CN109086887A - 深度rbf神经网络与基于熵权的ahp结合的预警方法 - Google Patents
深度rbf神经网络与基于熵权的ahp结合的预警方法 Download PDFInfo
- Publication number
- CN109086887A CN109086887A CN201810886943.7A CN201810886943A CN109086887A CN 109086887 A CN109086887 A CN 109086887A CN 201810886943 A CN201810886943 A CN 201810886943A CN 109086887 A CN109086887 A CN 109086887A
- Authority
- CN
- China
- Prior art keywords
- neural network
- depth
- rbf neural
- rbf
- risk
- 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
- 230000001537 neural effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 39
- 235000013305 food Nutrition 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000005314 correlation function Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 31
- 230000004927 fusion Effects 0.000 abstract description 16
- 239000010410 layer Substances 0.000 description 117
- 238000013528 artificial neural network Methods 0.000 description 96
- 230000000694 effects Effects 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 6
- 210000005036 nerve Anatomy 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000008267 milk Substances 0.000 description 4
- 210000004080 milk Anatomy 0.000 description 4
- 235000013336 milk Nutrition 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 229930195730 Aflatoxin Natural products 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 3
- 239000005409 aflatoxin Substances 0.000 description 3
- 229910052785 arsenic Inorganic materials 0.000 description 3
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 3
- 229910052804 chromium Inorganic materials 0.000 description 3
- 239000011651 chromium Substances 0.000 description 3
- 238000013278 delphi method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 235000013861 fat-free Nutrition 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 231100000678 Mycotoxin Toxicity 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002636 mycotoxin Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000010181 polygamy Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/10—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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种深度RBF神经网络与基于熵权的AHP结合的预警方法，首先采用基于熵权的AHP算法对复杂食品安全监测数据进行风险融合，将风险融合结果作为深度RBF神经网络的期望输出。然后使用深度RBF神经网络对食品安全监测数据进行建模，使用该模型可以获得更加准确的风险预测结果，从而指导食品安全预警工作。基于熵权的AHP算法根据数据内部规律确定各个指标的权重，避免了传统AHP算法可能出现的判断失误。深度RBF预警模型具有比BP、RBF等浅层神经网络模型更强的泛化能力和特征表示能力，从而使得该模型能够得到更加精确的食品安全监测数据风险预警的结果。
Description
技术领域
本发明涉及食品安全技术领域，尤其涉及一种深度RBF神经网络与基于熵权的AHP结合的预警方法。
背景技术
近年来，我国频繁发生的食品安全事故对食品安全预警工作提出了迫切的要求，食品安全风险评估和预警研究成为关注的热点。目前，德尔菲法和层次分析算法(AnalyticHierarchy Process，AHP)是最成熟的风险评估方法。德尔菲法经常用于预测与公共政策问题有关的长期问题，例如经济方向、卫生、教育和食品安全问题。然而，德尔菲法在预测单标量指标方面比较成功，不能适用于复杂的多指标系统。AHP算法作为一种定性和定量的多指标决策方法，适用于多指标复杂问题的决策。在食品安全风险评价中，由于不同食品安全风险评价指标之间没有明确的定量关系，因此宜采用AHP算法确定各个风险评价指标的权重。然而，传统的AHP算法依赖于研究者的判断来构造判断矩阵，这很容易导致误判。
目前，人工神经网络算法是建立食品安全监测数据预警模型的一种常用方法。人工神经网络算法是一种有效的计算模型，广泛应用于非线性函数逼近、模式识别、复杂过程工业能效预测、工业过程控制和风险管理以及食品安全预警领域。人工神经网络模型作为一种黑箱模型，可以在不确定系统内部结构的情况下进行建模。因此，人工神经网络模型适用于处理不同属性之间关系不清的食品安全监测数据。
BP神经网络是目前最流行的基于梯度下降的人工神经网络算法之一。然而，BP算法收敛速度慢，容易陷入局部极小值。径向基函数(Radial basis function，RBF)神经网络是一种具有优越性能的神经网络，它的隐含层实现了从低维输入空间到高维隐含层空间的非线性变换，使得在低维空间内线性不可分的问题成为线性可分的问题。RBF神经网络的训练速度更快，能够避免陷入局部极小值，具有全局最佳逼近性能。然而，在处理高维度、高复杂性的数据时，BP神经网络、RBF神经网络等浅层神经网络的泛化能力较弱，无法获得较为精确的预测结果。
发明内容
为解决现有技术存在的局限和缺陷，本发明提供一种深度RBF神经网络与基于熵权的AHP结合的预警方法，包括：
获得参数j的关联函数kij(x)，关联函数kij(x)为
xj(1)，xj(2)，xj(3)，xj(4)为kij(x)的节点
其中，i＝1，2，…n，i为第i次采样，j＝1，2，…m；
设预处理后的食品安全监测数据为X＝[X(1) X(2) … X(n)]T，，获得信息矩阵为
使用公式对所述信息矩阵进行中心归一化处理，获得正矩阵Rj n×m，其中
根据所述正矩阵Rj n×m获得n阶对称矩阵COR为
根据所述对称矩阵的各个指标的熵值获得对应指标的权值为
其中，各个指标的熵值为
获得食品安全监测数据的风险融合数据为
将所述风险融合数据作为深度RBF神经网络模型的期望输出；
形成RBF神经网络模型；
获得基于RBF神经网络模型的自编码器；
根据所述自编码器形成深度RBF神经网络的特征提取模块；
根据所述特征提取模块进行无监督学习，获得输入数据的高级特征；
根据原始的RBF神经网络模型进行监督学习，获得深度RBF神经网络模型的实际输出。
可选的，所述自编码器以高斯函数作为隐含层神经元的激活函数，所述激活函数为
其中，X＝(x1，x2，...，xn)为输入向量，Ci为第i个高斯函数的聚类中心，σi为隐含层第i个单元的高斯函数的宽度。
在基于RBF神经网络的自编码器的编码过程中，隐藏表示Y可以表示为：
Y＝g(X) (17)
在基于RBF神经网络的自编码器的解码过程中，重构向量是隐含表示Y的线性组合，可以表示为：
其中，W表示隐含层到输出层的权重矩阵，b为隐含层到输出层的偏差向量。
可选的，还包括：
将所述深度RBF神经网络模型的实际输出与期望输出进行比较，获得深度RBF神经网络模型的训练相对误差。
可选的，还包括：
选定泛化样本数据集，使其不同于训练样本数据集；
根据所述泛化样本数据集获得所述深度RBF神经网络模型的泛化相对误差。
本发明具有下述有益效果：
本发明提供的深度RBF神经网络与基于熵权的AHP结合的预警方法之中，首先采用基于熵权的AHP算法对复杂食品安全监测数据进行风险融合，将风险融合结果作为深度RBF神经网络的期望输出。然后使用深度RBF(DRBF)神经网络对食品安全监测数据进行建模，使用该模型可以获得更加准确的风险预测结果，从而指导食品安全预警工作。基于熵权的AHP算法根据数据内部规律确定各个指标的权重，避免了传统AHP算法可能出现的判断失误。深度RBF预警模型具有比BP、RBF等浅层神经网络模型更强的泛化能力和特征表示能力，从而使得该模型能够得到更加精确的食品安全监测数据风险预警的结果。
附图说明
图1为本发明实施例一提供的食品安全预警流程图。
图2为本发明实施例一提供的RBF神经网络结构图。
图3为本发明实施例一提供的基于RBF的自编码器的网络结构图。
图4为本发明实施例一提供的DRBF神经网络模型的建模流程图。
图5为本发明实施例一提供的各个风险评价指标的权重图。
图6为本发明实施例一提供的RBF神经网络与两层DRBF神经网络的拟合曲线图。
图7为本发明实施例一提供的三、四层DRBF神经网络的拟合曲线图。
图8为本发明实施例一提供的六、十层DRBF神经网络的拟合曲线图。
图9为本发明实施例一提供的BP神经网络与改进的两层BP神经网络的拟合曲线图。
图10为本发明实施例一提供的改进的三、四层BP神经网络的拟合曲线图。
图11为本发明实施例一提供的改进的六、十层BP神经网络的拟合曲线图。
图12为本发明实施例一提供的RBF神经网络与DRBF神经网络的误差曲线对比图。
图13为本发明实施例一提供的BP神经网络与改进的多层BP神经网络的误差曲线对比图。
图14为本发明实施例一提供的监测数据风险融合结果的区间分布图。
图15为本发明实施例一提供的监测样本数据的风险融合结果图。
图16为本发明实施例一提供的AHP-DRBF模型的泛化结果与实际风险值比较图。
其中，附图标记为：1、输入层；2、隐含层；3、输出层。
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深度RBF神经网络与基于熵权的AHP结合的预警方法进行详细描述。
实施例一
由于食品安全监测数据具有高复杂性、高维度、离散性和非线性等特点，具有单隐含层的RBF神经网络的泛化能力难以满足风险预警的需要。为了提升食品安全监测数据的风险预警效果，本实施例提出了一种DRBF神经网络与基于熵权的AHP算法结合的食品安全风险预警方法，该方法首先使用基于熵权的AHP算法对监测数据进行风险融合，再将风险融合结果作为DRBF神经网络模型的期望输出。图1为本发明实施例一提供的食品安全预警流程图。如图1所示，本实施例使用DRBF神经网络预警模型对食品安全监测数据进行预警建模，再对预警结果进行分析，最后对食品安全预警的相关工作提出指导意见。本实施例提出的DRBF神经网络模型比浅层神经网络具有更强的泛化能力，预测效果更佳。
本实施例通过基于熵权的AHP算法得到食品安全监测数据的各个风险评价指标的权重。其中，基于熵权的AHP算法内容如下：
获得参数j的关联函数kij(x)，关联函数kij(x)为
xj(1)，xj(2)，xj(3)，xj(4)为kij(x)的节点
其中，i＝1，2，…n，i为第i次采样，j＝1，2，…m。
若标准关联函数kij(x)的第二个节点xj(2)和第三个节点xj(3)重合，则
本实施例称此关联函数kij(x)为下侧关联函数。
本实施例设预处理后的食品安全监测数据为X＝[X(1) X(2)…X(n)]T。
此时本实施例采用下侧关联函数，而且xj(2)(j＝1，2，…，m)为平均值，从而获得信息矩阵为
使用公式对所述信息矩阵进行中心归一化处理，其中将负数迁移到零点(采用正零，零加一个正小数ε)，rij＝k′ij-tj+ε i＝1，2，…，n；j＝1，2，…，m。
其中，tj＝min(kij)＜0 j＝1，2，…，m，获得正矩阵Rj n×m如下：
根据所述正矩阵Rj n×m获得n阶对称矩阵COR为
对于n阶对称矩阵COR，计算各个指标的熵：熵表示对称矩阵COR的指标数据差异性的量度，若此时ei取最大值1。由此可见，指标的熵值越小，数据差异越大，则该指标在综合评价中的重要程度就越大；指标的熵值越大，数据差异越小，则该指标在综合评价中的重要程度就越小。
根据所述对称矩阵的各个指标的熵值获得对应指标的权值为
使用W对方案融合，获得食品安全监测数据的风险融合数据为
本实施例提供的RBF神经网络算法如下：
本实施例给定训练数据集{(Xn，Tn)|n＝1，2，...，N；Xn∈RK；Tn∈RQ}，其中Xn＝[x1，x2，...，xn]为输入向量，Tn＝[t1，t2，...，tQ]为每个样本的期望输出。已知聚类中心个数，即隐含层神经元数目为p。输入层神经元的数目为s，第i个RBF单元的聚类中心为Ci＝(c1，c2，...，cs)T，(i＝1，2，...，p)，根据公式8可以获得xi与第k个聚类中心Ck的欧几里得距离：
其中，n为样本数；
隐含层神经元的输出为：
其中，σk表示隐含层中第k个单元的高斯函数的宽度，其公式如下：
σk＝{min＜dk→i＞，(k，i＝1，2，...，P)∩(i≠k)} (10)
本实施例中，RBF神经网络第i个样本的输出可以表示为：
yi＝Hi·Wt (12)
其中，Hi表示第i个样本隐含层的输出，Wt表示代表隐含层到输出层的权重矩阵。Hi和Wt可以使用公式(13)和公式(14)表示如下：
Hi＝(Hi1，Hi2，...，Hip) (13)
其中，t为训练过程的迭代次数，m为输出层神经元的数目。
本实施例使用公式(15)更新权重矩阵：
其中，η为学习因子。
图2为本发明实施例一提供的RBF神经网络结构图。如图2所示，当RBF神经网络的训练误差满足预设训练精度或训练次数达到设定值时，算法停止，从而得到RBF神经网络模型。
本实施例构建基于RBF的DRBF神经网络的特征提取模块。首先提供基于RBF的自编码器，所述自编码器是输出层节点数目与输入层节点数目相等的三层前馈神经网络。所述自编码器是一种有效的无监督学习算法，可以降低输入数据的维数。所述自动编码器在多层深度网络框架之中起着特征提取的作用，通过最小化重构误差使得编码输出近似于原始输入。所述自编码器可以在隐含层节点数小于输入层节点数的情况下能学习输入数据的压缩表示。因此，所述自编码器可以过滤输入数据中的冗余信息，将输入数据X映射到更高维空间以获取输入数据的高级特征表示。
为了提高普通自编码器的特征表示能力，本实施例提出基于RBF的自编码器。所述自编码器以高斯函数作为隐含层神经元的激活函数，所述激活函数为
其中，X＝(x1，x2...，xn)为输入向量，Ci为第i个高斯函数的聚类中心，σi为隐含层第i个单元的高斯函数的宽度。
本实施例在基于RBF神经网络的自编码器的编码过程中，隐藏表示Y可以表示为：
Y＝g(X) (17)
本实施例在基于RBF神经网络的自编码器的解码过程中，重构向量是隐含表示Y的线性组合，可以表示为：
其中，W表示隐含层到输出层的权重矩阵，b为隐含层到输出层的偏差向量。
本实施例中，基于RBF的自编码器采用反向传播算法来最小化均方重构误差
图3为本发明实施例一提供的基于RBF的自编码器的网络结构图。如图3所示，与传统的自编码器相比，基于RBF的自编码器只需线性调整隐含层到输出层的权重矩阵。因此，本实施例提出的自编码器具有训练速度快的优点。同时，基于RBF的自编码器具有RBF神经网络的优点，即具有较好的逼近效果。本实施例提供的基于熵权的AHP算法根据数据内部规律确定各个指标的权重，避免了传统AHP算法可能出现的判断失误。深度RBF预警模型具有比BP、RBF等浅层神经网络模型更强的泛化能力和特征表示能力，从而使得该模型能够得到更加精确的食品安全监测数据风险预警的结果。
本实施例对DRBF神经网络模型进行如下描述：
与传统的深度神经网络训练方式不同，本实施例提供的DRBF神经网络的训练可分为两个独立的阶段：1、逐层的无监督特征表示；2、有监督的回归或分类训练。给定训练样本集{(Xn，Tn)|n＝1，2，...，N；Xn∈RK；Tn∈RQ}，其中Xn＝[x1，x2，...，xK]表示输入向量，Tn＝[t1，t2，...，tQ]是每个样本的期望输出。
图4为本发明实施例一提供的DRBF神经网络模型的建模流程图。如图4所示，DRBF神经网络训练过程的具体步骤如下：
步骤1：构造DRBF神经网络的特征提取模块，执行无监督特征学习。
首先，将每个基于RBF的自编码器构造成为独立的特征提取子模块。然后，给定隐含层层数N，堆叠这些基于RBF的自编码器以执行N层无监督学习，从而获得输入数据的高级特征。在此阶段，DRBF神经网络执行逐层训练，即一次训练一层。同时，对隐含层进行前向训练，即当前隐含层的输出由前一隐含层的参数决定。在数学表达上，每个隐含层的输出可以表示为Hi＝g(W′i-1·Hi-1)。其中，Hi是第i个基于RBF的自编码器的隐含层输出，Hi-1是第i-1个基于RBF的自编码器的隐含层输出，Wi-1是第i-1个基于RBF的自编码器的输出权重。
步骤2：执行监督学习过程。
本实施例选择一个原始的RBF神经网络作为分类模型或回归模型以执行决策过程。该模型的输入是前一阶段的第N个基于RBF的自动编码器的输出。期望输出是给定训练样本集中的Tn＝[t1，t2，...，tQ]。
步骤3：计算DRBF神经网络的实际输出，并与期望输出进行比较，计算得到DRBF模型的训练相对误差。
步骤4：选定泛化样本数据集，使其不同于训练样本集。然后返回步骤3，计算DRBF神经网络的泛化相对误差。
为了验证DRBF神经网络与基于熵权的AHP算法相结合的食品安全风险预警方法的有效性，本实施例选取2014年中国某省的灭菌乳食品安全监测数据作为研究对象，使用本实施例提供的预警方法进行食品安全预警分析。
由于食品安全监测数据中各个变量的量纲一般并不相同，为使得变量之间的数值具有可比性，本实施例使用最小-最大规范化的方法对监测数据进行线性变换，将各个指标的监测结果映射到区间[0，1]中。
本实施例提供的最小-最大规范化的公式如下：
其中，而且i＝1，2，…，t；j＝1，2，…，m。
依据中国食品安全国家标准，灭菌乳的检测指标包括感官指标、理化指标、污染物指标、真菌毒素指标、微生物指标等五大类检测指标。本实施例从中选择相应的检测指标作为风险评价指标。风险评价指标的选择应遵循全面性原则、实用性原则和可操作性原则。本实施例选择的风险评价指标既需要尽可能覆盖所有可能产生食品安全风险的因素，同时也考虑到风险评价指标对应的数据是否易于获得以及是否易于量化。根据以上原则，本实施例从国家标准规定的灭菌乳的检测指标中筛选出以下9个风险评价指标作为食品安全灭菌乳监测样本数据的风险评价指标。这9个风险评价指标分别是：脂肪、蛋白质、非脂乳固体、酸度、铅、汞、砷、铬、黄曲霉毒素M1。其中，脂肪、蛋白质、非脂乳固体、酸度属于理化指标，铅、汞、砷、铬属于污染物指标，黄曲霉毒素M1属于真菌毒素指标。
图5为本发明实施例一提供的各个风险评价指标的权重图。如图5所示，本实施例选取脂肪、蛋白质、非脂乳固体、酸度、铅、汞、砷、铬、黄曲霉毒素M1这9个风险评价指标对应的监测数据作为DRBF神经网络的输入，使用基于熵权的AHP算法对监测数据进行风险融合，将得到的风险融合结果作为网络的期望输出。由基于熵权的AHP算法得到的各风险评价指标的权重占比如图5所示。样本数据总量为1238条，本实施例选取其中902条作为训练样本数据，其余336条作为泛化样本数据。为了验证所提出模型的有效性，本实施例分别使用BP神经网络、RBF神经网络、改进的多层BP神经网络对监测数据进行建模并将以上神经网络的建模效果与深度RBF神经网络的建模效果进行对比。其中，本实验构造的改进的多层BP神经网络采用与深度RBF神经网络相同的特征提取方式，在分类层使用单层的BP神经网络作为分类或回归模型。
本实施例中，以上神经网络的参数设置如下：输入层、隐含层和输出层的节点数分别为9、17、1。预设精度为0.001，学习率为0.1，迭代次数为1000次。BP神经网络和实现特征提取的多层BP神经网络的动量因子设置为0.95。此外，平均相对误差(ARGE)和均方根误差(RMSE)的计算公式如下所示：
其中，NetOutji是神经网络输出，ExpectOutji是期望输出，而且
i＝1，2，.......，n；j＝1，2，.......，k。
表1RBF神经网络与DRBF神经网络在食品安全预警领域的实验结果
表1中平均相对误差的单位为％。从表1可以看出，RBF神经网络的泛化误差是5.8240％，而使用DRBF神经网络的预警模型的泛化能力普遍强于普通RBF神经网络。DRBF神经网络的泛化误差随着隐含层层数的增加而减小，当隐含层层数为3时泛化误差达到最小值，泛化效果最佳。之后随着隐含层层数的增加，泛化误差逐渐增大，泛化效果逐渐变差，在隐含层层数达到10层时泛化效果最差，泛化误差达到了5.8199％，略好于普通RBF神经网络的泛化误差。由于深层神经网络结构导致10层深度RBF神经网络的训练时间大大长于RBF神经网络所需的训练时间，因此此时已经不适合应用10层的深度RBF神经网络对监测数据进行建模。因此，使用深度RBF神经网络构建食品安全预警模型的最佳隐含层层数为3层，此时的泛化结果最接近真实值。
为了更好地验证所提出算法的有效性，本实施例还构造同深度RBF神经网络采用相同特征学习方式的多隐含层BP神经网络，而且使用该神经网络模型对监测数据进行预警建模分析，以比较其与深度RBF神经网络的泛化效果。
表2BP神经网络与改进的多层BP神经网络在食品安全预警领域的实验结果
表2中平均相对误差的单位为％。从表2可以看出，BP神经网络的泛化误差为7.5726％，而改进的多层BP神经网络的泛化误差明显小于BP神经网络，改进的多层BP神经网络在隐含层层数为2时泛化效果达到最佳，此时的泛化误差最小，为5.2475％，而均方根误差为0.0674。之后，随着隐含层层数的增加，改进的多层BP神经网络的泛化误差在5.30％-6.38％之间波动，而当隐含层层数为10层时，改进的多层BP神经网络的泛化误差超过10％，达到10.6895％，此时的泛化效果已经无法接受。
综合分析表1和表2可以看出，DRBF神经网络的泛化误差比具有相同隐含层层数和相同隐含层节点数的改进的BP神经网络的泛化误差小。所述隐含层层数为2、3、4、6层的DRBF神经网络的泛化误差都在5％以内，而改进的多层BP神经网络的最小泛化误差为5.2475％，因此DRBF神经网络具有更强的泛化能力，泛化效果更佳，泛化结果更加逼近真实值。然而，随着隐含层层数的增加，DRBF神经网络和改进的多层BP神经网络的泛化误差都逐渐增大，当隐含层层数为10层时达到最大。10层DRBF神经网络的泛化误差接近于普通RBF神经网络的泛化误差，而10层的改进的BP神经网络的泛化误差比单隐含层BP神经网络大的多。由此可见，神经网络的隐含层层数设定显著地影响监测数据的建模效果，因此需要确定最优的隐含层层数以达到最佳的神经网络建模效果。通过实验可知，与BP神经网络、RBF神经网络、改进的多层BP神经网络相比，深度RBF神经网络拥有更强的泛化性能，其最优隐含层层数为3，此时的泛化误差最小，泛化效果达到最佳。
图6为本发明实施例一提供的RBF神经网络与两层DRBF神经网络的拟合曲线图，图7为本发明实施例一提供的三、四层DRBF神经网络的拟合曲线图，图8为本发明实施例一提供的六、十层DRBF神经网络的拟合曲线图，图9为本发明实施例一提供的BP神经网络与改进的两层BP神经网络的拟合曲线图，图10为本发明实施例一提供的改进的三、四层BP神经网络的拟合曲线图，图11为本发明实施例一提供的改进的六、十层BP神经网络的拟合曲线图。通过对比图6至图11的神经网络的曲线拟合效果可知，DRBF神经网络的拟合曲线更为逼近真实值，曲线拟合效果更佳。3个隐含层的DRBF神经网络的拟合曲线与真实值的偏差最小，拟合结果最为逼近真实值。
图12为本发明实施例一提供的RBF神经网络与DRBF神经网络的误差曲线对比图，图13为本发明实施例一提供的BP神经网络与改进的多层BP神经网络的误差曲线对比图。图12、13分别对比了RBF神经网络、DRBF神经网络的误差曲线以及普通BP神经网络、改进的多层BP神经网络的误差曲线。从图12、13可以看出，3层的DRBF神经网络的整体误差最小，2、3、4、6层的DRBF神经网络的整体误差均小于RBF神经网络，而10层的DRBF神经网络的整体误差与普通RBF神经网络较为接近。对于改进的多层BP神经网络而言，该网络在隐含层层数为2时的整体误差最小。当隐含层层数为10层时，改进的多层BP神经网络的整体误差甚至大于普通BP神经网络的整体误差，可见改进的10层BP神经网络已经不适用于灭菌乳食品安全预警领域。
本实施例对本次实验的食品安全预警分析如下：
本实施例根据历史数据制定预警参考值。图14为本发明实施例一提供的监测数据风险融合结果的区间分布图，图15为本发明实施例一提供的监测样本数据的风险融合结果图。如图14所示，本实施例采用基于熵权的AHP算法对经过规范化的2014年3-8月的监测数据进行风险融合，得到所有风险评估指标的风险融合结果。如图15所示，全体数据分布于[0.1，1.6)的区间内，其中[0.9，1)区间内的数据最多，大部分数据分布于[0.8，1.2)区间内。
参见图15，监测样本风险融合结果绝大部分在[0.8，1.2]的区间内，风险值高于1.2的监测样本是相对高风险的样本，而风险值低于0.8的样本是相对低风险的样本。因此，本实施例根据2014年3-8月的监测数据的风险分布情况确定预警参考值：高风险预警参考值为1.2，低风险预警参考值为0.8。
图16为本发明实施例一提供的AHP-DRBF模型的泛化结果与实际风险值比较图。本实施例使用AHP-DRBF模型对2014年9月上旬的监测数据进行预警。具体来说，本实施例使用上节实验中拟合效果最佳的3层DRBF神经网络模型预测2014年9月上旬的监测数据的风险情况，模型参数与上节的实验参数保持一致。模型的训练数据仍为902条2014年3-8月监测样本数据，测试数据为20条2014年9月上旬的监测数据。由图16可知，DRBF神经网络可以较为准确地预测2014年9月上旬的食品安全风险状况，DRBF神经网络预测值与真实值十分接近，泛化误差为2.17％。
本实施例通过分析2014年9月上旬的监测数据的风险情况可知，2014年9月上旬的监测数据的平均风险值为1.080，而902条3-8月监测数据的平均风险值为0.949，因此2014年9月上旬总体风险呈上升趋势，但是由于风险平均值未超过高风险预警参考值1.2，因此总体风险仍在正常的范围内。在9月上旬的监测数据中，第七个监测样本的风险值最高，为1.4021，高于高风险预警参考值1.2的数据总共有7个，占总数据量的35％，而3-8月监测数据中风险值高于高风险预警参考值的数据仅占总数据量的9.6％，因此9月上旬的监测数据中高风险数据占比情况显著上升，同时总体风险趋势显著上升，因此有关部门需要重点关注该时间段的生产的食品。与此同时，17、18、19号样本的风险值低于低风险预警参考值0.8，其中第17号样本的风险值最低，为0.7213，因此这几个样本为低风险样本，可以基本放心。
虽然9月上旬的监测样本风险明显上升，但是该风险还没有发展到酿成重大食品安全事故的程度，因此有关部门重点关注并采取相关措施，例如监督敦促相关企业生产高品质、低风险的产品，通过上述方式即可控制风险的持续增长，使得食品达到高安全或者相对安全的状态，从而遏制食品安全事故的发生。
通过上述实验结果可以看出，在相同条件之下，本实施例提供的DRBF神经网络的泛化效果优于BP神经网络、RBF神经网络以及改进的多层BP神经网络。因此，本实施例提供的食品安全风险预警方法是一种有效的预警方法，该方法在食品安全监测数据的风险预警中取得了较好的应用效果，并且可以为食品安全预警工作提供操作指导。
本实施例提供的深度RBF神经网络与基于熵权的AHP结合的预警方法之中，首先采用基于熵权的AHP算法对复杂食品安全监测数据进行风险融合，将风险融合结果作为深度RBF神经网络的期望输出。然后使用深度RBF神经网络对食品安全监测数据进行建模，使用该模型可以获得更加准确的风险预测结果，从而指导食品安全预警工作。本实施例提供的基于熵权的AHP算法根据数据内部规律确定各个指标的权重，避免了传统AHP算法可能出现的判断失误。深度RBF预警模型具有比BP、RBF等浅层神经网络模型更强的泛化能力和特征表示能力，从而使得该模型能够得到更加精确的食品安全监测数据风险预警的结果。
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 (4)
1.一种深度RBF神经网络与基于熵权的AHP结合的预警方法，其特征在于，包括：
获得参数j的关联函数kij(x)，关联函数kij(x)为
Xj(1)，xj(2)，xj(3)，xj(4)为kij(x)的节点
其中，i＝1，2，…n，i为第i次采样，j＝1，2，…m；
设预处理后的食品安全监测数据为X＝[X(1) X(2) … X(n)]T，，获得信息矩阵为
使用公式对所述信息矩阵进行中心归一化处理，获得正矩阵Rj n×m，其中
根据所述正矩阵Rj n×m获得n阶对称矩阵COR为
根据所述对称矩阵的各个指标的熵值获得对应指标的权值为
其中，各个指标的熵值为
获得食品安全监测数据的风险融合数据为
将所述风险融合数据作为深度RBF神经网络模型的期望输出；
形成RBF神经网络模型；
获得基于RBF神经网络模型的自编码器；
根据所述自编码器形成深度RBF神经网络的特征提取模块；
根据所述特征提取模块进行无监督学习，获得输入数据的高级特征；
根据原始的RBF神经网络模型进行监督学习，获得深度RBF神经网络模型的实际输出。
2.根据权利要求1所述的深度RBF神经网络与基于熵权的AHP结合的预警方法，其特征在于，所述自编码器以高斯函数作为隐含层神经元的激活函数，所述激活函数为
其中，X＝(x1，x2，...，xn)为输入向量，Ci为第i个高斯函数的聚类中心，σi为隐含层第i个单元的高斯函数的宽度；
在基于RBF神经网络的自编码器的编码过程中，隐藏表示Y可以表示为：
Y＝g(X) (17)
在基于RBF神经网络的自编码器的解码过程中，重构向量是隐含表示Y的线性组合，可以表示为：
其中，W表示隐含层到输出层的权重矩阵，b为隐含层到输出层的偏差向量。
3.根据权利要求1所述的深度RBF神经网络与基于熵权的AHP结合的预警方法，其特征在于，还包括：
将所述深度RBF神经网络模型的实际输出与期望输出进行比较，获得深度RBF神经网络模型的训练相对误差。
4.根据权利要求1所述的深度RBF神经网络与基于熵权的AHP结合的预警方法，其特征在于，还包括：
选定泛化样本数据集，使其不同于训练样本数据集；
根据所述泛化样本数据集获得所述深度RBF神经网络模型的泛化相对误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810886943.7A CN109086887A (zh) | 2018-08-06 | 2018-08-06 | 深度rbf神经网络与基于熵权的ahp结合的预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810886943.7A CN109086887A (zh) | 2018-08-06 | 2018-08-06 | 深度rbf神经网络与基于熵权的ahp结合的预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109086887A true CN109086887A (zh) | 2018-12-25 |
Family
ID=64834076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810886943.7A Pending CN109086887A (zh) | 2018-08-06 | 2018-08-06 | 深度rbf神经网络与基于熵权的ahp结合的预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109086887A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956004A (zh) * | 2019-12-03 | 2020-04-03 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法 |
| CN111861730A (zh) * | 2020-07-31 | 2020-10-30 | 重庆富民银行股份有限公司 | 风险报表预警系统及方法 |
| CN111882150A (zh) * | 2020-06-16 | 2020-11-03 | 贵州大学 | 一种神经网络与层次分析法结合的食品安全风险预警方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
-
2018
- 2018-08-06 CN CN201810886943.7A patent/CN109086887A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李万庆等: "AHP-RBF神经网络在煤矿安全风险评价中的应用", 《河北工程大学学报》 * |
| 耿志强等: "Early warning modeling and analysis based on analytic hierarchy process integrated extreme learning machine (AHP-ELM): Application to food safety", 《ELSEVIER：FOOD CONTROL》 * |
| 肖玉明等: "基于熵理论的供应链稳定性预警分析", 《管理工程学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956004A (zh) * | 2019-12-03 | 2020-04-03 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法 |
| CN110956004B (zh) * | 2019-12-03 | 2022-09-27 | 中国人民解放军军事科学院国防工程研究院工程防护研究所 | 多经验公式与bp神经网络模型融合的混凝土侵彻深度预测算法 |
| CN111882150A (zh) * | 2020-06-16 | 2020-11-03 | 贵州大学 | 一种神经网络与层次分析法结合的食品安全风险预警方法 |
| CN111861730A (zh) * | 2020-07-31 | 2020-10-30 | 重庆富民银行股份有限公司 | 风险报表预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Geng et al. | Early warning modeling and analysis based on a deep radial basis function neural network integrating an analytic hierarchy process: A case study for food safety | |
| Xie et al. | Blockchain financial investment based on deep learning network algorithm | |
| CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
| CN110147877A (zh) | 基于卷积长短时网络的pm2.5预测方法 | |
| CN105487526B (zh) | 一种Fast RVM污水处理故障诊断方法 | |
| CN112116147A (zh) | 一种基于lstm深度学习的河流水温预测方法 | |
| Dey | Applications of firefly algorithm and its variants | |
| CN109086887A (zh) | 深度rbf神经网络与基于熵权的ahp结合的预警方法 | |
| CN105243398A (zh) | 基于线性判别分析准则的改进卷积神经网络性能的方法 | |
| CN109858674A (zh) | 基于XGBoost算法的月度负荷预测方法 | |
| CN106355330A (zh) | 基于径向基神经网络预测模型的多响应参数优化方法 | |
| CN111222992A (zh) | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 | |
| CN107067341A (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
| CN105069220A (zh) | 基于bp神经网络免疫遗传算法的微生物发酵优化方法 | |
| CN109102002A (zh) | 结合卷积神经网络和概念机递归神经网络的图像分类方法 | |
| Prasanna et al. | An analysis on stock market prediction using data mining techniques | |
| CN108876100A (zh) | 基于ism和ahp的神经网络食品安全风险预测模型 | |
| CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
| Buragohain | Adaptive network based fuzzy inference system (ANFIS) as a tool for system identification with special emphasis on training data minimization | |
| CN106292296B (zh) | 基于ga‑svm的水岛加药在线控制方法和装置 | |
| Yang et al. | A novel quality evaluation method for standardized experiment teaching | |
| CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
| CN108876480A (zh) | 基于多源数据的大宗农产品价格趋势预测方法 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181225 |
|
| RJ01 | Rejection of invention patent application after publication |