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,…,pn,p＝p1,q＝pn,假如对象pi从pi‑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wij，隐含层到输出层的权重wjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，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Hj、Ok，公式如下：

S33：计算误差，公式如下：

其中，Yk为期望输出，记Yk‑Ok＝ek；

S34：反向传播，迭代更新参数，ek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。

5.适用于权利要求1～4中任意一项所述方法的监测预警系统，其特征在于，该系统包括：传感节点、中央数据采集器以及监控中心；

所述传感节点包括温度传感器、湿度传感器、重量传感器，安装在蜂箱上，分别通过传感器接口与主控单元连接，主控单元还与通信单元和电源供电单元连接。

6.根据权利要求5所述的监测预警系统，其特征在于，传感器采集的数据通过蜂箱的中央数据采集器传输至监控中心即手机或者电脑设备进行分蜂预警分级，在出现分蜂趋势时进行报警。