CN113011796B - 一种基于“层次分析-神经网络”的食用油安全预警方法 - Google Patents
一种基于“层次分析-神经网络”的食用油安全预警方法 Download PDFInfo
- Publication number
- CN113011796B CN113011796B CN202110492595.7A CN202110492595A CN113011796B CN 113011796 B CN113011796 B CN 113011796B CN 202110492595 A CN202110492595 A CN 202110492595A CN 113011796 B CN113011796 B CN 113011796B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- edible oil
- evaluation factor
- weight
- sample
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 239000008157 edible vegetable oil Substances 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 136
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000015654 memory Effects 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 65
- 239000013598 vector Substances 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- FMMWHPNWAFZXNH-UHFFFAOYSA-N Benz[a]pyrene Chemical group C1=C2C3=CC=CC=C3C=C(C=C3)C2=C2C3=CC=CC2=C1 FMMWHPNWAFZXNH-UHFFFAOYSA-N 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 150000002978 peroxides Chemical class 0.000 claims description 7
- 239000002253 acid Substances 0.000 claims description 6
- 229910052785 arsenic Inorganic materials 0.000 claims description 6
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 6
- 229910001385 heavy metal Inorganic materials 0.000 claims description 6
- 239000002904 solvent Chemical group 0.000 claims description 6
- TXVHTIQJNYSSKO-UHFFFAOYSA-N BeP Natural products C1=CC=C2C3=CC=CC=C3C3=CC=CC4=CC=C1C2=C34 TXVHTIQJNYSSKO-UHFFFAOYSA-N 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 244000005700 microbiome Species 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 3
- 239000000356 contaminant Substances 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 229930195730 Aflatoxin Natural products 0.000 claims 1
- XWIYFDMXXLINPU-UHFFFAOYSA-N Aflatoxin G Chemical compound O=C1OCCC2=C1C(=O)OC1=C2C(OC)=CC2=C1C1C=COC1O2 XWIYFDMXXLINPU-UHFFFAOYSA-N 0.000 claims 1
- 239000005409 aflatoxin Substances 0.000 claims 1
- 235000013305 food Nutrition 0.000 abstract description 5
- 210000004027 cell Anatomy 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 230000004913 activation Effects 0.000 description 6
- 241000195626 Hanusia phi Species 0.000 description 3
- 239000002115 aflatoxin B1 Substances 0.000 description 3
- OQIQSTLJSLGHID-WNWIJWBNSA-N aflatoxin B1 Chemical compound C=1([C@@H]2C=CO[C@@H]2OC=1C=C(C1=2)OC)C=2OC(=O)C2=C1CCC2=O OQIQSTLJSLGHID-WNWIJWBNSA-N 0.000 description 3
- 229930020125 aflatoxin-B1 Natural products 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009897 systematic effect Effects 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公布了一种基于“层次分析‑神经网络”的食用油安全预警方法,该方法首先对食用油检测结果进行预处理，从中选择评价因子，得到评价因子数据集；然后使用层次分析法对食用油各评价指标进行评价，用熵权法对食用油各评价指标进行评价，再综合上述两种方法的结果得到对各指标的综合评价，进而计算每一个样品的风险等级；进一步利用长短期记忆神经网络，对已有风险等级的食用油检测数据集进行学习，生成安全预警模型，以后就可以直接应用此模型，将未来食用油样品的检测数据作为模型输入，模型输出即为该样品风险等级的预测结果。本发明所述方法可用于对食用油安全潜在的风险进行预警，帮助监管人员及时发现可能存在的高风险食用油食品。
Description
技术领域
本发明涉及食品安全技术领域，尤其涉及一种基于“层次分析-神经网络”的食用油安全预警方法。
背景技术
食用油作为人体所需的重要营养物质之一，是我们日常生活不可缺少的必需品，对人体的健康发挥着重要的作用。但是目前仍然存在质量安全问题，引起广大消费者和政府部门的广泛关注。食用油的质量安全问题主要来自种植过程中带来的重金属污染、加工过程中带来的苯并芘、反式脂肪酸以及浸出毛油中的溶剂超标问题、储藏过程中油脂出现氧化、酸败，导致酸价和过氧化值升高等。为此各国食品质量安全监管部门都会定期对市场上食用油进行抽检，检测其中的危害物是否超标，营养物质是否达标。然而如何根据食用油的检查结果数据，对其进行安全评价和预警，形成一道安全防线，是一个亟待解决的问题。
层次分析法(Analytic Hierarchy Process,AHP)是一种定性和定量相结合、系统化和层次化的分析方法。主要解决多目标的复杂问题。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，因此可以采用AHP算法确定各个风险评价指标的权重。但是传统的层次分析法需要研究人员通过经验构造判断矩阵，人为主观性太强,过于强调经验的作用。熵权法仅依赖于数据本身的离散性，是一种客观赋权法。将熵权法引入指标权重的判断过程。相对于传统的层次分析法，层次分析法和熵权法相结合兼顾了主观与客观因素，更具有合理性。
长短期记忆(Long Short-Term Memory,LSTM)神经网络，通过设计控制门结构弥补了循环神经网络(Recurrent Neural Network,RNN)的梯度消失和梯度爆炸、长期记忆能力不足等问题，使得RNN能够真正有效地利用长距离的时序信息。LSTM神经网络在挖掘序列数据长期依赖关系中极具优势。LSTM神经网络主要解决了数据分类问题，并且由于可以完美地模拟多个输入变量的问题,也可以用于时间序列预测。食用油安全检测数据具有多变量以及时序的特点，因此可以用LSTM模型对食用油安全检测数据进行预测。
发明内容
本申请的目的在于提供一种基于AHP-LSTM的食用油安全预警方法，以预测食用油潜在的风险，为食用油安全监管提供支持。
为实现上述目的，本发明提供了一种基于AHP-LSTM的食用油安全预警方法。首先对食用油检测结果数据进行预处理，从中选择能够反映食用油安全性的评价因子；其次分别利用层次分析法和熵权法，通过结合以上所选取的多个评价因子，对食用油安全性进行综合评价，并将两种方法的评价结果进行融合，得到风险指数，进而划分为3个风险等级(而不只是“合格”、“不合格”2个风险等级)。通过这种方法可以更精准有效的发现具有安全风险的食用油样品；最后利用LSTM神经网络模型，对已有的食用油检测数据集进行学习，确定模型参数并生成预警模型。后期应用该预警模型，通过输入新的食用油样品的检测结果，就可以在输出端得到预测结果，即该样品的风险等级。此方法能够发现食用油潜在的安全风险，从而为食用油安全监管提供决策支持。具体步骤如下：
A.对食用油原始检测结果数据集进行预处理。对数据集进行清洗和筛选，删除数据值缺失的无效数据，得到多属性数据集，再从多属性数据集中选择能够反映食用油安全性的评价因子(指标)，将每一个样品中检出的多项指标合并为一条记录，得到评价因子数据集。
B.对步骤A中得到的评价因子数据集根据因子的分类进行层次划分，并使用层次分析法计算各评价因子的权重，最终得到各个评价因子的权重Θ＝(θ1，θ2，...，θj，...，θn)，其中，n为评价因子个数，θj为层次分析法第j个评价因子所占权重。
C.对步骤A中得到的评价因子数据集进行数据标准化，并使用熵权法计算各评价因子的权重，最终得到各个评价因子的权重W＝(w1，w2，...，wj，...，wn)，其中，n为评价因子个数，wj为熵权法第j个评价因子所占权重。
D.将步骤B中运用层次分析法获得的主观权重Θ与步骤C中运用熵权法获得的客观权重W进行综合，运用公式获得各评价因子的综合权重Λ＝(λ1，λ2，...，λj，...λn)，其中n为评价因子个数，θi为层次分析法第j个评价因子所占权重，wj为熵权法第j个评价因子所占权重，λj为第j个评价因子的综合权重。
E.通过步骤A中的评价因子数据集中各评价因子数值运用公式计算各评价因子数值与各指标限量标准之比其中m为样品总数，n为评价因子总数，i表示第i个样品，j表示第j个指标(因子)，xij表示评价因子的值，Mj表示第j个指标的限量标准，zij表示第i个样品的第j个评价因子的值与其限量标准之比。将步骤D中得到的评价因子的综合权重Λ与Z通过公式进行加权求和，得到第i个样品风险指数ri。并根据专家经验设定风险等级，其中风险指数大于0.8为高风险等级(3级)，风险指数在0.4-0.8为中风险等级(2级)，小于0.4为低风险等级(1级)。
F.将已有的食用油的检测结果以及步骤E中得到的风险等级作为LSTM神经网络的输入进行训练，确定LSTM模型的各参数，得到预警模型。后面就可以应用此模型，将未来食用油样品的检测结果作为模型输入，模型输出即为该样品风险等级的预测结果。
下面对上述步骤B、C、F做进一步说明。
上述步骤B是使用层次分析法计算各评价因子的权重，其具体计算过程如下:
B1.根据评价因子的分类进行层次划分，如图3所示，包括了目标层、准则层和方案层。其中目标层为对食用油进行综合评价，方案层为食用油中各评价因子(如铅、总砷、过氧化值等)，准测层为各评价因子的分类(如重金属、品质指标等)。
B2.构造判断矩阵确定各评价因子权重。为定量地评价各因子重要性，采用矩阵标度(1～9标度法)确定因子的重要性之比，构建每一层的判断矩阵H，其中k为该层同一父节点下评价因子的个数，hab为判断矩阵第a行b列的值，即第a个因子与第b个因子的重要性之比，如表1所示。其中，准则层有1个判断矩阵，方案层有v个判断矩阵，v为准则层准则因子个数。
计算最大特征向量。将判断矩阵的每一列进行归一化，即归一化后的元素值＝每个元素值/该列元素值之和，得到矩阵其中然后对H′每一行分别求和得到k行1列的矩阵其中hap′为矩阵H′第a行第p列，将H”列归一化后，即得到该层同一父节点下各评价因子权重其中根据上述方法计算出的准则层各因子的权重用上述方法计算出方案层中各准则因子下各方案因子的权重 计算各评价因子权重其中v表示准则层因子个数，g表示准则g下的方案层的因子个数，g1表示准则1下方案的个数，以此类推，gv表示准则v下方案的个数，g1+g2+…+gv＝n，n为方案层因子总数。表示某准则下第α个因子(方案)对该准则的贡献度，即权重值，如表示准则v下第α个评价因子(方案)对该准则的权重值，θj表示方案层第j个评价因子的权重，j＝1…n，如图2所示。
表1：矩阵标度表
B3.对判断矩阵进行一致性检验，使其在一个可允许的范围里，检验过程所需公式如公式(1.1)(1.2)：
式中：CI为一致性指数；CR为一致性比率，用于确定判断矩阵的不一致性的容许范围；k是该层的评价因子个数，λmax是判断矩阵最大特征值，其中向量HΘ表示矩阵H与向量Θ的乘积，(HΘ)l表示向量HΘ的第l个分量，Θl表示向量Θ的第l个分量；当CI＝0时，判断矩阵具有一致性，否则CI越大，判断矩阵的不一致程度越高。RI为随机一致性指标，由k决定，RI与k的对照表如下：
表2：RI与k对照表
当CR＜0.1时，表明矩阵的不一致程度在可允许范围内，则λmax对应的特征向量Θ可作为综合评价的权值向量，否则需要重新返回步骤B2生成新判断矩阵H，直至CR＜0.1
B4.特征向量Θ为层次分析法得到的各评价指标权重。
上述步骤C是使用熵权法计算各评价因子的权重，其具体计算过程如下：
C1.对步骤A中得到的评价因子数据集进行数据标准化，评价因子数据集表示为矩阵其中i＝1…m，j＝1…n，m为被评价样品的数量，n为评价因子的数量。n个指标对应的向量为X1，X2，...，Xj，...，Xn，其中Xj＝{x1j，x2j…xij…xmj}T，对各指标数据标准化后，得到的标准化数据集表示为矩阵对应的向量为Y1，Y2，...，Yj，...，Yn，其中Yj＝{y1j，y2j…yij…ymj}T，其中xij表示标准化前第i个样品第j个指标的值，yij表示标准化后第i个样品第j个指标的值，min(Xj)为矩阵X第j列的最小值，max(Xj)为矩阵X第j列的最大值。
C2.计算因子贡献度，熵值法根据评价因子提供信息量的重要性确定其对最终评价结果的权重，若某评价因子在不同样品中的检测结果相差很大，则该类检测项目在比较时具有更大的影响，应该具有更高的权重。因此需要利用公式(1.3)进行贡献度的计算：
其中pij表示第j个评价因子对第i个样品进行综合评价的贡献度。
C3.根据因子贡献度，利用公式(1.4)(1.5)(1.6)计算因子间的差异系数：
q＝1/lnm (1.5)
dj＝1-ej (1.6)
式中：ej为第j个评价因子的熵值，q为比例系数，用于确保ej∈[0，1]；dj为第j个因子的差异系数，m为样品个数，评价过程中，第j个评价因子的熵值越小其所带有的信息量越大，得到的差异系数dj越大。
C4.根据因子差异系数，计算各评价因子权重如公式(1.7)：
其中wj为熵权法得到的第j个指标权重值。
上述步骤F是对LSTM神经网络的输入进行训练，得到AHP-LSTM预警模型，其具体计算过程如下：
F1.将步骤E中得到的各评价因子数据与各指标限量标准之比数据集Z，与每个样品对应的风险等级按样品采样时间进行排序，得到食用油的时序数据集，其中数据集中一行为一个样品，行数为样品数，列数为变量总数。
F2.将步骤F1中得到的食用油的时序数据集输入到LSTM网络中进行训练，得到预测模型。其中评价因子为输入变量，风险等级为输出变量。
LSTM网络模型训练过程如下：
S1.首先前向计算每个LSTM神经元的输出值，具体为：
it＝σ(Wi[ht-1，xt]+bi) (1.8)
ft＝σ(Wf[ht-1，xt]+bf) (1.9)
ot＝σ(Wo[ht-1，xt]+bo) (1.10)
ht＝ot*tanh(ct) (1.13)
其中，t为时间步，xt表示当前时间步的输入，ht-1表示上一时间步隐藏状态，[ht-1，xt]表示把两个向量连接成一个更长的向量，ht表示当前时间步隐藏状态，it表示输入门，ft表示遗忘门，ot表示输出门，ct表示状态单元，Wi是输入门的权重矩阵，bi是输入门的偏置项，Wf表示遗忘门的权重矩阵，bf是遗忘门的偏置项，Wo是输出门的权重矩阵，bo是输出门的偏置项，激活函数为sigmoid(σ)，其值域是(0，1)，其中sigmoid(σ)函数为：
输出的激活函数为tanh函数，其中tanh函数为：
长短期记忆网络输入门的输人为当前时间步输入xt与上一时间步隐藏状态ht-1，输出由激活函数为sigmoid函数的全连接层计算得到。这3个门元素的值域均为[0，1]，具体来说，假设隐藏单元个数为h，给定时间步t的小批量输入xt和上一时间步隐藏状态ht-1。如公式(1.8)、(1.9)、(1.10)所示。
长短期记忆需要计算候选记忆细胞它的计算与上面介绍的3个门类似，但使用了值域在[-1，1]的tanh函数作为激活函数。时间步t的候选记忆细胞计算如公式(1.11)。
通过元素值域在[0，1]的输入门、遗忘门和输出门来控制隐藏状态中信息的流动。当前时间步记忆细胞ct组合了上一时间步记忆细胞ct-1和当前时间步候选记忆细胞的信息，并通过遗忘门和输入门来控制信息的流动，如公式(1.12)所示。遗忘门控制上一时间步的记忆细胞ct-1中的信息是否传递到当前时间步，而输入门则控制当前时间步的输入xt通过候选记忆细胞如何流人当前时间步的记忆细胞。如果遗忘门一直近似1且输入门一直近似0，过去的记忆细胞将一直通过时间保存并传递至当前时间步。这个设计可以应对循环神经网络中的梯度衰减问题，并更好地捕捉时间序列中时间步距离较大的依赖关系。
有了记忆细胞以后，可以通过输出门来控制从记忆细胞到隐藏状态ht的信息的流动，如公式(1.13)所示。这里的tanh函数确保隐藏状态元素值在-1到1之间。
S2.再反向计算LSTM每个神经元的误差项δ的值，并将误差项向上一层传播。
在t时刻，LSTM的输出值为ht，误差项
其中E为全局误差，yu表示u时刻真实值。
计算出t-1时刻的误差项δt-1
其中
权重矩阵Wf、Wi、Wc、Wo根据[ht-1，xt]中h与x的长度分为Wfh、Wfx、Wih、Wix、Wch、Wcx、Woh、Wox。
S3.根据相应的误差项，计算每个权重的梯度。
用公式(1.21)-公式(1.32)分别计算Wfh、Wfx、Wih、Wix、Wch、Wcx、Woh、Wox、bf、bi、bc、bo。
训练集中的样品数据作为LSTM网络的输入，每个时间步输入一个带有风险等级标签的样品数据，LSTM网络进行一次前向计算和反向计算，前向计算更新t时刻记忆细胞ct和隐藏状态ht，反向计算更新t时刻遗忘门、输入门、输出门、候选记忆细胞的权重矩阵和偏置项。最后一个样品数据输入到网络后，此刻LSTM网络中的权重矩阵Wf、Wi、Wc、Wo以及偏置项bf、bi、bc、bo便不再变化，LSTM预测模型生成完成。
F3.将最新的食用油样品检测数据xt放入步骤F2生成的预测模型中，预测得到的输出ht即为该样品的风险等级。
本发明有益成果：
本发明的技术方案，给出了一种基于AHP-LSTM的食用油安全风险预警的方法。该方法首先用层次分析法从主观上对食用油各评价指标进行主观评价，用熵权法从客观上对食用油各评价指标进行客观评价，再用基于AHP-E方法对食用油安全性进行综合评价，得到每一个样品的风险等级，更精准的发现具有安全风险的食用油样品，同时也可以达到自动给食用油样品打标签(定风险等级)的效果；进而利用LSTM网络，对已打标签的食用油检测数据集进行学习，并生成预警模型。以后就可以直接应用此模型，将未来食用油样品的检测数据作为模型输入，模型输出即为该样品风险等级的预测结果。所述方法通过AHP-E的方法兼顾了主观与客观因素，避免了风险评价过程中可能因为过于依赖研究者的判断从而导致的误判，并能够有效发现具有潜在风险的食用油；所述方法通过基于LSTM的预警模型，可以实现对食用油检测结果进行快速污染等级判定。本申请所述方法可用于对食用油安全潜在的风险进行预警，帮助监管人员及时发现可能存在的高风险食用油食品，并设置应对的保障方案，以保障食用油的安全性以及可靠性。
附图说明
图1为基于AHP-LSTM方法的食用油安全预警方法流程图；
图2为层次分析法的层次划分结构图；
图3为食用油样品的层次划分结构图；
图4为层次分析法得到的各评价因子权重图；
图5为熵权法得到的各评价因子权重图；
图6为层次分析法以及熵权法得到的综合权重图；
图7为LSTM网络隐藏状态图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种基于AHP-LSTM模型的食用油预警方法。其步骤如图1所示，具体如下。
A.数据预处理
本实验数据为2016年1月至2016年8月某海关进口食用油检测结果数据集，共有来自54个国家或地区的7516条检测结果，其中含有1031个样品，102个检测指标，对原始数据进行预处理，得到食用油的多属性数据集，如表3所示。
表3：数据预处理后食用油检测结果数据集(部分)
其中，数据预处理包括但不限于：删去异常值；令检测结果为“未检出”的数据取值为0.001；将检测结果为空的数据用“0.001”填充。
选择可以直接影响食用油安全性的检测项目作为评价因子。其中，本次实验选择了检测次数大于全部样品数量50％以上(515次)的检测项目作为评价因子，在食用油检测数据集中选择酸价、苯并(a)芘、溶剂残留、过氧化值、总砷等7个指标作为评价因子，评价因子取值表如表4所示。
表4：食用油检测数据集中评价因子取值表(部分)
B.使用层次分析法计算步骤A中得到的7个评价因子的权重。
B1.进行评价因子的划分。根据评价因子的分类将评价因子分为重金属、品质指标和污染物与微生物三类。其中铅和总砷为重金属，过氧化值和酸价为品质指标，苯并(a)芘、溶剂残留和黄曲霉素B1为污染物与微生物。如图3所示。
B2.构造判断矩阵确定评价因子权重。为定量评价因子重要性，采用矩阵标度(1～9标度法)确定因子重要性之比，构建由k个因子两两对比得到的判断矩阵。通过专家的经验判断，分别得到如下四个判断矩阵(不同专家可能给出不同的判断矩阵)：
判断矩阵A:
其中A1表示重金属，A2表示品质指标，A3表示污染物与微生物。
判断矩阵B:
其中B1表示铅，B2表示总砷。
判断矩阵C:
其中C1表示过氧化值，C2表示酸价。
判断矩阵D：
其中D1表示苯并(a)芘，D2表示溶剂残留，D3表示黄曲霉素B1。
对矩阵A每一列进行归一化得到矩阵其中aij′表示矩阵A′的第i行第j列，i＝1,2,3；j＝1,2,3。aij为判断矩阵第i行j列的值，并将A′每一行分别求和得到3行1列的矩阵其中hij′为矩阵A′第i行第j列，将A”列归一化后，即得到准则层各因子权重其中
用同样的方法可以得到判断矩阵B、C、D的各因子权重
B3.对步骤B2中四个判断矩阵进行一致性检验，使其在一个可允许的范围里，检验过程所需公式(2.1)、(2.2)如下：
式中：CI为一致性指数；CR为一致性比率，用于确定判断矩阵的不一致性的容许范围；k是该层的评价因子个数，λmax是判断矩阵最大特征值，其中向量H·Φ表示矩阵H与向量Φ的乘积，(H·Φ)l表示向量H·Φ的第l个分量，Φl表示向量Φ的第l个分量；当CI＝0时，判断矩阵具有一致性，否则CI越大，判断矩阵的不一致程度越高。RI为随机一致性指标，由k决定。
经过计算得到判断矩阵A的CI＝0.019，CR＝0.037<0.1，满足一致性检验；由于判断矩阵B、C只有两个因子，所以无需做一致性检验；判断矩阵D的CI＝0，CR＝0，满足一致性检验。
B4.得到层次分析法的评价因子权重值
结果如表5、图4所示。
表5：基于层次分析法(AHP)的评价因子权重值
C.使用熵权法计算步骤A中得到的7个评价因子的权重。
C1.对步骤A中的7个评价因子利用公式进行数据标准化。其中评价因子数据集表示为矩阵n个指标对应的向量为X1，X2，...，Xn，其中Xj＝{x1j，x2j…xij…xmj}T，对各指标数据标准化后，得到的标准化数据集表示为矩阵对应的向量为Y1，Y2，...，Yn，其中Yj＝{y1j，y2j…yij…ymj}T，那么其中xij表示标准化前第i个样品第j个指标的值，yij表示标准化后第i个样品第j个指标的值，min(Xj)为矩阵X第j列的最小值，max(Xj)为矩阵X第j列的最大值。得到标准化后的数据，如表6所示。
表6：标准化后数据(部分)
C2.计算因子贡献度。利用以下公式(2.3)对步骤C1中标准化后的数据进行贡献度计算：
其中yij为标准化后的各因子值，Pij表示第j个评价因子对第i个样品进行综合评价的贡献度。
C3.根据步骤C2中计算出的因子贡献度计算因子间的差异系数，公式(2.4)(2.5)(2.6)如下：
k＝1/lnm (2.5)
dj＝1-ej (2.6)
其中：ej为第j个评价因子的熵值，k为比例系数，用于确保ej∈[0，1]；dj为第j个因子的差异系数，m为样品个数，评价过程中，因子j的熵值越小，其所带有的信息量越大，得到的差异系数dj越大。
C4.通过步骤C3中得到的差异系数dj，计算各评价因子权重，公式如下：
其中wj为熵权法得到的第j个指标综合评价权重值。
C5.得到熵权法的评价因子权重值
结果如表7、图5所示。
表7：基于熵权法(E)的评价因子权重值
D.计算综合权重。
将步骤B中运用层次分析法获得的主观权重Θ与步骤C中运用熵权法获得的客观权重W进行综合，运用公式获得综合权重Λ＝(λ1，λ2，...，λj，...λn)，其中n为评价因子个数，θi为层次分析法第j个评价因子所占权重，wj为熵权法第j个评价因子所占权重，λj为第j个评价因子的综合权重。结果如表8、图6所示。
表8：基于AHP-E得到的综合权重
E.计算步骤A中表4的各评价因子值与食用油中各评价因子限量标准之比，如表9所示。将步骤D中计算出的综合权重值与各评价因子值与食用油中各评价因子限量标准之比进行加权求和，得到各个样品的风险指数，如表10所示。
表9：各评价因子值与食用油中各评价因子限量标准之比(部分)
表10：各样品风险指数和风险等级(部分)
并对风险指数进行分级，由大到小排列，风险指数大于0.8为高风险等级(3级)，风险指数在0.4-0.8为中风险等级(2级)，小于0.4为低风险等级(1级)。
计算结果为：在1031个样品中，高风险样品7个，中风险样品16个，低风险样品1008个。
F.将步骤E中得到的各评价因子值与食用油中各评价因子限量标准之比数据集与各样品风险等级数据集，并根据采样时间将样品进行排序，得到LSTM网络预输入数据集，结果如表11所示。
表11LSTM网络预输入数据集(部分)
将数据集的前80％作为训练集(共825条样品数据)，后20％为测试集(共206条样品数据)。
将训练集作为LSTM网络的输入，借助Python中的keras库建立LSTM预测模型。其中总砷、过氧化值、酸价、苯并(a)芘、溶剂残留、黄曲毒素B1、铅7个风险因子作为模型输入，风险等级作为模型预测输出。
如图7所示，t时刻输入样品数据xt(每一时间步的输入xt都是形如表11中的一行数据)和上一时间步隐藏状态ht-1连接，分别经过遗忘门、输入门、输出门得到ft、it、ot(如公式(2.8)(2.9)(2.10)所示)，并计算候选记忆细胞(如公式(2.11))，遗忘门控制上一时间步的记忆细胞ct-1中的信息是否传递到当前时间步，而输入门则控制当前时间步的输入xt通过候选记忆细胞如何流人当前时间步的记忆细胞(如公式(2.12))。如果遗忘门一直近似1且输入门一直近似0，过去的记忆细胞将一直通过时间保存并传递至当前时间步。接下来通过输出门来控制从记忆细胞到隐臧状态ht的信息的流动(如公式(2.13))。再反向计算LSTM每个神经元的误差项δ的值，并将误差项向上一层传播。根据相应的误差项，计算分别Wfh、Wfx、Wih、Wix、Wch、Wcx、Woh、Wox、bf、bi、bc、bo(如公式(2.16)-公式(2.27)。
it＝σ(Wi[ht-1，xt]+bi) (2.8)
ft＝σ(Wf[ht-1，xt]+bf) (2.9)
ot＝σ(Wo[hf-1，xt]+bo) (2.10)
ht＝ot*tanh(ct) (2.13)
其中，t为时间步，xt表示当前时间步的输入，ht-1表示上一时间步隐藏状态，[ht-1，xt]表示把两个向量连接成一个更长的向量，ht表示当前时间步隐藏状态，it表示输入门，ft表示遗忘门，ot表示输出门，ct表示状态单元，Wi是输入门的权重矩阵，bi是输入门的偏置项，Wf表示遗忘门的权重矩阵，bf是遗忘门的偏置项，Wo是输出门的权重矩阵，bo是输出门的偏置项，激活函数为sigmoid(σ)，其值域是(0，1)，其中sigmoid(σ)函数为：
输出的激活函数为tanh函数，其中tanh函数为：
从训练集中的第一条数据开始输入样品数据进入LSTM网络中进行训练，直到训练集最后一个样品数据输入完，通过借助Python中的keras库可以确定此刻LSTM网络中的权重矩阵Wf、Wi、Wc、Wo以及偏置项bf、bi、bc、bo，得到LSTM预警模型。
测试数据集将样品的风险等级删去，仅保留采样时间和7个评价因子的检测值，如表12所示。
表12：测试数据集(部分)
将测试集中数据输入到生成的LSTM模型中，得到预测出的风险等级结果，与样品真实的风险等级进行对比，为了减少随机性，重复建立五次模型，取五次预测出的样品风险等级的平均值作为预测结果。测试集中的206条样品数据，共有198条预测正确，有8条预测错误，得到的平均预测正确率为198/206＝96.1％，证明了模型的有效性。测试数据集输入中，预测出有3个高风险样品和5个中风险样品，如表13所示。
表13：测试数据集中预测出的中高风险等级样品
监管人员可以通过将最新食用油样品的检测项目结果放入训练好的AHP-LSTM模型中，得到该样品的风险等级，从而能够及时发现潜在的高风险食用油，并设置应对的保障方案，以保障食用油的安全性以及可靠性。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。
Claims (9)
1.一种基于“层次分析-神经网络”的食用油安全预警方法，其特征在于，包括以下步骤：
A对多个样品食用油的原始检测结果数据集进行预处理，选择反映食用油安全性的评价因子，得到评价因子数据集；
B将所述评价因子数据集根据因子的分类进行层次划分，并使用层次分析法计算各评价因子的权重，最终得到各个评价因子的权重Θ；
C对步骤A中得到的评价因子数据集进行数据标准化，并使用熵权法计算各评价因子的权重，最终得到各个评价因子的权重W；包括以下步骤：
C1对步骤A中得到的评价因子数据集进行数据标准化，得到标准化数据集表示为矩阵对应的向量为Y1，Y2，…，Yj，…，Yn，其中Yj＝{y1j，y2j…yij…ymj}T,其中xij表示标准化前第i个样品第j个指标的值，yij表示标准化后第i个样品第j个指标的值，min(Xj)为矩阵X第j列的最小值，max(Xj)为矩阵X第j列的最大值；
C2根据评价因子提供信息量的重要性确定计算评价因子的贡献度；
C3根据所述评价因子的贡献度计算评价因子间的差异系数；
C4根据所述评价因子的差异系数，计算各评价因子权重；
D将步骤B中得到的权重Θ与步骤C得到的权重W进行综合,运用公式获得各评价因子的综合权重Λ＝(λ1，λ2，...，λj，...λn)，其中n为评价因子个数，θi为层次分析法第j个评价因子所占权重，wj为熵权法第j个评价因子所占权重，λj为第j个评价因子的综合权重；
E根据步骤A中的评价因子数据集中各评价因子数值，计算各评价因子数值与各指标限量标准之比Z，将步骤D中得到的评价因子的综合权重Λ与Z通过公式进行加权求和，得到第i个样品风险指数ri，并根据风险指数的值划分风险等级；
F将所述原始检测结果以及步骤E中得到的风险等级作为长短期记忆神经网络的输入进行训练，确定所述长短期记忆神经网络模型的各参数，得到食用油安全预警模型，其中评价因子为输入变量，风险等级为输出变量。
2.如权利要求1所述的方法，其特征在于，所述步骤B包括以下步骤：
根据评价因子的分类进行层次划分，分为目标层、准则层和方案层，所述目标层是对食用油的综合评价，所述准则层为各个评价因子的分类；所述方案层包括各个评价因子；
采用矩阵标度确定各个评价因子的重要性之比，构建每一层的判断矩阵H；
对判断矩阵进行一致性检验，在通过一致性检验的情况下，计算得到判断矩阵的最大特征向量；
将所述最大特征向量作为评价因子的权重。
3.如权利要求1所述的方法，其特征在于，所述步骤F具体包括：
F1将步骤E中得到的各评价因子数据与各指标限量标准之比数据集Z，与每个样品对应的风险等级按样品采样时间进行排序，得到食用油的时序数据集，其中数据集中一行为一个样品，行数为样品数，列数为变量总数；
F2将步骤F1中得到的食用油的时序数据集输入到长短期记忆神经网络中进行训练，得到预测模型，其中评价因子为输入变量，风险等级为输出变量；
F3将最新的食用油样品检测数据xt放入步骤F2生成的预测模型中，预测得到的输出ht即为该样品的风险等级。
4.如权利要求3所述的方法，其特征在于，所述将步骤F1中得到的食用油的时序数据集输入到长短期记忆神经网络中进行训练，得到预测模型，包括：
前向计算每个长短期记忆神经网络的神经元的输出值；
再反向计算长短期记忆神经网络每个神经元的误差项δ的值，并将误差项向上一层传播；
根据相应的误差项，计算每个权重的梯度，得到预测模型。
5.如权利要求1所述的方法，其特征在于，所述对多个样品食用油的原始检测结果数据集进行预处理，包括：删除异常值；令检测结果为未检出的数据取值为0.001；将检测结果为空的数据取值为0.001。
6.如权利要求1所述的方法，其特征在于，所述评价因子的分类包括：重金属、品质指标和污染物与微生物。
7.如权利要求1所述的方法，其特征在于，所述根据风险指数的值划分风险等级，包括：风险指数大于0.8为高风险等级，风险指数在0.4-0.8为中风险等级，小于0.4为低风险等级。
8.如权利要求1所述的方法，其特征在于，所述选择反映食用油安全性的评价因子，包括：选择检测次数大于全部样品数量50％以上的检测项目作为评价因子。
9.如权利要求8所述的方法，其特征在于，所述评价因子包括：酸价、苯并(a)芘、溶剂残留、过氧化值、总砷、铅和黄曲霉素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110492595.7A CN113011796B (zh) | 2021-05-06 | 2021-05-06 | 一种基于“层次分析-神经网络”的食用油安全预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110492595.7A CN113011796B (zh) | 2021-05-06 | 2021-05-06 | 一种基于“层次分析-神经网络”的食用油安全预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011796A CN113011796A (zh) | 2021-06-22 |
| CN113011796B true CN113011796B (zh) | 2024-02-02 |
Family
ID=76380642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110492595.7A Active CN113011796B (zh) | 2021-05-06 | 2021-05-06 | 一种基于“层次分析-神经网络”的食用油安全预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011796B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113554321A (zh) * | 2021-07-28 | 2021-10-26 | 陕西科技大学 | 一种乳制品冷链物流质量安全预警方法 |
| CN113726559B (zh) * | 2021-08-09 | 2023-10-27 | 国网福建省电力有限公司 | 基于人工智能网络安全分析预警系统 |
| CN113836807B (zh) * | 2021-09-26 | 2024-03-15 | 浙江大学 | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 |
| CN113933334B (zh) * | 2021-10-13 | 2024-03-26 | 北京工商大学 | 一种基于特征选择和机器学习算法的洋槐蜜真伪鉴别方法 |
| CN114611572B (zh) * | 2022-01-28 | 2024-05-14 | 北京工商大学 | 基于改进rbf神经网络的数据分级存储算法 |
| CN115372569A (zh) * | 2022-08-19 | 2022-11-22 | 北京工商大学 | 基于长短期记忆神经网络的红酒质量评价方法及系统 |
| CN117313520A (zh) * | 2023-09-07 | 2023-12-29 | 西南交通大学 | 一种公路风吹雪预警方法、装置、设备及可读存储介质 |
| CN117787570B (zh) * | 2024-02-26 | 2024-05-17 | 山东公用环保科技集团有限公司 | 一种水环境重金属污染综合评价方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106920044A (zh) * | 2017-03-07 | 2017-07-04 | 北京工商大学 | 基于模糊综合评价模型的农药残留风险评估方法 |
| CN108876100A (zh) * | 2018-04-28 | 2018-11-23 | 北京化工大学 | 基于ism和ahp的神经网络食品安全风险预测模型 |
| KR20200019294A (ko) * | 2018-08-09 | 2020-02-24 | 인하대학교 산학협력단 | 심층 신경망을 이용하여 표적 단백질과 결합하는 후보 압타머를 생성하는 프로그램을 기록한 컴퓨터로 판독할 수 있는 기록 매체 및 후보 압타머를 생성하는 방법 |
| CN111461576A (zh) * | 2020-04-27 | 2020-07-28 | 宁波市食品检验检测研究院 | 一种食品中化学危害物安全风险模糊综合评价方法 |
| CN112308426A (zh) * | 2020-11-02 | 2021-02-02 | 北京工商大学 | 食品重金属污染风险评估模型训练方法、评估方法及装置 |
| CN112465264A (zh) * | 2020-12-07 | 2021-03-09 | 湖北省食品质量安全监督检验研究院 | 食品安全风险等级预测方法、装置及电子设备 |
| CN112487145A (zh) * | 2020-12-01 | 2021-03-12 | 重庆邮电大学 | 一种o2o商铺食品安全监测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10984316B2 (en) * | 2017-06-19 | 2021-04-20 | International Business Machines Corporation | Context aware sensitive information detection |
-
2021
- 2021-05-06 CN CN202110492595.7A patent/CN113011796B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106920044A (zh) * | 2017-03-07 | 2017-07-04 | 北京工商大学 | 基于模糊综合评价模型的农药残留风险评估方法 |
| CN108876100A (zh) * | 2018-04-28 | 2018-11-23 | 北京化工大学 | 基于ism和ahp的神经网络食品安全风险预测模型 |
| KR20200019294A (ko) * | 2018-08-09 | 2020-02-24 | 인하대학교 산학협력단 | 심층 신경망을 이용하여 표적 단백질과 결합하는 후보 압타머를 생성하는 프로그램을 기록한 컴퓨터로 판독할 수 있는 기록 매체 및 후보 압타머를 생성하는 방법 |
| CN111461576A (zh) * | 2020-04-27 | 2020-07-28 | 宁波市食品检验检测研究院 | 一种食品中化学危害物安全风险模糊综合评价方法 |
| CN112308426A (zh) * | 2020-11-02 | 2021-02-02 | 北京工商大学 | 食品重金属污染风险评估模型训练方法、评估方法及装置 |
| CN112487145A (zh) * | 2020-12-01 | 2021-03-12 | 重庆邮电大学 | 一种o2o商铺食品安全监测方法 |
| CN112465264A (zh) * | 2020-12-07 | 2021-03-09 | 湖北省食品质量安全监督检验研究院 | 食品安全风险等级预测方法、装置及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| "Food safety risk intelligence early warning based on support vector machine";Zhang Yu;《 Journal of Intelligent & Fuzzy Systems》;第15卷(第3期);1-8 * |
| "高维数据多标签分类的食品安全预警研究";甄俊涛等;《计算机技术与发展》;第30卷(第9期);1-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011796A (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011796B (zh) | 一种基于“层次分析-神经网络”的食用油安全预警方法 | |
| Yun | Prediction model of algal blooms using logistic regression and confusion matrix | |
| CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| Cacciola et al. | Aspects about air pollution prediction on urban environment | |
| Lu | Research on GDP forecast analysis combining BP neural network and ARIMA model | |
| CN112257942A (zh) | 一种应力腐蚀开裂预测方法及系统 | |
| CN114676822A (zh) | 一种基于深度学习的多属性融合空气质量预报方法 | |
| CN114580545A (zh) | 一种基于融合模型的风电机组齿轮箱故障预警方法 | |
| Al_Janabi et al. | Pragmatic method based on intelligent big data analytics to prediction air pollution | |
| Khongorzul et al. | OrdinalEncoder based DNN for natural gas leak prediction | |
| Xu et al. | High-accuracy health prediction of sensor systems using improved relevant vector-machine ensemble regression | |
| Zhang | Prediction of Purchase Volume of Cross‐Border e‐Commerce Platform Based on BP Neural Network | |
| CN115392618A (zh) | 一种基于ahp-ew和ae-rnn融合的食品安全风险预警模型及其建立方法 | |
| Raza et al. | Application of extreme learning machine algorithm for drought forecasting | |
| Ashoori et al. | Compare failure prediction models based on feature selection technique: empirical case from Iran | |
| Song et al. | Comprehensive evaluation of the transformer oil-paper insulation state based on RF-combination weighting and an improved TOPSIS method | |
| Kumar et al. | Use of artificial neural network models to predict coated component life from short-term electrochemical impedance spectroscopy measurements | |
| CN111062118B (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 | |
| CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
| CN113887570A (zh) | 一种基于神经网络的太阳耀斑二分类预测方法 | |
| Sarajcev et al. | Wide & Deep Machine Learning Model for Transformer Health Analysis | |
| Rahmat et al. | Lake Toba Water Quality Prediction Using Extreme Machine Learning | |
| Prahmana et al. | Knearst Algorithm Analysis–Neighbor Breast Cancer Prediction Coimbra | |
| Safari et al. | Evolutionary Interval Type-2 Fuzzy Rule Learning Approaches for Uncertain Time-Series Prediction | |
| Vecchio et al. | Pulse identification and shape analysis by derivative-based peak detection using a Convolutional Neural Network |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |