1.本发明属于奶牛冷应激评估领域，尤其是涉及一种奶牛冷应激多级模糊综合评估方法。2.背景及技术3.冷应激是指动物暴露于寒冷环境中所表现出来的机能障碍和防御反应。奶牛虽然是一种耐寒怕热的反刍动物，但面对极端低温气候，奶牛需要通过自身机体调节，产生更多的代谢热来维持核心温度，并通过蒸发、传导、对流和辐射等方式将个体产生的热量向外界扩散。当牛体内产热量与散热量达到相对平衡时，奶牛机体的核心温度相对恒定，意味着其健康、生产性能正常。但当外界环境过冷，散热量大于产热量时会破坏这种热平衡，导致奶牛体内激素发生变化，引起生理机能失常，最终造成冷应激。4.处于冷应激状态下的奶牛，生产性能下降、抗病能力下降，严重时还会直接致病。在中国，超过68％的奶牛养殖场位于北部地区，该地区冬季寒冷且漫长，导致奶牛无法发挥最佳生产性能，产奶量最高降幅40％。因此，对奶牛冷应激状况进行评估，是科学管理奶牛生产的关键。5.当前，奶牛冷应激评估方法包括温热环境评估指数、风寒温度以及综合气候指数。但上述指数仅考虑了温热环境参数，包括温度、湿度、风速以及太阳辐射，无法全面反映出奶牛的冷应激状况。当前，随着现代信息技术的发展，通过穿戴或无接触式的监测技术可以准确获得奶牛的各类生理参数，同时发现奶牛冷应激与自身生理反应显著相关。其中，呼吸频率和体表温度是评价反刍动物机体内平衡与否的核心指标，最能直接体现奶牛的健康状况。这是因为，处于冷应激下的奶牛会通过降低呼吸频率、增加呼吸深度，以达到减少机体散热量的目的；而皮肤作为机体与环境的交界，其表面温度可反映出机体为适应环境而做出的变化。此外，冬季为防寒保温，养殖场选择将奶牛全年饲养在舍内，高密度养殖已成为集约化生产的普遍形式。由于饲养密度的增加使得单位面积饲料的投入和粪便的产量也相应增加，对养殖舍内的空气质量也产生了相当大的影响。粪肥存储、剩余饲料以及奶牛个体会产生各种空气污染物，包括气体污染物二氧化碳(co2)、氨(nh3)、硫化氢(h2s)和甲烷(ch4)，以及固体污染物颗粒物(pm)。其中，co2、nh3以及pm10浓度含量最高，对奶牛的生产性能与健康状况影响最大，进一步加深了奶牛在冬季的冷应激程度。技术实现要素：6.本发明的目的在于克服当前奶牛冷应激评估方法的不足，提供了一种奶牛冷应激多级模糊综合评估方法，对奶牛冷应激程度进行全面、精准的评估，以反映出奶牛冬季所遭受的冷应激状况，从而更好地指导奶牛生产养殖过程中的防寒工作。7.本发明的目的可以通过以下技术方案实现：8.一种奶牛冷应激多级模糊综合评估方法，包括以下步骤：9.步骤(1)，根据文献调查以及专家咨询，将与奶牛冷应激相关的因素进行特征分类，采用多层次分析法构建出奶牛冷应激综合评价指标体系；10.步骤(2)，建立各指标层的判断矩阵，并作一致性检验，若满足一致性要求则确定各指标层权重，反之，采用遗传算法对各指标层的权重进行优化；11.步骤(3)，采用遗传算法用于检验和修正判断矩阵，通过交叉、变异等操作计算各指标层的权重，最终得到满足判断矩阵一致性的最优可行解；12.步骤(4)，从冷应激程度和适用性等角度，设定评语集，并建立隶属度模糊评价矩阵模型，对多级指标因素进行综合评价，最终根据最大隶属度原则，确定奶牛冷应激程度。13.进一步地，在所述步骤(1)中，评价指标体系分为4个层次，包括目标层、约束层、准则层及方案层；所述的目标层为奶牛冷应激综合评价结果，所述的约束层为一级指标层，包括温热环境、生理因素和空气质量3个维度，所述的准则层为二级指标，进一步反应约束层的内容，包括温度、相对湿度、风速、光照、呼吸频率、体感温度、co2、nh3以及pm10共9个指标，所述的方案层划分为无、轻度、中度、高度、极度5个冷应激评价等级。14.进一步地，所述步骤(2)包括以下步骤：15.(2-1)构建判断矩阵：当影响评价对象的因素有n个，则集合u＝{u1,u2,···,un}称为因素集，ui(i＝1,2,···,n)为影响因素；对每个因素进行分组，设为u＝{u1,u2,···,un}，其中ui有m个影响因素，即ui＝{ui1,ui2,···,uim}为一级指标因素，uim为二级指标因素,且满足以下两个条件：[0016][0017]由专家采用1～9标度法对各指标层中因素之间的相对重要性进行量化，由量化结果的标度构造出两两比较的判断矩阵；对判断矩阵进行单排序计算，构造判断矩阵a＝(aij)n×n，如下：[0018][0019]公式(2)中，aij是元素ui与uj相比的重要程度，且aij＞0，aii＝1，aji＝1/aij；[0020]所述的1～9标度法表示ui与uj两个元素相比，1代表两个元素同等重要，3表示ui比uj稍微重要，5表示ui比uj明显重要，7表示ui比uj强烈重要，9表示ui比uj极端重要，2、4、6、8是上述判断的中间值。[0021](2-2)计算权重指标：采用方根法确定各指标的权重：[0022]首先计算判断矩阵每一行的乘积，即：[0023][0024]其次计算mi的n次方根，即：[0025][0026]最后将向量进行归一化处理，即：[0027][0028]根据公式(3)～(5)，得出一级评价指标u的权重向量记为w＝(w1,w2,···,wi)，0≤wi≤1；二级评价指标ui权重向量为wi＝(wi1,wi2,···,wim)，0≤wim≤1；[0029](2-3)判断矩阵的一致性检验：首先计算判断矩阵的一致性指数(ci)：[0030][0031]公式(6)中n是判断矩阵的秩，n＞1；λmax是判断矩阵的最大特征根，(aw)i表示aw的第i个分量；[0032]其次计算判断矩阵的一致性比率(cr)：[0033][0034]公式(7)中ri是判断矩阵的随机一致性指数，当0≤cr＜0.1时则表示判断矩阵满足一致性要求，并将向量w作为权重向量的解，但当cr≥0.1，表示一致性检验没有通过，则需要对所得判断矩阵的权重进行优化。[0035]进一步地，所述步骤(3)包括以下步骤：[0036](3-1)首先，取一级评价指标u＝{u1,u2,···,un}的判断矩阵为例，其权重向量为w＝(w1,w2,···,wi)，构建优化目标函数：[0037][0038][0039]公式(8)中，cif(n)是一致性指标函数，wk是优化后的权重向量；cif(n)越趋近于0，其对应的权重值是判断矩阵的最佳权重值；[0040](3-2)其次，随机初始化种群，对初始群体进行随机设定，生成一组可行解，其中个体编码方法选择实数编码，每个个体均为一个实数串；种群规模为n，进化次数为200，交叉概率为0.3，变异概率为0.2；[0041]并构建适应度函数：将目标函数cif(n)的预测输出与期望输出的误差绝对值之和作为个体适应度值f：[0042][0043]式中，n为网络输出节点数，yi为目标函数cif(n)第i个节点的期望输出，xi为第i个节点的预测输出，k为系数；[0044]同时进行选择操作：选择轮盘赌法作为适应度比例的选择策略，每个个体i的选择概率为pi：[0045]fi＝k/fiꢀꢀꢀ(11)[0046][0047]式(11)～(12)中，fi为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数，n为种群个体数目；[0048](3-3)然后完成交叉操作与变异操作：交叉操作方法采用实数交叉法，将第k个染色体ck和第l个染色体cl在j位进行交叉：[0049][0050]选取第i个个体的第j个基因cij进行变异操作，方法如下：[0051][0052]公式(13)～(14)中，b是交叉概率，cmax为基因cij的上届，cmin为基因cij的下届，r2为[0,1]之间的随机数，r2＝0.2，g为当前迭代次数，gmax为最大进化次数，r1为变异概率；[0053](3-4)最后，确定更新后的权值是否满足公式(9)的约束条件，如果满足则终止迭代，此时对应的最优可行解即为最佳权重值；否则再次进行选择操作。[0054]进一步地，所述步骤(4)包括以下步骤：[0055](4-1)首先，根据所述的奶牛冷应激评价指标体系，设定评价指标因素集与评语集：其中一级评价指标集u＝{(u1,u2,u3)}，二级评价指标集u1＝(u11,u12,u13,u14)、u2＝(u21,u22)、u3＝(u31,u32,u33)，评语集vj＝(v1,v2,v3,v4,v5)，评语集中v1～v5分别代表无、轻度、中度、高度以及极度5个冷应激评价等级；[0056](4-2)然后，完成9项指标冷应激程度的划分，对温度、相对湿度、风速、呼吸频率、体感温度、co2、nh3以及pm10进行定量分析，选取梯形分布与半梯形分布构建隶属函数，每个分布分为偏小型、中间型和偏大型，公式如下所示：[0057][0058][0059][0060]公式(15)～(17)中，μm(xi)，μi(xi)，μl(xi)分别为所述的偏小型、中间型和偏大型隶属度函数，xi为指标所对应的数值，a,b,c,d分别为每一个模糊集合的边界值；[0061]此外，依据光照时长、人工光照强度以及光照分布均匀性三方面，由专家结合自身经验对光照指标的冷应激程度进行定性分析；[0062](4-3)最后，建立多级模糊综合评价模型，主要包括二级指标综合评判和一级指标综合评判；在所述的二级指标综合评判中，对二级指标因素集ui＝{ui1,ui2,···uim}的第uim个因素进行单因素评判，得到单因素评判矩阵，即确定uim对评语vj的隶属度，得到单因素评判结果：[0063]rim＝{r(im)1,r(im)2,…,r(im)j}ꢀꢀꢀ(18)[0064]单因素评判实际上是指标因素集合到评语集合的模糊映射，对ui中的每个因素进行评判，可得到ui的模糊评判矩阵ri：[0065][0066]二级指标因素ui的权重为wi＝(wi1,wi2,…wim)，求得二级指标综合判定结果如下：[0067][0068]在所述的一级指标综合评判中，将二级评判结果作为因素值进行一级综合评判，则二级模糊评判集bi＝(bi1，bi2，…，bij)t作为一级综合评判的模糊关系矩阵r为：[0069][0070]一级评价指标u权重向量为w＝(w1,w2,…,wi)，从而得一级指标综合判定向量为：[0071][0072]表示模糊矩阵的合成算子；bj为评判对象对于每个评语的隶属度，最终根据最大隶属度原则得出奶牛所处的冷应激程度。[0073]本发明提出一种奶牛冷应激多级模糊综合评估方法，首先采用层次分析法构建了奶牛冷应激综合评价指标体系；其次，结合遗传算法优化并建立指标权重，并对评价指标因素进行定量和定性分析；然后基于模糊集理论建立评语集与隶属度函数，将奶牛冷应激程度划分为无、轻度、中度、高度以及极度5个等级；最终通过多级模糊综合评判得出奶牛的冷应激程度。与现有技术相比，具有以下优点：[0074](1)本发明采用模糊综合评估方法，不仅综合了奶牛舍内温度、相对湿度、风速、光照、nh3、co2以及pm10等环境指标，还将奶牛的生理特征呼吸频率、体表温度考虑在评估方法之内，能够对奶牛冷应激进行全面评估。[0075](2)每个专家的知识结构和认知水平会有所不同，构造出的判断矩阵有时不能满足一致性要求，遗传算法能够将判断矩阵一致性检验转化为非线性约束优化问题，可在最大程度上保留原始判断信息的前提下，对判断矩阵所得的权重向量进行微调，使判断矩阵满足一致性，从而更加客观地确定各级指标权重。[0076](3)奶牛冷应激综合评估方法既克服了专家经验不易量化的主观性，又能避免模糊评价过程中对指标权重的忽视，优于单依靠环境参数拟合的“简单指数”模型，能够精准、有效地反应奶牛的冷应激状况。附图说明：[0077]图1为本发明实例采用的奶牛冷应激多级模糊综合评估流程图[0078]图2为本发明实例采用的奶牛冷应激综合评价指标体系图[0079]图3为本发明实例采用的定量指标隶属度函数图[0080]图4为本发明实例采用的各层级评价指标权重图[0081]图5为本发明实例采用的奶牛日均冷应激时长图具体实施方式：[0082]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明作进一步的描述。[0083]如图1所示：本发明所提出的一种奶牛冷应激综合评估方法包括以下四个步骤：[0084]步骤(1)：根据文献调查以及专家咨询，将与奶牛冷应激相关的因素进行特征分类，采用多层次分析法构建出奶牛冷应激综合评价指标体系；[0085]步骤(2)：建立各指标层的判断矩阵，并作一致性检验，若满足一致性要求则确定各指标层权重，反之，采用遗传算法对各指标层的权重进行优化。[0086]步骤(3)：遗传算法主要是用于检验和修正判断矩阵，通过交叉、变异等操作计算各指标层的权重，最终得到满足判断矩阵一致性的最优可行解；[0087]步骤(4)：在上述基础上，从冷应激程度和适用性等角度，设定评语集，并建立隶属度模糊评价矩阵模型，对多级指标因素进行综合评价，最终根据最大隶属度原则，确定奶牛冷应激程度。[0088]在上述步骤(1)中，建立奶牛冷应激评价指标体系：[0089]如图2所示，评价指标体系分为4个层次，包括目标层、约束层、准则层以及方案层。目标层是本发明的核心问题，即奶牛冷应激综合评价指标体系建设；约束层为一级指标，包括温热环境、生理因素和空气质量3个维度；准则层为二级指标，进一步反应约束层的主要内容，其中包括9个指标(温度、相对湿度、风速、光照、呼吸频率、体感温度、co2、nh3以及pm10)；最终在方案层划分为无、轻度、中度、高度、极度5个冷应激评价等级。[0090]在上述步骤(2)中，分别构建判断矩阵、计算权重指标，并对判断矩阵的一致性进行检验。具体步骤如下：[0091](2-1)构建判断矩阵：当影响评价对象的因素有n个，则集合u＝{u1,u2,···,un}称为因素集，ui(i＝1,2,···,n)为影响因素；对每个因素进行分组，设为u＝{u1,u2,···,un}，其中ui有m个影响因素，即ui＝{ui1,ui2,···,uim}为一级指标因素，uim为二级指标因素,且满足以下两个条件：[0092][0093]由专家采用1～9标度法对各指标层中因素之间的相对重要性进行量化，由量化结果的标度构造出两两比较的判断矩阵；对判断矩阵进行单排序计算，构造判断矩阵a＝(aij)n×n，如下：[0094][0095]公式(2)中，aij是元素ui与uj相比的重要程度，且aij＞0，aii＝1，aji＝1/aij；[0096]所述的1～9标度法表示ui与uj两个元素相比，1代表两个元素同等重要，3表示ui比uj稍微重要，5表示ui比uj明显重要，7表示ui比uj强烈重要，9表示ui比uj极端重要，2、4、6、8是上述判断的中间值。[0097](2-2)计算权重指标：采用方根法确定各指标的权重：[0098]首先计算判断矩阵每一行的乘积，即：[0099][0100]其次计算mi的n次方根，即：[0101][0102]最后将向量进行归一化处理，即：[0103][0104]根据公式(3)～(5)，得出一级评价指标u的权重向量记为w＝(w1,w2,···,wi)，0≤wi≤1；二级评价指标ui权重向量为wi＝(wi1,wi2,···,wim)，0≤wim≤1；[0105](2-3)判断矩阵的一致性检验：首先计算判断矩阵的一致性指数(ci)：[0106][0107]公式(6)中n是判断矩阵的秩，n＞1；λmax是判断矩阵的最大特征根，(aw)i表示aw的第i个分量；[0108]其次计算判断矩阵的一致性比率(cr)：[0109][0110]公式(7)中ri是判断矩阵的随机一致性指数，当0≤cr＜0.1时则表示判断矩阵满足一致性要求，并将向量w作为权重向量的解，但当cr≥0.1，表示一致性检验没有通过，则需要对所得判断矩阵的权重进行优化。[0111]在上述步骤(3)中，采用遗传算法对判断矩阵中一致性检验问题进行优化，使判断矩阵满足一致性，优化模型步骤如下：[0112](3-1)首先，取一级评价指标u＝{u1,u2,···,un}的判断矩阵为例，其权重向量为w＝(w1,w2,···,wi)，构建优化目标函数：[0113][0114][0115]公式(8)中，cif(n)是一致性指标函数，wk是优化后的权重向量；cif(n)越趋近于0，其对应的权重值是判断矩阵的最佳权重值；[0116](3-2)其次，随机初始化种群，对初始群体进行随机设定，生成一组可行解，其中个体编码方法选择实数编码，每个个体均为一个实数串，种群规模为n，进化次数为200，交叉概率为0.3，变异概率为0.2；[0117]并构建适应度函数：将目标函数cif(n)的预测输出与期望输出的误差绝对值之和作为个体适应度值f：[0118][0119]式中，n为网络输出节点数，yi为目标函数cif(n)第i个节点的期望输出，xi为第i个节点的预测输出，k为系数；[0120]同时进行选择操作：选择轮盘赌法作为适应度比例的选择策略，每个个体i的选择概率为pi：[0121]fi＝k/fiꢀꢀꢀ(11)[0122][0123]式(11)～(12)中，fi为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数，n为种群个体数目；[0124](3-3)然后完成交叉操作与变异操作：交叉操作方法采用实数交叉法，将第k个染色体ck和第l个染色体cl在j位进行交叉：[0125][0126]选取第i个个体的第j个基因cij进行变异操作，方法如下：[0127][0128]公式(13)～(14)中，b是交叉概率，cmax为基因cij的上届，cmin为基因cij的下届，r2为[0,1]之间的随机数，r2＝0.2，g为当前迭代次数，gmax为最大进化次数，r1为变异概率；[0129](3-4)最后，确定更新后的权值是否满足公式(9)的约束条件，如果满足则终止迭代，此时对应的最优可行解即为最佳权重值；否则再次进行选择操作。[0130]在上述步骤(4)中，由于每个指标的评价值不同，往往会形成不同的等级，由各种不同的判断构成的集合被称为评语集。本发明根据奶牛冷应激评价指标体系(图1),设定评价指标因素集与评语集，具体步骤如下：[0131](4-1)首先，根据所述的奶牛冷应激评价指标体系，设定评价指标因素集与评语集：其中一级评价指标集u＝{(u1,u2,u3)}，二级评价指标集u1＝(u11,u12,u13,u14)、u2＝(u21,u22)、u3＝(u31,u32,u33)，评语集vj＝(v1,v2,v3,v4,v5)，评语集中v1～v5分别代表无、轻度、中度、高度以及极度5个冷应激评价等级；[0132](4-2)本发明依据环境质量标准完成9项指标冷应激程度的划分，并进行定量与定性分析。为保证畜产品质量，北方规模化奶牛养殖场在实际养殖过程中需要按照规定的环境质量标准，即“奶牛场舍区、场区、缓冲区环境质量标准(db11/t426-2007)”。该标准用于奶牛场的环境质量控制、监测和环境管理。其中，温度、相对湿度、风速、光照、co2、nh3与pm10的范围及阈值如表1所示：[0133]表1北方规模化奶牛养殖场环境质量标准[0134][0135]标准中所规定的co2、nh3以及h2s单位为mg/m3，而本发明所采用的环境参数多功能测量仪采集数据单位为ppm。因此，本发明将mg/m3换算成为ppm作为数据单位。其中，ppm与mg/m3之间的换算公式为:体积浓度(ppm)＝24.5x质量浓度(mg/m3)/分子量。[0136]模糊数学模型构建的基本思想是隶属度的思想，奶牛冷应激各评价等级的隶属度可通过对应的模糊数学语言进行转化。隶属度的范围是[0,1]，其值越大，就代表越属于这个集合。本发明选取梯形分布与半梯形分布构建隶属函数，每个分布分为偏小型、偏大型和中间型，将8个特征指标(温度、相对湿度、风速、呼吸频率、体感温度、co2、nh3以及pm10)使用各自的隶属函数进行定量分析，公式如(15)～(17)所示。[0137][0138][0139][0140]公式(15)～(17)中，μm(xi)，μi(xi)，μl(xi)分别为所述的偏小型、中间型和偏大型隶属度函数，xi为指标所对应的数值，a,b,c,d分别为每一个模糊集合的边界值；[0141]同时，本发明以春季同泌乳日龄奶牛的日均产奶量为基准，将呼吸频率与腹部表面温度的冷应激程度按照产奶量减产程度进行划分。本发明采用广义线性混合模型将呼吸频率、腹部表面温度与日均产奶量之间的关系进行数学统计学分析。分析结果表明，广义线性混合模型中的固定效应模型均具有统计学意义(f＝1270.122,p＝0.021＜0.01；f＝2319.157,p＝0.014＜0.01)，截距分别为-25.54、-92.20(p＜0.001,table5)。日均产奶量的主效应均显著(p＜0.001)，其系数值分别为1.43、3.41，表明当奶牛的产奶量每下降1kg，呼吸频率则下降次1.43次/min、体表温度下降3.41℃。本发明将呼吸频率与体表温度按照奶牛减产程度的5％，划分为5个等级，图3分别给出了8个指标的5个隶属度函数图。[0142]此外，光照指标的分布均匀性由牛舍内灯的悬挂方式、距离、照射范围以及牛舍中是否存在明暗交替现象进行判断。本发明将冬季采集数据与牛舍监控视频发给专家，对光照指标进行打分，取43人的平均值作为光照指标的最终得分。表2和表3显示了评价内容与打分标准，指标得分对应奶牛冷应激程度，分值越高表明光照指标对奶牛的影响更加积极。本发明中专家对光照指标的打分均值为76、58，该分数表示南北两侧奶牛分别处于“轻度冷应激”与“中度冷应激”。[0143]表2光照指标具体评价内容[0144][0145]表3定性指标评价分数与冷应激程度对应关系[0146][0147](4-3)最后，建立多级模糊综合评价模型，主要包括二级指标综合评判和一级指标综合评判；在所述的二级指标综合评判中，对二级指标因素集ui＝{ui1,ui2,···uim}的第uim个因素进行单因素评判，得到单因素评判矩阵，即确定uim对评语vj的隶属度，得到单因素评判结果：[0148]rim＝{r(im)1,r(im)2,…,r(im)j}ꢀꢀꢀ(18)[0149]单因素评判实际上是指标因素集合到评语集合的模糊映射，对ui中的每个因素进行评判，可得到ui的模糊评判矩阵ri：[0150][0151]二级指标因素ui的权重为wi＝(wi1,wi2,…wim)，求得二级指标综合判定结果如下：[0152][0153]在所述的一级指标综合评判中，将二级评判结果作为因素值进行一级综合评判。则二级模糊评判集bi＝(bi1，bi2，…，bij)t作为一级综合评判的模糊关系矩阵r为：[0154][0155]一级评价指标u权重向量为w＝(w1,w2,…,wi)，从而得一级指标综合判定向量为：[0156][0157]表示模糊矩阵的合成算子；bj为评判对象对于每个评语的隶属度，最终根据最大隶属度原则得出奶牛所处的冷应激程度。[0158]本发明由30名奶牛养殖领域专家(包括奶牛营养与饲料科学专家12人、奶牛生产专家13人，奶牛智能化养殖专家5人)以及13名奶牛养殖人员采用1～9标度法，对每组指标的重要性打分，得到了43组指标权重向量值，并做均值化处理。表4仅列出了1位专家和1位养殖人员对各级指标重要性比较打分及其权重向量的计算过程。图4为评价指标体系中各指标最终权重值。[0159]表4根据专家打分计算奶牛冷应激各级指标权重示例[0160][0161]以任意一头奶牛的数据为例：{(温度：-7℃)，(湿度：84℃)，(风速：0.23m/s)，(光照：76分)，(呼吸频率：21.3次/分钟)，(体温：24.2℃)，(co2：2639ppm)，(nh3：5.3ppm)，(pm10：230ug/m3)}，首先根据对二级指标u11、u12、u13、u14进行单因素模糊评判，得到温热环境u1的模糊评判矩阵r1：[0162][0163]根据图4可得u1的二级指标权重为w1＝[0.25,0.13,0.19,0.04]，温热环境综合判定结果如下：b1＝w1°r1＝[0.076,0.404,0.13,0,0]。同理，生理因素与空气质量指标综合判定结果如下：[0164]b2＝[0,0.22,0.09,0,0][0165]b3＝[0.03,0,0.027,0.23,0][0166]其次，对一级指标进行综合评判，二级模糊评判集bi＝(b1,b2,b3)t作为一级综合评判的模糊关系矩阵，一级指标权重为w＝[0.59,0.34.0.07]，计算得到综合判定向量b，归一化处理后得：[0167]b＝[0.10,0.65,0.23,0.03,0][0168]可以看出评价结果b2＝0.65最大，根据最大隶属度原则，此时奶牛冷应激综合评价属于评价集v中的第二个等级v2，则综合评价结果为“轻度冷应激”。[0169]图5为南北两侧每日平均冷应激时长，主要以轻度冷应激为主，但持续时间较长。其中，轻度冷应激平均总时长分别为605.3h(25.22d)、725.5h(30.23d)，中度冷应激平均时长分别为67.2h(2.8d)、96h(4.0d)，主要发生在12月份，1月份和2月份。南侧比北侧的冷应激时长分别少120.2h,28.8h。[0170]采用广义线性混合模型对日均冷应激时长与行为特征(包括日均产奶量、行为特征日均采食量、日均躺卧时长以及日均活动步数)进行统计学数据分析，固定效应参数估计结果如表5所示，奶牛日均冷应激时长与行为特征之间相关性均显著(p《0.001)，验证了所提出方法的可行性。本发明所提出的冷应激综合评估方法可以反映中国北方冬季奶牛所遭受的冷应激状况，为评估冬季奶牛所处的冷应激程度提供新思路。[0171]表5固定效应参数估计结果[0172][0173]1南侧日均冷应激时长与日均产奶量及行为特征的固定效应参数估计结果[0174]2北侧日均冷应激时长与日均产奶量及行为特征的固定效应参数估计结果[0175]需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。当前第1页12当前第1页12
技术特征：1.一种奶牛冷应激多级模糊综合评估方法，其特征在于：包括以下步骤：步骤(1)，根据文献调查以及专家咨询，将与奶牛冷应激相关的因素进行特征分类，采用多层次分析法构建出奶牛冷应激综合评价指标体系；步骤(2)，建立各指标层的判断矩阵，并作一致性检验，若满足一致性要求则确定各指标层权重，反之，采用遗传算法对各指标层的权重进行优化；步骤(3)，采用遗传算法用于检验和修正判断矩阵，通过交叉、变异等操作计算各指标层的权重，最终得到满足判断矩阵一致性的最优可行解；步骤(4)，从冷应激程度和适用性等角度，设定评语集，并建立隶属度模糊评价矩阵模型，对多级指标因素进行综合评价，最终根据最大隶属度原则，确定奶牛冷应激程度。2.根据权利要求1所述的一种奶牛冷应激多级模糊综合评估方法，其特征在于：在所述步骤(1)中，评价指标体系分为4个层次，包括目标层、约束层、准则层及方案层；所述的目标层为奶牛冷应激综合评价结果，所述的约束层为一级指标层，包括温热环境、生理因素和空气质量3个维度，所述的准则层为二级指标，进一步反应约束层的内容，包括温度、相对湿度、风速、光照、呼吸频率、体感温度、co2、nh3以及pm
10
共9个指标，所述的方案层划分为无、轻度、中度、高度、极度5个冷应激评价等级。3.根据权利要求1所述的一种奶牛冷应激多级模糊综合评估方法，其特征在于：所述步骤(2)包括以下步骤：(2-1)构建判断矩阵：当影响评价对象的因素有n个，则集合u＝{u1,u2,
···
,u
n
}称为因素集，u
i
(i＝1,2,
···
,n)为影响因素；对每个因素进行分组，设为u＝{u1,u2,
···
,u
n
}，其中u
i
有m个影响因素，即u
i
＝{u
i1
,u
i2
,
···
,u
im
}为一级指标因素，u
im
为二级指标因素,且满足以下两个条件：由专家采用1～9标度法对各指标层中因素之间的相对重要性进行量化，由量化结果的标度构造出两两比较的判断矩阵，对判断矩阵进行单排序计算，构造判断矩阵a＝(a
ij
)
n
×
n
，如下：公式(2)中，a
ij
是元素u
i
与u
j
相比的重要程度，且a
ij
＞0，a
ii
＝1，a
ji
＝1/a
ij
；(2-2)计算权重指标：采用方根法确定各指标的权重：首先计算判断矩阵每一行的乘积，即：其次计算m
i
的n次方根，即：
最后将向量进行归一化处理，即：根据公式(3)～(5)，得出一级评价指标u的权重向量，并记为w＝(w1,w2,
···
,w
i
)，0≤w
i
≤1，二级评价指标u
i
权重向量为w
i
＝(w
i1
,w
i2
,
···
,w
im
)，0≤w
im
≤1；(2-3)判断矩阵的一致性检验：首先计算判断矩阵的一致性指数(ci)：公式(6)中n是判断矩阵的秩，n＞1；λ
max
是判断矩阵的最大特征根，(aw)
i
表示aw的第i个分量；其次计算判断矩阵的一致性比率(cr)：公式(7)中ri是判断矩阵的随机一致性指数，当0≤cr＜0.1时则表示判断矩阵满足一致性要求，并将向量w作为权重向量的解，但当cr≥0.1，表示一致性检验没有通过，则需要对所得判断矩阵的权重进行优化。4.根据权利要求1所述的一种奶牛冷应激多级模糊综合评估方法，其特征在于：所述步骤(3)包括以下步骤：(3-1)首先，取一级评价指标u＝{u1,u2,
···
,u
n
}的判断矩阵为例，其权重向量为w＝(w1,w2,
···
,w
i
)，构建优化目标函数：)，构建优化目标函数：公式(8)中，cif(n)是一致性指标函数，w
k
是优化后的权重向量；cif(n)越趋近于0，其对应的权重值是判断矩阵的最佳权重值；(3-2)其次，随机初始化种群，对初始群体进行随机设定，生成一组可行解，其中个体编码方法选择实数编码，每个个体均为一个实数串，种群规模为n，进化次数为200，交叉概率为0.3，变异概率为0.2；并构建适应度函数：将目标函数cif(n)的预测输出与期望输出的误差绝对值之和作为个体适应度值f：式中，n为网络输出节点数，y
i
为目标函数cif(n)第i个节点的期望输出，x
i
为第i个节点的预测输出，k为系数；同时进行选择操作：选择轮盘赌法作为适应度比例的选择策略，每个个体i的选择概率为pi：
f
i
＝k/f
i
ꢀꢀꢀꢀ
(11)式(11)～(12)中，f
i
为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数，n为种群个体数目；(3-3)然后完成交叉操作与变异操作：交叉操作方法采用实数交叉法，将第k个染色体c
k
和第l个染色体c
l
在j位进行交叉：选取第i个个体的第j个基因c
ij
进行变异操作，方法如下：公式(13)～(14)中，b是交叉概率，c
max
为基因c
ij
的上届，c
min
为基因c
ij
的下届，r2为[0,1]之间的随机数，r2＝0.2，g为当前迭代次数，g
max
为最大进化次数，r1为变异概率；(3-4)最后，确定更新后的权值是否满足公式(9)的约束条件，如果满足则终止迭代，此时对应的最优可行解即为最佳权重值，否则再次进行选择操作。5.根据权利要求1所述的一种奶牛冷应激多级模糊综合评估方法，其特征在于：所述步骤(4)包括以下步骤：(4-1)首先，根据所述的奶牛冷应激评价指标体系，设定评价指标因素集与评语集：其中一级评价指标集u＝{(u1,u2,u3)}，二级评价指标集u1＝(u
11
,u
12
,u
13
,u
14
)、u2＝(u
21
,u
22
)、u3＝(u
31
,u
32
,u
33
)，评语集v
j
＝(v1,v2,v3,v4,v5)，评语集中v1～v5分别代表无、轻度、中度、高度以及极度5个冷应激评价等级；(4-2)然后，完成9项指标冷应激程度的划分，对温度、相对湿度、风速、呼吸频率、体感温度、co2、nh3以及pm
10
进行定量分析，选取梯形分布与半梯形分布构建隶属函数，每个分布分为偏小型、中间型和偏大型，公式如下所示：分为偏小型、中间型和偏大型，公式如下所示：
公式(15)～(17)中，μ
m
(x
i
)，μ
i
(x
i
)，μ
l
(x
i
)分别为所述的偏小型、中间型和偏大型隶属度函数，x
i
为指标所对应的数值，a,b,c,d分别为每一个模糊集合的边界值；此外，依据光照时长、人工光照强度以及光照分布均匀性三方面，由专家结合自身经验对光照指标的冷应激程度进行定性分析；(4-3)最后，建立多级模糊综合评价模型，主要包括二级指标综合评判和一级指标综合评判；在所述的二级指标综合评判中，对二级指标因素集u
i
＝{u
i1
,u
i2
,
···
u
im
}的第u
im
个因素进行单因素评判，得到单因素评判矩阵，即确定u
im
对评语v
j
的隶属度，得到单因素评判结果：r
im
＝{r
(im)1
,r
(im)2
,
…
,r
(im)j
}
ꢀꢀꢀꢀ
(18)单因素评判实际上是指标因素集合到评语集合的模糊映射，对u
i
中的每个因素进行评判，可得到u
i
的模糊评判矩阵r
i
：二级指标因素u
i
的权重为w
i
＝(w
i1
,w
i2
,
…
w
im
)，求得二级指标综合判定结果如下：在所述的一级指标综合评判中，将二级评判结果作为因素值进行一级综合评判，则二级模糊评判集b
i
＝(b
i1
，b
i2
，
…
，b
ij
)
t
作为一级综合评判的模糊关系矩阵r为：一级评价指标u权重向量为w＝(w1,w2,
…
,w
i
)，从而得一级指标综合判定向量为：)，从而得一级指标综合判定向量为：表示模糊矩阵的合成算子，b
j
为评判对象对于每个评语的隶属度，最终根据最大隶属度原则得出奶牛所处的冷应激程度。6.根据权利要求1所述的一种奶牛冷应激多级模糊综合评估方法，其特征在于，所述的1～9标度法表示u
i
与u
j
两个元素相比，1代表两个元素同等重要，3表示u
i
比u
j
稍微重要，5表示u
i
比u
j
明显重要，7表示u
i
比u
j
强烈重要，9表示u
i
比u
j
极端重要，2、4、6、8是上述判断的中
间值。
技术总结本发明公开了一种奶牛冷应激多级模糊综合评估方法，包括以下步骤：步骤(1)：采用层次分析法，从温热环境(温度、相对湿度、风速以及光照)、生理因素(呼吸频率、体表温度)和空气质量(NH3、CO2、PM
技术研发人员：沈维政 付晓 戴百生 魏晓莉 尹艳玲 张宇 熊本海
受保护的技术使用者：东北农业大学
技术研发日：2022.06.29
技术公布日：2022/11/1
