CN106472332A - 基于动态智能算法的宠物喂养方法及系统 - Google Patents

Abstract

本发明提供了一种基于动态智能算法的宠物喂养方法及系统，其中的方法包括：采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量、当前图像、当前体重构成影响因素矩阵X，并上传至服务器；其中，喂食类型和喂食量构成决策变量；在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养模型；利用MOEA/D算法对宠物喂养模型进行优化，获得决策变量的一组最优解；将决策变量的该组最优解作为宠物的推荐决策X^*通过服务器下发至用户的终端设备进行显示；用户根据终端设备显示的推荐决策X^*喂食宠物。利用本发明能够确定最优的宠物喂养方案，为宠物营造了更好的生活环境。

Description

基于动态智能算法的宠物喂养方法及系统

技术领域

本发明涉及宠物智能喂养领域，具体涉及一种基于动态智能算法的宠物喂养方法及系统。

背景技术

随着国民经济的快速发展，宠物作为一种情感寄托越来越成为人们乐意选择的一种方式。但如果仅仅使用缺乏科学依据的个人经验对宠物进行喂养，其不合理的喂养方案可能会使宠物缺乏营养导致疾病或富营养化以致肥胖，都达不到我们预想的目标，间接造成大量的精力损失和金钱浪费。

目前，亟需解决的问题是建立一套全面的宠物喂养模型，并将宠物生理指标、饮食情况反馈给用户，让用户能及时对宠物喂食方案做出调整。影响宠物健康程度的各个因素之间往往体现出高度的复杂性和非线性，采用常规预测、分析方法存在一定难度。

发明内容

本发明通过提供一种基于动态智能算法的宠物喂养方法及系统，以解决现有宠物喂养过程中因缺乏喂养经验，无法掌控最优的喂食方案而导致宠物饥饿或不健康的问题。

为解决上述问题，本发明采用以下技术方案予以实现：

一方面，本发明提供的基于动态智能算法的宠物喂养方法，包括：

步骤S1：采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量，当前图像、当前体重构成影响因素矩阵X，并上传至服务器；其中，喂食类型和喂食量构成决策变量；

步骤S2：在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养模型；

步骤S3：利用MOEA/D算法对宠物喂养模型进行优化，获得决策变量的一组最优解；

步骤S4：将决策变量的该组最优解作为宠物的推荐决策X^*通过服务器下发至用户的终端设备进行显示；

步骤S5：用户根据终端设备显示的推荐决策X^*喂食宠物。

另一方面，本发明提供的基于动态智能算法的宠物喂养系统，包括：

数据采集单元，用于采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量，当前图像、当前体重构成影响因素矩阵X，并上传至服务器；其中，喂食类型和喂食量构成决策变量；

宠物喂养模型建立单元，用于在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养模型；

决策变量最优解获取单元，用于利用MOEA/D算法对宠物喂养模型进行优化，获得决策变量的一组最优解，并作为宠物的推荐决策X^*；

推荐决策下发单元，用于通过服务器将宠物的推荐决策X^*下发至用户的终端设备进行显示。

与现有技术相比，本发明提供的基于动态智能算法的宠物喂养方法及系统的优点是：利用Elman神经网络建立宠物喂养模型，再利用MOEA/D算法优化宠物喂养模型，确定了宠物喂食量、食品类型的最优值，并将宠物喂食量、食品类型的最优值构成宠物喂食方案即时反馈给用户，让用户随时随地都能了解宠物的当前状况，为宠物营造了更好的生活环境。

附图说明

图1为根据本发明实施例的基于动态智能算法的宠物喂养方法的流程示意图；

图2为根据本发明实施例的健康指标预测结果图；

图3为根据本发明实施例的健康指标预测误差图；

图4为根据本发明实施例的用户界面示意图。

具体实施方式

图1示出了根据本发明实施例的基于动态智能算法的宠物喂养方法的流程。

如图1所示，本发明的基于动态智能算法的宠物喂养方法，包括：

步骤S1：采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量，当前图像、当前体重构成影响因素矩阵X，并上传至服务器；其中，喂食类型和喂食量构成决策变量。

通过统计得到对宠物的健康程度y₁影响最大的变量为：宠物种类x₁、年龄x₂、心跳频率x₃、血压x₄、活动量x₅、体温x₆、当前图像x₇、性别x₈、当前体重x₉、喂食量x₁₀、食物类型x₁₁，共11个变量；其中，心跳频率x₃、血压x₄、活动量x₅、体温x₆由对应的传感器测量数据；当前图像x₇由摄像头采集，宠物种类x₁、年龄x₂、性别x₈、当前体重x₉为固有属性，由用户输入；喂食量x₁₀、食物类型x₁₁构成决策变量。

宠物的体温x₆通过温度传感器采集获得；宠物的心跳频率x₃通过心率传感器采集获得；宠物的血压x₄通过血压传感器采集获得；宠物的活动量x₅通过计步器采集获得；利用采样电路分别与温度传感器、心率传感器、血压传感器、计步器进行连接，并将温度传感器、心率传感器、血压传感器、计步器、重量传感器分别采集到的宠物的体温、心跳频率、血压、活动量、当前体重转换成数字信号。

宠物在当前时刻的图像信息通过摄像头采集获得，摄像头将图像信息转换成数字信号。

在本发明中，服务器优选为云服务器。

步骤S2：在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养模型。

设置X_k＝[x_k1,x_k2,L,x_kM](k＝1,2,L,S)为输入矢量，N为训练样本个数，

为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量Y_k(g)＝[y_k1(g),y_k2(g),L,y_kP(g)](k＝1,2,L,S)为第g次迭代时网络的实际输出，d_k＝[d_k1,d_k2,L,d_kP](k＝1,2,L,S)为期望输出，迭代次数g为500。

在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养模型的过程，包括：

步骤S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)、W_JC(0)一个(0,1)区间的随机值；

步骤S22：随机输入样本X_k；

步骤S23：对输入样本X_k，前向计算Elman神经网络每层神经元的实际输出Y_k(g)；

步骤S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

步骤S25：判断误差E(g)是否小于预设的误差值，如果大于或等于，进入步骤S26，如果小于，则进入步骤S29；

步骤S26：判断迭代次数g+1是否大于最大迭代次数，如果大于，进入步骤S29，否则，进入步骤S27；

步骤S27：对输入样本X_k反向计算Elman神经网络每层神经元的局部梯度δ；

步骤S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；

其中，ΔW_ij＝η·δ_ij，η为学习效率；W_ij(g+1)＝W_ij(g)+ΔW_ij(g)；

步骤S29：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22。

在Elman神经网络设计中，隐层节点数的多少是决定Elman神经网络模型好坏的关键，也是Elman神经网络设计中的难点，这里采用试凑法来确定隐层的节点数。

式中，p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，k为1-10之间的常数。Elman神经网络的设置参数如下表2所示。

表2Elman神经网络设置参数

通过上述过程，可得到Elman神经网络预测效果如图2-3所示。智能宠物喂养的基础是模型的建立，模型精度直接影响输出结果。通过对图2-3分析可知，健康指数预最大测误差为4.2％，模型预测精度高，满足建模要求。

步骤S3：利用MOEA/D算法(Multi-obiective Evolutionary AlgorithmBasedonDecomposition，基于分解的多目标优化算法)对宠物喂养模型进行优化，获得决策变量的一组最优解，也就是获得宠物的喂食类型、喂食量的一组最优值。

利用MOEA/D算法对宠物喂养模型进行优化的步骤包括：

步骤S31：初始化所述宠物喂养模型；其中，步骤S31包括：

步骤S311：将待优化的多个目标分解为N个单目标，并对每个单目标赋予权重(λ₁，λ₂，…λ_N)；

步骤S312：计算任意两个权重的欧式距离B(i)，对于每个i＝1，2，…N，令B(i)＝{i₁,i₂,…i_T}，则为距离权重向量λⁱ最近的T个权重；

步骤S313：初始化种群x¹L x^N的初始化目标函数最佳值z＝(z₁,...z_m)T，Z_i＝min{f_i(x¹)，...f_i(x^N)}，设置外部存档EP为空；

步骤S32：对单个待优化目标最优值进行重复计算，每次产生的新向量更加接近多目标优化的最优值；

步骤S321：从B(i)中随机选取两个序列号为k和l的子向量，利用遗传算子有x^k，x¹产生一个新的解y，并对解y利用基于测试问题的修复和改进启发产生y'；

步骤S322：更新Z：对于j＝1，...m，如果Z_i＜f_j(y')，则令Z_i＝f_j(y')；

步骤S323：更新邻域解：对于j∈B(i)，如果g^te(y'/λ^j，Z)≤g^te(x/λ^j，Z)，则令x^j＝y'，FV^j＝F(y^j)，其中g^te(x/λ^j,z)表示第j个子问题的目标函数，利用切比雪夫法将多目标优化分解为N个标量优化子问题，具体表达式为：

其中，FV为x的目标函数，FVⁱ＝F(xⁱ)，FVⁱ是xⁱ的F值；

步骤S324：更新外部存档EP：从外部存档EP中移出所有被F(y')支配的向量，加入所有不被支配的F(y')；

步骤S33：判断迭代次数是否达到预设的上限，如果达到，则输出外部存档EP的值，并作为所述决策变量的一组最优解；如果未达到，则返回步骤S32。

步骤S34：将决策变量的该组最优解作为宠物的推荐决策X^*通过服务器下发至用户的终端设备进行显示。

各类传感器每2小时采集一次数据上传至服务器，服务器接数据并通过宠物喂养模型给出宠物当前推荐的喂食量和食物类型。

步骤S35：用户根据终端设备显示的推荐决策喂养宠物。

用户可以在终端设备上打开智能宠物喂养界面(如图4所示)，界面显示该宠物的简要信息，宠物的简要信息包括宠物的图像、当前健康指数，用户可在界面设置宠物的理想健康指数，由服务器下发推荐的喂食类型和喂食量。

宠物的当前健康指数由基于MOEA/D算法对宠物喂养模型进行优化得到，宠物的当前健康指数与决策变量的一组最优解相对应。

本发明提供的基于动态智能算法的宠物喂养方法，首先，利用传感器、摄像头等硬件采集宠物的生理指标参数、宠物图像、喂食量、食物类型；然后，将采集到的数据上传至服务器进行存储，在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养的动态模型，利用MOEA/D算法优化得到决策变量的一组最优值，并将这组最优解作为推荐决策下发至用户的PC或APP终端，最后，用户可根据推荐决策决定宠物的喂食量和食物类型。该方法能够确定最优的宠物喂养方案，为宠物营造了更好的生活环境。

与上述方法相对应，本发明还提供一种基于动态智能算法的宠物喂养系统。

本发明提供的基于动态智能算法的宠物喂养系统，包括：

数据采集单元，用于采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量，当前图像、当前体重构成影响因素矩阵X，并上传至服务器；其中，喂食类型和喂食量构成决策变量。数据采集单元采集数据的具体过程参考上述步骤S1。

宠物喂养模型建立单元，用于在服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养模型。宠物喂养模型建立单元建立宠物喂养模型的具体过程参考上述步骤S2。

决策变量最优解获取单元，用于利用MOEA/D算法对宠物喂养模型进行优化，获得决策变量的一组最优解，并作为宠物的推荐决策X^*。决策变量最优解获取单元获取决策变量的最优解具体过程参考上述步骤S3。

推荐决策下发单元，用于通过服务器将宠物的推荐决策X^*下发至用户的终端设备进行显示。

用户根据终端设备显示的推荐决策X^*对宠物进行喂食。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种基于动态智能算法的宠物喂养方法，其特征在于，包括如下步骤：

步骤S1：采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量，当前图像、当前体重构成影响因素矩阵X，并上传至服务器；其中，所述喂食类型和所述喂食量构成决策变量；

步骤S2：在所述服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养模型；

步骤S3：利用MOEA/D算法对所述宠物喂养模型进行优化，获得所述决策变量的一组最优解；

步骤S4：将所述决策变量的该组最优解作为所述宠物的推荐决策X^*通过所述服务器下发至用户的终端设备进行显示；

步骤S5：所述用户根据所述终端设备显示的推荐决策X^*喂食所述宠物。

2.根据权利要求1所述的基于动态智能算法的宠物喂养方法，其特征在于，所述宠物喂养模型中X_k＝[x_k1，x_k2，L，x_kM](k＝1，2，L，S)为输入样本，S为训练样本的个数，W_MI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Y_k(g)＝[y_k1(g)，y_k2(g)，L，y_kP(g)](k＝1，2，L，S)为第g次迭代时的实际输出，d_k＝[d_k1，d_k2，L，d_kP](k＝1，2，L，S)为期望输出；以及，

建立所述宠物喂养模型的步骤包括：

步骤S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)、W_JC(0)一个(0，1)区间的随机值；

步骤S22：随机输入样本X_k；

步骤S23：对输入样本X_k，前向计算所述Elman神经网络每层神经元的实际输出Y_k(g)；

步骤S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

步骤S25：判断误差E(g)是否小于预设的误差值，如果大于或等于，进入步骤S26，如果小于，则进入步骤S29；

步骤S26：判断迭代次数g+1是否大于最大迭代次数，如果大于，进入步骤S29，否则，进入步骤S27；

步骤S27：对输入样本X_k反向计算所述Elman神经网络每层神经元的局部梯度δ；

步骤S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；

其中，ΔW_ij＝η·δ_ij，η为学习效率；W_ij(g+1)＝W_ij(g)+ΔW_ij(g)；

步骤S29：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22。

3.根据权利要求1所述的基于动态智能算法的宠物喂养方法，其特征在于，利用MOEA/D算法对所述宠物喂养模型进行优化的步骤，包括：

步骤S31：初始化所述宠物喂养模型；其中，步骤S31包括：

步骤S311：将待优化的多个目标分解为N个单目标，并对每个单目标赋予权重(λ₁，λ₂，...λ_N)；

步骤S312：计算任意两个权重的欧式距离B(i)，对于每个i＝1，2，...N，令B(i)＝{i₁，i₂，…i_T}，则为距离权重向量λⁱ最近的T个权重；

步骤S313：初始化种群x¹ L x^N的初始化目标函数最佳值z＝(z₁，...z_m)T，Z_i＝min{f_i(x¹)，...f_i(x^N)}，设置外部存档EP为空；

步骤S32：对单个待优化目标最优值进行重复计算，每次产生的新向量更加接近多目标优化的最优值；

步骤S321：从B(i)中随机选取两个序列号为k和l的子向量，利用遗传算子有x^k，x¹产生一个新的解y，并对解y利用基于测试问题的修复和改进启发产生y′；

步骤S322：对于j＝1，...m，如果Z_i＜f_j(y′)，则令Z_i＝f_j(y′)；

步骤S323：对于j∈B(i)，如果g^te(y′/λ^j，Z)≤g^te(x/λ^j，Z)，则令x^j＝y′，

FV^j＝F(y^j)，其中g^te(x/λ^j，z)表示第j个子问题的目标函数，利用切比雪夫法将多目标优化分解为N个标量优化子问题，具体表达式为：

$g^{\mathrm{te}}=(x/{\mathrm{\λ}}^j,z)=\underset{1\≤i\≤m}{\max }\{{\mathrm{\λ}}_i\·|f_i\left(x\right)-z_i\left|\right\},{\mathrm{\λ}}^j={({\mathrm{\λ}}_1^j,L{\mathrm{\λ}}_m^j)}^T;$

其中，FV为x的目标函数，FVⁱ＝F(xⁱ)，FVⁱ是xⁱ的F值；

步骤S324：从外部存档EP中移出所有被F(y′)支配的向量，加入所有不被支配的F(y′)；

步骤S33：判断迭代次数是否达到预设的上限，如果达到，则输出外部存档EP的值，并作为所述决策变量的一组最优解；如果未达到，则返回步骤S32。

4.根据权利要求1-3中任一项所述的基于动态智能算法的宠物喂养方法，其特征在于，

利用温度传感器采集所述宠物的体温；

利用心率传感器采集所述宠物的心跳频率；

利用血压传感器采集所述宠物的血压；

利用计步器采集所述宠物的活动量；

利用摄像头采集所述宠物在当前时刻的面部图像信息，并将图像信息转换成数字信号；以及，

利用采样电路分别与所述温度传感器、所述心率传感器、所述血压传感器、所述计步器进行连接，并将所述温度传感器、所述心率传感器、所述血压传感器、所述计步器分别采集到的宠物的体温、心跳频率、血压、活动量转换成数字信号。

5.一种基于动态智能算法的宠物喂养系统，其特征在于，包括：

数据采集单元，用于采集宠物的种类、性别、年龄、心跳频率、血压、体温、活动量、喂食类型、喂食量，当前图像、当前体重构成影响因素矩阵X，并上传至服务器；其中，所述喂食类型和所述喂食量构成决策变量；

宠物喂养模型建立单元，用于在所述服务器内利用Elman神经网络建立影响因素矩阵X与宠物健康指数之间的复杂非线性关系，获得宠物喂养模型；

决策变量最优解获取单元，用于利用MOEA/D算法对所述宠物喂养模型进行优化，获得所述决策变量的一组最优解，并作为所述宠物的推荐决策X^*；

推荐决策下发单元，用于通过所述服务器将所述宠物的推荐决策X^*下发至用户的终端设备进行显示。