一种基于机器学习的智能钓鱼方法、装置及系统制造方法及图纸

本申请公开了基于机器学习的智能钓鱼方法、装置及系统，该方法包括：采集环境数据和用户行为数据，上传环境数据和用户行为，在分布式系统中分析环境数据和用户行为数据，并基于分析结果输出用户能钓到鱼的概率和用户钓鱼行为类别。通过本申请，可以对多种环境因素进行分析，涵盖了气候环境数据、位置区域数据和网络上获取到的信息数据，特别是可识别某个具体的区域位置，再针对此区域位置的独特地理气候环境进行分析，并在此基础上形成与用户的实时互动，对用户的钓鱼过程实时监测，以报告的形式将钓鱼过程中各种情况返回给用户，使得用户可以在钓鱼过程中对自己的钓鱼成果乃至钓鱼操作都能进行预判，极大的提升了用户的钓鱼体验。体验。体验。

【技术实现步骤摘要】
一种基于机器学习的智能钓鱼方法、装置及系统


[0001]本申请涉及户外运动的应用
，具体涉及一种基于机器学习的智能钓鱼方法、装置及系统。

技术介绍

[0002]钓鱼是很多人爱好的一项活动，而垂钓者常常会去到不同的地方钓鱼，当去到陌生的地方钓鱼时，对于当地的天气和钓鱼环境并不熟悉，有时候会因为对环境的不熟悉，导致垂钓无功而返，此外，对于一些刚开始钓鱼的用户而言，也不清楚钓鱼过程中自身是否存在问题，常常在尝试多次后，也没有收获，从而无法获得良好的垂钓体验，目前市面上还没有可以在钓鱼过程中同时检测周边环境和用户自身行为，以此来跟用户形成良好体验的装置。
[0003]常见的钓鱼装置通常采用简单的浮漂和鱼竿，完全依靠垂钓者的自身经验，或者通过传感器提示鱼咬勾的发生，其不具备对环境因素的判别，无法对当时当地，对钓到鱼的概率进行预测，也无法在用户钓鱼行为中也无法使用户对自身的钓鱼行为进行判断，从而对钓鱼新手造成不好的垂钓体验。

技术实现思路

[0004]本申请提供基于机器学习的智能钓鱼方法、装置及系统。
[0005]本申请实施例提供一种基于机器学习的智能钓鱼方法，包括：采集环境数据和用户行为数据、上传数据、分析环境数据、分析环境数据后在结果满足阈值时分析用户行为数据、返回分析报告等步骤。
[0006]本申请实施例提供基于机器学习的智能钓鱼装置，包括：环境数据获取模块，用于收集环境数据，包括气候数据、位置区域以及以钓鱼位置为关键词在互联网中搜索到的信息；用户行为数据获取模块，用于收集用户行为数据包括用户的提竿速度、提竿加速度、提竿的频率等；数据传输模块，用于将收集的环境数据和用户行为数据传输到云端分析平台；环境数据分析模块，用于对上传的环境数据进行分析和判断；用户行为数据分析模块，用于对上传的用户行为数据进行分析；数据返回模块，用于将分析后的结果传输返回给用户终端。
[0007]本申请实施例提供一种系统，该系统包括：包括分布式服务器集群、用户终端、传感器、处理器、存储器、输入装置和输出装置、智能浮漂和智能鱼竿以及基于机器学习的智能钓鱼装置；其中分布式服务器集群包括多个节点；智能浮漂和智能鱼竿均能采集速度、加速度等数据信息；处理器包含一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本申请实施例中基于机器学习的智能钓鱼的方法。
[0008]本申请实施例所提供的一种基于机器学习的智能钓鱼方法、装置及系统，通过采集多种环境数据和采集用户行为数据，对下个周期的钓鱼成功概率进行预测，再基于预测
结果对用户的钓鱼行为进行分类。本申请中，可以对多种环境因素进行分析，涵盖了气候环境数据、位置区域数据和网络上获取到的信息数据，特别是可识别某个具体的区域位置，再针对此区域位置的独特地理气候环境进行分析，并在此基础上形成与用户的实时互动，对用户的钓鱼过程实时监测，以报告的形式将钓鱼过程中各种情况返回给用户，使得用户可以在钓鱼过程中对自己的钓鱼成果乃至钓鱼操作都能进行预判，极大的提升了用户的钓鱼体验。
[0009]关于本申请的以上实施例和其他方面以及其实现方式，在附图说明、具体实施方式和权利要求中提供更多说明。
附图说明
[0010]图1为本申请实施例中基于机器学习的智能钓鱼方法的流程图；
具体实施方式
[0011]为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
[0012]实施例一
[0013]图1为本申请实施例中基于机器学习的智能钓鱼方法的流程图，该实施例可以适用于以分析环境因素和用户行为的情况，该方法可以由本申请实施例中的基于机器学习的智能钓鱼装置来执行，该装置可以通过软件和/或硬件的方式实现，并一般可以集成在智能系统中，本申请实施例的方法包括：
[0014]步骤101、采集环境数据和用户行为数据。
[0015]具体的，以时间T1为周期，基于浮漂和鱼竿上的传感器采集环境数据；所述环境数据包括自然数据、位置区域以及以钓鱼位置为关键词在互联网中搜索到的信息，将所述环境数据作为第一数据集；以时间T2为周期，采集所述用户行为数据作为第二数据集，所述用户行为数据为用户的提竿速度、提竿加速度、提竿的频率等；所述自然数据包括水流速度、水流加速度、风速等。
[0016]进一步可选的，T1和T2可以设定为相同的值，也可以设定为不同的值。可以设定T1的值根据气候的变化而更改，在气候变化迅速时，将T1的值缩小，在气候平稳时，将T1值增大。
[0017]步骤102、上传数据。
[0018]具体的，将所述第一数据集的数据返回到云端分析平台，所述云端分析平台由分布式系统构成，所述分布式系统中存在多个节点，所述多个节点对应不同的位置区域，每一个节点处理其对应的位置区域上传的数据；
[0019]优选的，根据各位置区域上传的数据量，动态分配分布式系统中各节点的计算资源。所述分布式系统实时获取对应位置区域内多个用户的钓鱼数据，如某一位置区域内上传数据的用户较多，则针对对应的节点分配更多的计算资源，如某一位置区域内上传数据的用户越少，则针对对应的节点分配较少的计算资源，以此来灵活配置分布式系统的计算资源。
[0020]步骤103、分析环境数据。
[0021]具体的，所述云端分析平台获取第一数据集中的位置区域，将所述第一数据集中的数据发送到所述位置区域对应的节点，并输入所述节点中的第一训练模型，所述第一训练模型的输出为下一个T1周期内能钓到鱼的概率值；
[0022]进一步可选的，所述第一训练模型为CNN模型，以T1为周期获得历史第一数据集作为训练集进行训练，将训练集数据输入CNN模型，得到识别结果，将模型识别结果与正确结果做对比，修正模型结构中的参数，重复训练步骤多次，完成训练，得到训练后的模型。所述CNN模型由三层卷积层、三层池化层和两层全连接层构成；其中，卷积层通过卷积神经网络的权值共享和局部连接特性，在原始的输入上进行特征的提取，池化层通过将一层神经元簇的输出合并到下一层的单个神经元来减少数据维数；全连接层将每层的神经元和上一层的所有神经元连接，用于整合整个输入的全局信息；卷积层和池化层交替连接，一层卷积层后接入一层池化层，两个全连接层的单元数分别为128和32。卷积层的作用主要是特征提取，每层卷积层通过多个卷积核对该层输入的特征图进行卷积操作，输出新的特征图。用表示第i层输出的第j个特征图，如下式所示。
[0023][0024]具体的，上式中，f表示非线性激活函数，是第i层的第j个卷积核的权值矩阵，表示卷积操作，即权重矩阵对特征图m以一定方向滑动，同时对当前区域按位求和的操作，表示偏置项。
[0025]具体的，如输出的概率值高于预设阈值，则将概率值返回到绑定的用户终端；并且将采集的所述第二数据集的数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的智能钓鱼方法，包括以下步骤：步骤S1：采集环境数据和用户行为数据，以时间T1为周期，基于浮漂和鱼竿上的传感器采集环境数据，所述环境数据包括自然数据、位置区域以及以钓鱼位置为关键词在互联网中搜索到的信息，将所述环境数据作为第一数据集；以时间T2为周期，采集所述用户行为数据作为第二数据集，所述用户行为数据为用户的提竿速度、提竿加速度、提竿的频率等；所述自然数据包括水流速度、水流加速度、风速等；步骤S2：上传数据，将所述第一数据集的数据返回到云端分析平台，所述云端分析平台由分布式系统构成，所述分布式系统中存在多个节点，所述多个节点对应不同的位置区域，每一个节点处理其对应的位置区域上传的数据；步骤S3：分析环境数据，所述云端分析平台获取所述第一数据集中的位置区域，将所述第一数据集中的数据发送到所述位置区域对应的节点，并输入所述节点中的第一训练模型，所述第一训练模型的输出为下一个T1周期内能钓到鱼的概率值；如输出的概率值高于预设阈值，则将所述概率值返回给绑定的用户终端，并且将采集的所述第二数据集的数据输入所述节点中的第二训练模型；步骤S4：所述第二训练模型的训练数据集中，将数据按照预设用户钓鱼行为进行分类，获得不同的分类类别；针对输入所述第二训练模型的数据，对用户钓鱼行为进行识别分类；步骤S5：将第二训练模型输出的钓鱼行为类别以报告形式发送至用户终端界面，并提示用户纠正钓鱼行为；步骤S6：重复S1
‑
S5的流程，持续对用户钓鱼行为进行监控和报告返回。2.根据权利要求1所述的方法，所述步骤S1中，所述自然数据包括水流速度、水流加速度、风速。3.根据权利要求1所述的方法，所述步骤S2中，针对所述分布式系统的各节点，根据所述各位置区域上传的数据量，动态分配分布式系统中各节点的计算资源。4.根据权利要求1所述的方法，所述步骤S3中，所述第一训练模型为CNN模型，以T1为周期获得历史第一数据集作为训练集进行训练，将训练集数据输入CNN模型，得到识别结果，将模型识别结果与正确结果做对比，修正模型结构中的参数，重复训练步骤多次，完成训练，得到训练后的模型；所述CNN模型由三层卷积层、三层池化层和两层全连接层构成；其中，卷积层通过卷积神经网络的权值共享和局部连接特性，在原始的输入上进行特征的提取，池化层通过将一层神经元簇的输出合并到下一层的单个神经元来减少数据维数；全连接层将每层的神经元和上一层的所有神经元连接，用于整合整个输入的全局信息；卷积层和池化层交替连接，一层卷积层后接入一层池化层，两个全连接层的单元数分别为128和32；卷积层的作用主要是特征提取，每层卷积层通过多个卷积核对该层输入的特征图进行卷积操作，输出新的特征图；用表示第i层输出的第j个特征图，如下式所示：上式中，f表示非线性激活函数，是第i层的第j个卷积核的权值矩阵，表示卷积操作，即权重矩阵对特征图m以一定方向滑动，同时对当前区域按位求和的操作，表示偏置项。
5.根据权利要求1所述的方法，所述步骤S3中，如果所述概率值低于预设阈值，则向终端输出文字或语音提示。6.根据权利要求1所述的方法，所述步骤S4中，在所述第二训练模型的训练数据集中，将数据按照预设用户钓鱼行为进行分类，获得不同的分类类别；所述分类类别包括正常钓鱼行为、异常钓鱼行为
‑
提竿过早、异常钓鱼行为
‑
提竿过晚、异常钓鱼行为
‑
提竿过轻；针对输入第二数据集的数据，对用户钓鱼行为进行识别，所述第二训练模型基于LSTM模型构成，包括了三个LSTM分支，以T1为周期获得的历史第二数据集作为训练集进行训练，将所述训练集中不同时间跨度的时序特征输入到不同的LSTM分支中去，将三个LSTM分支的输出结果进行拼接融合后，输入到全连接层进行特征组合，最后将全连接层的输出输入到sigmoid层进行最终分类输出，得到用户行为的分类；其中，LSTM的基本单元包括输出门、输入门、遗忘门以及细胞状态，其中细胞状态可以保存长期历史信息，...

【专利技术属性】
技术研发人员：娄毅，
申请(专利权)人：深圳市众凌汇科技有限公司，
类型：发明
国别省市：