本發(fā)明涉及寵物智能喂養(yǎng)領域，具體涉及一種基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)方法及系統(tǒng)。

背景技術：

隨著國民經(jīng)濟的快速發(fā)展，寵物作為一種情感寄托越來越成為人們樂意選擇的一種方式。但如果僅僅使用缺乏科學依據(jù)的個人經(jīng)驗對寵物進行喂養(yǎng)，其不合理的喂養(yǎng)方案可能會使寵物缺乏營養(yǎng)導致疾病或富營養(yǎng)化以致肥胖，都達不到我們預想的目標，間接造成大量的精力損失和金錢浪費。

目前，亟需解決的問題是建立一套全面的寵物喂養(yǎng)模型，并將寵物生理指標、飲食情況反饋給用戶，讓用戶能及時對寵物喂食方案做出調(diào)整。影響寵物健康程度的各個因素之間往往體現(xiàn)出高度的復雜性和非線性，采用常規(guī)預測、分析方法存在一定難度。

技術實現(xiàn)要素：

本發(fā)明通過提供一種基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)方法及系統(tǒng)，以解決現(xiàn)有寵物喂養(yǎng)過程中因缺乏喂養(yǎng)經(jīng)驗，無法掌控最優(yōu)的喂食方案而導致寵物饑餓或不健康的問題。

為解決上述問題，本發(fā)明采用以下技術方案予以實現(xiàn)：

一方面，本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)方法，包括：

步驟S1：采集寵物的種類、性別、年齡、心跳頻率、血壓、體溫、活動量、喂食類型、喂食量，當前圖像、當前體重構(gòu)成影響因素矩陣X，并上傳至服務器；其中，喂食類型和喂食量構(gòu)成決策變量；

步驟S2：在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立影響因素矩陣X與寵物健康指數(shù)之間的復雜非線性關系，獲得寵物喂養(yǎng)模型；

步驟S3：利用SPEA-II算法對寵物喂養(yǎng)模型進行優(yōu)化，獲得決策變量的一組最優(yōu)解；

步驟S4：將決策變量的該組最優(yōu)解作為寵物的推薦決策X^*通過服務器下發(fā)至用戶的終端設備進行顯示；

步驟S5：用戶根據(jù)終端設備顯示的推薦決策X^*喂食寵物。

另一方面，本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)系統(tǒng)，包括：

數(shù)據(jù)采集單元，用于采集寵物的種類、性別、年齡、心跳頻率、血壓、體溫、活動量、喂食類型、喂食量，當前圖像、當前體重構(gòu)成影響因素矩陣X，并上傳至服務器；其中，喂食類型和喂食量構(gòu)成決策變量；

寵物喂養(yǎng)模型建立單元，用于在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立影響因素矩陣X與寵物健康指數(shù)之間的復雜非線性關系，獲得寵物喂養(yǎng)模型；

決策變量最優(yōu)解獲取單元，用于利用SPEA-II算法對寵物喂養(yǎng)模型進行優(yōu)化，獲得決策變量的一組最優(yōu)解，并作為寵物的推薦決策X^*；

推薦決策下發(fā)單元，用于通過服務器將寵物的推薦決策X^*下發(fā)至用戶的終端設備進行顯示。

與現(xiàn)有技術相比，本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)方法及系統(tǒng)的優(yōu)點是：在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立影響因素矩陣X與寵物健康指數(shù)之間的復雜非線性關系，獲得寵物喂養(yǎng)的動態(tài)模型，再利用SPEA-II算法優(yōu)化寵物喂養(yǎng)模型，確定了寵物喂食量、食品類型的最優(yōu)值，并將寵物喂食量、食品類型的最優(yōu)值構(gòu)成寵物喂食方案即時反饋給用戶，讓用戶隨時隨地都能了解寵物的當前狀況，為寵物營造了更好的生活環(huán)境。

附圖說明

圖1為根據(jù)本發(fā)明實施例的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)方法的流程示意圖；

圖2為根據(jù)本發(fā)明實施例的健康指標預測結(jié)果圖；

圖3為根據(jù)本發(fā)明實施例的健康指標預測誤差圖；

圖4為根據(jù)本發(fā)明實施例的用戶界面示意圖。

具體實施方式

圖1示出了根據(jù)本發(fā)明實施例的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)方法的流程。

如圖1所示，本發(fā)明的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)方法，包括：

步驟S1：采集寵物的種類、性別、年齡、心跳頻率、血壓、體溫、活動量、喂食類型、喂食量，當前圖像、當前體重構(gòu)成影響因素矩陣X，并上傳至服務器；其中，喂食類型和喂食量構(gòu)成決策變量。

通過統(tǒng)計得到對寵物的健康程度y₁影響最大的變量為：寵物種類x₁、年齡x₂、心跳頻率x₃、血壓x₄、活動量x₅、體溫x₆、當前圖像x₇、性別x₈、當前體重x₉、喂食量x₁₀、食物類型x₁₁，共11個變量；其中，心跳頻率x₃、血壓x₄、活動量x₅、體溫x₆由對應的傳感器測量數(shù)據(jù)；當前圖像x₇由攝像頭采集，寵物種類x₁、年齡x₂、性別x₈、當前體重x₉為固有屬性，由用戶輸入；喂食量x₁₀、食物類型x₁₁構(gòu)成決策變量。

寵物的體溫x₆通過溫度傳感器采集獲得；寵物的心跳頻率x₃通過心率傳感器采集獲得；寵物的血壓x₄通過血壓傳感器采集獲得；寵物的活動量x₅通過計步器采集獲得；利用采樣電路分別與溫度傳感器、心率傳感器、血壓傳感器、計步器、重量傳感器進行連接，并將溫度傳感器、心率傳感器、血壓傳感器、計步器、重量傳感器分別采集到的寵物的體溫、心跳頻率、血壓、活動量、當前體重轉(zhuǎn)換成數(shù)字信號。

寵物在當前時刻的面部特征通過攝像頭采集獲得，攝像頭將圖像信息轉(zhuǎn)換成數(shù)字信號。

在本發(fā)明中，服務器優(yōu)選為云服務器。

步驟S2：在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立影響因素矩陣X與寵物健康指數(shù)之間的復雜非線性關系，獲得寵物喂養(yǎng)模型。

設置X_k＝[x_k1,x_k2,L,x_kM](k＝1,2,L,S)為輸入矢量，N為訓練樣本個數(shù)，

為第g次迭代時輸入層M與隱層I之間的權(quán)值矢量，W_JP(g)為第g次迭代時隱層J與輸出層P之間的權(quán)值矢量，W_JC(g)為第g次迭代時隱層J與承接層C之間的權(quán)值矢量Y_k(g)＝[y_k1(g),y_k2(g),L,y_kP(g)](k＝1,2,L,S)為第g次迭代時網(wǎng)絡的實際輸出，d_k＝[d_k1,d_k2,L,d_kP](k＝1,2,L,S)為期望輸出，迭代次數(shù)g為500。

在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立影響因素矩陣X與寵物健康指數(shù)之間的復雜非線性關系，獲得寵物喂養(yǎng)模型的過程，包括：

步驟S21：初始化，設迭代次數(shù)g初值為0，分別賦給W_MI(0)、W_JP(0)、W_JC(0)一個(0,1)區(qū)間的隨機值；

步驟S22：隨機輸入樣本X_k；

步驟S23：對輸入樣本X_k，前向計算Elman神經(jīng)網(wǎng)絡每層神經(jīng)元的實際輸出Y_k(g)；

步驟S24：根據(jù)期望輸出d_k和實際輸出Y_k(g)，計算誤差E(g)；

步驟S25：判斷誤差E(g)是否小于預設的誤差值；如果大于或等于，進入步驟S26，如過小于，則進入步驟S29；

步驟S26：判斷迭代次數(shù)g+1是否大于最大迭代次數(shù)，如果大于，則進入步驟S29，否則，進入步驟S27；

步驟S27：對輸入樣本X_k反向計算Elman神經(jīng)網(wǎng)絡每層神經(jīng)元的局部梯度δ；

步驟S28：計算權(quán)值修正量ΔW，并修正權(quán)值；令g＝g+1，跳轉(zhuǎn)至步驟S23；

其中，ΔW_ij＝η·δ_ij，η為學習效率；W_ij(g+1)＝W_ij(g)+ΔW_ij(g)；

步驟S29：判斷是否完成所有樣本的訓練；如果是，完成建模；如果否，跳轉(zhuǎn)至步驟S22。

在Elman神經(jīng)網(wǎng)絡設計中，隱層節(jié)點數(shù)的多少是決定Elman神經(jīng)網(wǎng)絡模型好壞的關鍵，也是Elman神經(jīng)網(wǎng)絡設計中的難點，這里采用試湊法來確定隱層的節(jié)點數(shù)。

式中，p為隱層神經(jīng)元節(jié)點數(shù)，n為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，k為1-10之間的常數(shù)。Elman神經(jīng)網(wǎng)絡的設置參數(shù)如下表2所示。

表2Elman神經(jīng)網(wǎng)絡設置參數(shù)

通過上述過程，可得到Elman神經(jīng)網(wǎng)絡預測效果如圖2-3所示。智能寵物喂養(yǎng)的基礎是模型的建立，模型精度直接影響輸出結(jié)果。通過對圖2-3分析可知，健康指數(shù)預最大測誤差為-3.9％，模型預測精度高，滿足建模要求。

步驟S3：利用SPEA-II算法(Strength Pareto EvolutioanryAlgorithm-II，強度進化算法-II)對寵物喂養(yǎng)模型進行優(yōu)化，獲得決策變量的一組最優(yōu)解。

獲得決策變量的一組最優(yōu)解，也就是獲得寵物的澆水量、施肥量、施肥類型的一組最優(yōu)值。

利用SPEA-II算法對寵物喂養(yǎng)模型進行優(yōu)化的步驟包括：

步驟S31：計算寵物喂養(yǎng)模型中種群中每個個體的適應度F(i)＝R(i)+D(i)，其中，R(i)和D(i)是影響F(i)大小的兩個因素。

根據(jù)帕累托支配概念，求出R(i)：

式中，Q為歸檔集，P為進化群體，一個迭代更新的種群，對初始種群P(0)進行選擇、交叉、變異操作得到第二代種群P(1)，對第二代種群P(1)進行選擇、交叉、變異操作得到第三代種群P(2)，以此類推。

D(i)是影響F(i)同時考慮支配個體和被支配個體的信息，采用近鄰機制對F(i)獲得更科學的評價：

式中，M為歸檔集Q的個體數(shù)量，為個體i到其第k個相鄰個體之間的歐式距離；為了計算需要計算個體i到進化群體P和歸檔集Q中其他所有個體之間的距離，并按照增序排列。

步驟S32：對種群的個體進行環(huán)境選擇，獲得新的歸檔集Q_t+1，t為當前迭代次數(shù)；其中，步驟S32包括：

步驟S321：在種群中選取適應度小于1的個體放入歸檔集Q_t+1中：

步驟S322：如果歸檔集Q_t+1中的個體數(shù)量和M相等，即|Q_t+1|＝M，直接使用歸檔集Q_t+1；如果歸檔集Q_t+1中的個體數(shù)量小于M，即|Q_t+1|＜M，則在上一代種群P_t和Q_t中選擇(M-|Q|)個適應度小于1的個體放入所述歸檔集Q_t+1中；如果歸檔集Q_t+1中的個體數(shù)量大于M，即|Q_t+1|＞M，則按照修建過程依次選擇個體i從歸檔集Q_t+1中刪除：

其中，表示個體i與歸檔集Q_t+1中第k個個體的歐式距離，當有至少一個個體在與其前l(fā)個鄰近個體具有相同的最小歐式距離，且與其第k個鄰近個體具有不同的距離時，刪除一個具有最小歐式距離的個體。

步驟S323：判斷迭代次數(shù)是否達到預設的上限；如果達到，輸出歸檔集Q_t+1的值；如果未達到，進行步驟S33；

步驟S33：對初始種群進行選擇、交叉、變異操作獲得更新后的新種群P_t+1；

步驟S34：將種群P_t+1和歸檔集Q_t+1代入步驟S31，循環(huán)步驟S31和步驟S32，直到迭代次數(shù)達到預設的上限為止，并輸出當前Q的值。

對于初始種群P(0)，歸檔集Q(0)為空，從初始種群P(0)中選出適應度小于1的個體放入歸檔集Q(0)中，判斷迭代次數(shù)是否達到預設的上限，如果達到，直接輸出歸檔集Q(0)的值，如果未達到，則對初始種群P(0)進行選擇、交叉、變異操作，獲得新的種群P(1)，從種群P(1)中選取適應度小于1的個體放入歸檔集Q(1)中，以此類推，直到迭代次數(shù)達到預設的上限為止，輸出當前歸檔集Q的值。需要說明的是，P和Q均為不斷更新的集合。

步驟S4：將決策變量的該組最優(yōu)解作為寵物的推薦決策X^*通過服務器下發(fā)至用戶的終端設備進行顯示。

各類傳感器每2小時采集一次數(shù)據(jù)上傳至服務器，服務器接數(shù)據(jù)并通過寵物喂養(yǎng)模型給出寵物當前推薦的喂食量和食物類型。

步驟S5：用戶根據(jù)終端設備顯示的推薦決策喂養(yǎng)寵物。

用戶可以在終端設備上打開智能寵物喂養(yǎng)界面(如圖4所示)，界面顯示該寵物的簡要信息，寵物的簡要信息包括寵物的圖像、當前健康指數(shù)，用戶可在界面設置寵物的理想健康指數(shù)，由服務器下發(fā)推薦的喂食類型和喂食量。

寵物的當前健康指數(shù)由基于SPEA-II算法對寵物喂養(yǎng)模型進行優(yōu)化得到，寵物的當前健康指數(shù)與決策變量的一組最優(yōu)解相對應。

本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)方法，首先，利用傳感器、攝像頭等硬件采集寵物的生理指標參數(shù)、寵物圖像、喂食量、食物類型；然后，將采集到的數(shù)據(jù)上傳至服務器進行存儲，在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立影響因素矩陣X與寵物健康指數(shù)之間的復雜非線性關系，獲得寵物喂養(yǎng)模型，利用SPEA-II算法對寵物喂養(yǎng)模型進行優(yōu)化，得到各決策變量的一組最優(yōu)值，并將這組最優(yōu)解作為推薦決策下發(fā)至用戶的PC或APP終端，最后，用戶可根據(jù)推薦決策決定寵物的喂食量和食物類型。該方法能夠確定最優(yōu)的寵物喂養(yǎng)方案，為寵物營造了更好的生活環(huán)境。

與上述方法相對應，本發(fā)明還提供一種基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)系統(tǒng)。本發(fā)明提供的基于物聯(lián)網(wǎng)大數(shù)據(jù)分析的寵物喂養(yǎng)系統(tǒng)，包括：

數(shù)據(jù)采集單元，用于采集寵物的種類、性別、年齡、心跳頻率、血壓、體溫、活動量、喂食類型、喂食量，當前圖像、當前體重構(gòu)成影響因素矩陣X，并上傳至服務器；其中，喂食類型和喂食量構(gòu)成決策變量。數(shù)據(jù)采集單元采集數(shù)據(jù)的具體過程參考上述步驟S1。

寵物喂養(yǎng)模型建立單元，用于在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立影響因素矩陣X與寵物健康指數(shù)之間的復雜非線性關系，獲得寵物喂養(yǎng)模型。寵物喂養(yǎng)模型建立單元建立寵物喂養(yǎng)模型的具體過程參考上述步驟S2。

決策變量最優(yōu)解獲取單元，用于利用SPEA-II算法對寵物喂養(yǎng)模型進行優(yōu)化，獲得決策變量的一組最優(yōu)解，并作為寵物的推薦決策X^*。決策變量最優(yōu)解獲取單元獲取決策變量的最優(yōu)解具體過程參考上述步驟S3。

推薦決策下發(fā)單元，用于通過服務器將寵物的推薦決策X^*下發(fā)至用戶的終端設備進行顯示。

用戶根據(jù)終端設備顯示的推薦決策X^*對寵物進行喂食。

應當指出的是，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本技術領域的普通技術人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改性、添加或替換，也應屬于本發(fā)明的保護范圍。