[发明专利]一种多功能的牛用电子耳标

权利要求书

1.一种牛用电子耳标的体温数据优化算法，包括电子耳标、系统建模、基于卡尔曼滤波的参数优化算法以及牛用电子耳标的基于深度学习的牛异常行为检测算法，其特征在于：所述电子耳标包括主标(1)和辅标(2)，所述主标(1)的内部固定安装有主控电路板(3)，所述辅标(2)卡合安装于主标(1)的外部，所述主控电路板(3)中安装有微处理器、霍尔传感器、温度传感器以及震动开关，所述辅标(2)的内部嵌入安装有一块微型磁片；

所述系统建模包括以下内容：

温度传感器每隔一定时间向管理平台发送一次采集的数据，其温度转换公式如下：

其中S_T是温度传感器的原始数据输出，公式(Ⅰ)和(Ⅱ)分别为温度的摄氏度和开尔文形式，牛的正常体温在39℃附近，超过40℃则会出现体温异常预警；

由于传感器在测量温度时受季节、每天日照温度等的影响，温度传感器测量的温度有漂移，假定环境的温度为T_e，传感器的测量噪声为v，则在k时刻公式(Ⅰ)中电子耳标测得的温度则修正为：

T_s(k)＝T_r(k)+βT_e(k)+d(k)+v(k)，   (Ⅲ)

其中T_s为传感器测量温度，T_r为牛真实的体温值，T_e为环境温度，β为影响因子，d为温度漂移常数，v为测量噪声；

显然，优化算法的目的在于使测量值T_s无限接近牛的真实体温T_r；本发明采用卡尔曼滤波算法对测量的温度进行优化；

首先对系统的运行状态建模，假定温度k时刻与k-1时刻测量的温度基本一致，只是受过程噪声w(k)的影响而不同，则系统的状态方程为，

X(k)＝ΦX(k-1)+w(k)，   (Ⅳ)

其中X(k)＝[T_s(k)，T_e(k)，d(k)]^T，w(k)为过程噪声；由于状态各维中，仅牛的体温T_s和环境温度T_e可用传感器测得，因此观测方程为，

Z(k+1)＝HX(k)+v(k)，  (Ⅴ)

其中v为测量噪声；

基于卡尔曼滤波的参数优化算法包括以下步骤：

以公式(Ⅳ)和(Ⅴ)为系统的状态方程和观测方程，其中过程噪声w的均值为0，方差为Q；测量噪声v的均值为0，方差为R；

Step1.k＝0，初始化估计值X(k)，即为X(0)；

Step2.对系统状态变量进行卡尔曼滤波的一步预测，算法公式为：

X(k+1|k)＝ΦX(k)；  (Ⅵ)

Step3.计算新预测值与真实值的协方差矩阵：

P(k+1|k)＝ΦP(k)Φ^T+Q；  (Ⅶ)

Step4.计算卡尔曼增益矩阵G：

G(k)＝P(k+1|k)H^T(HP(k+1|k)H^T+R)^-1；  (Ⅷ)

Step5.利用卡尔曼增益、一步预测值和测量值对状态进行更新：

X(k+1|k+1)＝X(k+1|k)+G(k)(Z(k+1)-HX(k+1|k))；  (Ⅸ)

Step6.最后更新估计值与真实值的协方差矩阵：

P(k+1|k+1)＝(I-G(k)H)P(k+1|k)；  (Ⅹ)

Step7.更新时间序列k＝k+1，重复Step2至Step7；

得到优化后的状态值X(k|k)＝[T_s(k)，T_e(k)，d(k)]^T，即作为本系统的最终测量值；

牛用电子耳标的基于深度学习的牛异常行为检测算法包括以下八层内容：

通过震动开关检测牛24小时头部动作，其中每半个小时牛运动产生的震动信号占用一个字节(一维向量m＝48)，即输入深度神经网络的向量为：

V＝(n₁，n₂，n₃，…n_m)，  (Ⅺ)

在数据标注过程的时候，每次输入的向量为一个数据样本；

第一层：该层为深度神经网络的输入层，对每隔半个小时得到牛的头部震动数据进行数据的预处理，并记录每次预处理的结果，每次记录包含48个数据点，得到48×1的向量V，再将向量V输入到深度神经网络；

第二层：在第一层定义100个6×6的卷积核，每一个卷积核具有滤波器的作用，用于深度神经网络的学习和提取特征，并且100个卷积核能够帮助系统提取足够多的特征，第一层的输出是维度为43×100的矩阵，其中矩阵的每一列都包含一个滤波器权重；

第三层：将上一层的输出矩阵输入到该卷积层，在该层当中，同样定义100个不同的滤波器用于深度神经网络的训练，得到一个维度为38×100的输出矩阵，该层输出矩阵每一列都包含一个滤波器的权重；

第四层：采用最大池化方法，在该层中最大池化尺度为3×3，该层输出矩阵是输入矩阵的三分之一，即矩阵维度为12×100；

第五层和第六层：采用卷积方法，均设置96个6×6的卷积核，其中第五层输出矩阵维度为7×96，第六层输出矩阵维度为2×96；

第七层：采用平均池化方法，平均池化方法尺度为2×2，每个特征检测在深度神经网络的该层只剩下一个权重，最后第七层输出矩阵维度是1×96；

第八层：采用dropout方法，对于神经网络单元，按照一定的概率将其权重赋值为0，该层输出矩阵维度为1×96；

全连接层：使用softmax激活函数，最后将长度为96的向量按四个类别分类，得到4个向量，表示4个类别中每个类别出现的概率。