文献类型：专利

专利类型：发明专利

是否失效：否

是否授权：否

申 请 号：CN201610883991.1

申 请 日：20161010

发 明 人：易军 李家庆 陈实 李晓亮 白竣仁 吴凌 杜明华 唐海红 李太福

申 请 人：重庆科技学院

申请人地址：401331 重庆市沙坪坝区大学城东路20号

公 开 日：20190510

公 开 号：CN106472332B

代 理 人：王玉芝;杨明

代理机构：50223 重庆蕴博君晟知识产权代理事务所(普通合伙)

语　　种：中文

摘　　要：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<Sup>*</Sup>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<Sup>*</Sup>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。

主 权 项：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；其中，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�

关 键 词：喂食 宠物喂养  宠物 决策变量  服务器  矩阵  影响因素  终端设备  最优解 算法  复杂非线性关系  宠物健康  动态智能  神经网络  生活环境 心跳频率 活动量 上传  体温  血压  决策  采集  图像  优化  

IPC专利分类号：A01K5/00(20060101);G06N3/02(20060101)