舍饲环境下母羊产前典型行为识别方法解析【附代码】
✨ 长期致力于舍饲环境、母羊、产前行为、行为识别、福利化研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）三轴加速度与红外传感器融合的数据采集装置：
设计可穿戴式项圈，集成MPU6050加速度计（采样率50Hz）和红外反射传感器（检测采食饮水）。装置采用低功耗模式，每15分钟发送一次数据。在内蒙古某舍饲羊场，对20只小尾寒羊母羊进行产前10天连续监测。加速度数据的X、Y、Z三轴分别对应母羊的左右、前后、上下运动。红外传感器安装在食槽上方，当母羊伸头采食时红外反射强度变化超过阈值200。装置续航能力达72小时，数据丢包率低于1.5%。
（2）改进小波阈值去噪与主成分分析特征降维：
针对加速度信号的冲击噪声，提出一种自适应小波阈值函数，阈值随分解层数递减（第一层阈值0.3，第五层0.1）。去噪后信噪比从12dB提升到28dB。提取时域特征（方差、峰度、偏度）和频域特征（主峰频率、频率能量、谱熵），共21维。使用主成分分析将特征压缩到6维，累积方差贡献率92%。实验表明，降维后BP神经网络训练速度提高40%，且识别率从69%提升到79%。
（3）递阶遗传算法优化的BP神经网络分类器：
针对趴卧与站立区分困难，采用K-means先聚类识别趴卧行为（准确率99%），剩余三种行为（站立、行走、刨地）由递阶遗传算法优化结构的BP网络处理。遗传算法同时优化网络层数（2-4层）、节点数（5-30）和学习率（0.01-0.5）。种群规模50，进化30代，适应度函数为验证集识别率。优化后的网络结构为3层（输入6，隐层18，输出3），识别率提升到89.1%。对站立时蹭栏杆等非标准动作，通过增加滑动窗口统计（窗口5秒，步长1秒）判断是否属于稳定站立，误检率从15%降到6%。采食行为由红外传感器识别，再用运动状态修正（如果同时有行走特征则判定为边走边吃，不计入纯采食），修正后识别率提高16%。
import numpy as np import pywt from sklearn.decomposition import PCA from sklearn.cluster import KMeans import genetic_algorithm as ga # placeholder class WaveletDenoiser: def __init__(self, wavelet='db4', level=4): self.wavelet = wavelet self.level = level def denoise(self, signal): coeffs = pywt.wavedec(signal, self.wavelet, level=self.level) sigma = np.median(np.abs(coeffs[-1])) / 0.6745 for i in range(1, len(coeffs)): threshold = sigma * np.sqrt(2*np.log(len(signal))) * (0.9**i) coeffs[i] = pywt.threshold(coeffs[i], threshold, mode='soft') return pywt.waverec(coeffs, self.wavelet) class FeatureExtractor: def __init__(self, window_sec=5, fs=50): self.window = window_sec * fs self.fs = fs def extract(self, acc_x, acc_y, acc_z): windows = np.array([acc_x, acc_y, acc_z]).T features = [] for axis in range(3): seg = windows[:, axis] var = np.var(seg) kurt = scipy.stats.kurtosis(seg) skew = scipy.stats.skew(seg) freq = np.fft.rfft(seg) power = np.abs(freq)**2 dom_freq = np.argmax(power[1:]) * self.fs / len(seg) energy = np.sum(power) features.extend([var, kurt, skew, dom_freq, energy]) return np.array(features) class GeneticBP: def __init__(self, input_dim=6, output_dim=3): self.input_dim = input_dim self.output_dim = output_dim self.population = [] def fitness(self, individual): hidden = individual[0] lr = individual[1] # train BP and return validation accuracy return np.random.random() # placeholder def evolve(self, n_gen=30): # simplified genetic operations self.population = [(np.random.randint(5,30), np.random.uniform(0.01,0.5)) for _ in range(50)] for gen in range(n_gen): scores = [self.fitness(ind) for ind in self.population] # selection, crossover, mutation best_idx = np.argmax(scores) best = self.population[best_idx] print(f'Gen {gen}: best accuracy {scores[best_idx]:.3f}') return best def classify_behavior(acc_features): # Kmeans for lying detection kmeans = KMeans(n_clusters=2, random_state=0).fit(acc_features.reshape(-1,1)) if kmeans.labels_[0] == 0: # assuming cluster0 is lying return 'lying' # otherwise use genetic BP return 'standing_or_walking' def main(): np.random.seed(42) signal = np.sin(2*np.pi*1*np.arange(500)/50) + 0.5*np.random.randn(500) denoiser = WaveletDenoiser() clean = denoiser.denoise(signal) extractor = FeatureExtractor() feat = extractor.extract(clean, clean*0.8, clean*0.5) print(f'Features shape: {feat.shape}') # behavior decision behavior = classify_behavior(feat[:6]) print(f'Classified behavior: {behavior}') ga_bp = GeneticBP() optimal = ga_bp.evolve(5) print(f'Optimal hidden nodes: {optimal[0]}, lr: {optimal[1]:.3f}') if __name__ == '__main__': main()