CN106472332B - 基于动态智能算法的宠物喂养方法及系统 - Google Patents
基于动态智能算法的宠物喂养方法及系统 Download PDFInfo
- Publication number
- CN106472332B CN106472332B CN201610883991.1A CN201610883991A CN106472332B CN 106472332 B CN106472332 B CN 106472332B CN 201610883991 A CN201610883991 A CN 201610883991A CN 106472332 B CN106472332 B CN 106472332B
- Authority
- CN
- China
- Prior art keywords
- pet
- feeding
- server
- decision
- blood pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000036772 blood pressure Effects 0.000 claims abstract description 18
- 230000036541 health Effects 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 13
- 230000036760 body temperature Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000001815 facial effect Effects 0.000 claims 1
- 230000035611 feeding Effects 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 6
- 230000000474 nursing effect Effects 0.000 description 3
- 235000019789 appetite Nutrition 0.000 description 2
- 230000036528 appetite Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K5/00—Feeding devices for stock or game ; Feeding wagons; Feeding stacks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Birds (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Fodder In General (AREA)
- Medical Treatment And Welfare Office Work (AREA)
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
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Xk＝[xk1,xk2,L,xkM](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，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量Yk(g)＝[yk1(g),yk2(g),L,ykP(g)](k＝1,2,L,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,L,dkP](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WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值；
步骤S22：随机输入样本Xk；
步骤S23：对输入样本Xk，前向计算Elman神经网络每层神经元的实际输出Yk(g)；
步骤S24：根据期望输出dk和实际输出Yk(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Xk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，ΔWij＝η·δij，η为学习效率；Wij(g+1)＝Wij(g)+ΔWij(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1所示。
表1 Elman神经网络设置参数
| 目标函数 | 健康指数 |
| 迭代次数 | 500 |
| 隐含层传递函数 | Tansig |
| 输出层传递函数 | Purelin |
| 隐含层节点数 | 15 |
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 Algorithm BasedonDecomposition，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，…λN)；
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,…iT}，则为距离权重向量λi最近的T个权重；
步骤S313：初始化种群x1LxN的初始化目标函数最佳值z＝(z1,...zm)T，Zi＝min{fi(x1)，...fi(xN)}，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xk，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Zi＜fj(y')，则令Zi＝fj(y')；
步骤S323：更新邻域解：对于j∈B(i)，如果gte(y'/λj，Z)≤gte(x/λj，Z)，则令xj＝y'，FVj＝F(yj)，其中gte(x/λj,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 (2)
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Xk＝[xk1,xk2,L,xkM](k＝1,2,L,S)为输入样本，S为训练样本的个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),L,ykP(g)](k＝1,2,L,S)为第g次迭代时的实际输出，dk＝[dk1,dk2,L,dkP](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WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值；
步骤S22：随机输入样本Xk；
步骤S23：对输入样本Xk，前向计算所述Elman神经网络每层神经元的实际输出Yk(g)；
步骤S24：根据期望输出dk和实际输出Yk(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Xk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，ΔWij＝η·δij，η为学习效率；Wij(g+1)＝Wij(g)+ΔWij(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；
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；其中，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,…λN)；
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,…iT}，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 xN的初始化目标函数最佳值z＝(z1,...zm)T，Zi＝min{fi(x1)，...fi(xN)}，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xk，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Zi＜fj(y')，则令Zi＝fj(y')；
步骤S323：对于j∈B(i)，如果gte(y'/λj，Z)≤gte(x/λj，Z)，则令xj＝y'，
FVj＝F(yj)，其中gte(x/λj,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：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，
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610883991.1A CN106472332B (zh) | 2016-10-10 | 2016-10-10 | 基于动态智能算法的宠物喂养方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610883991.1A CN106472332B (zh) | 2016-10-10 | 2016-10-10 | 基于动态智能算法的宠物喂养方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106472332A CN106472332A (zh) | 2017-03-08 |
| CN106472332B true CN106472332B (zh) | 2019-05-10 |
Family
ID=58270635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610883991.1A Active CN106472332B (zh) | 2016-10-10 | 2016-10-10 | 基于动态智能算法的宠物喂养方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106472332B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166611A (zh) * | 2018-07-19 | 2019-01-08 | 重庆科技学院 | 一种基于数据分析的睡眠按摩方法及系统 |
| CN110122352A (zh) * | 2019-05-28 | 2019-08-16 | 北京猫猫狗狗科技有限公司 | 一种客户端、喂食器及宠物喂食单的生成方法 |
| CN110415821B (zh) * | 2019-07-02 | 2023-02-24 | 山东大学 | 一种基于人体生理数据的健康知识推荐系统及其运行方法 |
| CN111143947A (zh) * | 2019-11-26 | 2020-05-12 | 成都承奥科技有限公司 | 一种指尖密封性能优化方法 |
| CN111109105A (zh) * | 2019-12-17 | 2020-05-08 | 广东顺德雷舜信息科技有限公司 | 宠物喂食方法、装置、计算机设备及存储介质 |
| CN113080094B (zh) * | 2020-01-09 | 2023-02-10 | 广东顺德雷舜信息科技有限公司 | 宠物陪伴方法、装置以及计算机设备 |
| CN111869579B (zh) * | 2020-07-30 | 2022-03-11 | 北京小米移动软件有限公司 | 一种宠物喂食的控制方法、装置、设备及存储介质 |
| CN112493203A (zh) * | 2020-11-26 | 2021-03-16 | 小佩网络科技（上海）有限公司 | 宠物进食量的确定方法、装置、电子设备及存储介质 |
| CN112598116A (zh) * | 2020-12-22 | 2021-04-02 | 王槐林 | 一种宠物食欲评价方法、装置、设备及存储介质 |
| CN113207809B (zh) * | 2021-06-10 | 2022-10-18 | 海南温氏食品有限公司 | 一种肉鸡的培育方法 |
| CN114819712A (zh) * | 2022-05-17 | 2022-07-29 | 江苏邦鼎科技有限公司 | 一种基于人工智能的宠物饲料推荐方法及系统 |
| CN116530428B (zh) * | 2023-07-07 | 2023-09-22 | 四川省畜牧科学研究院 | 分娩母猪饲喂控制系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101189514A (zh) * | 2004-08-30 | 2008-05-28 | 希尔氏宠物营养品公司 | 基于基因组的饮食设计 |
| CN102473247A (zh) * | 2009-06-30 | 2012-05-23 | 陶氏益农公司 | 用于在包含分子遗传标志物的植物和动物数据集中挖掘关联规则，继而利用由这些关联规则创建的特征进行分类或预测的机器学习方法的应用 |
| CN104021431A (zh) * | 2014-06-17 | 2014-09-03 | 中国地质大学（武汉） | 基于平均梯度值和改进多目标粒子群优化的鲁棒优化方法 |
| CN105302973A (zh) * | 2015-11-06 | 2016-02-03 | 重庆科技学院 | 基于moea/d算法的铝电解生产优化方法 |
| CN105321000A (zh) * | 2015-11-06 | 2016-02-10 | 重庆科技学院 | 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法 |
| CN105844332A (zh) * | 2016-03-10 | 2016-08-10 | 中国石油大学(华东) | 快速递归Elman神经网络建模学习算法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101796928B (zh) * | 2009-07-14 | 2012-07-25 | 大连水产学院 | 养殖水体水质参数对养殖生物生长状态影响的预测方法 |
| CN102821156A (zh) * | 2012-08-14 | 2012-12-12 | 西安交通大学 | 一种基于互联网的远程宠物喂养方法 |
| CN103353743A (zh) * | 2013-06-21 | 2013-10-16 | 杨文军 | 一种宠物监控系统及控制方法 |
| CN103430858B (zh) * | 2013-07-17 | 2014-11-26 | 江苏大学 | 一种基于Internet的移动远程宠物喂养及监控系统 |
| US10867597B2 (en) * | 2013-09-02 | 2020-12-15 | Microsoft Technology Licensing, Llc | Assignment of semantic labels to a sequence of words using neural network architectures |
| CN104809164A (zh) * | 2015-04-01 | 2015-07-29 | 惠州Tcl移动通信有限公司 | 一种基于移动终端的健康饮食推荐方法及移动终端 |
| CN105104278B (zh) * | 2015-08-20 | 2017-07-18 | 江苏大学 | 循环水养殖浮饵自动投放方法与装置 |
| CN105592153A (zh) * | 2015-12-17 | 2016-05-18 | 美的集团股份有限公司 | 健康食谱的推送方法、系统和云服务器 |
| CN105532492A (zh) * | 2015-12-18 | 2016-05-04 | 小米科技有限责任公司 | 采集宠物运动数据的方法和宠物喂食器 |
| CN105577784B (zh) * | 2015-12-22 | 2018-12-18 | 小米科技有限责任公司 | 用于养殖的方法和装置 |
-
2016
- 2016-10-10 CN CN201610883991.1A patent/CN106472332B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101189514A (zh) * | 2004-08-30 | 2008-05-28 | 希尔氏宠物营养品公司 | 基于基因组的饮食设计 |
| CN102473247A (zh) * | 2009-06-30 | 2012-05-23 | 陶氏益农公司 | 用于在包含分子遗传标志物的植物和动物数据集中挖掘关联规则，继而利用由这些关联规则创建的特征进行分类或预测的机器学习方法的应用 |
| CN104021431A (zh) * | 2014-06-17 | 2014-09-03 | 中国地质大学（武汉） | 基于平均梯度值和改进多目标粒子群优化的鲁棒优化方法 |
| CN105302973A (zh) * | 2015-11-06 | 2016-02-03 | 重庆科技学院 | 基于moea/d算法的铝电解生产优化方法 |
| CN105321000A (zh) * | 2015-11-06 | 2016-02-10 | 重庆科技学院 | 基于bp神经网络与mobfoa算法的铝电解工艺参数优化方法 |
| CN105844332A (zh) * | 2016-03-10 | 2016-08-10 | 中国石油大学(华东) | 快速递归Elman神经网络建模学习算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106472332A (zh) | 2017-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106472332B (zh) | 基于动态智能算法的宠物喂养方法及系统 | |
| CN106614273B (zh) | 基于物联网大数据分析的宠物喂养方法及系统 | |
| CN106472412B (zh) | 基于物联网的宠物喂养方法及系统 | |
| CN106407711A (zh) | 基于云数据的宠物喂养推荐方法及系统 | |
| CN106447117B (zh) | 基于宠物日常数据分析的宠物喂养方法及系统 | |
| Razmjooy et al. | A study on metaheuristic-based neural networks for image segmentation purposes | |
| CN106778014A (zh) | 一种基于循环神经网络的患病风险预测方法 | |
| CN113012811B (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
| CN111105860A (zh) | 面向慢性病康复的精准运动大数据智能预测、分析及优化系统 | |
| CN109166611A (zh) | 一种基于数据分析的睡眠按摩方法及系统 | |
| CN106650212A (zh) | 基于数据分析的植物智能培育方法及系统 | |
| CN109567313B (zh) | 一种具有生物特征识别功能的智能鞋垫 | |
| CN106444379A (zh) | 基于物联网推荐的智能烘干远程控制方法及系统 | |
| CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
| CN115644823A (zh) | 康复效果动态预测及个体化干预方法和系统 | |
| CN113284623A (zh) | 基于用户能力的个性化认知训练任务推荐算法及系统 | |
| CN106485069A (zh) | 康复信息推送的方法及系统 | |
| CN114155952A (zh) | 一种老年人群老年痴呆病患病辅助分析系统 | |
| JP2018092493A (ja) | 介護支援システム、制御方法及びプログラム | |
| Lion et al. | Life-history evolution of class-structured populations in fluctuating environments | |
| Sarakon et al. | An individual model for human activity recognition using transfer deep learning | |
| CN115147768A (zh) | 一种跌倒风险评估方法及系统 | |
| CN115527673A (zh) | 一种基于大数据的心理健康风险筛查系统及其方法 | |
| Wang et al. | Neural network using for prediction spinal diseases | |
| CN113743461A (zh) | 无人机集群健康度评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200702 Address after: 401331 Yi Fu Road, Chongqing University of Science and Technology, 20 East Road, University Town, Shapingba, Chongqing, I324 Patentee after: CHONGQING YIKETONG TECHNOLOGY Co.,Ltd. Address before: 401331 Shapingba University District, Chongqing City Road, No. 20 Patentee before: Chongqing University of Science & Technology |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and system for pet feeding based on dynamic intelligent algorithms Granted publication date: 20190510 Pledgee: Guangzhou Jierui Investment Co.,Ltd. Pledgor: CHONGQING YIKETONG TECHNOLOGY CO.,LTD. Registration number: Y2024980005331 |