CN107918837A - 一种果蔬类食品安全风险预测方法 - Google Patents
一种果蔬类食品安全风险预测方法 Download PDFInfo
- Publication number
- CN107918837A CN107918837A CN201711492766.6A CN201711492766A CN107918837A CN 107918837 A CN107918837 A CN 107918837A CN 201711492766 A CN201711492766 A CN 201711492766A CN 107918837 A CN107918837 A CN 107918837A
- Authority
- CN
- China
- Prior art keywords
- risk
- prediction model
- link
- fruit
- agri
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 235000021393 food security Nutrition 0.000 title claims abstract description 18
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 14
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 14
- 238000012502 risk assessment Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 5
- 238000011059 hazard and critical control points analysis Methods 0.000 claims description 4
- 235000013305 food Nutrition 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 235000012055 fruits and vegetables Nutrition 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000001010 compromised effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000013278 delphi method Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种果蔬类食品安全风险预测方法,其主要技术特点是:对食品供应链的各个环节进行分析,找出各个环节的关键控制点;分析各环节关键控制点并将其作为量化指标,建立预测模型;初始化预测模型参数,根据预测模型的可见状态序列及系统的真实状态,对预测模型参数进行训练;利用预测模型对食品供应链风险等级进行风险评估和风险值计算。本发明利用预测模型对食品质量安全风险进行评价,考虑各个阶段的动态性,能够实时反应风险状态,采用定量和定性结合的评价方法,可以更精确地描述供应链风险的大小,有助于决策者及时采取应对措施,同时本发明具有很强的扩展性,可以应用到食品安全的其他领域。
Description
技术领域
本发明属于食品安全与计算机数据建模技术领域,尤其是一种果蔬类食品安全风险预测方法。
背景技术
频发的食品安全事件不仅严重威胁群众的身体健康,而且给社会带来了不安定因素,引发信任危机,影响经济发展。近年来食品安全问题的预防和治理受到高度关注,其中,风险评估是风险预警和治理的基础,受到格外重视。风险评估就是确认安全风险及其大小的过程,即利用适当的风险评估工具和方法,确定资产风险等级和优先控制顺序。食品安全风险评估的目的是为了全面掌握供应链风险的整体状况,从而为实施有效的风险管理措施提供决策支持。
目前常用的风险评估方法主要有贝叶斯网络法、德尔菲法、灰色理论法、SVM、人工神经网络、主成分分析法和层次分析法,下面对这些风险评估方法分别进行说明:
贝叶斯网络法是一种基于概率推理的图形化概率网络,能在有限的不确定信息条件下进行学习和推理,在智能化系统中应用广泛;但是贝叶斯网络构造繁琐,实际应用时还需反复交叉不断完善,易用性不够好。
德尔菲法是典型的定性分析方法,它能够充分发挥各位专家的不同意见,评定过程公正;但是实施过程比较复杂,花费时间较长,而且受专家主观因素影响较大,使得结果的精确度不够。
灰色系统是处于白色系统和黑箱系统之间的中间系统,是对不确定系统的研究方法;由于这种方法的指标权重和分辨系数需要人为设定,使评估结果人为干预性较大。
SVM在小样本的情况下具有较好的分类和泛化能力,但是不适合对于大样本数据的分析处理,与此同时,经典的SVM只给出了二类分类算法,解决多分类问题存在困难。
人工神经网络虽然具有高度的自适应能力,但是学习速度较慢,而且算法陷入局部极值的可能性较大。
层次分析法是一种将定量和定性相结合的多目标决策方法,是在风险分析或决策评价过程中应用最为广泛的方法;然而层次分析法存在判断矩阵一致性检验困难,缺乏科学性、未考虑评估者判断具有模糊性等缺点,同时,也不能根据系统状态的变化实时改变评价结果。
发明内容
本发明的目的在于克服现有技术的不足,提出一种果蔬类食品安全风险预测方法,解决现有风险评估方法缺乏预测性、实时性差等问题。
本发明解决其技术问题是采取以下技术方案实现的:
一种果蔬类食品安全风险预测方法,包括以下步骤:
步骤1、对食品供应链的各个环节进行分析,找出各个环节的关键控制点;
步骤2、分析各环节关键控制点并将其作为量化指标,建立预测模型;
步骤3、初始化预测模型参数,根据预测模型的可见状态序列及系统的真实状态,对预测模型参数进行训练;
步骤4、利用预测模型对食品供应链风险等级进行风险评估和风险值计算。
进一步,在步骤1中,找出各个环节的关键控制点的方法为:根据HACCP体系,并结合食品供应链的各环节,对各个环节中关键点的生物性、物理性和化学性的潜在危害进行分析,确定关键控制点。
进一步,在步骤2中,建立预测模型的方法包括以下步骤:
步骤201、确定食品供应链的各个系统可见状态;
步骤202、在食品供应链每个环节建立评估预测三元组参数模型,包括状态转移概率矩阵、观测向量的概率矩阵和最初状态分布矢量。
进一步,在步骤201中,各个系统可见状态包含系统的所有信息,并且在当前状态下的观察是独立的。
进一步,在步骤202中,每个环节的安全状态概率分布就是下一环节的初始状态概率分布。
进一步,在步骤3中,可见状态序列是指供应链各个环节检测到的数据;所述系统的真实状态为食品供应链各环节的真实风险值。
进一步,在步骤4中,风险值计算方法为:
其中,Rt表示在t时刻该环节所处的总体风险值,αt(i)为t时刻供应链处在安全状态Si的概率,N是安全状态的数目,c(i)是与状态S(i)关联的开销。
本发明的优点和积极效果是:
本发明利用预测模型对食品质量安全风险进行评价,考虑各个阶段的动态性,能够实时反应风险状态,采用定量和定性结合的评价方法,可以更精确地描述供应链风险的大小,有助于决策者及时采取应对措施。本发明的风险评估模型除了对果蔬类进行评估外,还具有很强的扩展性,可以应用到食品安全的其他领域。
附图说明
图1是本发明预测三大基本算法之间的关系示意图;
图2是本发明的预测模型的状态转移模型。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种果蔬类食品安全风险预测方法,包括以下步骤:
步骤1、对食品供应链的各个环节进行分析,找出各个环节的关键控制点,其方法为:根据HACCP体系,并结合食品供应链的各环节,对各个环节中关键点的生物性、物理性和化学性的潜在危害进行分析,确定关键控制点。
步骤2、分析各环节关键控制点并将其作为量化指标,建立预测模型,其建立方法如下:
步骤201、确定食品供应链的各个系统可见状态,各个系统可见状态包含系统的所有信息,并且在当前状态下的观察是独立的。
步骤202、在食品供应链每个环节建立评估预测三元组参数模型,包括状态转移概率矩阵、观测向量的概率矩阵和最初状态分布矢量。
如图1所示,本步骤建立的预测模型为:
λ=(N,M,π,P,Q) (1)
也可以简单表示为:
λ=(N,M,π) (2)
其中:N为预测中状态的个数;M为预测中对应的观测值个数;π是初始状态的分布矢量,
π=(π1,π2,…,πN),
P为状态转移概率矩阵,表示如下:
Q是观察向量的概率矩阵,表示如下:
Q=(qjk)N×M
1≤j≤N,1≤k≤M; (3)
Qjk表示在状态j的情况下,观察状态k出现的概率,即:
Qjk=p(vk|Pj)
1≤j≤N,1≤k≤M; (4)
在上述预测模型中,每个环节的安全状态概率分布就是下一环节的初始状态概率分布。
步骤3、初始化预测模型参数,根据预测模型的可见状态序列及系统的真实状态,对预测模型参数进行训练。其中,可见状态序列是指供应链各个环节检测到的数据,系统的真实状态为食品供应链各环节的真实风险值。
步骤4、利用预测模型对食品供应链风险等级进行风险评估和风险值计算,该风险值的计算公式如下:
式中,Rt表示在t时刻该环节所处的总体风险值,αt(i)为t时刻供应链处在安全状态Si的概率,N是安全状态的数目,c(i)是与状态S(i)关联的开销。
下面将预测模型应用在果蔬类领域作为本发明的实施例来进一步说明:
(1)对食品供应链的各个环节进行分析,找出各个环节的关键控制点
影响食品安全的危害因子主要分为三类:生物性因子、物理性因子和化学性危害因子。果蔬类在从农场到餐桌的过程经历了四个环节:种植、加工、储藏运输和消费。根据HACCP体系并结合果蔬类供应链的四个环节,对各个环节中的生物性、物理性和化学性的潜在危害进行分析,确定关键控制点。
由于食品一般都难以长久保持并容易受到微生物污染,食品供应链上任何环节的潜在危险因素都会影响食品质量安全。果蔬类加工环节是整个供应链最重要的部分,负责将收集到的原料加工完成,该过程对参与者的要求较高;储运环节涉及加工和物流企业,该环节受上一环节的影响巨大,同样的,消费环节的风险因素也基本来源供应链的前几个阶段。因此,生产供应链的各个环节紧密联系,要对每一个环节的检查监管都格外重视。最后一个环节的风险值即为整条供应链的风险大小。
(2)建立预测模型
食品安全风险评估会受很多因素的影响,假设影响因素为:XN={XN1,XN2,…XNi}。其中XN(1≤N≤4)为风险评估的观测值,XNi为第N个环节的第i个影响因素,通过一定的方法反映出风险评估值和其影响因素之间的关系,数学模型表达式为:
YN=f(XNi), (5)
评估预测模型(预测)是序列数据处理和统计学习的一种重要概率模型,已经成功应用到风险评估领域。预测有两个随机过程:可见的状态序列(yt;t=1,2,…),本文指供应链各个环节检测到的数据;系统的真实状态,本文指供应链各环节的真实风险值。供应链每个环节的评估预测三元组参数模型包括状态转移概率矩阵P,观测概率矩阵Q和最初状态分布π,字母表示为λ=(P,Q,π)。除了第一环节——果蔬种植,每个环节的参数模型都受上一环节的影响。该环节最终的风险概率直接影响下一环节的初始状态概率分布。例如,果蔬种植环节通过预测模型计算,最终得出各个安全状态出现的概率分布为δ={δ1,δ2,…,δi}(i为真实状态的个数),那么其下一环节即生产环节的初始状态分布概率π=δ。
我们假设供应链共有五个状态,A1-A5,其中A1表示正常安全状态,A5表示重大危险状况,A2、A3、A4表示危险等级逐级加深。如果用概率表示,则各个状态表示的供应链风险等级的概率分别为:
A1:正常状态,设定供应链受威胁的概率为P(A)=0;
A2:低风险,设定供应链受威胁的概率为:
0<P(A)<0.2
A3:中级风险,设定供应链受威胁的概率为0.2<P(A)<0.5;
A4:中高级风险,设定供应链受威胁的概率为0.5<P(A)<0.8;
A5:高风险,设定供应链受威胁的概率为0.8<P(A)<1。
这里所涉及的预测为离散预测,在建立离散的预测模型系统时,可以假定:系统状态包含系统的所有信息,并且在当前状态下的观察是独立的。则预测模型的状态转移模型可以表示为图2所示。从一个节点移动到另一个节点表示:系统在源节点显示的状态,会转变成目的节点的状态,该模型图是一个完全连接图,表明任意安全状态都有转变为其他任意安全状态的可能.
(3)实验
根据上述原理分析,为了简化实验过程,以供应链的最后一个环节为例,利用预测模型供应链进行风险评估。由于供应链各个环节紧密相连,环环相接,因此,最后一个环节的风险即可反应整条供应链的风险等级。
假设系统的可见状态有4个:V1-V4;隐藏状态我们假设有五个:A1-A5。上一环节的各个安全状态出现的概率分布为δ={0.56,0.12,0.19,0.05,0.08},这个概率分布就是消费环节的初始状态概率分布。
设定状态转移矩阵P如下:
观测向量概率矩阵Q可以设定如下:
有了预测的三元组模型,就可以对相关数据进行解码分析。在此给定一组观察序列{O2,O1,O3,O4,O4,O3,O2,O2,O1,O1,O4,O3,},通过维特比算法,可以评估出系统对应的真实状态{T2,T1,T3,T4,T4,T3,T2,T2,T1,T1,T4,T3,}。
由结果可知,系统在t=5,6,9,11时风险级别较大,在t=1,3,7时刻,风险级别较小。假设在A1—A5不同状态值下供应链对应的开销为C={0,5,10,15,20}。根据维特比算法,系统在t时刻处在各状态的概率分别为:
δt={0.1547,0.6073,0.0645,0.1043,0.0692}。
参考风险评价模型的典型代表OCTAVE给出一个计算风险值的公式
Rt=∑αt(i)*c(i)。 (6)
其中Rt表示在t时刻该环节所处的总体风险值,αt(i)为t时刻供应链处在安全状态Si的概率,N是安全状态的数目,c(i)是与状态S(i)关联的开销。
根据式(1),我们可以计算出该供应链的风险值为:R=6.0495。
可以利用上述方法对不同时刻进行风险评估与开销分析,有助于生产者和决策者更全面了解供应链的风险态势,及时查出问题发生的缘由,并根据已有流程或者规定采取相应措施。若发现供应链存在的新的问题,就需要相关人员对问题所在进行深入研究,完善风险规避的方法并建立解决问题新的流程。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (7)
1.一种果蔬类食品安全风险预测方法,其特征在于包括以下步骤:
步骤1、对食品供应链的各个环节进行分析,找出各个环节的关键控制点;
步骤2、分析各环节关键控制点并将其作为量化指标,建立预测模型;
步骤3、初始化预测模型参数,根据预测模型的可见状态序列及系统的真实状态,对预测模型参数进行训练;
步骤4、利用预测模型对食品供应链风险等级进行风险评估和风险值计算。
2.根据权利要求1所述的一种果蔬类食品安全风险预测方法一,其特征在于:在步骤1中,找出各个环节的关键控制点的方法为:根据HACCP体系,并结合食品供应链的各环节,对各个环节中关键点的生物性、物理性和化学性的潜在危害进行分析,确定关键控制点。
3.根据权利要求1或2所述的一种果蔬类食品安全风险预测方法,其特征在于:在步骤2中,建立预测模型的方法包括以下步骤:
步骤201、确定食品供应链的各个系统可见状态;
步骤202、在食品供应链每个环节建立评估预测三元组参数模型,包括状态转移概率矩阵、观测向量的概率矩阵和最初状态分布矢量。
4.根据权利要求3所述的一种果蔬类食品安全风险预测方法,其特征在于:在步骤201中,各个系统可见状态包含系统的所有信息,并且在当前状态下的观察是独立的。
5.根据权利要求3所述的一种果蔬类食品安全风险预测方法,其特征在于:在步骤202中,每个环节的安全状态概率分布就是下一环节的初始状态概率分布。
6.根据权利要求1所述的一种果蔬类食品安全风险预测方法,其特征在于:在步骤3中,可见状态序列是指供应链各个环节检测到的数据;所述系统的真实状态为食品供应链各环节的真实风险值。
7.根据权利要求1所述的一种果蔬类食品安全风险预测方法,其特征在于:在步骤4中,风险值计算方法为:
<mrow>
<msub>
<mi>R</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mi>i</mi>
<mi>N</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Rt表示在t时刻该环节所处的总体风险值,αt(i)为t时刻供应链处在安全状态Si的概率,N是安全状态的数目,c(i)是与状态S(i)关联的开销。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711492766.6A CN107918837A (zh) | 2017-12-30 | 2017-12-30 | 一种果蔬类食品安全风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711492766.6A CN107918837A (zh) | 2017-12-30 | 2017-12-30 | 一种果蔬类食品安全风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107918837A true CN107918837A (zh) | 2018-04-17 |
Family
ID=61894650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711492766.6A Pending CN107918837A (zh) | 2017-12-30 | 2017-12-30 | 一种果蔬类食品安全风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107918837A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344848A (zh) * | 2018-07-13 | 2019-02-15 | 电子科技大学 | 基于Adaboost的移动智能终端安全等级分类方法 |
CN110956365A (zh) * | 2019-11-11 | 2020-04-03 | 北京工商大学 | 基于混杂贝叶斯网络的小麦粉供应链的菌落总数动态风险评估方法 |
CN111832922A (zh) * | 2020-06-30 | 2020-10-27 | 北方工业大学 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
CN114048987A (zh) * | 2021-11-04 | 2022-02-15 | 中国动物卫生与流行病学中心 | 一种用于畜禽产品中微生物的风险评估预警方法及系统 |
CN117035426A (zh) * | 2023-08-31 | 2023-11-10 | 浙江省农业科学院 | 一种生鲜果蔬供应链风险评价方法 |
-
2017
- 2017-12-30 CN CN201711492766.6A patent/CN107918837A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344848A (zh) * | 2018-07-13 | 2019-02-15 | 电子科技大学 | 基于Adaboost的移动智能终端安全等级分类方法 |
CN110956365A (zh) * | 2019-11-11 | 2020-04-03 | 北京工商大学 | 基于混杂贝叶斯网络的小麦粉供应链的菌落总数动态风险评估方法 |
CN110956365B (zh) * | 2019-11-11 | 2020-07-17 | 北京工商大学 | 基于混杂贝叶斯网络的小麦粉供应链的菌落总数动态风险评估方法 |
CN111832922A (zh) * | 2020-06-30 | 2020-10-27 | 北方工业大学 | 基于知识图谱推理的食品安全事件风险研判方法及装置 |
CN114048987A (zh) * | 2021-11-04 | 2022-02-15 | 中国动物卫生与流行病学中心 | 一种用于畜禽产品中微生物的风险评估预警方法及系统 |
CN117035426A (zh) * | 2023-08-31 | 2023-11-10 | 浙江省农业科学院 | 一种生鲜果蔬供应链风险评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107918837A (zh) | 一种果蔬类食品安全风险预测方法 | |
CN107480341B (zh) | 一种基于深度学习的大坝安全综合评判方法 | |
Pandith et al. | Performance evaluation of machine learning techniques for mustard crop yield prediction from soil analysis | |
Wang et al. | Assessment of water ecological carrying capacity under the two policies in Tieling City on the basis of the integrated system dynamics model | |
Kankal et al. | Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables | |
CN109948000B (zh) | 异质网络的异常目标检测方法、装置、设备及存储介质 | |
Tutun et al. | A new forecasting framework for volatile behavior in net electricity consumption: A case study in Turkey | |
CN105608536A (zh) | 基于隐马尔克夫模型的食品安全风险预测方法 | |
Vathsala et al. | Prediction model for peninsular Indian summer monsoon rainfall using data mining and statistical approaches | |
Donate et al. | Time series forecasting. A comparative study between an evolving artificial neural networks system and statistical methods | |
CN106656357A (zh) | 一种工频通信信道状态评估系统和方法 | |
CN107871183A (zh) | 基于不确定性云理论的多年冻土区公路病害预测方法 | |
Abd El-mongy et al. | Design of prediction system for key performance indicators in balanced scorecard | |
Guan et al. | Application of a novel PNN evaluation algorithm to a greenhouse monitoring system | |
Gaikwad et al. | A review on forest fire prediction techniques | |
CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
Hajek et al. | Interval-valued fuzzy cognitive maps with genetic learning for predicting corporate financial distress | |
CN110827134A (zh) | 一种电网企业财务健康诊断方法 | |
Isfan et al. | Forecasting the Portuguese stock market time series by using artificial neural networks | |
Chen | Analyzing and forecasting the global CO2 concentration-a collaborative fuzzy-neural agent network approach | |
Xia et al. | A novel prediction method based on improved binary glowworm swarm optimization and multi-fractal dimension for P2P lending investment risk | |
Talaei-Khoei et al. | A new method for improving prediction performance in neural networks with insufficient data | |
Chen et al. | Comprehensive Evaluation of College Students’ Physical Health and Sports Mode Recommendation Model Based on Decision Tree Classification Model | |
Mi et al. | Prediction of chilling damage risk in maize growth period based on probabilistic neural network approach | |
Wrzesień et al. | Time series processing with cognitive maps. the case of general forecast modeling for time series of similar nature |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180417 |