本發(fā)明涉及智能廚房，更具體地說，本發(fā)明涉及基于機(jī)器學(xué)習(xí)的智能烹飪優(yōu)化系統(tǒng)及方法。

背景技術(shù)：

1、隨著社會的快速發(fā)展和人們生活水平的提升，餐飲需求在大型食堂（如學(xué)校食堂、企業(yè)食堂等）中變得愈發(fā)復(fù)雜和多樣化；食堂不僅需要滿足基本的飲食需求，還要關(guān)注營養(yǎng)均衡、口味多樣和健康飲食，成為促進(jìn)集體健康的重要場所；在此背景下，食堂管理者面臨著如何為不同群體（如學(xué)生、員工等）提供個性化、營養(yǎng)豐富的餐食的挑戰(zhàn)；然而，傳統(tǒng)的食堂烹飪方式往往難以應(yīng)對這些個性化需求；由于食堂的規(guī)模和人群的多樣性，單一的菜單和固定的烹飪方法往往無法滿足每位就餐者的口味和健康要求；尤其是在繁忙的就餐時段，如何在保證食物質(zhì)量的同時，快速而高效地提供適合不同需求的餐食，成為食堂管理中的一大難題。

2、公告號為cn108897245a的專利公開了一種智能烹飪系統(tǒng)；包括：將食材或食物信息采集后存儲并分析后計(jì)算參考烹飪參數(shù)及參考烹飪曲線，待烹飪食材的信息與烹飪要求采集后上傳至云端存儲，結(jié)合待烹飪食材或食物與已存儲食材或食物之間的特征差值重新修訂參考烹飪參數(shù)及參考烹飪曲線得出該次烹飪的當(dāng)前烹飪參數(shù)與當(dāng)前烹飪曲線；烹飪工具下載當(dāng)前烹飪參數(shù)與當(dāng)前烹飪曲線至烹飪裝置，開啟烹飪過程，烹飪完成后反饋者將信息反饋后通過分析模塊將反饋信息與當(dāng)前烹飪參數(shù)、當(dāng)前烹飪曲線比較后優(yōu)化烹飪參數(shù)與烹飪曲線，優(yōu)化后的烹飪參數(shù)與烹飪曲線作為下次烹飪的參考數(shù)據(jù)；可廣泛用于智能小家電的工作過程，實(shí)現(xiàn)智能小家電功能的多樣化和私人定制。

3、然而，上述技術(shù)雖然實(shí)現(xiàn)了智能烹飪，但過度依賴云端處理和存儲，存在網(wǎng)絡(luò)延遲問題；并且，主要側(cè)重于食材特征的差異化計(jì)算，而忽略用戶健康狀況和口味偏好的個性化考慮；此外，烹飪過程控制相對固定，缺少靈活控制烹飪參數(shù)的能力。

4、鑒于此，本發(fā)明提出基于機(jī)器學(xué)習(xí)的智能烹飪優(yōu)化系統(tǒng)及方法以解決上述問題。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：基于機(jī)器學(xué)習(xí)的智能烹飪優(yōu)化方法，包括：

2、采集用戶特征數(shù)據(jù)，用戶特征數(shù)據(jù)包括每位用戶的特征信息；

3、對用戶特征數(shù)據(jù)進(jìn)行分析，采用聚類算法劃分用戶群體，并利用深度學(xué)習(xí)確定每個用戶群體對應(yīng)的食材組合；

4、獲取用戶飲食數(shù)據(jù)，用戶飲食數(shù)據(jù)包括每位用戶的歷史飲食記錄；

5、融合用戶飲食數(shù)據(jù)和食材組合，利用相似度計(jì)算方法進(jìn)行菜品篩選，對不同用戶群體制定個性化的烹飪方案；

6、結(jié)合用戶飲食數(shù)據(jù)和烹飪方案，采用改進(jìn)后的優(yōu)化算法，在每道菜品的烹飪過程中動態(tài)控制烹飪參數(shù)。

7、進(jìn)一步地，所述特征信息包括年齡、性別、體重指數(shù)和運(yùn)動量；體重指數(shù)的獲取方法為：獲取每位用戶的身高和體重，將每位用戶的身高進(jìn)行平方，獲取身高平方；將每位用戶的體重除以對應(yīng)的身高平方，獲取每位用戶的體重指數(shù)；

8、劃分用戶群體的步驟包括：

9、步驟a101：對不同的性別設(shè)置不同的數(shù)字標(biāo)簽，并標(biāo)記為性別標(biāo)簽，將用戶特征數(shù)據(jù)中的性別均替換為對應(yīng)的性別標(biāo)簽；將用戶特征數(shù)據(jù)中的每組特征信息均作為樣本點(diǎn)，樣本點(diǎn)與特征信息一一對應(yīng)；

10、步驟a102：計(jì)算群體總數(shù)n，設(shè)置群體數(shù)量，；

11、步驟a103：隨機(jī)選擇個樣本點(diǎn)作為中心點(diǎn)，對每個中心點(diǎn)依次遞增標(biāo)記為，；

12、步驟a104：將未作為中心點(diǎn)的樣本點(diǎn)標(biāo)記為劃分點(diǎn)，對每個劃分點(diǎn)依次遞增標(biāo)記為，，為用戶特征數(shù)據(jù)中特征信息的組數(shù)；

13、步驟a105：根據(jù)個中心點(diǎn)建立對應(yīng)的個用戶群體，并依次計(jì)算每個劃分點(diǎn)至每個中心點(diǎn)的點(diǎn)距離；

14、步驟a106：將劃分點(diǎn)至每個中心點(diǎn)的點(diǎn)距離進(jìn)行對比，將劃分點(diǎn)分配至點(diǎn)距離最小對應(yīng)中心點(diǎn)所對應(yīng)的用戶群體；

15、步驟a107：令，并返回步驟a106；

16、步驟a108：循環(huán)步驟a106～步驟a107，直至?xí)r循環(huán)結(jié)束，并進(jìn)入步驟a109；

17、步驟a109：重新計(jì)算每個用戶群體對應(yīng)新的中心點(diǎn)；

18、步驟a110：重復(fù)步驟a105～步驟a109，直至步驟a109中重新計(jì)算出的每個用戶群體新的中心點(diǎn)，與上一次循環(huán)時計(jì)算出的對應(yīng)用戶群體新的中心點(diǎn)一致時，循環(huán)結(jié)束，獲取個用戶群體以及對應(yīng)的劃分點(diǎn)，并作為群體集合；

19、步驟a111：令，并返回步驟a103；

20、步驟a112：循環(huán)步驟a103～步驟a111，直至?xí)r循環(huán)結(jié)束，獲取個群體集合，，并進(jìn)入步驟a113；

21、步驟a113：計(jì)算每個群體集合對應(yīng)的平均距離，將平均距離最大的群體集合作為最優(yōu)集合，獲取最優(yōu)集合中的用戶群體。

22、進(jìn)一步地，所述步驟a102中，計(jì)算群體總數(shù)n的方法為：預(yù)設(shè)4個分類標(biāo)準(zhǔn)，分類標(biāo)準(zhǔn)與特征信息中的數(shù)據(jù)一一對應(yīng)；根據(jù)分類標(biāo)準(zhǔn)，對特征信息中的每種數(shù)據(jù)進(jìn)行群體劃分，獲取特征信息中每種數(shù)據(jù)對應(yīng)的群體數(shù)量；將每個群體數(shù)量依次相乘，獲取群體總數(shù)n；

23、所述步驟a105中，點(diǎn)距離的表達(dá)式為：；式中，為劃分點(diǎn)至中心點(diǎn)的點(diǎn)距離，為中心點(diǎn)中第個維度的數(shù)值，為劃分點(diǎn)中第個維度的數(shù)值，；其中，不同的維度表示特征信息中不同的數(shù)據(jù)；

24、所述步驟a109中，每個用戶群體新的中心點(diǎn)的計(jì)算方法包括：

25、；

26、式中，為第個用戶群體對應(yīng)新的中心點(diǎn)，為第個用戶群體中第個劃分點(diǎn)，，為第個用戶群體中第個劃分點(diǎn)在不同維度下對應(yīng)的數(shù)值，為第個用戶群體中的劃分點(diǎn)個數(shù)，。

27、進(jìn)一步地，所述a113中，計(jì)算每個群體集合對應(yīng)的平均距離的方法包括：

28、計(jì)算每個群體集合中每個樣本點(diǎn)對應(yīng)的距離系數(shù)，將每個群體集合對應(yīng)的每個距離系數(shù)依次相加，再除以n，獲取每個群體集合對應(yīng)的平均距離；距離系數(shù)的表達(dá)式為：；式中，為第個樣本點(diǎn)的距離系數(shù)，為第個樣本點(diǎn)的群外距離，為第個樣本點(diǎn)的群內(nèi)距離，為最大值函數(shù)，；

29、第個樣本點(diǎn)對應(yīng)群內(nèi)距離的計(jì)算方法為：將第個樣本點(diǎn)對應(yīng)的用戶群體標(biāo)記為當(dāng)前群體，將當(dāng)前群體內(nèi)除了第個樣本點(diǎn)以外的所有樣本點(diǎn)均標(biāo)記為其他點(diǎn)；計(jì)算第個樣本點(diǎn)至每個其他點(diǎn)的點(diǎn)距離，并標(biāo)記為簇內(nèi)距離；將每個簇內(nèi)距離依次相加，再除以簇內(nèi)距離的數(shù)量，獲取第個樣本點(diǎn)的群內(nèi)距離；

30、第個樣本點(diǎn)對應(yīng)群外距離的計(jì)算方法為：計(jì)算第個樣本點(diǎn)至每個中心點(diǎn)的點(diǎn)距離，并標(biāo)記為相鄰距離；將每個相鄰距離由大到小進(jìn)行排序，將排在第二位的相鄰距離對應(yīng)中心點(diǎn)所對應(yīng)的用戶群體標(biāo)記為最近群體，將最近群體內(nèi)的樣本點(diǎn)均標(biāo)記為相鄰點(diǎn)；計(jì)算第個樣本點(diǎn)至每個相鄰點(diǎn)的點(diǎn)距離，并標(biāo)記為簇外距離；將每個簇外距離依次相加，再除以簇外距離的數(shù)量，獲取第個樣本點(diǎn)的群外距離。

31、進(jìn)一步地，確定食材組合的方法包括：

32、對不同的用戶群體設(shè)置不同的數(shù)字標(biāo)簽，并標(biāo)記為群體標(biāo)簽；將每個用戶群體對應(yīng)的群體標(biāo)簽作為分析數(shù)據(jù)，將分析數(shù)據(jù)輸入訓(xùn)練好的食材分析模型中，預(yù)測出對應(yīng)的組合標(biāo)簽；組合標(biāo)簽為食材組合對應(yīng)的數(shù)字標(biāo)簽，不同的食材組合對應(yīng)的數(shù)字標(biāo)簽均不相同；根據(jù)預(yù)測出的組合標(biāo)簽，獲取對應(yīng)的食材組合。

33、食材分析模型的訓(xùn)練過程包括：

34、預(yù)先收集組分析數(shù)據(jù)，對組分析數(shù)據(jù)均設(shè)置對應(yīng)的組合標(biāo)簽，為大于1的整數(shù)，將分析數(shù)據(jù)與對應(yīng)的組合標(biāo)簽轉(zhuǎn)換為對應(yīng)的一組特征向量；將每組特征向量作為食材分析模型的輸入，食材分析模型以每組分析數(shù)據(jù)對應(yīng)的一組預(yù)測組合標(biāo)簽作為輸出，以每組分析數(shù)據(jù)對應(yīng)的實(shí)際組合標(biāo)簽作為預(yù)測目標(biāo)，實(shí)際組合標(biāo)簽即為預(yù)先設(shè)置的與分析數(shù)據(jù)對應(yīng)的組合標(biāo)簽；以最小化所有分析數(shù)據(jù)的預(yù)測誤差之和作為訓(xùn)練目標(biāo)；對食材分析模型進(jìn)行訓(xùn)練，直至預(yù)測誤差之和達(dá)到收斂時停止訓(xùn)練；所述食材分析模型為深度神經(jīng)網(wǎng)絡(luò)模型。

35、進(jìn)一步地，所述歷史飲食記錄包括用戶消費(fèi)菜品和用戶禁忌菜品；所述用戶消費(fèi)菜品為用戶在歷史就餐過程中選擇的菜品，所述用戶禁忌菜品為用戶無法食用的菜品；

36、制定烹飪方案的方法包括：

37、根據(jù)用戶飲食數(shù)據(jù)，獲取每位用戶對于每個菜品的選擇次數(shù)；根據(jù)選擇次數(shù)，計(jì)算每兩個菜品的相似度；將選擇次數(shù)為0且不為用戶禁忌菜品的菜品作為對應(yīng)用戶的未嘗試菜品，對每個未嘗試菜品均構(gòu)建對應(yīng)的相似菜品集合；預(yù)設(shè)相似閾值，將每個未嘗試菜品對應(yīng)的相似度均與相似閾值進(jìn)行對比，將數(shù)值大于或等于相似閾值的相似度所對應(yīng)的菜品，作為對應(yīng)未嘗試菜品的相似菜品，并加入對應(yīng)未嘗試菜品的相似菜品集合中；數(shù)值小于或等于相似閾值的相似度所對應(yīng)的菜品，則不作為對應(yīng)未嘗試菜品的相似菜品；

38、根據(jù)相似度和相似菜品集合，計(jì)算每個未嘗試菜品對應(yīng)的預(yù)測次數(shù)；將每個菜品對應(yīng)的所有選擇次數(shù)和預(yù)測次數(shù)依次相加，獲取每個菜品對應(yīng)的次數(shù)總數(shù)；將所有菜品根據(jù)對應(yīng)次數(shù)總數(shù)由大到小進(jìn)行排序，獲取菜品排序表；獲取每個菜品對應(yīng)的食材，并將每個菜品對應(yīng)的食材與食材組合進(jìn)行對比；若食材組合中不存在菜品對應(yīng)的食材，則將對應(yīng)的菜品從菜品排序表中刪除；若食材組合中存在菜品對應(yīng)的食材，則將對應(yīng)的菜品保留在菜品排序表中；獲取用戶數(shù)量，用戶數(shù)量等于用戶特征數(shù)據(jù)中特征信息的組數(shù)；預(yù)設(shè)種數(shù)系數(shù)，將用戶數(shù)量乘以種數(shù)系數(shù)，獲取菜品種數(shù)；根據(jù)菜品種數(shù)按照正序?qū)Σ似放判虮碇械牟似愤M(jìn)行選擇，并作為烹飪方案。

39、進(jìn)一步地，相似度的表達(dá)式為：；式中，為第個菜品與第個菜品的相似度，為第個用戶對于第個菜品的選擇次數(shù)，為第個用戶對于第個菜品的選擇次數(shù)，，為用戶數(shù)量，，，，，為菜品數(shù)量；

40、預(yù)測次數(shù)的表達(dá)式為：；式中，為預(yù)測次數(shù)，為未嘗試菜品與第個相似菜品的相似度，第個相似菜品為未嘗試菜品對應(yīng)相似菜品集合中的第個相似菜品，為未嘗試菜品對應(yīng)用戶對于第個相似菜品的選擇次數(shù)，，為未嘗試菜品對應(yīng)相似菜品集合中相似菜品的數(shù)量。

41、進(jìn)一步地，所述烹飪參數(shù)包括靜態(tài)參數(shù)和動態(tài)參數(shù)，所述靜態(tài)參數(shù)包括食材用量、調(diào)料用量、烹飪時間和烹飪方式，所述動態(tài)參數(shù)包括火力大小；

42、動態(tài)控制烹飪參數(shù)的方法包括：

43、構(gòu)建m組參數(shù)集合，對m組參數(shù)集合設(shè)置依次遞增的數(shù)字標(biāo)簽，并標(biāo)記為集合標(biāo)簽，集合標(biāo)簽的范圍為；設(shè)置初始光圈中心和初始光圈半徑，并設(shè)置迭代次數(shù)；其中，，；定義循環(huán)過程，循環(huán)過程為：在光圈范圍內(nèi)生成m個候選解，并縮小光圈半徑，，候選解與集合標(biāo)簽一一對應(yīng)；計(jì)算每個候選解對應(yīng)的烹飪效果，將光圈中心移動至烹飪效果最大的候選解；重復(fù)循環(huán)過程，并且每重復(fù)一次循環(huán)過程，則令迭代次數(shù)+1；預(yù)設(shè)迭代閾值g和半徑閾值h；直至或時，停止重復(fù)循環(huán)過程，獲取光圈中心所對應(yīng)的候選解，并標(biāo)記為最佳解；根據(jù)最佳解對應(yīng)集合標(biāo)簽所對應(yīng)的參數(shù)集合，并標(biāo)記為最佳集合；

44、獲取最佳集合中的烹飪時間，并標(biāo)記為最佳時間；預(yù)設(shè)步長集合，步長集合中包括菜品以及菜品對應(yīng)的時間步長；根據(jù)當(dāng)前菜品，從步長集合中獲取對應(yīng)的時間步長，并標(biāo)記為當(dāng)前步長；將最佳時間除以當(dāng)前步長，獲取時刻數(shù)量；將最佳集合輸入訓(xùn)練好的火力預(yù)測模型中，預(yù)測出第一未來時刻的火力大小，并標(biāo)記為第一預(yù)測火力，第一未來時刻為當(dāng)前時刻的下一時刻；將最佳集合中的初始火力大小替換為第一預(yù)測火力，并重新輸入訓(xùn)練好的火力預(yù)測模型中，預(yù)測出第二未來時刻的火力大小，第二未來時刻為第一未來時刻的下一時刻；對火力大小進(jìn)行循環(huán)預(yù)測，直至火力預(yù)測模型預(yù)測出第未來時刻的火力大小，并標(biāo)記為第預(yù)測火力；將所有預(yù)測出的火力大小作為火力集合，根據(jù)最佳集合和火力集合，對烹飪參數(shù)進(jìn)行優(yōu)化控制；火力預(yù)測模型的訓(xùn)練過程與食材分析模型的訓(xùn)練過程一致，并且均為深度神經(jīng)網(wǎng)絡(luò)模型。

45、進(jìn)一步地，構(gòu)建m組參數(shù)集合的方法為：預(yù)設(shè)參數(shù)范圍，參數(shù)范圍包括研究參數(shù)中每種參數(shù)對應(yīng)的范圍；研究參數(shù)包括食材用量、調(diào)料用量、烹飪時間、方式標(biāo)簽和初始火力大?。粡膮?shù)范圍內(nèi)的每個范圍中隨機(jī)選取一個數(shù)值，并構(gòu)建一組參數(shù)集合，共構(gòu)建m組參數(shù)集合，m組參數(shù)集合均不相同；其中，方式標(biāo)簽為烹飪方式對應(yīng)的數(shù)字標(biāo)簽，不同的烹飪方式對應(yīng)的方式標(biāo)簽均不相同；

46、烹飪效果的計(jì)算方法為：對不同的菜品設(shè)置不同的數(shù)字標(biāo)簽，并標(biāo)記為菜品標(biāo)簽；將進(jìn)行烹飪的菜品作為當(dāng)前菜品，獲取當(dāng)前菜品對應(yīng)的菜品標(biāo)簽，并標(biāo)記為當(dāng)前標(biāo)簽；獲取候選解對應(yīng)集合標(biāo)簽所對應(yīng)的參數(shù)集合，將參數(shù)集合和當(dāng)前標(biāo)簽作為評估參數(shù)，將評估參數(shù)輸入訓(xùn)練好的效果評估模型中，評估對應(yīng)的烹飪效果；效果評估模型的訓(xùn)練過程與食材分析模型的訓(xùn)練過程一致，并且均為深度神經(jīng)網(wǎng)絡(luò)模型；

47、候選解的表達(dá)式為：；式中，為第個候選解，為第t次重復(fù)循環(huán)過程時對應(yīng)的光圈中心，為第t次重復(fù)循環(huán)過程時對應(yīng)的光圈半徑，為隨機(jī)系數(shù)，，；

48、縮小光圈半徑的表達(dá)式為：；式中，為縮小后的光圈半徑，為收縮系數(shù)，。

49、基于機(jī)器學(xué)習(xí)的智能烹飪優(yōu)化系統(tǒng)，用于實(shí)現(xiàn)所述的基于機(jī)器學(xué)習(xí)的智能烹飪優(yōu)化方法，包括：

50、數(shù)據(jù)采集模塊，用于采集用戶特征數(shù)據(jù)，用戶特征數(shù)據(jù)包括每位用戶的特征信息；

51、食材確定模塊，用于對用戶特征數(shù)據(jù)進(jìn)行分析，采用聚類算法劃分用戶群體，并利用深度學(xué)習(xí)確定每個用戶群體對應(yīng)的食材組合；

52、數(shù)據(jù)獲取模塊，用于獲取用戶飲食數(shù)據(jù)，用戶飲食數(shù)據(jù)包括每位用戶的歷史飲食記錄；

53、烹飪制定模塊，用于融合用戶飲食數(shù)據(jù)和食材組合，利用相似度計(jì)算方法進(jìn)行菜品篩選，對不同用戶群體制定個性化的烹飪方案；

54、參數(shù)控制模塊，用于結(jié)合用戶飲食數(shù)據(jù)和烹飪方案，采用改進(jìn)后的優(yōu)化算法，在每道菜品的烹飪過程中動態(tài)控制烹飪參數(shù)。

55、本發(fā)明基于機(jī)器學(xué)習(xí)的智能烹飪優(yōu)化系統(tǒng)及方法的技術(shù)效果和優(yōu)點(diǎn)：

56、通過采集用戶特征數(shù)據(jù)并進(jìn)行精準(zhǔn)分析，能夠?qū)Σ煌脩暨M(jìn)行群體劃分，并且自動確定滿足不同用戶群體需求的食材組合；同時，通過挖掘用戶飲食數(shù)據(jù)，能夠?yàn)椴煌脩羧后w制定個性化烹飪方案；此外，采用優(yōu)化算法動態(tài)控制烹飪過程，實(shí)現(xiàn)烹飪參數(shù)的優(yōu)化控制；不僅提升烹飪效率和菜品質(zhì)量，還滿足用戶對營養(yǎng)均衡和口味多樣化的需求，從而有效解決傳統(tǒng)烹飪方式無法滿足個性化需求的問題，促進(jìn)了健康飲食的實(shí)現(xiàn)，提升集體用餐環(huán)境下的菜品品質(zhì)和服務(wù)水平。