CN108876100A - 基于ism和ahp的神经网络食品安全风险预测模型 - Google Patents

Abstract

本发明公开了一种基于ISM和AHP的神经网络食品安全风险预测模型，可以快速对复杂的样本数据进行分析降维，进而快速定位出风险出现的成分范围，指导相关部门做出针对性的质检安排。本发明通过这种快速定位检测技术方法对样品进行筛查，相比于现有技术对危险指标进行定性检测，检测速度快，消耗较少的时间就可以快速消除食品安全隐患，有利于指导食品安全检测中心对可能出现安全风险的成分做进一步的检测。因此，本发明提供的技术方案能够对检验数据进行降维，同时提高了RBF风险预测模型的泛化性能，在处理复杂的食品检验数据方面是有效可行的，同时有助于提高食品质量，确保食品安全，降低食品安全风险。

Description

基于ISM和AHP的神经网络食品安全风险预测模型

技术领域

本发明涉及食品安全领域，尤其涉及一种基于ISM和AHP的神 经网络食品安全风险预测模型。

背景技术

“民以食为天，食以安为先”，食品安全问题影响着人们的人 身安全和社会稳定。众多专家学者也从多个方面分析研究食品安全 网络舆情，形成了大量研究成果。因此，对食品安全风险进行快速 定位显得尤为重要。

乳制品目前已是家家户户必备的食品，过去的三鹿奶粉事件仍 然使人们惶恐不安，安全问题值得关注。乳制品的安全主要是通过 衡量几项指标来监测质量合格的，本发明选取了包括脂肪、非脂乳 固体、汞、砷、黄曲霉毒素M1、酸度、铬、蛋白质和铅在内的九种奶制品成分进行检测。目前使用的检测方法效率低，常用来检测食 品安全的技术有光谱技术、色谱技术以及生物技术等，但是这些方 法每次检测都需要对提取出来的全部成分进行分析，浪费了大量的 时间和检测精力，时间成本相对较高。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种基于ISM 和AHP的神经网络食品安全风险预测模型，包括：

获取食品安全的样本数据；

根据ISM算法对所述样本数据进行分层，获得对应各个样本属 性的分层结果；

根据AHP算法形成初始决策矩阵X′＝(X′_ij)_n×m，i＝1，2，3，…， n；j＝1，2，3，…m；

其中，所述分层结果的网络节点的个数为n，所述网络节点的集 合为X，X＝{X1，X2，…，Xn}，所述分层结果的评估指标的个数为 m，所述评估指标的集合为S，S＝{S1，S2，…，Sm}；

使用基于熵值权重的AHP算法获得第i(i＝1，…，个评估指标 的差异系数，所述差异系数的计算公式为

其中，k＝1/ln m，r_ij为正交矩阵的元素；

根据所述差异系数获得各个重要指标的权重，所述权重的计算公 式为

根据各个重要指标的权重获得融合之后的各层输出数据，所述 输出数据的计算公式为

X＝X^TW (6)

使用RBF神经网络根据所述样本数据和所述输出数据对食品安 全进行风险预测，定位风险的层次，确定风险的成分。

可选的，形成初始决策矩阵的步骤之后，获得第i(i＝1，…，m)个 评估指标的差异系数的步骤之前，包括：

根据所述初始决策矩阵形成标准相关函数，所述标准相关函数 为

根据所述标准相关函数可以获得信息矩阵，所述信息矩阵为

对所述信息矩阵进行归一化处理，获得归一化矩阵，所述归一 化矩阵为

根据所述归一化矩阵获得正交矩阵，所述正交矩阵为COR＝RR^T。

可选的，还包括：

使用高斯函数作为RBF神经网络的基函数，方差的计算公式如 下：

其中，c_max为选取中心之间的最大距离，m为隐含层节点的个数；

使用最小均方误差计算隐含层至输出层之间神经元的连接权 值，所述最小均方误差的计算公式如下：

W＝Φ+d (8)

其中Φ⁺＝(Φ^TΦ)^-1Φ^T，d为期待输出值。

本发明具有下述有益效果：

本发明提供的基于ISM和AHP的神经网络食品安全风险预测模 型可以快速对复杂的样本数据进行分析降维，进而快速定位出风险 出现的成分范围，指导相关部门做出针对性的质检安排。本发明通 过这种快速定位检测技术方法对样品进行筛查，相比于现有技术对 危险指标进行定性检测，检测速度快，消耗较少的时间就可以快速 消除食品安全隐患，有利于指导食品安全检测中心对可能出现安全 风险的成分做进一步的检测。因此，本发明提供的技术方案能够对 检验数据进行降维，同时提高了RBF风险预测模型的泛化性能，在处理复杂的食品检验数据方面是有效可行的，同时有助于提高食品 质量，确保食品安全，降低食品安全风险。

附图说明

图1为本发明实施例一提供的RBF网络结构示意图；

图2为本发明实施例一提供的ISM工作原理图；

图3为本发明实施例一提供的ISM-AHP-RBF网络预测模型流程 图；

图4为本发明实施例一提供的乳制品成分经过ISM获得的分层结 果示意图；

图5为本发明实施例一提供的乳制品成分经过AHP获得的权重值 分配结果示意图；

图6为本发明实施例一提供的乳制品样本数据经过训练获得的各 项指标示意图；

图7为本发明实施例一提供的五个样本的风险预测值示意图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结 合附图对本发明提供的基于ISM和AHP的神经网络食品安全风险预 测模型进行详细描述。

实施例一

图1为本发明实施例一提供的RBF网络结构示意图。如图1所 示，RBF神经网络以简单快捷的特性深受人们喜爱，RBF神经网络 有效的采取了简单而又容易实现的径向基函数作为数学模型，不用 再对所有全局的链接权重进行训练，而是只对一些影响输出的权重进行调整，这样就能够明显提升神经网络的训练速度。RBF神经网 络在核工业、医学以及人工智能领域都取得了广泛的应用，精度很 高，并且有很强的自适应性。

本实施例提供的基于解释结构建模(ISM)和层次分析法(AHP) 的径向基神经网络(RBF)风险预测模型，是一种对乳制品成分进行 安全预警的模型，针对乳制品成分的复杂性，运用ISM模型和AHP 算法可以有效的将复杂的数据进行降维分层，进行RBF神经网络训练之后，可以获得各种风险指标的风险值，通过与国家标准值的对 比，可以有效的确定风险出现的层次，进而指导相关质检部门进行 安全检测，有效的提高风险检测效率。

图2为本发明实施例一提供的ISM工作原理图。如图2所示， ISM解释结构模型可以利用一定的信息处理方法分析出复杂因素之 间的关系，通过对关系阈值的调节，可以使复杂系统分解成层次清 晰的多级递阶的形式。AHP层次分析法可以对相互影响和具有隶属关系的因素分层聚类组合，根据全部因素的相对重要性确定权重值， 最后做出评价和决策方案。基于熵值权重的AHP模型在确定指标的 权重时，当网络节点的某一指标得分趋于相同，仍然具有较强的鉴 别能力，从而使得权重分配更加客观准确。本实施例提出了一种基于RBF网络的风险预测模型，将解释结构建模(ISM)和层次分析 法(AHP)相互结合，使用ISM将影响乳制品安全的检测成分划分 为不同的层次，再使用AHP对各层的属性进行融合，得到各层预测 输出的结果，一定程度上优化了风险预测的性能。

图3为本发明实施例一提供的ISM-AHP-RBF网络预测模型流程 图。如图3所示，ISM-AHP-RBF网络风险预测模型分为四个部分： ISM模型对实验样本进行分层处理；利用AHP算法对各层进行融合， 获得预测输出；RBF神经网络处理过程；风险定位和预测。因此，本实施例提供的技术方案能够对检验数据进行降维，同时提高了 RBF风险预测模型的泛化性能，在处理复杂的食品检验数据方面是 有效可行的，同时有助于提高食品质量，确保食品安全，降低食品 安全风险。

本实施例提供的ISM-AHP-RBF风险预测模型是基于ISM模型 和AHP算法的RBF网络预测模型，可以对乳制品安全成分进行风险 预测，以便于有效的指导食品安全相关的质检部门进行成分安全检 测。通过对风险指标的分层，本实施例提供的技术方案避免了质检过程中要对成分进行逐一检测的复杂过程，提高了风险定位的准确 性，同时提高了质检效率。具体的建模过程如下：

本实施例给定K个样本X_i＝[x_i1，x_i2，…，x_in]^T∈Rⁿ，i＝1，2，…， 通过ISM解释结构模型将样本分成h(h<n)个层次，n是向量X_t的 维数，其中X_t＝[x_t1，x_t2，…，x_tn]^T，x_t1是样本X_t的一个属性。ISM通 过建立有向图模型、邻接矩阵和可达矩阵，用节点和有向边的集合 表示系统之中的要素和关系，然后对可达矩阵R进行求解，如公式 (1)所示，其中A为邻接矩阵，I为单位矩阵。

R≡(A+I)ⁿ⁺¹＝(A+I)ⁿ≠…≠(A+I)²≠A+I (1)

本实施例提供的ISM算法的主要工作程序分为以下步骤：①成 立实施ISM工作小组；②小组设定并讨论要解决的内容；③根据内 容的要素构建邻接矩阵并且计算其可达矩阵；④对可达矩阵进行分 解后构建系统结构解析模型；⑤根据实际工作分析结构解析模型。

经过ISM计算以后，本实施例将会得到各个属性的层级分布关 系矩阵，即可结合AHP算法对分层结果进行融合。所述分层结果的 网络节点的个数为n，集合为X，X＝{X1，X2，…，Xn}，所述分层 结果的评估指标的个数为m，所述评估指标的集合为 S，S＝{S1，S2，…，Sm}，形成的初始决策矩阵X′＝(X′_ij)_n×m，i＝1， 2，3，…，n；j＝1，2，3，…m。

本实施例建立标准相关函数，确定各个相关节点之间的相关性， 最后形成相关矩阵。k_ij(x)的节点由x_j(1)，x_j(2)，x_j(3)，x_j（4）表示，如公 式2所示：

当第二个节点与第三个节点重合时，标准相关函数表示为公式 3：

本实施例将标准相关函数应用到X当中，可以得到信息矩阵如 下：

矩阵归一化：其中获得归一化矩阵为

利用得到正交矩阵COR＝RR^T。

使用基于熵值权重的AHP算法获得第i(i＝1，…，m)个评估指标 的差异系数，所述差异系数的计算公式为

其中，k＝1/ln m，r_ij为正交矩阵的元素；

本实施例可以计算最终权重，确定关键节点，指标的差异度越大， 该指标的信息量就越大，指标的鉴别作用也就越大，各个重要指标 的权重计算如公式5所示：

最后，本实施例利用权值W进行数据处理，可以获得融合之后 的各层输出数据如下：

X＝X^TW (6)

然后，本实施例利用多输入多输出的RBF神经网络，对处理后 的数据进行训练和预测，原始数据作为输入，融合之后的数据作为 输出。

在训练样本集合之中随机选择m个样本作为m个径向基函数的 中心，选择高斯函数作为RBF神经网络的基函数，方差可以由公式 (7)进行求解：

其中，c_max为选取中心之间的最大距离，m为隐含层节点的个数。

隐含层至输出层之间神经元的连接权值可以用最小均方误差 LMS直接计算得到，计算公式如公式(8)：

W＝Φ⁺d (8)

其中Φ⁺＝(Φ^TΦ)^-1Φ^T，d为期待输出值。

本实施例将上述过程应用于乳制品成分安全检测分析之中，能 够有效的将复杂的成分分层出少数安全指标，利用神经网络的训练 和预测，通过与国标准值的对比，可以迅速定位出可能出现风险的 指标，进而确定并缩小发生危险预警的成分范围，从而指导相关质 检部门做安全检测，提高相关工作的工作效率。

为了验证ISM-AHP-RBF网络模型的有效性，首先需要用标准数 据集进行测试。本实施例选取三个经典的数据集spambase、wine和 letter-recognition，数据集的输出同样利用ISM和AHP算法获得，数 据集spambase、wine和letter-recognition所使用的ISM的偏相关阈 值分别为0.05、0.05和0.5，经过AHP算法获得的层数均为3，详细 介绍如表1所示。

表1标准数据集介绍

Table 1Specification of standard data sets

本实施例将ISM-AHP-RBF与ISM-AHP-BP(基于ISM和AHP 算法的BP神经网络预测模型)两个网络模型进行对比，其对比指标 均方根误差如公式9所示：

根据公式9得到不同网络模型预测结果，如表2所示。

表2不同网络模型的性能比较

Table 2Comparison of performance of different network models

从表2可以看出，ISM-AHP-RBF网络模型的泛化性能远远好于 ISM-AHP-BP网络模型的泛化性能，当样本数据的复杂程度增加时， ISM-AHP-RBF网络模型的均方误差更小。

可以看出，针对具有复杂属性的数据样本，ISM-AHP-RBF网络 模型展现了更加良好的性能。因此，本实施例验证了ISM-AHP-RBF 网络模型应用于乳制品成分安全检测预警分析的有效性。本实施例 通过这种快速定位检测技术方法对样品进行筛查，相比于现有技术 对危险指标进行定性检测，检测速度快，消耗较少的时间就可以快 速消除食品安全隐患，有利于指导食品安全检测中心对可能出现安 全风险的成分做进一步的检测。因此，本实施例提供的技术方案能 够对检验数据进行降维，同时提高了RBF风险预测模型的泛化性能， 在处理复杂的食品检验数据方面是有效可行的，同时有助于提高食 品质量，确保食品安全，降低食品安全风险。

对于乳制品而言，本实施例选取了影响其安全质量的九种主要 成分，包括脂肪、非脂乳固体、汞、砷、黄曲霉毒素M1、酸度、铬、 蛋白质和铅。

图4为本发明实施例一提供的乳制品成分经过ISM获得的分层 结果示意图。如图4所示，通过ISM和AHP的计算，本实施例将安 全指标划分为三个层次，脂肪、非脂乳固体、汞、砷和黄曲霉素M1 为第一层，酸度和铬为第二层，蛋白质和铅为第三层。

图5为本发明实施例一提供的乳制品成分经过AHP获得的权重 值分配结果示意图。如图5所示，本实施例获得AHP融合时各个乳 制品成分的权重值分配，下面也将围绕乳制品安全成分的这三层安 全指标进行风险预测和指导。

本实施例选择市面上多个知名品牌的纯牛奶的1242个乳制品检 测样本数据。首先，本实施例对这些原始数据进行预处理，然后， 本实施例选取直接影响乳制品安全性的九种成分指标作为神经网络 的输入项。

本实施例利用AHP模型提取输入参数的特征，获得1至3类(分 别对应ISM的1至3层)风险指标作为神经网络的输出项，如表3 所示。

本实施例随机选取1118组数据作为训练数据，其余124组数据 作为泛化数据。RBF神经网络的输入层、隐含层和输出层的节点数 分别为9，8和3。

表3 AHP融合结果的一部分

为了验证ISM-AHP-RBF模型的有效性和鲁棒性，本实施例建立 基于BP神经网络的预测模型与本实施例提供的基于RBF神经网络 的预测模型进行比较。在单层BP网络之中，设置学习因子为0.1， 动量因子为0.9，迭代次数为5000，激励函数为sigmoid函数，输入层、隐含层和输出层的节点数分别为9，8和3，如表4所示。

表4实验参数初始化

由于乳制品成分变量的量纲并不完全相同，为使得变量之间的 数值具有可比性。本实施例将除酸度之外的其他八项指标的计量单 位统一换算成g/100g，酸度的单位为°Τ。根据食品安全国家标准文 件规定的成分限量标准(GB 2761-2011，GB 2762-2012，GB25190-2010)，本实施例获得九种成分的国家限量标准如表5所示， 这些标准将作为预警依据。

表5乳制品中各种成分的国家限量标准

本实施例使用ISM-AHP-RBF模型对九种成分在乳制品生产中 的限量标准进行训练。由于样本数据均为合格数据，因此，针对脂 肪、非脂乳固体、脂肪和酸度四类区间性的指标，本实施例进行训 练时，使用的是1242条样本数据的临界值。因此，本实施例获得三类指标的标准方差，以此为标准判断哪一类指标在检测过程中出现 风险问题。当均方误差越小，说明出现问题的风险越低，当风险值 大于标准值，说明该项指标将出现风险，相关部门需要作出进一步 检测。

图6为本发明实施例一提供的乳制品样本数据经过训练获得的 各项指标示意图。如图6所示，经过预警模型的训练和预测，本实 施例获得了样本数据的三类指标的均方误差。其中，Mse-test表示测 试均方误差4，Mse-train表示训练均方误差5，第一指标、第二指标 和第三指标代表三项安全预警指标。可以看出，由于样本数据均为 合格产品数据，因此所得的三项指标对应的均方误差值都远远小于 预警标准值。本实施例提供的实验结果不仅验证了该模型在食品安 全预测应用之中优秀的泛化性能，同时也验证了该模型在食品安全 预测领域的有效性。

图7为本发明实施例一提供的五个样本的风险预测值示意图。 在实验过程之中，本实施例选取了五组样本数据，对第一指标、第 二指标和第三指标这三项指标监测值进行预测，最后的风险预测结 果如图7示。可以看出，这五个样本的均方误差值均远远小于国家限量标准值，更好地验证了该模型的实用性。然而，若是某个指标 大于标准值或接近标准值，则此项指标对应的成分层就可能存在着 风险问题。可以看出，五个样本之中的样本三的第一指标1出现风 险的可能性大于其他四个样本点，同样的，样本四的第二指标2以 及第三指标3出现风险的可能性大于其他样本点。因此，根据该模 型所得到的指标风险预测值，本实施例可以对相关质检部门做出重 点质检工作的指导。例如，针对样本三，本实施例可以对第一指标1 对应的五种成分层次做出进一步的检测，因此，本实施例提供风险 预测模型有利于指导相关质检部门做出高效的乳制品安全检测工作 安排。

本实施例提供的基于ISM和AHP的神经网络食品安全风险预测 模型可以快速对复杂的样本数据进行分析降维，进而快速定位出风 险出现的成分范围，指导相关部门做出针对性的质检安排。本实施 例通过这种快速定位检测技术方法对样品进行筛查，相比于现有技 术对危险指标进行定性检测，检测速度快，消耗较少的时间就可以 快速消除食品安全隐患，有利于指导食品安全检测中心对可能出现 安全风险的成分做进一步的检测。因此，本实施例提供的技术方案 能够对检验数据进行降维，同时提高了RBF风险预测模型的泛化性 能，在处理复杂的食品检验数据方面是有效可行的，同时有助于提 高食品质量，确保食品安全，降低食品安全风险。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而 采用的示例性实施方式，然而本发明并不局限于此。对于本领域内 的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可 以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (3)

1.一种基于ISM和AHP的神经网络食品安全风险预测模型，其特征在于，包括：

获取食品安全的样本数据；

根据ISM算法对所述样本数据进行分层，获得对应各个样本属性的分层结果；

根据AHP算法形成初始决策矩阵X′＝(X′_ij)_n×m，i＝1，2，3，…，n；j＝1，2，3，…m；

其中，所述分层结果的网络节点的个数为n，所述网络节点的集合为X，X＝{X1，X2，…，Xn}，所述分层结果的评估指标的个数为m，所述评估指标的集合为S，S＝{S1，S2，…，Sm}；

使用基于熵值权重的AHP算法获得第i(i＝1，…，m)个评估指标的差异系数，所述差异系数的计算公式为

其中，k＝1/ln m，r_ij为正交矩阵的元素；

根据所述差异系数获得各个重要指标的权重，所述权重的计算公式为

根据各个重要指标的权重获得融合之后的各层输出数据，所述输出数据的计算公式为

X＝X^TW (6)

使用RBF神经网络根据所述样本数据和所述输出数据对食品安全进行风险预测，定位风险的层次，确定风险的成分。

2.根据权利要求1所述的基于ISM和AHP的神经网络食品安全风险预测模型，其特征在于，形成初始决策矩阵的步骤之后，获得第i(i＝1，…，m)个评估指标的差异系数的步骤之前，包括：

根据所述初始决策矩阵形成标准相关函数，所述标准相关函数为

根据所述标准相关函数可以获得信息矩阵，所述信息矩阵为

对所述信息矩阵进行归一化处理，获得归一化矩阵，所述归一化矩阵为

根据所述归一化矩阵获得正交矩阵，所述正交矩阵为COR＝RR^T。

3.根据权利要求1所述的基于ISM和AHP的神经网络食品安全风险预测模型，其特征在于，还包括：

使用高斯函数作为RBF神经网络的基函数，方差的计算公式如下：

其中，c_max为选取中心之间的最大距离，m为隐含层节点的个数；

使用最小均方误差计算隐含层至输出层之间神经元的连接权值，所述最小均方误差的计算公式如下：

W＝Φ⁺d (8)

其中Φ⁺＝(Φ^TΦ)^-1Φ^T，d为期待输出值。