[0031] 结合附图1‑8，对本发明技术方案作进一步描述：
[0032] 一、系统总体功能的设计
[0033] 本发明一种畜禽健康体征大数据物联网检测系统实现对畜禽健康体征参数进行检测和预测类，该系统由参数采集与控制平台和畜禽体温大数据智能预测子系统两部分组成。参数采集与控制平台包括畜禽环境参数的检测节点、畜禽体征参数检测节点、控制节点、网关节点、现场监控端组成，畜禽环境参数的检测节点、畜禽体征参数检测节点、控制节点和网关节点构成无线自组织网络来实现检测节点和网关节点之间的无线通信网络通信；检测节点将检测的畜禽环境和畜禽体征参数通过网关节点发送给现场监控端和云平台，云平台通过5G网络实现与手机APP的信息交换，现场监控端、网关节点和检测节点之间实现畜禽环境和畜禽体征参数信息的双向传输；畜禽体温大数据智能预测子系统实现对畜禽环境和畜禽体温参数处理和畜禽体温预测。参数采集与控制平台见图1所示。
[0034] 二、畜禽环境参数的检测节点的设计
[0035] 采用大量基于CC2530的自组织通信网络的检测节点作为畜禽环境参数感知终端，该类检测节点通过自组织通信网络实现与网关节点之间的信息相互交互。检测节点包括采集畜禽环境温度、湿度、风速和光照度参数的传感器和对应的信号调理电路、MSP430微处理器和CC2530模块；检测节点的软件主要实现自组织网络通信和畜禽环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性，畜禽环境参数的检测节点见图4。
[0036] 三、畜禽体征参数的检测节点的设计
[0037] 采用大量基于CC2530的自组织通信网络的检测节点作为畜禽的温度和活动信息参数参数感知终端，检测节点通过自组织通信网络实现与网关节点之间的信息相互交互。检测节点包括采集畜禽的温度和活动信息参数的传感器和对应的信号调理电路、MSP430微处理器和CC2530模块；该类检测节点的软件主要实现自组织网络通信和畜禽的温度和活动信息参数参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性，畜禽体征参数的检测节点结构见图5。
[0038] 四、控制节点设计
[0039] 采用大量基于CC2530的自组织通信网络的控制节点作为畜禽环境参数控制端，控制节点通过自组织通信网络实现与、检测节点以及网关节点之间的信息相互交互。控制节点包括温度控制设备、湿度控制设备、光照控制设备以及风速控制设备以及对应的调理电路、MSP430微处理器和CC2530模块；控制节点的软件主要实现自组织网络通信实现对畜禽舍环境参数进行调节。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，控制节点结构见图6。
[0040] 五、网关节点设计
[0041] 网关节点包括CC2530模块、NB‑IoT模块、MSP430微处理器和RS232接口，网关节点通过CC2530模块实现与检测节点和控制节点之间通信，NB‑IoT模块实现网关与云平台之间的数据双向交互，RS232接口连接现场监控端，实现网关与现场监控端之间的信息交互。网关节点结构见图7。
[0042] 六、现场监控端的软件设计
[0043] 现场监控端是一台工业控制计算机，现场监控端主要实现对畜禽体温和活动信息参数以及畜禽环境参数进行采集、处理和调节，通过网关节点实现与检测节点和控制节点之间的信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和通过畜禽体温大数据智能预测子系统对畜禽体温进行智能预测，该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图8。畜禽体温大数据智能预测子系统结构如图2所示。畜禽体温大数据智能预测子系统由参数检测模型、检测参数融合模型和二元联系数的Elman神经网络温度预测模型组成；畜禽体温大数据智能预测子系统设计过程如下：
[0044] 1、参数检测模型设计
[0045] 多个环境温度传感器感知的畜禽舍环境温度值作为对应的参数检测模型的输入，多个参数检测模型输出作为检测参数融合模型的输入，畜禽体温温度传感器感知的畜禽体表温度值作为对应的参数检测模型的输入，该参数检测模型和检测参数融合模型的输出作为二元联系数的Elman神经网络温度预测模型的输入，参数检测模型由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的小波神经网络模型组成；参数检测模型结构图见图3所示，参数检测模型设计过程如下：
[0046] (1)、带时滞单元的Adaline神经网络模型设计
[0047] 参数测量传感器输出作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，带时滞单元的Adaline神经网络模型由2个按拍延迟线TDL和Adaline神经网络组成，参数测量传感器输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出作为Adaline神经网络的输入，Adaline神经网络的输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出为带时滞单元的Adaline神经网络模型的输出；Adaline神经网络模型的自适应线性单元(Adaptive Linear Element)是早期的神经网络模型之一，该模型的输入信号可写成向量T的形式:X(K)＝[x0(K),x1(K),…xn(K)] ，每一组输入信号对应有一组权值向量相对应表示为:W(K)＝[k0(K),k1(K),…k(K)]，x0(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态，可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为：
[0048]
[0049] 在Adaline神经网络模型中，有一特殊输入即理想响应输出d(K)，把它送入Adaline神经网络模型中，然后通过网络的输出y(K)进行比较，将差值送到学习算法机制中，以调整权向量直到获得最佳权向量，y(K)与d(K)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分，Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法。
[0050] (2)、EMD经验模态分解模型设计
[0051] 带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的测量参数低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个测量参数高频趋势值分别作为对应的多个NARX神经网络预测模型的输入；EMD经验模态分解是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于参数测量信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF分量包含了参数测量信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取故障信息。IMF分量必须同时满足两个条件：①在待分解参数测量信号中，极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由局部极大值和局部极小值定义的包络均值为零。EMD经验模态分解方法针对带时滞单元的Adaline神经网络模型输出值信号的“筛分”过程步骤如下：
[0052] (a)带时滞单元的Adaline神经网络模型输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
[0053] (b)在用三次样条线将带时滞单元的Adaline神经网络模型输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。
[0054] (c)上、下包络线的平均值记为m1(t)，求出：
[0055] x(t)‑m1(t)＝h1(t) (2)
[0056] x(t)为带时滞单元的Adaline神经网络模型输出值原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。
[0057] (d)将c1(t)从x(t)中分离出来，得到：
[0058] r1(t)＝x(t)‑c1(t) (3)
[0059] 将r1(t)作为原始数据重复步骤(a)‑步骤(c)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样通过经验模态分解模型把带时滞单元的Adaline神经网络模型输出分解为低频趋势部分和多个高频波动部分，EMD经验分解模型如图3所示。
[0060] (3)、GM(1，1)灰色预测模型设计
[0061] EMD经验模态分解模型输出的测量参数低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个测量参数高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型和多个NARX神经网络预测模型的输出分别二元联系数的小波神经网络模型的对应输入；GM(1，1)灰色预测方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据测量参数低频趋势值输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加参数测量低频趋势原始值还原后得出预测结果，微分方程模型具有更高的预测精度。建立GM(1，1)灰色预测模型的实质是对低频趋势值原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对参数测量低频趋势值进行预测。
[0062] (4)、多个NARX神经网络预测模型设计
[0063] EMD经验模态分解模型输出的测量参数低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个测量参数高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型和多个NARX神经网络预测模型的输出分别二元联系数的小波神经网络模型的对应输入；NARX神经网络预测模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络预测模型第i个隐层节点的输出hi为：
[0064]
[0065] NARX神经网络第j个输出层节点输出oj为：
[0066]
[0067] (5)、ARIMA预测模型设计
[0068] 被测量参数的确定值a和波动值b分别作为对应的2个按拍延迟线TDL的输入和二元联系数的小波神经网络模型的对应输入，2个按拍延迟线TDL输出作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出作为二元联系数的小波神经网络模型的对应输入；ARIMA(Auto regressive Integrated Moving Average)预测模型是自回归积分滑动平均模型，它将自回归模型(Autoregressive，AR)和滑动平均模型(Moving Average，MA)有机地组合起来，使之成为一种综合的预测方法。作为有效的现代数据处理方法之一，它被誉为时间序列预测方法中最复杂最高级的模型，在实际应用中，由于输入原始数据序列往往表现出一定的趋势或循环特征，不满足ARMA模型对时间序列的平稳性要求，而取差分是消除数据趋势性的一种方便和有效的方法。基于差分后的数据序列建立的模型称为ARIMA模型，记为{Xt}‑ARIMA(p，d，q)，其中p、q称为模型的阶，d表示差分的次数。显然，当d为0时，ARIMA模型为ARMA模型，其定义为:
[0069] xt＝b1xt‑1+…+bpxt‑p+εt+a1εt‑1+…+aqεt‑q (6)
[0070] {xt}为要预测的二元联系数的小波神经网络输出的测量参数确定值a和波动值b2
的数据序列，{εt}～WN(0,σ)。ARIMA模型建立主要包括模型的识别、参数估计和模型诊断。
模型识别主要包括时间序列的预处理和模型参数的初步定阶；模型定阶完成之后需要通过时间序列观察值并结合p，d，q值来对模型中的未知参数进行估计；模型的诊断主要是针对整个模型的显著性检验和模型中参数的显著性检验。通常模型的建立是个不断优化的过程，模型优化常用的为AIC和BIC准则，即最小信息量准则其值越小，模型越合适，BIC准则是针对AIC准则对大样本序列的不足所做的改进。
[0071] (6)、二元联系数的小波神经网络模型设计
[0072] GM(1，1)灰色预测模型和多个NARX神经网络预测模型的输出分别二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出被测量参数的确定值a和波动值b构成被测量参数的二元联系数为a+bi，被测量参数的确定值a和波动值b分别作为对应的2个按拍延迟线TDL的输入和二元联系数的小波神经网络模型的对应输入，2个按拍延迟线TDL输出作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出作为二元联系数的小波神经网络模型的对应输入；二元联系数的小波神经网络模型是输出为二元联系数的小波神经网络模型，小波神经网络WNN(Wavelet Neural Networks)模型理论基础以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络，小波神经网络中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设小波神经网络模型的输入信号可以表示为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，小波神经网络模型输出层预测值的计算公式为：
[0073]
[0074] 公式中ωij输入层i节点和隐含层j节点间的连接权值， 为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。二元联系数的小波神经网络模型输出作为被测量参数的二元联系数值。
[0075] 2、检测参数融合模型设计
[0076] 多个参数检测模型输出作为检测参数融合模型的输入，畜禽体温温度传感器感知的畜禽体表温度值作为对应的参数检测模型的输入，该参数检测模型和检测参数融合模型的输出作为二元联系数的Elman神经网络温度预测模型的输入，检测参数融合模型设计过程如下：
[0077] ①、构建参数测量传感器的时间序列梯形模糊数值阵列
[0078] 一段时间多个参数检测模型输出的梯形模糊数值构成参数测量传感器的时间序列梯形模糊数值阵列，设有n个参数测量传感器和m个时刻的nm个参数测量传感器的梯形模糊数值构成n行和m列的参数测量传感器的时间序列梯形模糊数阵列，设不同时刻同一参数测量传感器的梯形模糊数值为Aij(t),Aij(t+1),…,Aij(m)，则所有参数测量传感器的时间序列梯形模糊数阵列为：
[0079] ①、构建参数测量传感器的时间序列二元联系数阵列
[0080] 一段时间多个参数检测模型输出的二元联系数构成参数测量传感器的时间序列二元联系数阵列，设有n个参数测量传感器和m个时刻的nm个参数测量传感器的二元联系数值构成n行和m列的参数测量传感器的时间序列二元联系数阵列，设同一参数测量传感器的不同时刻二元联系数值为Aij(t),Aij(t+1),…,Aij(m)，则所有参数测量传感器的时间序列二元联系数阵列为：
[0081]
[0082] ②、计算参数测量传感器的时间序列二元联系数值的距离融合权重
[0083] 同一时刻所有参数测量传感器的二元联系数的平均值构成二元联系数阵列的正理想值，二元联系数阵列的正理想值为：
[0084] 同一时刻所有参数测量传感器的二元联系数值与对应的二元联系数阵列的正理想值贴近度最小的二元联系数值构成二元联系数阵列的负理想值，二元联系数阵列的负理想值为：
[0085]
[0086] 每个参数测量传感器的时间序列二元联系数值的正理想值贴近度是每个参数测量传感器的时间序列二元联系数与二元联系数阵列的正理想值的贴近度为：
[0087]
[0088] 每个参数测量传感器的时间序列二元联系数值的负理想值贴近度是每个参数测量传感器的时间序列二元联系数值与二元联系数阵列的负理想值的贴近度为：
[0089]
[0090] 每个参数测量传感器的时间序列二元联系数值的正理想值贴近度除以该参数测量传感器的时间序列二元联系数值的负理想值贴近度与该参数测量传感器的时间序列二元联系数值的正理想值贴近度的和得到的商为每个参数测量传感器的时间序列二元联系数值的距离相对贴近度，公式为：
[0091]
[0092] 通过(13)公式计算可以知道，每个参数测量传感器的时间序列二元联系数值的距离相对贴近度越大，则该参数测量传感器的时间序列二元联系数值与对应的正理想值就越接近，否则该参数测量传感器的时间序列二元联系数值与对应的正理想值就越远，根据这个原理确定每个参数测量传感器的时间序列二元联系数值的距离相对贴近度除以所有参数测量传感器的时间序列二元联系数值的距离相对贴近度的和得到的商为每个参数测量传感器的时间序列二元联系数值的距离贴近度融合权重为：
[0093]
[0094] ③、计算参数测量传感器的时间序列二元联系数值的灰色关联度融合权重[0095] 每个参数测量传感器的时间序列二元联系数值与二元联系数阵列正理想值的灰色关联度为：
[0096]
[0097] 通过计算每个参数测量传感器的时间序列二元联系数值与二元联系数阵列正理想值的灰色关联度，可以构建每个参数测量传感器的时间序列二元联系数值的灰色关联度矩阵：
[0098]
[0099] 根据公式(16)可以得到每个参数测量传感器的时间序列二元联系数值与时间序列参数测量传感器的二元联系数阵列正理想值之间的灰色关联度，如下公式所示：
[0100]
[0101] 同理，每个参数测量传感器的时间序列二元联系数值与时间序列参数测量传感器的二元联系数阵列负理想值的灰色关联度为，定义如下公式：
[0102]
[0103] 同理，通过计算每个参数测量传感器的时间序列二元联系数值与二元联系数阵列负理想值的灰色关联度，可以构建每个参数测量传感器的时间序列二元联系数值的灰色关联度矩阵：
[0104]
[0105] 根据公式(19)可以得到每个参数测量传感器的时间序列二元联系数值与二元联系数阵列的负理想值之间的灰色关联度，如下公式所示：
[0106]
[0107] 每个参数测量传感器的时间序列二元联系数值与二元联系数阵列的正理想值之间的灰色关联度除以该参数测量传感器的时间序列二元联系数值与二元联系数阵列的正理想值之间的灰色关联度相加该参数测量传感器的时间序列二元联系数值与二元联系数阵列的负理想值之间的灰色关联度的和得到的商为该参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度为：
[0108]
[0109] 通过(21)公式计算可以知道，每个参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度越大，则该参数测量传感器的时间序列二元联系数值与对应的二元联系数阵列的正理想值的形状相似度越大，否则该参数测量传感器的时间序列二元联系数值与对应的二元联系数阵列的正理想值的形状相似度越小，根据这个原理确定每个参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度除以所有参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度的和得到的商为该参数测量传感器的时间序列二元联系数值的灰色关联度融合权重为：
[0110]
[0111] ④、计算多个参数测量传感器的时间序列二元联系数值的融合值
[0112] 根据每个参数测量传感器的时间序列二元联系数值的距离融合权重αi和灰色关联度融合权重βi，求取均方根组合权重γi，显然γi与αi、βi和都应尽可能接近，根据最小相对信息熵原理有：
[0113]
[0114] 用拉格朗日乘子法解上述优化问题得：
[0115]
[0116] 根据公式(27)可以知每个参数测量传感器的时间序列二元联系数值的距离融合权重和灰色关联度融合权重乘积的均方根占所有参数测量传感器的时间序列二元联系数值的距离融合权重和灰色关联度融合权重乘积的均方根和的比为该参数测量传感器的时间序列二元联系数值融合的均方根组合权重。
[0117] 根据参数测量传感器的时间序列二元联系数值的距离融合权重αi和灰色关联度融合权重βi进行线性组合得到该参数测量传感器的时间序列二元联系数值融合的线性组合权重θi，公式为：
[0118] θi＝ααi+ββi (25)
[0119] 根据公式(24)和公式(25)得到该参数测量传感器的时间序列二元联系数值融合的二元联系数融合权重为wi：
[0120] wi＝[min(θi,γi),max(θi,γi)] (26)
[0121] 从公式(26)可以知每个参数测量传感器的时间序列二元联系数值的均方根组合权重、线性组合权重重按照从小到大排序构成该参数测量传感器的时间序列二元联系数值的组合融合权重。根据同一时刻每个参数测量传感器的时间序列二元联系数值与该参数测量传感器的时间序列二元联系数值的组合融合权重的积相加得到的和为所有参数测量传感器的时间序列二元联系数融合值为：
[0122]
[0123] 3、二元联系数的Elman神经网络温度预测模型设计
[0124] 畜禽体温温度传感器感知的畜禽体表温度值作为对应的参数检测模型的输入，该参数检测模型和检测参数融合模型的输出作为二元联系数的Elman神经网络温度预测模型的输入，二元联系数的Elman神经网络温度预测模型为输入和输出都是二元联系数的Elman神经网络模型，二元联系数的Elman神经网络模型是输入和输出都是二元联系数的Elman神经网络模型，Elman神经网络模型可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络，除了隐层外，还有一个特别的关联层；关联层从隐层接收反馈信号，每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数一般为Sigmoid函数，输出层为线性函数，关联层也为线性函数。为了有效地解决畜禽体温预测中的逼近精度问题，增强关联层的作用。设Elman神经网络预测模型的输入层、输出层、隐层的个数分别为m，n和r；w1，w2，w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵，则Elman神经网络预测畜禽体温的隐含层、关联层和输出层的表达式分别为:
[0125]
[0126] cp(k)＝xp(k‑1) (29)
[0127]
[0128] 二元联系数的Elman神经网络温度预测模型的输出畜禽体温的确定值c和波动值d构成畜禽体温的二元联系数为c+di，畜禽体温的确定值c和波动值作为二元联系数的Elman神经网络温度预测模型的对应输入，二元联系数的Elman神经网络温度预测模型输出为被检测的畜禽体温的二元联系数值。
[0129] 5、参数采集与控制平台设计
[0130] 畜禽环境参数的检测节点、畜禽体征参数的检测节点、控制节点、网关节点、现场监控端、云平台和手机App组成，通过ZiGBee技术实现检测节点之间以及检测节点、控制节点和网关节点之间的通信；检测节点将检测畜禽环境参数、畜禽体温和活动参数通过网关节点发送给现场监控端和云平台，网关节点、云平台、现场监控端和手机App之间实现畜禽环境参数、畜禽体温和活动信息参数的双向传输；根据畜禽参数的分布状况，采用穿戴方式将畜禽体征参数的检测节点穿戴在畜禽体表，畜禽环境参数检测节点、控制节点、网关节点和现场监控端安放在畜禽养殖场，其中检测节点实现对畜禽环境参数、畜禽温度和活动参数信息的检测，通过该系统实现对畜禽活动信息进行监测和畜禽体温智能化预测。
[0131] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰这些改进和润饰也视为本发明的保护范围。
