CN110599071A - 一种基于bp神经网络的蔬菜冷链物流系统 - Google Patents

一种基于bp神经网络的蔬菜冷链物流系统 Download PDF

Info

Publication number
CN110599071A
CN110599071A CN201910949084.6A CN201910949084A CN110599071A CN 110599071 A CN110599071 A CN 110599071A CN 201910949084 A CN201910949084 A CN 201910949084A CN 110599071 A CN110599071 A CN 110599071A
Authority
CN
China
Prior art keywords
vegetable
neural network
early warning
chain logistics
warning
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
Application number
CN201910949084.6A
Other languages
English (en)
Inventor
董超
王世民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Technology and Business University
Original Assignee
Beijing Technology and Business University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Technology and Business University filed Critical Beijing Technology and Business University
Priority to CN201910949084.6A priority Critical patent/CN110599071A/zh
Publication of CN110599071A publication Critical patent/CN110599071A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明涉及蔬菜冷链物流技术领域，且公开了一种基于BP神经网络的蔬菜冷链物流系统，包括如下步骤：根据蔬菜冷链物流监测数据构建预警模型；建立预警指标体系；预警指标归一化；模型训练及预测；预警结果分类以及警情程度判定；步骤S1具体为：对整个供应链中蔬菜风险状况信息进行采集和汇总，经过数据处理后进行分析和评价，并构建BP神经网络；将PSO应用于BP神经网络的训练中，优化神经网络的连接权值；步骤S2具体为：根据整个冷链涉及的加工、贮藏、运输和销售四个环节，分析影响蔬菜风险品质和质量的因素。该基于BP神经网络的蔬菜冷链物流系统，方便准确地对蔬菜冷链物流进行及时预警。

Description

一种基于BP神经网络的蔬菜冷链物流系统
技术领域
本发明涉及蔬菜冷链物流技术领域，具体为一种基于BP神经网络的蔬菜冷链物流系统。
背景技术
蔬菜冷链物流是指蔬菜从产地采摘后，在加工、运输、贮藏和销售等环节下始终处于相对适宜的低温环境中，最大程度地保证其品质和口感，减少损耗和环境污染的特殊供应链系统。据统计，每年由于冷链物流造成约113万吨蔬菜的浪费，总价值在100亿美元左右，其数量足以满足数亿人对蔬菜的需求量。现如今，蔬菜供货商之间竞争的核心不仅仅是价格，更加注重蔬菜的品质和口感。为了最大程度地提供给顾客高品质的蔬菜产品，因此实现对蔬菜冷链物流全程的实时监控和及时预警具有重要意义。
由于蔬菜冷链物流的预警涉及整个供应链，涵盖的范围广，受供应链环境复杂等诸多因素的影响，造成蔬菜产品受损的原因有所不同。传统的BP神经网络在对风险预警模型进行预测时收敛速度慢，易陷入局部权值，而且结果精度差，学习能力不强，因此导致预测结果误差较大。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于BP神经网络的蔬菜冷链物流系统，具备准确地对蔬菜冷链物流进行及时预警的优点，解决了现有技术中，BP神经网络在对风险预警模型进行预测时收敛速度慢，易陷入局部权值，而且结果精度差，学习能力不强，导致预测结果误差较大的问题。
(二)技术方案
为实现上述准确地对蔬菜冷链物流进行及时预警的目的，本发明提供如下技术方案：一种基于BP神经网络的蔬菜冷链物流系统，包括如下步骤：
S1：根据蔬菜冷链物流监测数据构建预警模型；
S2：建立预警指标体系；
S3：预警指标归一化；
S4：模型训练及预测；
S5：预警结果分类及警情程度判定。
优选的，所述步骤S1具体为：
S11：对整个供应链中蔬菜风险状况信息进行采集和汇总，经过数据处理后进行分析和评价，并构建BP神经网络；
S12:将PSO应用于BP神经网络的训练中，优化神经网络的连接权值。
优选的，所述步骤S2具体为：
根据整个冷链涉及的加工、贮藏、运输和销售四个环节，分析影响蔬菜风险品质和质量的因素，从蔬菜品质、环境、人文和设备四个方面确定蔬菜的风险指标，再运用层次分析法计算各个指标权重因子。
优选的，所述步骤S3具体为：
对数据做归一化处理，使所有数据取值范围限定在(0,1)之间，定性评价指标归一化处理，评判结果分五个等级：好、较好、一般、较差、差，对应的评价值为0.30、0.25、0.20、0.15、0.10，量评价指标归一化处理，采用最大最小值法，具体方法如下：
设x＝{x11,...,xij,...}，i＝1,...,13；j＝1,...,200则：
正向指标：数据大小与评价目标同向变化，即指标实际值越大，评价值越高；其归一化公式为：
负向指标：数据大小与评价目标反向变化，即指标实际值越大，评价值越低；其归一化公式为：
区间指标：记
则：
优选的，所述步骤S4具体为：
利用Matlab神经网络工具箱中前向神经网络函数Feedforwardnet创建BP网络，使用Levenberg－Marquardt算法对应的训练函数Trainlm进行网络训练。
优选的，所述预警结果分为果蔬品质因素引起的A类预警，环境因素引起的B类预警，人文因素引起的C类预警，设备因素引起的D类预警，所述警情程度由低到高分为无警、微警、轻警、中警和重警五种警情。
(三)有益效果
与现有技术相比，本发明提供了一种基于BP神经网络的蔬菜冷链物流系统，具备以下有益效果：
该基于BP神经网络的蔬菜冷链物流系统，通过对整个供应链中蔬菜风险状况信息进行采集和汇总，经过数据处理后进行分析和评价，并预测蔬菜风险趋势的发展变化，最后根据危害风险的风险及其程度来决策是否应该发出警报，以及发出何种警报，及时发现可能存在的危害，以便采取恰当应对措施，最大程度地避免或降低危害的影响程度，为提高蔬菜风险预警的准确性，将神经网络算法应用于蔬菜冷链物流风险预警系统中，并将PSO应用于BP神经网络的训练中，对BP网络进行优化，能学习和存贮大量的输入－输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，它的学习规则是使用梯度下降法，通过反向传播不断调整网络的权值和阈值，使网络的误差平方下降到预期结果，影响蔬菜风险的因素和变化机理在一些情况下是模糊的，由于神经网络算法在处理问题时，无需建立确定的数学模型，只需把已知的数据输入神经网络中，因此，在处理蔬菜产品的风险预警问题时，具有一定优势，并能准确地对蔬菜冷链物流进行及时预警。
附图说明
图1为本发明提出的一种基于BP神经网络的蔬菜冷链物流系统的流程图；
图2为本发明提出的一种基于BP神经网络的蔬菜冷链物流系统BP神经网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，一种基于BP神经网络的蔬菜冷链物流系统，包括如下步骤：
S1：根据蔬菜冷链物流监测数据构建预警模型；
S2：建立预警指标体系；
S3：预警指标归一化；
S4：模型训练及预测；
S5：预警结果分类及警情程度判定。
步骤S1具体为：
S11：对整个供应链中蔬菜风险状况信息进行采集和汇总，经过数据处理后进行分析和评价，并构建BP神经网络；
S12:将PSO应用于BP神经网络的训练中，优化神经网络的连接权值。
步骤S2具体为：
根据整个冷链涉及的加工、贮藏、运输和销售四个环节，分析影响蔬菜风险品质和质量的因素，从蔬菜品质、环境、人文和设备四个方面确定蔬菜的风险指标，再运用层次分析法计算各个指标权重因子。
步骤S3具体为：
对数据做归一化处理，使有数据取值范围限定在(0,1)之间，定性评价指标归一化处理，评判结果分五个等级：好、较好、一般、较差、差，对应的评价值为0.30、0.25、0.20、0.15、0.10，量评价指标归一化处理，采用最大最小值法，具体方法如下：
设x＝{x11,...,xij,...}，i＝1,...,13；j＝1,...,200则：
正向指标：数据大小与评价目标同向变化，即指标实际值越大，评价值越高；其归一化公式为：
负向指标：数据大小与评价目标反向变化，即指标实际值越大，评价值越低；其归一化公式为：
区间指标：记
则：
步骤S4具体为：
利用Matlab神经网络工具箱中前向神经网络函数Feedforwardnet创建BP网络，使用Levenberg－Marquardt算法对应的训练函数Trainlm进行网络训练。
预警结果分为果蔬品质因素引起的A类预警，环境因素引起的B类预警，人文因素引起的C类预警，设备因素引起的D类预警，警情程度由低到高分为无警、微警、轻警、中警和重警五种警情。
综上所述，该基于BP神经网络的蔬菜冷链物流系统，通过对整个供应链中蔬菜风险状况信息进行采集和汇总，经过数据处理后进行分析和评价，并预测蔬菜风险趋势的发展变化，最后根据危害风险的风险及其程度来决策是否应该发出警报，以及发出何种警报，及时发现可能存在的危害，以便采取恰当应对措施，最大程度地避免或降低危害的影响程度，为提高蔬菜风险预警的准确性，将神经网络算法应用于蔬菜冷链物流风险预警系统中，并将PSO应用于BP神经网络的训练中，对BP网络进行优化，能学习和存贮大量的输入－输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，它的学习规则是使用梯度下降法，通过反向传播不断调整网络的权值和阈值，使网络的误差平方下降到预期结果，影响蔬菜风险的因素和变化机理在一些情况下是模糊的，由于神经网络算法在处理问题时，无需建立确定的数学模型，只需把已知的数据输入神经网络中，因此，在处理蔬菜产品的风险预警问题时，具有一定优势，并能准确地对蔬菜冷链物流进行及时预警。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于BP神经网络的蔬菜冷链物流系统，其特征在于：包括如下步骤：
S1：根据蔬菜冷链物流监测数据构建预警模型；
S2：建立预警指标体系；
S3：预警指标归一化；
S4：模型训练及预测；
S5：预警结果分类及警情程度判定。
2.根据权利要求1所述的一种基于BP神经网络的蔬菜冷链物流系统，其特征在于：所述步骤S1具体为：
S11：对整个供应链中蔬菜风险状况信息进行采集和汇总，经过数据处理后进行分析和评价，并构建BP神经网络；
S12:将PSO应用于BP神经网络的训练中，优化神经网络的连接权值。
3.根据权利要求1所述的一种基于BP神经网络的蔬菜冷链物流系统，其特征在于：所述步骤S2具体为：
根据整个冷链涉及的加工、贮藏、运输和销售四个环节，分析影响蔬菜风险品质和质量的因素，从蔬菜品质、环境、人文和设备四个方面确定蔬菜的风险指标，再运用层次分析法计算各个指标权重因子。
4.根据权利要求1所述的一种基于BP神经网络的蔬菜冷链物流系统，其特征在于：所述步骤S3具体为：
对数据做归一化处理，使所有数据取值范围限定在(0,1)之间，定性评价指标归一化处理，评判结果分五个等级：好、较好、一般、较差、差，对应的评价值为0.30、0.25、0.20、0.15、0.10，量评价指标归一化处理，采用最大最小值法，具体方法如下：
设x＝{x11,...,xij,...}，i＝1,...,13；j＝1,...,200则：
正向指标：数据大小与评价目标同向变化，即指标实际值越大，评价值越高；其归一化公式为：
负向指标：数据大小与评价目标反向变化，即指标实际值越大，评价值越低；其归一化公式为：
区间指标：记
则：
5.根据权利要求1所述的一种基于BP神经网络的蔬菜冷链物流系统，其特征在于：所述步骤S4具体为：
利用Matlab神经网络工具箱中前向神经网络函数Feedforwardnet创建BP网络，使用Levenberg－Marquardt算法对应的训练函数Trainlm进行网络训练。
6.根据权利要求1所述的一种基于BP神经网络的蔬菜冷链物流系统，其特征在于：所述预警结果分为果蔬品质因素引起的A类预警，环境因素引起的B类预警，人文因素引起的C类预警，设备因素引起的D类预警，所述警情程度由低到高分为无警、微警、轻警、中警和重警五种警情。
CN201910949084.6A 2019-10-08 2019-10-08 一种基于bp神经网络的蔬菜冷链物流系统 Pending CN110599071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910949084.6A CN110599071A (zh) 2019-10-08 2019-10-08 一种基于bp神经网络的蔬菜冷链物流系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910949084.6A CN110599071A (zh) 2019-10-08 2019-10-08 一种基于bp神经网络的蔬菜冷链物流系统

Publications (1)

Publication Number Publication Date
CN110599071A true CN110599071A (zh) 2019-12-20

Family

ID=68865664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910949084.6A Pending CN110599071A (zh) 2019-10-08 2019-10-08 一种基于bp神经网络的蔬菜冷链物流系统

Country Status (1)

Country Link
CN (1) CN110599071A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260232A (zh) * 2020-01-20 2020-06-09 广州燃气集团有限公司 一种户内燃气安全评价方法、系统、装置和存储介质
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260232A (zh) * 2020-01-20 2020-06-09 广州燃气集团有限公司 一种户内燃气安全评价方法、系统、装置和存储介质
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
EP3822905A1 (en) Method and device for predicting thermal load of electrical system
CN110599071A (zh) 一种基于bp神经网络的蔬菜冷链物流系统
Özdemir et al. Strategic approach model for investigating the cause of maritime accidents
Haghighi et al. A new soft computing model based on linear assignment and linear programming technique for multidimensional analysis of preference with interval type-2 fuzzy sets
KR20180010679A (ko) 기업의 기술력 평가 시스템
Zhang et al. A Bayesian network model for the reliability control of fresh food e-commerce logistics systems
CN110689070A (zh) 一种业务预测模型的训练方法及装置
CN112966962A (zh) 一种电商企业评优方法
CN106096887B (zh) 一种猪肉冷链物流安全预警方法
Kundakcı An Integrated Multi-Criteria Decision Making Approach for Tablet Computer Selection
CN113111924A (zh) 电力客户分类方法及装置
CN109657851A (zh) 事件驱动型的股价预测方法、装置、设备及存储介质
CN107992613A (zh) 一种基于机器学习的文本挖掘技术消费维权指标分析方法
CN114638498A (zh) Esg评价方法、系统、电子设备及存储设备
Zhang et al. Prediction of dairy product quality risk based on extreme learning machine
CN111882150A (zh) 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
CN116611745A (zh) 一种基于智能制造的塑料薄膜质量评价方法及系统
WO2024045377A1 (zh) 一种基于深度学习的航空发动机剩余寿命预测方法
Seifbarghy Measurement of supply risk and determining supply strategy, case study: A refrigerator making company
CN113538021A (zh) 一种商场门店存续预测机器学习算法
CN116523393A (zh) 一种食品安全评价方法
CN115115414A (zh) 一种基于机器学习的二手车估价方法
Zhang et al. Decision making methods for formulating the reserve scheme of spare parts based on deep neural network
CN112801544A (zh) 一种公路数字化管理绩效评价方法及系统
CN115577890A (zh) 智能质量管理方法、电子装置及存储介质

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: 20191220