基于宠物日常数据分析的宠物喂养方法及系统与流程

技术特征：

1.一种基于宠物日常数据分析的宠物喂养方法，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NSGA-II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所述的基于宠物日常数据分析的宠物喂养方法，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AW，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所述的基于宠物日常数据分析的宠物喂养方法，其特征在于，利用NSGA-II算法对所述宠物喂养模型进行优化的步骤，包括：

步骤S31：初始化系统参数；其中，所述系统参数包括种群规模N、最大遗传代数G、交叉概率P和变异概率Q；

步骤S32：将第t代产生的新种群Q_t与其父代种群P_t合并组成种群R_t，种群R_t的大小为2N；若是第一代种群，则将第一代种群作为所述种群R_t；

步骤S33：对所述种群R_t进行非支配排序，获得一系列的非支配集Z_i，并计算所述非支配集Z_i中每个个体的拥挤度，产生新的父代种群P_t+1；

步骤S34：对所述父代种群P_t+1进行交叉、变异遗传操作获得子代种群Q_t+1；

步骤S35：遗传代数加1，判断遗传代数是否达到所述最大遗传代数G，如果是，输出当前全局最优解；如果否，跳转至步骤S32进行重复计算，直到遗传代数达到所述最大遗传代数G为止。

4.根据权利要求3所述的基于宠物日常数据分析的宠物喂养方法，其特征在于，步骤S33包括：

步骤S331：利用适应度函数判断所述种群R_t中的所有个体之间的相互支配关系；其中，D(i).n表示支配第i个个体的个体数量，D(i).p表示被第i个个体支配的个体集合；若个体i支配j，则将个体j放入D(i).p集合，D(j).n的值加1；依次操作，获得所有个体D(i).n与D(i).p的信息；

步骤S332：将所述种群R_t中所有D(i).n值为0的个体，放入非支配层的第一层，将所述种群R_t中所有D(i).n值为1的个体放入非支配层的第二层，直到将所述种群R_t中所有个体放入不同非支配层为止，将非支配层的层数按从小到大的顺序进行排序；

步骤S333：针对每个目标，对所述种群R_t进行非支配排序，令所述种群R_t边界的两个个体的拥挤度为无穷，对所述种群R_t中其他的个体进行拥挤度的计算：

$i_d=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\left(\right|{f_j}^{i+1}-{f_j}^{i-1}\left|\right)$

其中，i_d表示i点的拥挤度，表示i+1点的第j个目标函数值，表示i-1点的第j个目标函数值；

步骤S334：将非支配排序决定的非支配序i_rank和拥挤度i_d作为所述种群R_t中的每个个体i的两个属性，定义拥挤度比较算子：个体i与个体j进行比较，如果个体i所处的非支配层优于个体j所处的非支配层，即i_rank＜j_rank，或者个体i与个体j有相同的等级，且个体i比个体j的拥挤距离长，即i_rank＝j_rank且i_d＞j_d，则个体i获胜；

步骤S335：将非支配集Z₁放入所述父代种群P_t+1；如果所述父代种群P_t+1的个体数量未超出所述种群规模N，则将下一级的非支配集Z₂放入所述父代种群P_t+1，直到将非支配集Z₃放入所述父代种群P_t+1时，所述父代种群P_t+1的个体数量超出所述种群规模N，对所述非支配集Z₃中的个体使用所述拥挤度比较算子进行比较，取前{mum(Z₃)-(num(P_t+1)-N)}个个体，使所述父代种群P_t+1的个体数量达到所述种群规模N。

5.根据权利要求3所述的基于宠物日常数据分析的宠物喂养方法，其特征在于，对所述父代种群P_t+1进行交叉遗传操作的过程为：

将所述父代种群P_t+1内的所有个体随机搭配成对，对每一对个体，生成一个随机数，若某一对个体的随机数小于所述交叉概率P，则交换该对个体之间的部分染色体。

6.根据权利要求3所述的基于宠物日常数据分析的宠物喂养方法，其特征在于，对所述父代种群P_t+1进行变异遗传操作的过程为：

对所述父代种群P_t+1中的每一个个体，生成一个随机数，若某个个体的随机数小于所述变异概率Q，则改变该个体的某一个或某一些基因座上的基因值为其他基因值。

7.根据权利要求1-6中任一项所述的基于宠物日常数据分析的宠物喂养方法，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图像信息；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、所述重量传感器进行连接，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、当前体重转换成数字信号。

8.一种基于宠物日常数据分析的宠物喂养系统，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NSGA-II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^*；

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。