CN118020669A - 一种基于大数据的黑猪养殖疾病智能监测管理方法及系统 - Google Patents

Abstract

本发明涉及物联网与人工智能技术领域，具体公开了一种基于大数据的黑猪养殖疾病智能监测管理方法及系统，其中的方法包括数据采集与预处理、特征选择、模型训练与评估和实时监测与预警，本方案结合蝙蝠算法和粒子群优化算法来选择最优特征子集，在黑猪健康监测中利用RF作为分类器，能够更准确地识别出黑猪的健康状况；通过部署传感器实时监测黑猪的关键生理参数，实现对黑猪健康状况的连续跟踪和实时监控，结合树莓派将黑猪的关键生理参数上传至云端服务器，养殖户可以通过手机了解黑猪的健康状况，从而提升养殖的整体健康水平和经济效益。

Description

一种基于大数据的黑猪养殖疾病智能监测管理方法及系统

技术领域

本发明涉及物联网与人工智能技术领域，具体是指一种基于大数据的黑猪养殖疾病智能监测管理方法及系统。

背景技术

随着现代畜牧业的快速发展，黑猪养殖业作为其中的重要组成部分，黑猪的健康养殖和疾病管理问题日益凸显，传统的特征选择方法需要大量的计算资源，尤其是在处理大规模数据时，导致计算成本显著增加，且在寻找全局最优解方面存在局限性，容易陷入局部最优，特别是在复杂的特征空间中；传统的黑猪疾病监测方法多依赖于人工观察和经验判断，不仅耗时耗力，而且难以实现实时监控和早期预警，导致疾病一旦发生便难以控制，给养殖户带来巨大的经济损失。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于大数据的黑猪养殖疾病智能监测管理方法及系统，针对传统的特征选择方法需要大量的计算资源，尤其是在处理大规模数据时，导致计算成本显著增加，且在寻找全局最优解方面存在局限性，容易陷入局部最优，特别是在复杂的特征空间中的问题，本方案结合蝙蝠算法和粒子群优化算法来选择最优特征子集，在黑猪健康监测中利用RF作为分类器，能够更准确地识别出黑猪的健康状况，从而及时采取预防或治疗措施；针对传统的黑猪疾病监测方法多依赖于人工观察和经验判断，不仅耗时耗力，而且难以实现实时监控和早期预警，导致疾病一旦发生便难以控制，给养殖户带来巨大的经济损失的问题，本方案通过部署传感器实时监测黑猪的关键生理参数，如体温、心率等，实现对黑猪健康状况的连续跟踪和实时监控，结合树莓派将黑猪的关键生理参数上传至云端服务器，使得养殖户通过手机了解黑猪的健康状况，从而提升养殖的整体健康水平和经济效益。

本发明采取的技术方案如下：本发明提供的一种基于大数据的黑猪养殖疾病智能监测管理方法，该方法包括以下步骤：

步骤S1：数据采集与预处理，收集与黑猪健康相关的大量数据，进行数据清洗和预处理后，构建黑猪健康状况数据集，并划分为训练集、测试集；

步骤S2：特征选择，使用蝙蝠算法对训练集进行特征选择，如果在蝙蝠算法执行过程中适应度函数显示出快速收敛的特性，表示蝙蝠算法已经找到局部最优特征子集，利用粒子群算法优化局部最优特征子集，得到特征子集B，如果没有找到局部最优特征子集，则继续利用蝙蝠算法寻找，直达找到特征子集A；

步骤S3：模型训练与评估，从特征子集A和特征子集B中选择最优的特征来训练RF分类器，得到RF模型，使用测试集评估RF模型，得到更优的RF模型，将新采集的黑猪健康状况数据，输入更优的RF模型，输出黑猪的健康状况结果；

步骤S4：实时监测与预警，利用传感器实时采集黑猪的体温、心率、活动量数据，根据黑猪的正常体温范围、心率范围、活动量范围，结合黑猪的健康状况结果，监测黑猪的健康状况，当发现黑猪潜在的健康问题时，通过邮件给养殖者发出预警信息。

进一步地，在步骤S1中，数据采集与预处理，具体为：收集与黑猪健康相关的大量数据，包括：猪的生理参数、黑猪生活环境参数、饲养条件以及历史健康记录，进行数据清洗和预处理后，构建黑猪健康状况数据集，并按照7:3的比例划分为训练集、测试集。

进一步地，在步骤S2中，特征选择，具体包括以下步骤：

步骤S21：初始化，初始化蝙蝠算法中的蝙蝠群体，蝙蝠以随机方式在搜索空间中扩散初始特征子集，为每个蝙蝠分配一个随机的频率、速度；

步骤S22：随机初始化蝙蝠的位置，并根据适应度函数是否快速收敛判断当前找到的特征子集是否为局部最优特征子集；

步骤S23：如果适应度函数没有显示出快速收敛的特性，则当前找到的特征子集不是局部最优特征子集，蝙蝠在搜索空间中飞行，直到找到满意的特征子集，记为特征子集A，步骤如下：

步骤S231：蝙蝠通过回声定位来更新自己的位置，使用随机函数矢量来模拟蝙蝠的搜索行为，更新蝙蝠的频率、速度和位置，所用公式如下：

；

；

；

式中，表示在第次迭代时蝙蝠的频率，表示蝙蝠频率的最小值，表示 蝙蝠频率的最大值，是由范围内的均匀分布得到的随机函数矢量，表示在第次迭 代时蝙蝠的速度，表示在第次迭代时蝙蝠的速度，表示在第次迭代时蝙蝠 的位置，表示当前蝙蝠找到的最佳位置，表示在第次迭代时蝙蝠的位置；

步骤S232：蝙蝠通过发出脉冲来搜索猎物，并根据回声响度和脉冲发射频率来调整自己的搜索行为，更新回声响度和脉冲发射频率，所用公式如下：

；

；

式中，表示第次迭代时蝙蝠的回声响度，表示控制回声响度减少的常数，表示第次迭代时蝙蝠的回声响度，表示第次迭代时蝙蝠的脉冲发射频率，表 示蝙蝠初始的脉冲发射频率，表示控制脉冲发射频率变化的常数；

步骤S233：设置蝙蝠算法的最大迭代次数，重复步骤S231至步骤S232，直到达到蝙蝠算法的最大迭代次数，算法停止，选择具有最佳适应度的粒子作为特征子集A；

步骤S24：如果适应度函数显示出快速收敛的特性，则当前找到的特征子集是局部最优特征子集，利用粒子群算法增强优化性能，通过跟踪个体最佳位置和全局最佳位置来更新粒子位置和速度，直到找到满意的特征子集，记为特征子集B，步骤如下：

步骤S241：初始化粒子群，每个粒子代表解空间中的一个潜在解；

步骤S242：根据适应度函数估计每个粒子的位置，所用公式如下：

；

式中，表示适应度函数值，表示第次迭代时第个粒子的位置，表示粒 子群中的最大速度向量；表示粒子群中达到过最好适应度值的粒子的位置；

步骤S243：更新粒子的个体最佳位置和全局最佳位置，所用公式如下：

；

；

式中，表示第次迭代时第个粒子的个体最佳位置，表示最小值函 数，表示第次迭代时所有粒子的全局最佳位置，表示粒子在时间的个体最 佳适应度值，表示粒子在时间的个体最佳适应度值，表示粒子在时间的个体最佳适应度值，表示粒子在位置处的适应度函数值；

步骤S244：根据粒子的个体最佳位置和全局最佳位置，更新粒子的速度和位置，所用公式如下：

；

式中，表示第个粒子在第次迭代时的速度向量，表示第个粒子在 第次迭代时的位置向量；

；

式中，表示惯性权重，表示第个粒子在第次迭代时的速度向量，和表 示学习因子，和表示区间内的随机数；

步骤S245：重复步骤S242至步骤S244，设置粒子群算法的最大迭代次数，当达到粒子群算法的最大迭代次数时，算法停止，选择具有最佳适应度的粒子作为特征子集B。

进一步地，在步骤S3中，模型训练与评估，具体包括以下步骤：

步骤S31：从特征子集A和特征子集B中选择最优的特征来训练RF分类器，得到RF模型，当RF模型在连续若干个迭代次数中，测试集误差不再下降时，停止训练，根据RF模型在测试集上的表现，调整RF模型的超参数，得到更优的RF模型；

步骤S32：将新采集的黑猪健康状况数据，输入更优的RF模型，得到黑猪的健康状况结果。

进一步地，在步骤S4中，实时监测与预警，具体包括以下步骤：

步骤S41：安装传感器，在黑猪身上安装体温传感器、心率传感器和活动量监测传感器；

步骤S42：数据采集与传输，利用体温传感器、心率传感器和活动量监测传感器实时采集黑猪的体温、心率、活动量数据，利用树莓派作为数据处理中心，并配置WiFi模块进行数据传输，通过WiFi模块将数据传输至云端服务器；

步骤S43：数据存储与分析，云端服务器存储黑猪的体温、心率、活动量数据，设置黑猪的正常体温范围、心率值范围、活动量值范围，结合黑猪的健康状况结果，发现到黑猪潜在的健康问题时，自动发送预警通知邮件给养殖者，养殖者根据预警信息对黑猪进行检查，并采取必要的治疗措施。

本发明提供的一种基于大数据的黑猪养殖疾病智能监测管理系统，包括数据采集与预处理模块、特征选择模块、模型训练与评估模块、实时监测与预警模块；

所述数据采集与预处理模块，收集与黑猪健康相关的大量数据，进行数据清洗和预处理后，构成黑猪健康状况数据集，并划分为训练集、测试集，将训练集发送至特征选择模块，将测试集发送至模型训练与评估模块；

所述特征选择模块接收数据采集与预处理模块发送的训练集，使用蝙蝠算法对训练集进行特征选择，如果在蝙蝠算法执行过程中适应度函数显示出快速收敛的特性，表示蝙蝠算法已经找到局部最优特征子集，利用粒子群算法优化局部最优特征子集，得到特征子集B，如果没有找到局部最优特征子集，则继续利用蝙蝠算法寻找，直达找到特征子集A，将特征子集A和特征子集B发送至模型训练与评估模块；

所述模型训练与评估模块接收特征选择模块发送的特征子集A和特征子集B、数据采集与预处理模块发送的测试集，从特征子集A和特征子集B中选择最优的特征训练RF分类器，得到RF模型，使用测试集评估RF模型，得到更优的RF模型，将新采集的黑猪健康状况数据，输入更优的RF模型，输出黑猪的健康状况结果，并将黑猪的健康状况结果发送至实时监测与预警模块；

所述实时监测与预警模块接收模型训练与评估模块发送的黑猪的健康状况结果，利用传感器实时采集黑猪的体温、心率、活动量数据，根据黑猪的正常体温范围、心率范围、活动量范围，结合黑猪的健康状况结果，监测黑猪的健康状况，当发现黑猪潜在的健康问题时，通过邮件给养殖者发出预警信息。

采用上述方案本发明取得的有益效果如下：

（1）针对传统的特征选择方法需要大量的计算资源，尤其是在处理大规模数据时，导致计算成本显著增加，且在寻找全局最优解方面存在局限性，容易陷入局部最优，特别是在复杂的特征空间中的问题，本方案结合蝙蝠算法和粒子群优化算法来选择最优特征子集，在黑猪健康监测中利用RF作为分类器，能够更准确地识别出黑猪的健康状况，从而及时采取预防或治疗措施。

（2）针对传统的黑猪疾病监测方法多依赖于人工观察和经验判断，不仅耗时耗力，而且难以实现实时监控和早期预警，导致疾病一旦发生便难以控制，给养殖户带来巨大的经济损失的问题，本方案通过部署传感器实时监测黑猪的关键生理参数，如体温、心率等，实现对黑猪健康状况的连续跟踪和实时监控，结合树莓派将黑猪的关键生理参数上传至云端服务器，使得养殖户通过手机了解黑猪的健康状况，从而提升养殖的整体健康水平和经济效益。

附图说明

图1为本发明提供的一种基于大数据的黑猪养殖疾病智能监测管理方法流程示意图；

图2为本发明提供的一种基于大数据的黑猪养殖疾病智能监测管理系统的示意图；

图3为步骤S2的流程示意图；

图4为步骤S4的流程示意图；

图5为步骤S4的系统框图；

其中，1、体温传感器，2、心率传感器，3、活动量监测传感器，4、树莓派，5、WiFi模块，6、用户手机，7、数据库，8、云端服务器，9、传感器模块，10、数据处理模块，11、数据传输模块。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

下面将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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一，参阅图1，本发明提供的一种基于大数据的黑猪养殖疾病智能监测管理方法，该方法包括以下步骤：

步骤S1：数据采集与预处理，收集与黑猪健康相关的大量数据，进行数据清洗和预处理后，构建黑猪健康状况数据集，并划分为训练集、测试集；

步骤S2：特征选择，使用蝙蝠算法对训练集进行特征选择，如果在蝙蝠算法执行过程中适应度函数显示出快速收敛的特性，表示蝙蝠算法已经找到局部最优特征子集，利用粒子群算法优化局部最优特征子集，得到特征子集B，如果没有找到局部最优特征子集，则继续利用蝙蝠算法寻找，直达找到特征子集A；

步骤S3：模型训练与评估，从特征子集A和特征子集B中选择最优的特征来训练RF分类器，得到RF模型，使用测试集评估RF模型，得到更优的RF模型，将新采集的黑猪健康状况数据，输入更优的RF模型，输出黑猪的健康状况结果；

步骤S4：实时监测与预警，利用传感器实时采集黑猪的体温、心率、活动量数据，根据黑猪的正常体温范围、心率范围、活动量范围，结合黑猪的健康状况结果，监测黑猪的健康状况，当发现黑猪潜在的健康问题时，通过邮件给养殖者发出预警信息。

实施例二，参阅图1和图3，该实施例基于上述实施例，在步骤S2中，特征选择，具体包括以下步骤：

步骤S21：初始化，初始化蝙蝠算法中的蝙蝠群体，蝙蝠以随机方式在搜索空间中扩散初始特征子集，为每个蝙蝠分配一个随机的频率、速度；

步骤S22：随机初始化蝙蝠的位置，并根据适应度函数是否快速收敛判断当前找到的特征子集是否为局部最优特征子集；

步骤S23：如果适应度函数没有显示出快速收敛的特性，则当前找到的特征子集不是局部最优特征子集，蝙蝠在搜索空间中飞行，直到找到满意的特征子集，记为特征子集A，步骤如下：

步骤S231：蝙蝠通过回声定位来更新自己的位置，使用随机函数矢量来模拟蝙蝠的搜索行为，更新蝙蝠的频率、速度和位置，所用公式如下：

；

；

；

式中，表示在第次迭代时蝙蝠的频率，表示蝙蝠频率的最小值，表示 蝙蝠频率的最大值，是由范围内的均匀分布得到的随机函数矢量，表示在第次迭 代时蝙蝠的速度，表示在第次迭代时蝙蝠的速度，表示在第次迭代时蝙蝠 的位置，表示当前蝙蝠找到的最佳位置，表示在第次迭代时蝙蝠的位置；

步骤S232：蝙蝠通过发出脉冲来搜索猎物，并根据回声响度和脉冲发射频率来调整自己的搜索行为，更新回声响度和脉冲发射频率，所用公式如下：

；

；

式中，表示第次迭代时蝙蝠的回声响度，表示控制回声响度减少的常数，表示第次迭代时蝙蝠的回声响度，表示第次迭代时蝙蝠的脉冲发射频率，表 示蝙蝠初始的脉冲发射频率，表示控制脉冲发射频率变化的常数；

步骤S233：设置蝙蝠算法的最大迭代次数，重复步骤S231至步骤S232，直到达到蝙蝠算法的最大迭代次数，算法停止，选择具有最佳适应度的粒子作为特征子集A；

步骤S24：如果适应度函数显示出快速收敛的特性，则当前找到的特征子集是局部最优特征子集，利用粒子群算法增强优化性能，通过跟踪个体最佳位置和全局最佳位置来更新粒子位置和速度，直到找到满意的特征子集，记为特征子集B，步骤如下：

步骤S241：初始化粒子群，每个粒子代表解空间中的一个潜在解；

步骤S242：根据适应度函数估计每个粒子的位置，所用公式如下：

；

式中，表示适应度函数值，表示第次迭代时第个粒子的位置，表示粒 子群中的最大速度向量；表示粒子群中达到过最好适应度值的粒子的位置；

步骤S243：更新粒子的个体最佳位置和全局最佳位置，所用公式如下：

；

；

式中，表示第次迭代时第个粒子的个体最佳位置，表示最小值函 数，表示第次迭代时所有粒子的全局最佳位置，表示粒子在时间的个体最 佳适应度值，表示粒子在时间的个体最佳适应度值，表示粒子在时间的个体最佳适应度值，表示粒子在位置处的适应度函数值；

步骤S244：根据粒子的个体最佳位置和全局最佳位置，更新粒子的速度和位置，所用公式如下：

；

式中，表示第个粒子在第次迭代时的速度向量，表示第个粒子在 第次迭代时的位置向量；

；

式中，表示惯性权重，表示第个粒子在第次迭代时的速度向量，和表 示学习因子，和表示区间内的随机数；

步骤S245：重复步骤S242至步骤S244，设置粒子群算法的最大迭代次数，当达到粒子群算法的最大迭代次数时，算法停止，选择具有最佳适应度的粒子作为特征子集B。

通过执行上述操作，针对传统的特征选择方法需要大量的计算资源，尤其是在处理大规模数据时，导致计算成本显著增加，且在寻找全局最优解方面存在局限性，容易陷入局部最优，特别是在复杂的特征空间中的问题，本方案结合蝙蝠算法和粒子群优化算法来选择最优特征子集，在黑猪健康监测中利用RF作为分类器，能够更准确地识别出黑猪的健康状况，从而及时采取预防或治疗措施。

实施例三，参阅图1和图4，该实施例基于上述实施例，在步骤S4中，实时监测与预警，具体包括以下步骤：

步骤S41：安装传感器，在黑猪身上安装体温传感器、心率传感器和活动量监测传感器；

步骤S42：数据采集与传输，利用体温传感器、心率传感器和活动量监测传感器实时采集黑猪的体温、心率、活动量数据，利用树莓派作为数据处理中心，并配置WiFi模块进行数据传输，通过WiFi模块将数据传输至云端服务器；

步骤S43：数据存储与分析，云端服务器存储黑猪的体温、心率、活动量数据，设置黑猪的正常体温范围、心率值范围、活动量值范围，结合黑猪的健康状况结果，发现到黑猪潜在的健康问题时，自动发送预警通知邮件给养殖者，养殖者根据预警信息对黑猪进行检查，并采取必要的治疗措施。

实施例四，参阅图2，该实施例基于上述实施例，本发明提供的一种基于大数据的黑猪养殖疾病智能监测管理系统，包括数据采集与预处理模块、特征选择模块、模型训练与评估模块、实时监测与预警模块；

所述数据采集与预处理模块，收集与黑猪健康相关的大量数据，进行数据清洗和预处理后，构成黑猪健康状况数据集，并划分为训练集、测试集，将训练集发送至特征选择模块，将测试集发送至模型训练与评估模块；

所述特征选择模块接收数据采集与预处理模块发送的训练集，使用蝙蝠算法对训练集进行特征选择，如果在蝙蝠算法执行过程中适应度函数显示出快速收敛的特性，表示蝙蝠算法已经找到局部最优特征子集，利用粒子群算法优化局部最优特征子集，得到特征子集B，如果没有找到局部最优特征子集，则继续利用蝙蝠算法寻找，直达找到特征子集A，将特征子集A和特征子集B发送至模型训练与评估模块；

所述模型训练与评估模块接收特征选择模块发送的特征子集A和特征子集B、数据采集与预处理模块发送的测试集，从特征子集A和特征子集B中选择最优的特征训练RF分类器，得到RF模型，使用测试集评估RF模型，得到更优的RF模型，将新采集的黑猪健康状况数据，输入更优的RF模型，输出黑猪的健康状况结果，并将黑猪的健康状况结果发送至实时监测与预警模块；

所述实时监测与预警模块接收模型训练与评估模块发送的黑猪的健康状况结果，利用传感器实时采集黑猪的体温、心率、活动量数据，根据黑猪的正常体温范围、心率范围、活动量范围，结合黑猪的健康状况结果，监测黑猪的健康状况，当发现黑猪潜在的健康问题时，通过邮件给养殖者发出预警信息。

通过执行上述操作，针对传统的黑猪疾病监测方法多依赖于人工观察和经验判断，不仅耗时耗力，而且难以实现实时监控和早期预警，导致疾病一旦发生便难以控制，给养殖户带来巨大的经济损失的问题，本方案通过部署传感器实时监测黑猪的关键生理参数，如体温、心率等，实现对黑猪健康状况的连续跟踪和实时监控，结合树莓派将黑猪的关键生理参数上传至云端服务器，使得养殖户通过手机了解黑猪的健康状况，从而提升养殖的整体健康水平和经济效益。

实施例五，参阅图5，该实施例基于上述实施例，本发明提供的一种黑猪健康状况实时监测与预警系统，包括传感器模块9、数据处理模块10、数据传输模块11；

传感器模块9利用体温传感器1、心率传感器2、活动量监测传感器3实时采集黑猪的体温、心率、活动量数据，并将黑猪的体温、心率、活动量数据发送至数据处理模块10；

数据处理模块10接收传感器模块9发送的黑猪的体温、心率、活动量数据，利用树莓派4作为数据处理中心，并配置WiFi模块5进行数据传输，通过WiFi模块5将黑猪的体温、心率、活动量数据传输至云端服务器8；

数据传输模块11接收数据处理模块10发送的黑猪的体温、心率、活动量数据，将黑猪的体温、心率、活动量数据存储在数据库7中，设置黑猪的正常体温范围、心率值范围、活动量值范围，结合黑猪的健康状况结果，发现黑猪潜在的健康问题时，自动发送预警信息到用户手机6，用户根据预警信息对黑猪进行检查，并采取必要的治疗措施。

实施例六，该实施例基于上述实施例，在步骤S23中，蝙蝠群体数量设为15、蝙蝠的 最大回声响度、脉冲发射频率和频率分别设为1，2，3、蝙蝠的最小回声响度、脉冲发射频率 和频率都设为0、蝙蝠算法的最大迭代次数设为150、设为0.9、设为0.96；

实施例七，该实施例基于上述实施例，步骤S2的实验环境为系统配置为RAM：16GB，处理器：Intel core i7，操作系统：Windows 10；

实施例八，该实施例基于上述实施例，在步骤S3中，RF分类器的python代码为：

from sklearn.ensemble import RandomForestClassifier

from sklearn.model_selection import GridSearchCV

from sklearn.datasets import load_iris

#加载数据集

heizhu= load_heizhu()

X = heizhu.data

y = heizhu.target

#创建随机森林分类器

rf = RandomForestClassifier()

#定义参数网格

param_grid = {

'n_estimators': [10, 50, 100, 200],

'min_samples_leaf': [1, 2, 4],

'min_samples_split': [2, 5, 10],

'max_depth': [None, 10, 20, 30],

'max_features': ['auto', 'sqrt', 'log2']

}

#使用网格搜索进行参数调优

grid_search = GridSearchCV(estimator=rf, param_grid=param_grid, cv=5)

grid_search.fit(X, y)

#输出最佳参数

print("Best parameters found: ", grid_search.best_params_)

#使用最佳参数训练随机森林分类器

best_rf = grid_search.best_estimator_

best_rf.fit(X, y)

#预测新数据

new_data = [[5.1, 3.5, 1.4, 0.2]]

prediction = best_rf.predict(new_data)

print("Prediction for new data: ", prediction)。

实施例九，该实施例基于上述实施例，现有一头黑猪，已经在其身上安装了体温传感器、心率传感器和活动量监测传感器，这些传感器每分钟收集一次数据，并发送到树莓派进行分析。

通过长期观察，得知健康黑猪的正常基准数据为：正常体温范围是38.5°C至39.5°C，正常心率范围是每分钟60至80次，而正常的活动量是每天有大约10次的站立和躺下行为。

实时监测数据：

1）体温：传感器显示黑猪当前体温为39.8°C；

2）心率：传感器记录到黑猪的心率为每分钟90次；

3）活动量：活动量监测传感器显示黑猪在过去24小时内只有5次站立和躺下的行为。

数据分析与判断：

1）体温分析：黑猪的体温39.8°C略高于正常范围，表明存在轻微的发热症状；

2）心率分析：心率每分钟90次超过了正常范围，表明黑猪处于应激状态或心脏功能受到影响；

3）活动量分析：活动量显著减少，远低于正常水平，表明黑猪感到不适或疼痛，不愿移动。

结论与行动：

结合以上三个参数，初步判断黑猪可能存在健康问题，再结合黑猪的健康状况结果，综合考虑，黑猪需要进一步关注和检查。

采取的行动：

1）立即通知：向养殖者发送预警通知，报告黑猪的异常数据；

2）临床检查：兽医对黑猪进行全面的临床检查，包括观察其行为、检查食欲和排泄物状态；

3）实验室检测：进行血液检测或其他诊断测试，以确定具体的健康问题；

4）治疗与观察：根据诊断结果，对黑猪进行相应的治疗，并持续监测其健康状况。

这有助于实现疾病的早期发现和及时治疗，从而提高黑猪的生存率和养殖效率。

实施例十，该实施例基于上述实施例，现有另一头黑猪，已经在其身上安装了体温传感器、心率传感器和活动量监测传感器，这些传感器每分钟收集一次数据，并发送到树莓派进行分析；

黑猪的正常基准数据与实施例九保持一致；

实时监测数据：

1）体温：传感器显示黑猪当前体温为39.2°C；

2）心率：传感器记录到黑猪的心率为每分钟72次；

3）活动量：活动量监测传感器显示黑猪在过去24小时内有12次站立和躺下的行为。

数据分析与判断：

1）体温分析：黑猪的体温39.2°C处于正常范围内；

2）心率分析：心率每分钟72次也在正常范围内，表明心脏功能良好，没有过度的应激反应；

3）活动量分析：活动量显示黑猪有正常的移动行为，没有表现出疼痛或不适的迹象。

结论与行动：

综合以上三个参数，再结合黑猪的健康状况结果，初步判断黑猪目前处于健康状态。

采取的行动：

1）继续监测：继续定期监测黑猪的体温、心率和活动量，以确保其健康状况保持稳定；

2）日常管理：按照常规的养殖管理程序，为黑猪提供适宜的饲养环境、充足的食物和清洁的饮水；

3）预防措施：执行定期的疫苗接种和除虫计划，以预防疾病的发生。

这有助于维持黑猪的健康，同时提高养殖效率和经济效益。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (6)

1.一种基于大数据的黑猪养殖疾病智能监测管理方法，其特征在于：该方法包括以下步骤：

步骤S1：数据采集与预处理，收集与黑猪健康相关的大量数据，进行数据清洗和预处理后，构建黑猪健康状况数据集，并划分为训练集、测试集；

步骤S2：特征选择，使用蝙蝠算法对训练集进行特征选择，如果在蝙蝠算法执行过程中适应度函数显示出快速收敛的特性，表示蝙蝠算法已经找到局部最优特征子集，利用粒子群算法优化局部最优特征子集，得到特征子集B，如果没有找到局部最优特征子集，则继续利用蝙蝠算法寻找，直达找到特征子集A；

步骤S3：模型训练与评估，从特征子集A和特征子集B中选择最优的特征来训练RF分类器，得到RF模型，使用测试集评估RF模型，得到更优的RF模型，将新采集的黑猪健康状况数据，输入更优的RF模型，输出黑猪的健康状况结果；

步骤S4：实时监测与预警，利用传感器实时采集黑猪的体温、心率、活动量数据，根据黑猪的正常体温范围、心率范围、活动量范围，结合黑猪的健康状况结果，监测黑猪的健康状况，当发现黑猪潜在的健康问题时，通过邮件给养殖者发出预警信息。

2.根据权利要求1所述的一种基于大数据的黑猪养殖疾病智能监测管理方法，其特征在于：在步骤S2中，所述特征选择，包括以下步骤：

步骤S21：初始化，初始化蝙蝠算法中的蝙蝠群体，蝙蝠以随机方式在搜索空间中扩散初始特征子集，为每个蝙蝠分配一个随机的频率、速度；

步骤S22：随机初始化蝙蝠的位置，并根据适应度函数是否快速收敛判断当前找到的特征子集是否为局部最优特征子集；

步骤S23：如果适应度函数没有显示出快速收敛的特性，则当前找到的特征子集不是局部最优特征子集，蝙蝠在搜索空间中飞行，直到找到满意的特征子集，记为特征子集A；

步骤S24：如果适应度函数显示出快速收敛的特性，则当前找到的特征子集是局部最优特征子集，利用粒子群算法增强优化性能，通过跟踪个体最佳位置和全局最佳位置来更新粒子位置和速度，直到找到满意的特征子集，记为特征子集B。

3.根据权利要求2所述的一种基于大数据的黑猪养殖疾病智能监测管理方法，其特征在于：在步骤S23中，所述如果适应度函数没有显示出快速收敛的特性，则当前找到的特征子集不是局部最优特征子集，蝙蝠在搜索空间中飞行，直到找到满意的特征子集，记为特征子集A，包括以下步骤：

步骤S231：蝙蝠通过回声定位来更新自己的位置，使用随机函数矢量来模拟蝙蝠的搜索行为，更新蝙蝠的频率、速度和位置，所用公式如下：

；

；

；

式中，表示在第/>次迭代时蝙蝠的频率，/>表示蝙蝠频率的最小值，/>表示蝙蝠频率的最大值，/>是由/>范围内的均匀分布得到的随机函数矢量，/>表示在第/>次迭代时蝙蝠的速度，/>表示在第/>次迭代时蝙蝠的速度，/>表示在第/>次迭代时蝙蝠的位置，/>表示当前蝙蝠找到的最佳位置，/>表示在第/>次迭代时蝙蝠的位置；

步骤S232：蝙蝠通过发出脉冲来搜索猎物，并根据回声响度和脉冲发射频率来调整自己的搜索行为，更新回声响度和脉冲发射频率，所用公式如下：

；

；

式中，表示第/>次迭代时蝙蝠的回声响度，/>表示控制回声响度减少的常数，/>表示第/>次迭代时蝙蝠的回声响度，/>表示第/>次迭代时蝙蝠的脉冲发射频率，/>表示蝙蝠初始的脉冲发射频率，/>表示控制脉冲发射频率变化的常数；

步骤S233：设置蝙蝠算法的最大迭代次数，重复步骤S231至步骤S232，直到达到蝙蝠算法的最大迭代次数，算法停止，选择具有最佳适应度的粒子作为特征子集A。

4.根据权利要求2所述的一种基于大数据的黑猪养殖疾病智能监测管理方法，其特征在于：在步骤S24中，所述如果适应度函数显示出快速收敛的特性，则当前找到的特征子集是局部最优特征子集，利用粒子群算法增强优化性能，通过跟踪个体最佳位置和全局最佳位置来更新粒子位置和速度，直到找到满意的特征子集，记为特征子集B，包括以下步骤：

步骤S241：初始化粒子群，每个粒子代表解空间中的一个潜在解；

步骤S242：根据适应度函数估计每个粒子的位置，所用公式如下：

；

式中，表示适应度函数值，/>表示第/>次迭代时第/>个粒子的位置，/>表示粒子群中的最大速度向量；/>表示粒子群中达到过最好适应度值的粒子的位置；

步骤S243：更新粒子的个体最佳位置和全局最佳位置，所用公式如下：

；

；

式中，表示第/>次迭代时第/>个粒子的个体最佳位置，/>表示最小值函数，表示第/>次迭代时所有粒子的全局最佳位置，/>表示粒子/>在时间/>的个体最佳适应度值，/>表示粒子/>在时间/>的个体最佳适应度值，/>表示粒子/>在时间/>的个体最佳适应度值，/>表示粒子在位置/>处的适应度函数值；

步骤S244：根据粒子的个体最佳位置和全局最佳位置，更新粒子的速度和位置，所用公式如下：

；

式中，表示第/>个粒子在第/>次迭代时的速度向量，/>表示第/>个粒子在第/>次迭代时的位置向量；

；

式中，表示惯性权重，/>表示第/>个粒子在第/>次迭代时的速度向量，/>和/>表示学习因子，/>和/>表示/>区间内的随机数；

步骤S245：重复步骤S242至步骤S244，设置粒子群算法的最大迭代次数，当达到粒子群算法的最大迭代次数时，算法停止，选择具有最佳适应度的粒子作为特征子集B。

5.根据权利要求1所述的一种基于大数据的黑猪养殖疾病智能监测管理方法，其特征在于：在步骤S4中，所述实时监测与预警，包括以下步骤：

步骤S41：安装传感器，在黑猪身上安装体温传感器、心率传感器和活动量监测传感器；

步骤S42：数据采集与传输，利用体温传感器、心率传感器和活动量监测传感器实时采集黑猪的体温、心率、活动量数据，利用树莓派作为数据处理中心，并配置WiFi模块进行数据传输，通过WiFi模块将数据传输至云端服务器；

步骤S43：数据存储与分析，云端服务器存储黑猪的体温、心率、活动量数据，设置黑猪的正常体温范围、心率值范围、活动量值范围，结合黑猪的健康状况结果，发现到黑猪潜在的健康问题时，自动发送预警通知邮件给养殖者，养殖者根据预警信息对黑猪进行检查，并采取必要的治疗措施。

6.一种基于大数据的黑猪养殖疾病智能监测管理系统，用于实现如权利要求1-5中任一项所述的一种基于大数据的黑猪养殖疾病智能监测管理方法，其特征在于：包括数据采集与预处理模块、特征选择模块、模型训练与评估模块、实时监测与预警模块；

所述数据采集与预处理模块，收集与黑猪健康相关的大量数据，进行数据清洗和预处理后，构成黑猪健康状况数据集，并划分为训练集、测试集，将训练集发送至特征选择模块，将测试集发送至模型训练与评估模块；

所述特征选择模块接收数据采集与预处理模块发送的训练集，使用蝙蝠算法对训练集进行特征选择，如果在蝙蝠算法执行过程中适应度函数显示出快速收敛的特性，表示蝙蝠算法已经找到局部最优特征子集，利用粒子群算法优化局部最优特征子集，得到特征子集B，如果没有找到局部最优特征子集，则继续利用蝙蝠算法寻找，直达找到特征子集A，将特征子集A和特征子集B发送至模型训练与评估模块；

所述模型训练与评估模块接收特征选择模块发送的特征子集A和特征子集B、数据采集与预处理模块发送的测试集，从特征子集A和特征子集B中选择最优的特征训练RF分类器，得到RF模型，使用测试集评估RF模型，得到更优的RF模型，将新采集的黑猪健康状况数据，输入更优的RF模型，输出黑猪的健康状况结果，并将黑猪的健康状况结果发送至实时监测与预警模块；

所述实时监测与预警模块接收模型训练与评估模块发送的黑猪的健康状况结果，利用传感器实时采集黑猪的体温、心率、活动量数据，根据黑猪的正常体温范围、心率范围、活动量范围，结合黑猪的健康状况结果，监测黑猪的健康状况，当发现黑猪潜在的健康问题时，通过邮件给养殖者发出预警信息。