基于物联网大数据分析的宠物喂养方法及系统与流程

本发明涉及宠物智能喂养领域，具体涉及一种基于物联网大数据分析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。

技术实现要素：

本发明通过提供一种基于物联网大数据分析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，本发明提供的基于物联网大数据分析的宠物喂养方法，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SPEA-II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，本发明提供的基于物联网大数据分析的宠物喂养系统，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SPEA-II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，本发明提供的基于物联网大数据分析的宠物喂养方法及系统的优点是：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，再利用SPEA-II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物联网大数据分析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物联网大数据分析的宠物喂养方法的流程。

如图1所示，本发明的基于物联网大数据分析的宠物喂养方法，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、重量传感器进行连接，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。

宠物在当前时刻的面部特征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，如过小于，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，则进入步骤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-3.9％，模型预测精度高，满足建模要求。

步骤S3：利用SPEA-II算法(Strength Pareto EvolutioanryAlgorithm-II，强度进化算法-II)对宠物喂养模型进行优化，获得决策变量的一组最优解。

获得决策变量的一组最优解，也就是获得宠物的浇水量、施肥量、施肥类型的一组最优值。

利用SPEA-II算法对宠物喂养模型进行优化的步骤包括：

步骤S31：计算宠物喂养模型中种群中每个个体的适应度F(i)＝R(i)+D(i)，其中，R(i)和D(i)是影响F(i)大小的两个因素。

根据帕累托支配概念，求出R(i)：

式中，Q为归档集，P为进化群体，一个迭代更新的种群，对初始种群P(0)进行选择、交叉、变异操作得到第二代种群P(1)，对第二代种群P(1)进行选择、交叉、变异操作得到第三代种群P(2)，以此类推。

D(i)是影响F(i)同时考虑支配个体和被支配个体的信息，采用近邻机制对F(i)获得更科学的评价：

式中，M为归档集Q的个体数量，为个体i到其第k个相邻个体之间的欧式距离；为了计算需要计算个体i到进化群体P和归档集Q中其他所有个体之间的距离，并按照增序排列。

步骤S32：对种群的个体进行环境选择，获得新的归档集Q_t+1，t为当前迭代次数；其中，步骤S32包括：

步骤S321：在种群中选取适应度小于1的个体放入归档集Q_t+1中：

步骤S322：如果归档集Q_t+1中的个体数量和M相等，即|Q_t+1|＝M，直接使用归档集Q_t+1；如果归档集Q_t+1中的个体数量小于M，即|Q_t+1|＜M，则在上一代种群P_t和Q_t中选择(M-|Q|)个适应度小于1的个体放入所述归档集Q_t+1中；如果归档集Q_t+1中的个体数量大于M，即|Q_t+1|＞M，则按照修建过程依次选择个体i从归档集Q_t+1中删除：

其中，表示个体i与归档集Q_t+1中第k个个体的欧式距离，当有至少一个个体在与其前l个邻近个体具有相同的最小欧式距离，且与其第k个邻近个体具有不同的距离时，删除一个具有最小欧式距离的个体。

步骤S323：判断迭代次数是否达到预设的上限；如果达到，输出归档集Q_t+1的值；如果未达到，进行步骤S33；

步骤S33：对初始种群进行选择、交叉、变异操作获得更新后的新种群P_t+1；

步骤S34：将种群P_t+1和归档集Q_t+1代入步骤S31，循环步骤S31和步骤S32，直到迭代次数达到预设的上限为止，并输出当前Q的值。

对于初始种群P(0)，归档集Q(0)为空，从初始种群P(0)中选出适应度小于1的个体放入归档集Q(0)中，判断迭代次数是否达到预设的上限，如果达到，直接输出归档集Q(0)的值，如果未达到，则对初始种群P(0)进行选择、交叉、变异操作，获得新的种群P(1)，从种群P(1)中选取适应度小于1的个体放入归档集Q(1)中，以此类推，直到迭代次数达到预设的上限为止，输出当前归档集Q的值。需要说明的是，P和Q均为不断更新的集合。

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。

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S5：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SPEA-II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。

本发明提供的基于物联网大数据分析的宠物喂养方法，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，获得宠物喂养模型，利用SPEA-II算法对宠物喂养模型进行优化，得到各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物联网大数据分析的宠物喂养系统。本发明提供的基于物联网大数据分析的宠物喂养系统，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SPEA-II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。