[发明专利]一种反刍牲畜发情状态的智能自主辨识方法及系统

权利要求书

1.一种反刍牲畜发情状态的智能自主辨识方法，其特征在于，所述辨识方法包括：

采集反刍牲畜的运动数据，得到多个样本；每一所述样本包括若干个采样点的运动数据；

对所述样本进行特征提取和特征降维，得到每一所述样本对应的降维后特征；

对所述样本进行标注，得到每一所述样本对应的标签；所述标签包括发情和未发情；

将所有所述样本对应的降维后特征和标签组成训练集，并利用所述训练集对机器学习模型进行训练，得到辨识模型；

利用所述辨识模型对反刍牲畜的发情状态进行辨识。

2.根据权利要求1所述的辨识方法，其特征在于，所述采集反刍牲畜的运动数据，得到多个样本具体包括：

采集反刍牲畜在预设时间段内的运动数据；

按照相同时间间隔将所述预设时间段划分为多个数据窗口，每一所述数据窗口内所有采样点的运动数据组成一个样本。

3.根据权利要求1所述的辨识方法，其特征在于，所述运动数据为加速度数据。

4.根据权利要求3所述的辨识方法，其特征在于，在对所述样本进行特征提取和特征降维之前，所述辨识方法还包括：对每一所述样本进行预处理，得到预处理后样本，并以所述预处理后样本作为新的样本；所述预处理包括去噪和滤波；

其中，对每一所述样本进行预处理，得到预处理后样本具体包括：

对于每一所述样本，将所述样本所包括的每一采样点的X轴、Y轴、Z轴的加速度数据均转换为对应轴的真实加速度；

根据所述真实加速度计算每一所述采样点的第一总加速度；

基于三倍标准差准则对所述第一总加速度进行调整，得到每一所述采样点的第二总加速度；

对所述第二总加速度进行零均值化处理，得到每一所述采样点的第三总加速度；所有所述采样点的第三总加速度组成预处理后样本。

5.根据权利要求3所述的辨识方法，其特征在于，所述对所述样本进行特征提取和特征降维，得到每一所述样本对应的降维后特征具体包括：

对于每一所述样本，分别从时域、频域和统计学角度对所述样本进行特征提取，得到所述样本对应的特征；

利用主成分分析法对所述特征进行特征降维，得到所述样本对应的降维后特征。

6.根据权利要求5所述的辨识方法，其特征在于，所述分别从时域、频域和统计学角度对所述样本进行特征提取，得到所述样本对应的特征具体包括：

根据所述样本所包括的每一采样点的加速度数据，分别计算所述采样点在X轴、Y轴和Z轴上的躯体动态加速度，并以所述X轴、Y轴和Z轴上的躯体动态加速度的和值以及平方和的开方值作为所述样本对应的时域特征；

对所述样本进行离散傅里叶变换，并计算谱能量、功率谱密度和谱熵，得到所述样本对应的频域特征；

计算所述样本所包括的所有采样点的加速度数据的最大值、最小值、平均值、下四分位数、中位数、上四分位数、均方根和标准差，得到所述样本对应的统计学特征；所述时域特征、所述频域特征和所述统计学特征组成所述样本对应的特征。

7.根据权利要求5所述的辨识方法，其特征在于，所述利用主成分分析法对所述特征进行特征降维，得到所述样本对应的降维后特征具体包括：

将所有所述样本对应的特征组成特征矩阵；所述特征矩阵的每一行即为一个所述样本对应的特征；

对所述特征矩阵进行零均值化处理，得到处理后矩阵，并计算所述处理后矩阵的协方差矩阵；

对所述协方差矩阵进行特征值分解，得到多个特征值和每一所述特征值对应的特征向量；

对所述特征值进行百分化，得到每一所述特征向量对应的贡献度；

以贡献度之和大于预设权重阈值的贡献度个数最少为原则，选取主成分；

根据所述主成分和所述特征向量对所述特征进行特征降维，得到所述样本对应的降维后特征。

8.根据权利要求1所述的辨识方法，其特征在于，所述机器学习模型为支持向量机模型。