相关关系。
5.根据权利要求1所述的一种基于物联网的生猪智能监测方法,其特征在于,所述区间数据可信性的获取方法包括:
计算每小时内所有历史数据组对应的猪舒适健康度的平均值,作为每小时的猪舒适健康值;
将每小时的所述猪舒适健康值进行聚类,根据聚类划分结果将连续且在一个聚类结果中的小时划分成一个时间区间;
计算两个所述时间区间之间所有历史数据组中各个参数的关联性均值的差异,作为区间相关性,将所有参数之间的区间相关性累加后负相关映射并归一化获得区间数据可信性。
6.根据权利要求1所述的一种基于物联网的生猪智能监测方法,其特征在于,所述聚类效果评价的获取方法包括:
将每个历史数据组所在初始聚类簇内元素数量和各个元素的方差的比值负相关映射并归一化,获得初始数据异常性;选取所述初始数据异常性最大时对应的初始聚类簇作为异常数据组聚类簇;
计算所述异常数据组聚类簇内每个历史数据组对应的理论数据异常性与初始数据异常性的差异,作为初始聚类偏差,将所述异常数据组聚类簇内的所有初始聚类偏差求和并进行负相关映射归一化处理,获得聚类效果评价。
7.根据权利要求1所述的一种基于物联网的生猪智能监测方法,其特征在于,所述半径优化参数的获取方法包括:
比较所述聚类效果评价与预设阈值的关系,若所述聚类效果评价小于预设阈值,调大所述初始半径参数,重新聚类,直至所述聚类效果大于等于预设阈值时,获得半径优化参数;
若所述聚类效果评价不小于预设阈值,则以所述初始半径参数作为半径优化参数。
8.一种基于物联网的生猪智能监测系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述一种基于物联网的生猪智能监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109502.1A CN117633697B (zh) | 2024-01-26 | 2024-01-26 | 基于物联网的生猪智能监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410109502.1A CN117633697B (zh) | 2024-01-26 | 2024-01-26 | 基于物联网的生猪智能监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117633697A CN117633697A (zh) | 2024-03-01 |
CN117633697B true CN117633697B (zh) | 2024-05-03 |
Family
ID=90034251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410109502.1A Active CN117633697B (zh) | 2024-01-26 | 2024-01-26 | 基于物联网的生猪智能监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633697B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117906726B (zh) * | 2024-03-19 | 2024-06-04 | 西安艺琳农业发展有限公司 | 一种活牛体尺体重数据异常检测系统 |
CN118114082B (zh) * | 2024-04-29 | 2024-07-02 | 海易(大连)实业有限公司 | 基于云计算的离心机数据远程监控与分析系统 |
CN118227971B (zh) * | 2024-05-24 | 2024-09-17 | 江苏太湖锅炉股份有限公司 | 一种锅炉历史数据智能化清洗方法及系统 |
CN118364327B (zh) * | 2024-06-19 | 2024-08-30 | 山东天意机械股份有限公司 | 一种用于挤压墙板机的运行数据实时监控系统 |
CN118520365B (zh) * | 2024-07-24 | 2024-09-17 | 贵州省种畜禽种质测定中心 | 一种用于羊养殖生长监测的数据可视化分析系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6006170A (en) * | 1996-06-28 | 1999-12-21 | Siemens Corporate Research, Inc. | Method and system for ascertaining anomalies in electric motors |
JP5342708B1 (ja) * | 2013-06-19 | 2013-11-13 | 株式会社日立パワーソリューションズ | 異常検知方法及びその装置 |
WO2019216941A1 (en) * | 2018-05-08 | 2019-11-14 | Siemens Corporation | Quality inference from living digital twins in iot-enabled manufacturing systems |
CN113724885A (zh) * | 2021-09-27 | 2021-11-30 | 厦门市易联众易惠科技有限公司 | 一种异常体征的识别方法、装置、设备和存储介质 |
CN114638536A (zh) * | 2022-03-31 | 2022-06-17 | 北京农业职业学院(中国共产党北京市委员会农村工作委员会党校) | 基于人工智能的畜牧健康监测方法与系统 |
CN115659195A (zh) * | 2022-11-21 | 2023-01-31 | 中科三清科技有限公司 | 一种大气污染在线识别方法 |
CN115712845A (zh) * | 2022-11-28 | 2023-02-24 | 广东电网有限责任公司 | 一种基于半径参数优化的雷电时空聚类方法及系统 |
CN116502170A (zh) * | 2023-06-29 | 2023-07-28 | 山东浩坤润土水利设备有限公司济宁经济开发区分公司 | 基于云平台的农业水利监测方法及相关装置 |
CN116735807A (zh) * | 2023-08-09 | 2023-09-12 | 山东优控智能技术有限公司 | 基于多传感器数据的空气质量检测评估方法 |
CN116760908A (zh) * | 2023-08-18 | 2023-09-15 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及系统 |
CN116810493A (zh) * | 2023-08-31 | 2023-09-29 | 山东惠硕重工机械有限公司 | 基于数据驱动的数控机床防碰撞检测方法及系统 |
CN117191716A (zh) * | 2023-11-03 | 2023-12-08 | 广东铂铭瑞智能科技有限公司 | 基于人工智能的磁性印刷品质量实时检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101711028B1 (ko) * | 2012-05-04 | 2017-03-13 | 한국전자통신연구원 | 클러스터링 기법을 이용한 차량 이상상태 모니터링 장치 및 그 방법 |
CN112543465B (zh) * | 2019-09-23 | 2022-04-29 | 中兴通讯股份有限公司 | 一种异常检测方法、装置、终端及存储介质 |
JP2021144415A (ja) * | 2020-03-11 | 2021-09-24 | 本田技研工業株式会社 | 情報処理方法、情報処理装置、異常判定システム、異常判定装置、異常判定方法、及びプログラム |
CN111598148B (zh) * | 2020-04-29 | 2022-09-16 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
US11741128B2 (en) * | 2021-05-06 | 2023-08-29 | International Business Machines Corporation | Model-free high confidence data clustering |
-
2024
- 2024-01-26 CN CN202410109502.1A patent/CN117633697B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6006170A (en) * | 1996-06-28 | 1999-12-21 | Siemens Corporate Research, Inc. | Method and system for ascertaining anomalies in electric motors |
JP5342708B1 (ja) * | 2013-06-19 | 2013-11-13 | 株式会社日立パワーソリューションズ | 異常検知方法及びその装置 |
WO2019216941A1 (en) * | 2018-05-08 | 2019-11-14 | Siemens Corporation | Quality inference from living digital twins in iot-enabled manufacturing systems |
CN113724885A (zh) * | 2021-09-27 | 2021-11-30 | 厦门市易联众易惠科技有限公司 | 一种异常体征的识别方法、装置、设备和存储介质 |
CN114638536A (zh) * | 2022-03-31 | 2022-06-17 | 北京农业职业学院(中国共产党北京市委员会农村工作委员会党校) | 基于人工智能的畜牧健康监测方法与系统 |
CN115659195A (zh) * | 2022-11-21 | 2023-01-31 | 中科三清科技有限公司 | 一种大气污染在线识别方法 |
CN115712845A (zh) * | 2022-11-28 | 2023-02-24 | 广东电网有限责任公司 | 一种基于半径参数优化的雷电时空聚类方法及系统 |
CN116502170A (zh) * | 2023-06-29 | 2023-07-28 | 山东浩坤润土水利设备有限公司济宁经济开发区分公司 | 基于云平台的农业水利监测方法及相关装置 |
CN116735807A (zh) * | 2023-08-09 | 2023-09-12 | 山东优控智能技术有限公司 | 基于多传感器数据的空气质量检测评估方法 |
CN116760908A (zh) * | 2023-08-18 | 2023-09-15 | 浙江大学山东(临沂)现代农业研究院 | 基于数字孪生的农业信息优化管理方法及系统 |
CN116810493A (zh) * | 2023-08-31 | 2023-09-29 | 山东惠硕重工机械有限公司 | 基于数据驱动的数控机床防碰撞检测方法及系统 |
CN117191716A (zh) * | 2023-11-03 | 2023-12-08 | 广东铂铭瑞智能科技有限公司 | 基于人工智能的磁性印刷品质量实时检测方法 |
Non-Patent Citations (4)
Title |
---|
Wang zhihe等.A Density Clustering Algorithm with Optimized Initial Points and Adaptive Radius. Computer Engineering.2022,全文. * |
廖礼.一种新的基于密度的聚类算法研究.中国优秀硕士论文全文库 信息科技辑.2023,全文. * |
柳月强 ; 张建锋 ; 祝麒翔 ; 杨会君 ; .基于时空相关性的多传感器数据异常检测.计算机应用与软件.2020,(第10期),全文. * |
魏方圆 ; 黄德才 ; .基于区间数的多维不确定性数据UID-DBSCAN聚类算法.计算机科学.2017,(第S2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117633697A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117633697B (zh) | 基于物联网的生猪智能监测方法及系统 | |
CN117762106B (zh) | 基于物联网的蓄禽血制品加工过程监控方法 | |
CN116400126B (zh) | 一种具有数据处理系统的低压电力箱 | |
US11471113B2 (en) | Determination of health status of systems equipped with sensors | |
CN117786584B (zh) | 基于大数据分析的畜牧业水源污染监测预警方法及系统 | |
CN117493921A (zh) | 基于大数据的人工智能节能管理方法及系统 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN117473351B (zh) | 基于物联网的电源信息远程传输系统 | |
CN118051796B (zh) | 一种消毒供应中心监测数据智能分析方法 | |
CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
CN117609929B (zh) | 基于大数据的工业生产线故障在线诊断方法及系统 | |
CN115983509B (zh) | 基于物联网的智慧农业用布局管理系统及方法 | |
CN116404186B (zh) | 一种功率型锂锰电池生产系统 | |
CN118094446B (zh) | 基于机器学习的厌氧系统运行情况智能分析方法 | |
CN115858881A (zh) | 一种配电网运检异常数据检索定位方法 | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN118378199A (zh) | 一种大数据分析平台中的实时异常检测方法 | |
CN117829381B (zh) | 基于物联网的农业大棚数据优化采集系统 | |
CN117906726B (zh) | 一种活牛体尺体重数据异常检测系统 | |
Petkovski et al. | Anomaly detection on univariate sensing time series data for smart aquaculture using K-means, isolation forest, and local outlier factor | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN117313017B (zh) | 一种彩叶研发数据处理方法及系统 | |
CN118097422A (zh) | 一种农业环境监测预警方法 | |
CN117555886A (zh) | 一种生猪养殖场多源数据异常检测与不良数据修正方法 | |
CN118520365B (zh) | 一种用于羊养殖生长监测的数据可视化分析系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |