[发明专利]一种智能蜂箱的监测预警系统及方法

权利要求书

1.一种智能蜂箱的监测预警方法，其特征在于，该方法包括以下步骤：

S1：数据监测：通过传感器获取蜂箱内部的温度、湿度以及巢脾重量，对收集的数据进行处理并传送至监控平台；

S2：多级预警：根据蜂箱环境参数的变化，采用DBSCAN聚类算法，基于一组邻域来描述样本集的紧密程度，将蜂农对蜜蜂的关注等级划分为正常、数据波动大和超安全范围三个级别，供蜂农参考，并在出现分蜂趋势时进行报警；

所述DBSCAN聚类算法具体包括：分别获取包含一天蜂箱内部温度、湿度和巢脾重量变化数据{D}的数据集，参数(δ,MinPts)用来描述邻域的样本分布紧密程度，其中，δ描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为δ的邻域中样本个数的阈值，进行数据分析；

具体数据分析情况为：给定对象半径为Ε内的区域称为该对象的Ε邻域；设置半径参数、邻域以及不同簇的个数C代表的情况，包括：如果给定对象Ε邻域内的样本点数大于等于MinPts，则称该对象为核心对象；

对于样本集合D，如果样本点q在p的Ε邻域内，并且p为核心对象，那么对象q从对象p直接密度可达；

对于样本集合D，给定一串样本点p₁,p₂,…,p_n,p＝p₁,q＝p_n,假如对象p_i从p_i-1直接密度可达，那么对象q从对象p密度可达；

存在样本集合D中的一点o，如果对象o到对象p和对象q都是密度可达的，那么p和q密度相联；

最后，找到密度相连对象的最大集合；

S3：分蜂预测：根据分析蜂箱内部温湿度的变化以及蜜蜂产蜜速度，采用BP神经网络算法进行分蜂状态等级预测，预测最佳人工分蜂时间；将分蜂状态分为5个等级；输入层含有三个神经元，输入为X＝(x₁,x₂,x₃)，输出层含有五个神经元，输出为Y＝(y₁,y₂,y₃,y₄,y₅)；其中x₁,x₂,x₃分别为蜂箱内部的温度、湿度以及巢脾重量；y代表分蜂状态的等级，等级越高，分蜂行为越激烈；

所述采用BP神经网络算法进行分蜂状态等级预测的具体步骤为：

S31：初始化，设置输入层的节点个数n，隐含层的节点个数为l，输出层的节点个数m；输入层到隐含层的权重w_ij，隐含层到输出层的权重w_jk，输入层到隐含层的偏置为a_j，隐含层到输出层的偏置为b_k，学习效率为η，激励函数采用Sigmoid函数；

S32：计算隐含层、输出层的输出H_j、O_k，公式如下：

S33：计算误差，公式如下：

其中，Y_k为期望输出，记Y_k-O_k＝e_k；

S34：反向传播，迭代更新参数，e_k达到阈值则结束迭代。

2.根据权利要求1所述的监测预警方法，其特征在于，步骤S2中，所述蜂箱环境参数包括蜂箱内部温度、湿度、巢脾重量以及蜂箱外部环境温度、湿度的变化速度。

3.根据权利要求1或2所述的监测预警方法，其特征在于，步骤S2中，将获取的蜂箱环境参数进行解码，生成实时曲线图，便于直观发现异常数据。

4.根据权利要求1所述的监测预警方法，其特征在于，步骤S2中，环境参数经过DBSCAN聚类算法处理后，簇的个数发生变化：当簇的个数C＝1时，蜂箱内部情况正常；当簇的个数C＝2时，蜂箱内部情况有波动；当簇的个数C＝3时，蜂箱内部情况异常，需及时处理。