CN106203827A - 一种食品安全风险预警系统 - Google Patents

Abstract

本发明公开了一种食品安全风险预警系统，包括通过通信网络依次连接的信息采集模块、风险评估模块、预警模块和用户终端；所述信息采集模块用于采集各食品源的食品安全信息数据，所述风险评估模块用于对食品源进行安全评估，计算食品源的风险度；所述预警模块用于根据所述食品源的风险度生成相应的预警信息；所述用户终端用于接收所述预警信息。本发明实现了对食品源的风险评估和预警，可帮助用户终端的使用者快速有效地获取食品源的安全信息。

Description

一种食品安全风险预警系统

技术领域

本发明涉及食品安全管理领域，具体涉及一种食品安全风险预警系统。

背景技术

在信息不对称的食品市场上，经常出现“逆向选择”现象。由于单个消费者不可能全面掌握有关食品质量的信息，有些食品企业就选择以次充好来牟取利益。当部分企业这样做时，它的竞争对手要是不同步跟进，就会在市场竞争中处于劣势，于是，生产伪劣产品的企业可能赢得市场，真正生产优质产品的企业反倒会被淘汰，这就是所谓“逆向选择”现象。鉴于现有食品安全领域存在的诸多缺点和不足，以及鉴于食品安全预警所涉及领域的广泛性和所要求技术的复杂性，有必要设计一种食品安全风险预警系统。

发明内容

针对上述问题，本发明提供一种食品安全风险预警系统。

本发明的目的采用以下技术方案来实现：

一种食品安全风险预警系统，包括通过通信网络依次连接的信息采集模块、风险评估模块、预警模块和用户终端；所述信息采集模块用于采集各食品源的食品安全信息数据，所述风险评估模块用于对食品源进行安全评估，计算食品源的风险度；所述预警模块用于根据所述食品源的风险度生成相应的预警信息；所述用户终端用于接收所述预警信息。

所述食品安全信息包括：食品源名称、食品中非法添加物、农产品中化学污染物及有害因子、种植中的虫害、养殖中的疫病疫情、各操作环节中食品的信息数据、各操作环节所处环境的信息数据、各操作环节中操作人员的操作及个人卫生信息数据。

其中，所述预警模块在所述食品源的风险度大于预设风险度阈值时发出预警信息，所述预设风险度阈值的设定范围为[25％,35％]。

其中，所述风险实时评估模块包括：

(1)评估指标系统生成单元，用于生成针对于食品源的评价指标系统，所述评价指标系统由评价食品源的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的食品源，所述准则层包括由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率，所述指标层包括对应于母指标的各项子指标；

(2)评价等级系统生成单元，用于生成对应于评价指标系统的评价等级系统，所述评价等级系统由评价食品源的专家组制定，其包括多个评价等级，每一个评价等级对应一个等级模糊子集；

(3)指标量化单元，用于根据采集的食品安全信息对子指标对对应母指标的影响程度进行评定，并根据对评定结果进行量化；

(4)指标权重计算单元，用于引用层次分析法计算母指标和子指标的权重向量；

(5)隶属度矩阵构建单元，用于根据所述评价指标系统，计算母指标对所述等级模糊子集的隶属度，构建母指标的隶属度矩阵；

(6)模糊综合评价结果计算单元，用于根据隶属度矩阵和权重向量计算模糊综合评价结果；

(7)风险评估单元，用于根据权重向量及模糊综合评价结果向量计算食品源的风险度。

其中，所述指标量化模块运作时具体执行：

设P、D、C分别表示由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率三个母指标，评价食品源的专家组对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\mathrm{\Σ}}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

其中，所述隶属度矩阵构建单元计算母指标对所述等级模糊子集的隶属度时，具体执行以下操作：

定义等级模糊子集为{v_j,j＝1,2,…,5}，并定义用于描述母指标的影响程度对等级模糊子集的隶属度的隶属函数：

其中，ρ为由评价食品源的专家组确定的母指标y的第x个子指标的最终量化值，为等级模糊子集{v_j,j＝1,2,…,5}对应的标准取值，μ为评价食品源的专家组对所述最终量化值的确信度；

根据所述隶属函数，分别构造P，D，C三个母指标的隶属度矩阵R_P,R_D,R_C：

$R_P=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^P}^{\′}\right)& f_{v_2}\left({I_1^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^P}^{\′}\right)\\ f_{v_1}\left({I_2^P}^{\′}\right)& f_{v_2}\left({I_2^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^P}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_P}^P}^{\′}\right)& f_{v_2}\left({I_{N_P}^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_P}^P}^{\′}\right)\end{array}\right.$

$R_D=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^D}^{\′}\right)& f_{v_2}\left({I_1^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^D}^{\′}\right)\\ f_{v_1}\left({I_2^D}^{\′}\right)& f_{v_2}\left({I_2^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^D}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_D}^D}^{\′}\right)& f_{v_2}\left({I_{N_D}^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_D}^D}^{\′}\right)\end{array}\right.$

$R_C=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^C}^{\′}\right)& f_{v_2}\left({I_1^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^C}^{\′}\right)\\ f_{v_1}\left({I_2^C}^{\′}\right)& f_{v_2}\left({I_2^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^C}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_C}^C}^{\′}\right)& f_{v_2}\left({I_{N_C}^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_C}^C}^{\′}\right)\end{array}\right.$

其中，N_P表示母指标P包含的子指标个数，N_D表示母指标D包含的子指标个数，N_C表示母指标C包含的子指标个数；

其中，所述模糊综合评价结果计算模块计算模糊综合评价结果M的计算公式为：

$M=W*\left(\begin{array}{c}{m}_P*R_P\\ m_D*R_D\\ m_C*R_C\end{array}\right)=(L_1,L_2,...,L_5)$

其中，设根据权重向量得到的母指标P、D、C所对应的权重模糊子集为W＝{w_P,w_D,w_C}，根据权重向量得到的母指标P、D、C下的子指标集所对应的权重模糊子集分别为m_P、m_D、m_C，*表示广义模糊合成运算；

其中，计算所述风险度时，设等级模糊子集对应的等级赋值为{H_j,j＝1,2,..,5}，即等级v_j对应数值H_j，且等级v_j从低至高时所述H_j取值递增，所述风险度的计算公式为：

本发明的有益效果为：

(1)通过设置通过通信网络依次连接的信息采集模块、风险评估模块、预警模块和用户终端，实现了对食品源的风险评估和预警，可帮助用户终端的使用者快速有效地获取食品源的安全信息；

(2)定义了用于描述母指标的影响程度对等级模糊子集的隶属度的隶属函数，并利用所述隶属函数进行隶属度矩阵构造，计算出的隶属度服从正态分布，避免了人为主观因素的影响，增强了评估结果的客观性；

(3)提出了模糊综合评价结果和风险度的计算公式，该计算公式尽可能全面地考虑了影响食品源安全风险的因素，提高了系统评估精度。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的结构连接示意图；

图2是本发明评价指标系统的结构示意图。

附图标记：

信息采集模块1、风险评估模块2、预警模块3、用户终端4。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1

参见图1、图2，本实施例一种食品安全风险预警系统，包括通过通信网络依次连接的信息采集模块1、风险评估模块2、预警模块3和用户终端4；所述信息采集模块1用于采集各食品源的食品安全信息数据，所述风险评估模块2用于对食品源进行安全评估，计算食品源的风险度；所述预警模块3用于根据所述食品源的风险度生成相应的预警信息；所述用户终端4用于接收所述预警信息。

所述食品安全信息包括：食品源名称、食品中非法添加物、农产品中化学污染物及有害因子、种植中的虫害、养殖中的疫病疫情、各操作环节中食品的信息数据、各操作环节所处环境的信息数据、各操作环节中操作人员的操作及个人卫生信息数据。

其中，所述预警模块3在所述食品源的风险度大于预设风险度阈值时发出预警信息，所述预设风险度阈值的设定范围为[25％,35％]。

其中，所述风险实时评估模块2包括：

(1)评估指标系统生成单元，用于生成针对于食品源的评价指标系统，所述评价指标系统由评价食品源的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的食品源，所述准则层包括由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率，所述指标层包括对应于母指标的各项子指标；

(2)评价等级系统生成单元，用于生成对应于评价指标系统的评价等级系统，所述评价等级系统由评价食品源的专家组制定，其包括多个评价等级，每一个评价等级对应一个等级模糊子集；

(3)指标量化单元，用于根据采集的食品安全信息对子指标对对应母指标的影响程度进行评定，并根据对评定结果进行量化；

(4)指标权重计算单元，用于引用层次分析法计算母指标和子指标的权重向量；

(5)隶属度矩阵构建单元，用于根据所述评价指标系统，计算母指标对所述等级模糊子集的隶属度，构建母指标的隶属度矩阵；

(6)模糊综合评价结果计算单元，用于根据隶属度矩阵和权重向量计算模糊综合评价结果；

(7)风险评估单元，用于根据权重向量及模糊综合评价结果向量计算食品源的风险度。

本实施例通过设置通过通信网络依次连接的信息采集模块1、风险评估模块2、预警模块3和用户终端4，实现了对食品源的风险评估和预警，可帮助用户终端的使用者快速有效地获取食品源的安全信息。

实施例2

参见图1、图2，本实施例一种食品安全风险预警系统，包括通过通信网络依次连接的信息采集模块1、风险评估模块2、预警模块3和用户终端4；所述信息采集模块1用于采集各食品源的食品安全信息数据，所述风险评估模块2用于对食品源进行安全评估，计算食品源的风险度；所述预警模块3用于根据所述食品源的风险度生成相应的预警信息；所述用户终端4用于接收所述预警信息。

所述食品安全信息包括：食品源名称、食品中非法添加物、农产品中化学污染物及有害因子、种植中的虫害、养殖中的疫病疫情、各操作环节中食品的信息数据、各操作环节所处环境的信息数据、各操作环节中操作人员的操作及个人卫生信息数据。

其中，所述风险实时评估模块2包括：

(1)评估指标系统生成单元，用于生成针对于食品源的评价指标系统，所述评价指标系统由评价食品源的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的食品源，所述准则层包括由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率，所述指标层包括对应于母指标的各项子指标；

(2)评价等级系统生成单元，用于生成对应于评价指标系统的评价等级系统，所述评价等级系统由评价食品源的专家组制定，其包括多个评价等级，每一个评价等级对应一个等级模糊子集；

(3)指标量化单元，用于根据采集的食品安全信息对子指标对对应母指标的影响程度进行评定，并根据对评定结果进行量化；

(4)指标权重计算单元，用于引用层次分析法计算母指标和子指标的权重向量；

(5)隶属度矩阵构建单元，用于根据所述评价指标系统，计算母指标对所述等级模糊子集的隶属度，构建母指标的隶属度矩阵；

(6)模糊综合评价结果计算单元，用于根据隶属度矩阵和权重向量计算模糊综合评价结果；

(7)风险评估单元，用于根据权重向量及模糊综合评价结果向量计算食品源的风险度。

本实施例通过设置通过通信网络依次连接的信息采集模块1、风险评估模块2、预警模块3和用户终端4，实现了对食品源的风险评估和预警，可帮助用户终端的使用者快速有效地获取食品源的安全信息。

其中，所述预警模块3在所述食品源的风险度大于预设风险度阈值时发出预警信息，本实施例设定的预设风险度阈值为25％。

实施例3

参见图1、图2，本实施例一种食品安全风险预警系统，包括通过通信网络依次连接的信息采集模块1、风险评估模块2、预警模块3和用户终端4；所述信息采集模块1用于采集各食品源的食品安全信息数据，所述风险评估模块2用于对食品源进行安全评估，计算食品源的风险度；所述预警模块3用于根据所述食品源的风险度生成相应的预警信息；所述用户终端4用于接收所述预警信息。

所述食品安全信息包括：食品源名称、食品中非法添加物、农产品中化学污染物及有害因子、种植中的虫害、养殖中的疫病疫情、各操作环节中食品的信息数据、各操作环节所处环境的信息数据、各操作环节中操作人员的操作及个人卫生信息数据。

其中，所述风险实时评估模块2包括：

(1)评估指标系统生成单元，用于生成针对于食品源的评价指标系统，所述评价指标系统由评价食品源的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的食品源，所述准则层包括由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率，所述指标层包括对应于母指标的各项子指标；

(2)评价等级系统生成单元，用于生成对应于评价指标系统的评价等级系统，所述评价等级系统由评价食品源的专家组制定，其包括多个评价等级，每一个评价等级对应一个等级模糊子集；

(3)指标量化单元，用于根据采集的食品安全信息对子指标对对应母指标的影响程度进行评定，并根据对评定结果进行量化；

(4)指标权重计算单元，用于引用层次分析法计算母指标和子指标的权重向量；

(5)隶属度矩阵构建单元，用于根据所述评价指标系统，计算母指标对所述等级模糊子集的隶属度，构建母指标的隶属度矩阵；

(6)模糊综合评价结果计算单元，用于根据隶属度矩阵和权重向量计算模糊综合评价结果；

(7)风险评估单元，用于根据权重向量及模糊综合评价结果向量计算食品源的风险度。

本实施例通过设置通过通信网络依次连接的信息采集模块1、风险评估模块2、预警模块3和用户终端4，实现了对食品源的风险评估和预警，可帮助用户终端的使用者快速有效地获取食品源的安全信息。

其中，所述预警模块3在所述食品源的风险度大于预设风险度阈值时发出预警信息，本实施例设定的预设风险度阈值为35％。

实施例4

参见图1、图2，本实施例一种食品安全风险预警系统，包括通过通信网络依次连接的信息采集模块1、风险评估模块2、预警模块3和用户终端4；所述信息采集模块1用于采集各食品源的食品安全信息数据，所述风险评估模块2用于对食品源进行安全评估，计算食品源的风险度；所述预警模块3用于根据所述食品源的风险度生成相应的预警信息；所述用户终端4用于接收所述预警信息。

所述食品安全信息包括：食品源名称、食品中非法添加物、农产品中化学污染物及有害因子、种植中的虫害、养殖中的疫病疫情、各操作环节中食品的信息数据、各操作环节所处环境的信息数据、各操作环节中操作人员的操作及个人卫生信息数据。

其中，所述风险实时评估模块2包括：

(1)评估指标系统生成单元，用于生成针对于食品源的评价指标系统，所述评价指标系统由评价食品源的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的食品源，所述准则层包括由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率，所述指标层包括对应于母指标的各项子指标；

(2)评价等级系统生成单元，用于生成对应于评价指标系统的评价等级系统，所述评价等级系统由评价食品源的专家组制定，其包括多个评价等级，每一个评价等级对应一个等级模糊子集；

(3)指标量化单元，用于根据采集的食品安全信息对子指标对对应母指标的影响程度进行评定，并根据对评定结果进行量化；

(4)指标权重计算单元，用于引用层次分析法计算母指标和子指标的权重向量；

(5)隶属度矩阵构建单元，用于根据所述评价指标系统，计算母指标对所述等级模糊子集的隶属度，构建母指标的隶属度矩阵；

(6)模糊综合评价结果计算单元，用于根据隶属度矩阵和权重向量计算模糊综合评价结果；

(7)风险评估单元，用于根据权重向量及模糊综合评价结果向量计算食品源的风险度。

其中，所述指标量化模块运作时具体执行：

设P、D、C分别表示由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率三个母指标，评价食品源的专家组对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\mathrm{\Σ}}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

其中，所述隶属度矩阵构建单元计算食品源对所述等级模糊子集的隶属度时，具体执行以下操作：

定义等级模糊子集为{v_j,j＝1,2,…,5}，并定义用于描述母指标的影响程度对等级模糊子集的隶属度的隶属函数：

其中，ρ为由评价食品源的专家组确定的母指标y的第x个子指标的最终量化值，为等级模糊子集{v_j,j＝1,2,…,5}对应的标准取值，μ为评价食品源的专家组对所述最终量化值的确信度；

根据所述隶属函数，分别构造P，D，C三个母指标的隶属度矩阵R_P,R_D,R_C：

$R_P=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^P}^{\′}\right)& f_{v_2}\left({I_1^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^P}^{\′}\right)\\ f_{v_1}\left({I_2^P}^{\′}\right)& f_{v_2}\left({I_2^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^P}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_P}^P}^{\′}\right)& f_{v_2}\left({I_{N_P}^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_P}^P}^{\′}\right)\end{array}\right.$

$R_D=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^D}^{\′}\right)& f_{v_2}\left({I_1^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^D}^{\′}\right)\\ f_{v_1}\left({I_2^D}^{\′}\right)& f_{v_2}\left({I_2^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^D}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_D}^D}^{\′}\right)& f_{v_2}\left({I_{N_D}^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_D}^D}^{\′}\right)\end{array}\right.$

$R_C=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^C}^{\′}\right)& f_{v_2}\left({I_1^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^C}^{\′}\right)\\ f_{v_1}\left({I_2^C}^{\′}\right)& f_{v_2}\left({I_2^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^C}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_C}^C}^{\′}\right)& f_{v_2}\left({I_{N_C}^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_C}^C}^{\′}\right)\end{array}\right.$

其中，N_P表示母指标P包含的子指标个数，N_D表示母指标D包含的子指标个数，N_C表示母指标C包含的子指标个数；

本实施例定义了用于描述母指标的影响程度对等级模糊子集的隶属度的隶属函数，并利用所述隶属函数进行隶属度矩阵构造，计算出的隶属度服从正态分布，避免了人为主观因素的影响，增强了评估结果的客观性。

实施例5

参见图1、图2，本实施例一种食品安全风险预警系统，包括通过通信网络依次连接的信息采集模块1、风险评估模块2、预警模块3和用户终端4；所述信息采集模块1用于采集各食品源的食品安全信息数据，所述风险评估模块2用于对食品源进行安全评估，计算食品源的风险度；所述预警模块3用于根据所述食品源的风险度生成相应的预警信息；所述用户终端4用于接收所述预警信息。

所述食品安全信息包括：食品源名称、食品中非法添加物、农产品中化学污染物及有害因子、种植中的虫害、养殖中的疫病疫情、各操作环节中食品的信息数据、各操作环节所处环境的信息数据、各操作环节中操作人员的操作及个人卫生信息数据。

其中，所述风险实时评估模块2包括：

(1)评估指标系统生成单元，用于生成针对于食品源的评价指标系统，所述评价指标系统由评价食品源的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的食品源，所述准则层包括由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率，所述指标层包括对应于母指标的各项子指标；

(2)评价等级系统生成单元，用于生成对应于评价指标系统的评价等级系统，所述评价等级系统由评价食品源的专家组制定，其包括多个评价等级，每一个评价等级对应一个等级模糊子集；

(3)指标量化单元，用于根据采集的食品安全信息对子指标对对应母指标的影响程度进行评定，并根据对评定结果进行量化；

(4)指标权重计算单元，用于引用层次分析法计算母指标和子指标的权重向量；

(5)隶属度矩阵构建单元，用于根据所述评价指标系统，计算母指标对所述等级模糊子集的隶属度，构建母指标的隶属度矩阵；

(6)模糊综合评价结果计算单元，用于根据隶属度矩阵和权重向量计算模糊综合评价结果；

(7)风险评估单元，用于根据权重向量及模糊综合评价结果向量计算食品源的风险度。

其中，所述指标量化模块运作时具体执行：

设P、D、C分别表示由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率三个母指标，评价食品源的专家组对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\mathrm{\Σ}}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

其中，所述隶属度矩阵构建单元计算食品源对所述等级模糊子集的隶属度时，具体执行以下操作：

定义等级模糊子集为{v_j,j＝1,2,…,5}，并定义用于描述母指标的影响程度对等级模糊子集的隶属度的隶属函数：

其中，ρ为由评价食品源的专家组确定的母指标y的第x个子指标的最终量化值，为等级模糊子集{v_j,j＝1,2,…,5}对应的标准取值，μ为评价食品源的专家组对所述最终量化值的确信度；

根据所述隶属函数，分别构造P，D，C三个母指标的隶属度矩阵R_P,R_D,R_C：

$R_P=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^P}^{\′}\right)& f_{v_2}\left({I_1^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^P}^{\′}\right)\\ f_{v_1}\left({I_2^P}^{\′}\right)& f_{v_2}\left({I_2^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^P}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_P}^P}^{\′}\right)& f_{v_2}\left({I_{N_P}^P}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_P}^P}^{\′}\right)\end{array}\right.$

$R_D=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^D}^{\′}\right)& f_{v_2}\left({I_1^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^D}^{\′}\right)\\ f_{v_1}\left({I_2^D}^{\′}\right)& f_{v_2}\left({I_2^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^D}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_D}^D}^{\′}\right)& f_{v_2}\left({I_{N_D}^D}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_D}^D}^{\′}\right)\end{array}\right.$

$R_C=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^C}^{\′}\right)& f_{v_2}\left({I_1^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_1^C}^{\′}\right)\\ f_{v_1}\left({I_2^C}^{\′}\right)& f_{v_2}\left({I_2^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_2^C}^{\′}\right)\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ f_{v_1}\left({I_{N_C}^C}^{\′}\right)& f_{v_2}\left({I_{N_C}^C}^{\′}\right)& \mathrm{...}& f_{v_5}\left({I_{N_C}^C}^{\′}\right)\end{array}\right.$

其中，N_P表示母指标P包含的子指标个数，N_D表示母指标D包含的子指标个数，N_C表示母指标C包含的子指标个数；

其中，所述模糊综合评价结果计算模块计算模糊综合评价结果M的计算公式为：

$M=W*\left(\begin{array}{c}{m}_P*R_P\\ m_D*R_D\\ m_C*R_C\end{array}\right)=(L_1,L_2,...,L_5)$

其中，设根据权重向量得到的母指标P、D、C所对应的权重模糊子集为W＝{w_P,w_D,w_C}，根据权重向量得到的母指标P、D、C下的子指标集所对应的权重模糊子集分别为m_P、m_D、m_C，*表示广义模糊合成运算；

其中，计算所述风险度时，设等级模糊子集对应的等级赋值为{H_j,j＝1,2,..,5}，即等级v_j对应数值H_j，且等级v_j从低至高时所述H_j取值递增，所述风险度的计算公式为：

本实施例基于实施例4的基础上，继续提出了模糊综合评价结果和风险度的计算公式，该计算公式尽可能全面地考虑了影响风险的因素，提高了系统评估精度。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种食品安全风险预警系统，其特征在于，包括通过通信网络依次连接的信息采集模块、风险评估模块、预警模块和用户终端；所述信息采集模块用于采集各食品源的食品安全信息数据，所述风险评估模块用于对食品源进行安全评估，计算食品源的风险度；所述预警模块用于根据所述食品源的风险度生成相应的预警信息；所述用户终端用于接收所述预警信息。

2.根据权利要求1所述的一种食品安全风险预警系统，其特征在于，所述食品安全信息包括：食品源名称、食品中非法添加物、农产品中化学污染物及有害因子、种植中的虫害、养殖中的疫病疫情、各操作环节中食品的信息数据、各操作环节所处环境的信息数据、各操作环节中操作人员的操作及个人卫生信息数据。

3.根据权利要求1所述的一种食品安全风险预警系统，其特征在于，所述预警模块在所述食品源的风险度大于预设风险度阈值时发出预警信息，所述预设风险度阈值的设定范围为[25％,35％]。

4.根据权利要求1所述的一种食品安全风险预警系统，其特征在于，所述风险实时评估模块包括：

(1)评估指标系统生成单元，用于生成针对于食品源的评价指标系统，所述评价指标系统由评价食品源的专家组制定，其包括目标层、准则层和指标层，所述目标层定义为待评估的食品源，所述准则层包括由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率，所述指标层包括对应于母指标的各项子指标；

(2)评价等级系统生成单元，用于生成对应于评价指标系统的评价等级系统，所述评价等级系统由评价食品源的专家组制定，其包括多个评价等级，每一个评价等级对应一个等级模糊子集；

(3)指标量化单元，用于根据采集的食品安全信息对子指标对对应母指标的影响程度进行评定，并根据对评定结果进行量化；

(4)指标权重计算单元，用于引用层次分析法计算母指标和子指标的权重向量；

(5)隶属度矩阵构建单元，用于根据所述评价指标系统，计算母指标对所述等级模糊子集的隶属度，构建母指标的隶属度矩阵；

(6)模糊综合评价结果计算单元，用于根据隶属度矩阵和权重向量计算模糊综合评价结果；

(7)风险评估单元，用于根据权重向量及模糊综合评价结果向量计算食品源的风险度。

5.根据权利要求4所述的一种食品安全风险预警系统，其特征在于，所述指标量化模块运作时具体执行：

设P、D、C分别表示由于原料不合格导致食品处于不安全等级的概率、由于生产不合格导致食品处于不安全等级的概率和由于运输存储不合格导致食品处于不安全等级的概率三个母指标，评价食品源的专家组对母指标y的第x个子指标的量化值进行n次评定得到的量化值集为y＝P,D,C，母指标y的第x个子指标的最终量化值为：

${I_x^y}^{\′}=\frac{{\mathrm{\Σ}}_i^n{I}_{xi}^y}{n},{I_x^y}^{\′}\∈\[0,1\]$

6.根据权利要求5所述的一种食品安全风险预警系统，其特征在于，所述隶属度矩阵构建单元计算母指标对所述等级模糊子集的隶属度时，具体执行以下操作：

定义等级模糊子集为{v_j,j＝1,2,...,5}，并定义用于描述母指标的影响程度对等级模糊子集的隶属度的隶属函数：

其中，ρ为由评价食品源的专家组确定的母指标y的第x个子指标的最终量化值，为等级模糊子集{v_j,j＝1,2,...,5}对应的标准取值，μ为评价食品源的专家组对所述最终量化值的确信度；

根据所述隶属函数，分别构造P，D，C三个母指标的隶属度矩阵R_P,R_D,R_C：

$R_P=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^P}^{\′}\right)& f_{v_2}\left({I_1^P}^{\′}\right)& ...& f_{v_5}\left({I_1^P}^{\′}\right)\\ f_{v_1}\left({I_2^P}^{\′}\right)& f_{v_2}\left({I_2^P}^{\′}\right)& ...& f_{v_5}\left({I_2^P}^{\′}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ f_{v_1}\left({I_{N_P}^P}^{\′}\right)& f_{v_2}\left({I_{N_P}^P}^{\′}\right)& ...& f_{v_5}\left({I_{N_P}^P}^{\′}\right)\end{array}\right.$

$R_D=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^D}^{\′}\right)& f_{v_2}\left({I_1^D}^{\′}\right)& ...& f_{v_5}\left({I_1^D}^{\′}\right)\\ f_{v_1}\left({I_2^D}^{\′}\right)& f_{v_2}\left({I_2^D}^{\′}\right)& ...& f_{v_5}\left({I_2^D}^{\′}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ f_{v_1}\left({I_{N_D}^D}^{\′}\right)& f_{v_2}\left({I_{N_D}^D}^{\′}\right)& ...& f_{v_5}\left({I_{N_D}^D}^{\′}\right)\end{array}\right.$

$R_C=\left\{\begin{array}{cccc}{f}_{v_1}\left({I_1^C}^{\′}\right)& f_{v_2}\left({I_1^C}^{\′}\right)& ...& f_{v_5}\left({I_1^C}^{\′}\right)\\ f_{v_1}\left({I_2^C}^{\′}\right)& f_{v_2}\left({I_2^C}^{\′}\right)& ...& f_{v_5}\left({I_2^C}^{\′}\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}\\ \\ \end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ f_{v_1}\left({I_{N_C}^C}^{\′}\right)& f_{v_2}\left({I_{N_C}^C}^{\′}\right)& ...& f_{v_5}\left({I_{N_C}^C}^{\′}\right)\end{array}\right.$

其中，N_P表示母指标P包含的子指标个数，N_D表示母指标D包含的子指标个数，N_C表示母指标C包含的子指标个数；

7.根据权利要求6所述的一种食品安全风险预警系统，其特征在于，所述模糊综合评价结果计算模块计算模糊综合评价结果M的计算公式为：

$M=W*\left(\begin{array}{c}{m}_P*R_P\\ m_D*R_D\\ m_C*R_C\end{array}\right)=(L_1,L_2,...,L_5)$

其中，设根据权重向量得到的母指标P、D、C所对应的权重模糊子集为W＝{w_P,w_D,w_C}，根据权重向量得到的母指标P、D、C下的子指标集所对应的权重模糊子集分别为L_P、L_D、L_C，*表示广义模糊合成运算；

8.根据权利要求7所述的一种食品安全风险预警系统，其特征在于，计算所述风险度时，设等级模糊子集对应的等级赋值为{H_j,j＝1,2,..,5}，即等级v_j对应数值H_j，且等级v_j从低至高时所述H_j取值递增，所述风险度的计算公式为：