CN116993165B - 一种儿童果蔬汁的安全性评价与风险预测方法及系统 - Google Patents
一种儿童果蔬汁的安全性评价与风险预测方法及系统 Download PDFInfo
- Publication number
- CN116993165B CN116993165B CN202311240233.4A CN202311240233A CN116993165B CN 116993165 B CN116993165 B CN 116993165B CN 202311240233 A CN202311240233 A CN 202311240233A CN 116993165 B CN116993165 B CN 116993165B
- Authority
- CN
- China
- Prior art keywords
- fruit
- safety
- evaluation
- vegetable juice
- production process
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 190
- 235000011389 fruit/vegetable juice Nutrition 0.000 title claims abstract description 116
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000004519 manufacturing process Methods 0.000 claims abstract description 130
- 235000013305 food Nutrition 0.000 claims abstract description 118
- 230000008569 process Effects 0.000 claims abstract description 59
- 238000013058 risk prediction model Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 59
- 239000011159 matrix material Substances 0.000 claims description 58
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 235000013361 beverage Nutrition 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000000379 polymerizing effect Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000005295 random walk Methods 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 5
- 235000002020 sage Nutrition 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 230000010485 coping Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computer Security & Cryptography (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种儿童果蔬汁的安全性评价与风险预测方法及系统，包括：获取目标儿童果蔬汁的基础信息及生产工艺流程，提取各流程的工艺特征，通过工艺特征选取评价指标进行安全性评价，将不同生产工艺流程的安全性评价结果进行聚合获取儿童果蔬汁的安全性评价结果；获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络进行图表示，利用图神经网络构建风险预测模型；获取目标儿童果蔬汁的抽检数据导入风险预测模型，输出食品安全风险预测值，并生成相关预警信息。本发明通过对儿童果蔬汁进行全流程安全评价，确保了食品安全评价的全面性，另外根据不同的风险预测进行预警,可以为食品抽检工作提供一定决策依据和技术支持。
Description
技术领域
本发明涉及食品安全技术领域，更具体的，涉及一种儿童果蔬汁的安全性评价与风险预测方法及系统。
背景技术
食品质量风险预警是民生保障中的重大问题，目前常用的食品安全风险研判方法主要依据于专家经验知识打分的静态分析方法，通过人工分析方式，对食品安全风险进行评估，导致耗费大量人力物力。随着机器学习、大数据分析和人工智能等技术的飞速发展，基于机器学习的食品安全风险研判方法受到了广泛关注并已进行了初步尝试。目前基于机器学习构建的风险研判和风险推理的模型，对食品安全抽检数据进行未来时刻的风险预测，虽然有效减少了人力物力的消耗和预测的时间，但也存在一定的局限性。伴随着食品产业规模的增大，检验需求量的增多，食品安全检测数据出现高维、复杂且非线性等特征，这些特征会导致定量分析数据利用率低，忽略了数据间存在的影响，从而直接影响以数据为载体的风险预测模型的准确性。
随着科学技术的发展和生活水平的提高，对于儿童食物方面的要求也越来越高，更加注意了蔬菜、水果中所含的维生素及其它人体所需的微量元素的摄取。为了使儿童健康成长，通常会选择儿童果蔬汁作为维生素等元素的补充方法之一，因此儿童果蔬汁的食品质量安全性显得尤为重要。为了满足儿童果蔬汁的食品安全评价，亟需一种高效精准的儿童果蔬汁安全性评价与风险预测方法及系统解决上述问题。
发明内容
为了解决上述技术问题，本发明提出了一种儿童果蔬汁的安全性评价与风险预测方法及系统。
本发明第一方面提供了一种儿童果蔬汁的安全性评价与风险预测方法，包括：
获取目标儿童果蔬汁的基础信息及生产工艺流程，根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标；
基于评价指标进行不同生产工艺流程的安全性评价，判断安全性评价结果是否符合预设安全标准，将不同生产工艺流程的安全性评价结果进行聚合获取儿童果蔬汁的安全性评价结果；
利用大数据方法获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络，将所述异构信息网络进行图表示，利用图神经网络构建风险预测模型；
获取目标儿童果蔬汁的抽检数据，导入所述风险预测模型，输出目标儿童果蔬汁的食品安全风险预测值，并生成相关预警信息，根据所述安全性评价结果进行预警溯源。
本方案中，根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标，具体为：
获取目标儿童果蔬汁的产品名称、原材料信息、果蔬汁比例配比及生产设备信息作为基础信息，并根据目标儿童果蔬汁的生产线获取生产工艺流程，将所述生产工艺流程进行去冗余及分段操作，生成生产工艺流程子序列；
在各生产工艺流程子序列中提取生产记录获取工艺特征，根据所述工艺特征在预设搜索空间中进行检索，获取相似度符合预设标准的食品安全评价实例，提取所述食品安全评价实例中的评价指标；
根据所述工艺特征、食品安全评价实例、评价指标构建实体三元组，基于所述实体三元组建立饮料食品安全知识图谱，根据各食品安全评价实例中不同评价指标的使用频次设置评价指标实体的权重信息；
通过MetaPath随机游走将所述饮料食品安全知识图谱进行表示学习，获取所述工艺特征对应的实体节点，根据实体节点与评价指标实体之间的联系生成约束条件；
根据所述约束条件获取包括实体节点的元路径，将所述元路径中各评价指标实体的权重信息进行求和，获取最高权重信息的元路径中的评价指标实体作为生产工艺流程子序列的评价指标。
本方案中，基于评价指标进行不同生产工艺流程的安全性评价，判断安全性评价结果是否符合预设安全标准，具体为：
根据不同生产工艺流程子序列的评价指标获取指标参数及对应的预设安全标准，将所述指标参数进行异常数据剔除，构建指标参数矩阵，并根据所述预设安全标准构建评价标准矩阵；
将所述指标参数矩阵及评价标准矩阵映射到低维空间，根据评价标准矩阵获取预设安全标准对应空间距离，并在低维空间中计算指标参数矩阵及评价标准矩阵的欧式距离；
获取所述欧式距离与预设安全标准对应空间距离的比值，在不同生产工艺流程子序列中预设不同的比值阈值，将所述比值与预设的比值阈值进行对比，通过对比结果判断当前生产工艺流程子序列是否符合对应的预设安全标准；
获取安全标准的判断结果设置生产工艺流程子序列的数据标签，将各工艺流程子序列对应的比值及数据标签进行聚合，获取儿童果蔬汁的安全性评价结果。
本方案中，利用大数据方法获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络，将所述异构信息网络进行图表示，具体为：
利用大数据方法在饮料领域搜索空间检索历史抽检数据及历史食品安全动态，将所述历史抽检数据及历史食品安全动态进行分词，并对词向量进行预处理，根据预处理的词向量作为节点构建异构信息网络；
在所述异构信息网络中将抽检数据及食品安全动态的属性信息及类别信息作为节点的附属特征；
将所述异构信息网络进行图表示，根据抽检数据节点及食品安全动态节点的联系生成对应的图结构，所述异构信息网络的图表示定义为，/>为节点集合，/>为边结构集合；
根据图表示利用余弦相似度获取抽检数据节点及食品安全动态节点的邻居节点，根据所述邻居节点构建邻接矩阵，并将所述图表示按照邻接矩阵形式进行存储。
本方案中，利用图神经网络构建风险预测模型，具体为：
通过GraphSAGE图神经网络对异构信息网络的图表示进行学习表示，构建风险预测模型，将目标儿童果蔬汁的抽检数据导入所述风险预测模型生成目标节点；
根据所述目标节点进行一阶邻域采样获取邻居节点，对所述邻居节点进行采样获取邻居节点的邻居，引入注意力机制获取注意力系数，通过聚合机制利用邻居节点的邻居及对应的注意力系数对邻居节点的特征向量进行更新；
将更新后的邻居节点特征向量进行均值处理，通过共享注意力参数获取邻居节点的注意力系数，与目标节点进行向量拼接，根据参数矩阵及激活函数更新目标节点的特征向量；
根据目标节点更新后的特征向量获取目标儿童果蔬汁发生食品安全风险的概率。
本方案中，生成相关预警信息，根据所述安全性评价结果进行预警溯源，具体为：
获取目标儿童果蔬汁的安全性评价结果，根据数据标签标记不符合对应的预设安全标准的生产工艺流程子序列；
获取目标儿童果蔬汁预设时间的食品安全风险预测值，预设风险预测值的阈值区间，根据所述风险预测值所落在的阈值区间获取对应的食品安全风险等级，并基于所述食品安全风险等级生成预警信息；
获取生产工艺流程子序列的数量信息，根据所述数量信息训练对应数量的SVM分类器分支，通过历史预警信息及生产工艺流程对应的工艺特征构建训练样本，训练预警溯源单元；
当生成预警信息时，根据标记的生产工艺流程子序列获取对应的SVM分类器设置溯源优先级，将预警信息对应的目标儿童果蔬汁抽检参数导入所述预警溯源单元，获取预警信息关联度最高的生产工艺流程子序列。
本发明第二方面还提供了一种儿童果蔬汁的安全性评价与风险预测系统，该系统包括：存储器、处理器，所述存储器中包括一种儿童果蔬汁的安全性评价与风险预测方法程序，所述一种儿童果蔬汁的安全性评价与风险预测方法程序被所述处理器执行时实现如下步骤：
获取目标儿童果蔬汁的基础信息及生产工艺流程，根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标；
基于评价指标进行不同生产工艺流程的安全性评价，判断安全性评价结果是否符合预设安全标准，将不同生产工艺流程的安全性评价结果进行聚合获取儿童果蔬汁的安全性评价结果；
利用大数据方法获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络，将所述异构信息网络进行图表示，利用图神经网络构建风险预测模型；
获取目标儿童果蔬汁的抽检数据，导入所述风险预测模型，输出目标儿童果蔬汁的食品安全风险预测值，并生成相关预警信息，根据所述安全性评价结果进行预警溯源。
本发明公开了一种儿童果蔬汁的安全性评价与风险预测方法及系统，包括：获取目标儿童果蔬汁的基础信息及生产工艺流程，提取各流程的工艺特征，通过工艺特征选取评价指标进行安全性评价，将不同生产工艺流程的安全性评价结果进行聚合获取儿童果蔬汁的安全性评价结果；获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络进行图表示，利用图神经网络构建风险预测模型；获取目标儿童果蔬汁的抽检数据导入风险预测模型，输出食品安全风险预测值，并生成相关预警信息。本发明通过对儿童果蔬汁进行全流程安全评价，确保了食品安全评价的全面性，另外根据不同的风险预测进行预警,可以为食品抽检工作提供一定决策依据和技术支持。
附图说明
图1示出了本发明一种儿童果蔬汁的安全性评价与风险预测方法的流程图；
图2示出了本发明进行不同生产工艺流程的安全性评价的方法流程图；
图3示出了本发明利用图神经网络构建风险预测模型的方法流程图；
图4示出了本发明一种儿童果蔬汁的安全性评价与风险预测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种儿童果蔬汁的安全性评价与风险预测方法的流程图。
如图1所示，本发明第一方面提供了一种儿童果蔬汁的安全性评价与风险预测方法，包括：
S102，获取目标儿童果蔬汁的基础信息及生产工艺流程，根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标；
S104，基于评价指标进行不同生产工艺流程的安全性评价，判断安全性评价结果是否符合预设安全标准，将不同生产工艺流程的安全性评价结果进行聚合获取儿童果蔬汁的安全性评价结果；
S106，利用大数据方法获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络，将所述异构信息网络进行图表示，利用图神经网络构建风险预测模型；
S108，获取目标儿童果蔬汁的抽检数据，导入所述风险预测模型，输出目标儿童果蔬汁的食品安全风险预测值，并生成相关预警信息，根据所述安全性评价结果进行预警溯源。
需要说明的是，获取目标儿童果蔬汁的产品名称、原材料信息、果蔬汁比例配比及生产设备信息作为基础信息，并根据目标儿童果蔬汁的生产线获取生产工艺流程，将所述生产工艺流程进行去冗余及分段操作，生成生产工艺流程子序列；在各生产工艺流程子序列中提取生产记录获取工艺特征，根据所述工艺特征在预设搜索空间中进行检索，获取相似度符合预设标准的食品安全评价实例，提取所述食品安全评价实例中的评价指标，常见的评价指标包括：工艺用水质量指标、卫生质量指标、生产规程指标及外部包装指标等。根据所述工艺特征、食品安全评价实例、评价指标构建实体三元组，基于所述实体三元组建立饮料食品安全知识图谱，根据各食品安全评价实例中不同评价指标的使用频次设置评价指标实体的权重信息；通过MetaPath随机游走将所述饮料食品安全知识图谱进行表示学习，获取所述工艺特征对应的实体节点，根据实体节点与评价指标实体之间的联系生成约束条件；根据所述约束条件获取包括实体节点的元路径，将所述元路径中各评价指标实体的权重信息进行求和，获取最高权重信息的元路径中的评价指标实体作为生产工艺流程子序列的评价指标。
图2示出了本发明进行不同生产工艺流程的安全性评价的方法流程图。
根据本发明实施例，基于评价指标进行不同生产工艺流程的安全性评价，判断安全性评价结果是否符合预设安全标准，具体为：
S202，根据不同生产工艺流程子序列的评价指标获取指标参数及对应的预设安全标准，将所述指标参数进行异常数据剔除，构建指标参数矩阵，并根据所述预设安全标准构建评价标准矩阵；
S204，将所述指标参数矩阵及评价标准矩阵映射到低维空间，根据评价标准矩阵获取预设安全标准对应空间距离，并在低维空间中计算指标参数矩阵及评价标准矩阵的欧式距离；
S206，获取所述欧式距离与预设安全标准对应空间距离的比值，在不同生产工艺流程子序列中预设不同的比值阈值，将所述比值与预设的比值阈值进行对比，通过对比结果判断当前生产工艺流程子序列是否符合对应的预设安全标准；
S208，获取安全标准的判断结果设置生产工艺流程子序列的数据标签，将各工艺流程子序列对应的比值及数据标签进行聚合，获取儿童果蔬汁的安全性评价结果。
需要说明的是，获取所述欧式距离与预设安全标准对应空间距离的比值，其中比值的计算公式为/>，/>表示欧式距离，/>表示指标参数矩阵，/>表示评价标准矩阵；当指标参数矩阵及评价标准矩阵的欧式距离接近时，说明所述比值较小，对应的生产工艺流程子序列符合对应的预设安全标准。
图3示出了本发明利用图神经网络构建风险预测模型的方法流程图。
根据本发明实施例，利用图神经网络构建风险预测模型，具体为：
S302，通过GraphSAGE图神经网络对异构信息网络的图表示进行学习表示，构建风险预测模型，将目标儿童果蔬汁的抽检数据导入所述风险预测模型生成目标节点；
S304，根据所述目标节点进行一阶邻域采样获取邻居节点，对所述邻居节点进行采样获取邻居节点的邻居，引入注意力机制获取注意力系数，通过聚合机制利用邻居节点的邻居及对应的注意力系数对邻居节点的特征向量进行更新；
S306，将更新后的邻居节点特征向量进行均值处理，通过共享注意力参数获取邻居节点的注意力系数，与目标节点进行向量拼接，根据参数矩阵及激活函数更新目标节点的特征向量；
S308，根据目标节点更新后的特征向量获取目标儿童果蔬汁发生食品安全风险的概率。
需要说明的是，利用大数据方法在饮料领域搜索空间检索历史抽检数据及历史食品安全动态，将所述历史抽检数据及历史食品安全动态进行分词，并对词向量进行预处理，根据预处理的词向量作为节点构建异构信息网络；在所述异构信息网络中将抽检数据及食品安全动态的属性信息及类别信息作为节点的附属特征；将所述异构信息网络进行图表示，根据抽检数据节点及食品安全动态节点的联系生成对应的图结构，在存在关联的节点之间设置边结构，所述异构信息网络的图表示定义为，/>为节点集合，/>为边结构集合；根据图表示利用余弦相似度获取抽检数据节点及食品安全动态节点的邻居节点，根据所述邻居节点构建邻接矩阵，并将所述图表示按照邻接矩阵形式进行存储。
将目标节点邻居节点的邻居节点特征向量的每个特征维度进行平均，与邻居节点进行拼接并通过非线性激活函数及可学习的参数矩阵更新邻居节点的特征向量。在聚合机制的向量拼接中引入注意力系数，所述注意力系数的计算公式为：
其中，表示注意力系数，/>表示激活函数，/>表示向量映射参数，将向量映射为实数，/>表示向量拼接，/>表示邻居节点的初始表示，/>表示目标节点的初始表示。
通过聚合机制获取目标节点更新后的特征向量，表示为：
其中，表示目标节点更新后的特征向量，/>表示参数矩阵，/>表示均值函数，/>表示邻居节点的特征向量，/>表示目标节点的特征向量。
在所述异构信息网络中将各食品安全动态进行聚类，获取各类簇的聚类结果，在所述聚类结果中利用聚合机制获取各类别食品安全事件的特征向量，将目标节点更新后的特征向量与各类别食品安全事件的特征向量进行向量内积计算，获取目标儿童果蔬汁的食品安全风险预测值。
需要说明的是，获取目标儿童果蔬汁的安全性评价结果，根据数据标签标记不符合对应的预设安全标准的生产工艺流程子序列；获取目标儿童果蔬汁预设时间的食品安全风险预测值，预设风险预测值的阈值区间，根据所述风险预测值所落在的阈值区间获取对应的食品安全风险等级，并基于所述食品安全风险等级生成预警信息；获取生产工艺流程子序列的数量信息，根据所述数量信息训练对应数量的SVM分类器分支，通过历史预警信息及生产工艺流程对应的工艺特征构建训练样本，训练预警溯源单元；当生成预警信息时，根据标记的生产工艺流程子序列获取对应的SVM分类器设置溯源优先级，将预警信息对应的目标儿童果蔬汁抽检参数导入所述预警溯源单元，获取预警信息关联度最高的生产工艺流程子序列。
根据本发明实施例，还包括：通过大数据获取历史食品安全动态，读取历史食品安全动态对应的食品特征及生产工艺流程的工艺特征，并获取对应企业对历史食品动态的应对策略，构建食品安全风险应对策略数据库；获取目标儿童果蔬汁当前预警信息对应的关联度最高的生产工艺流程子序列中的工艺特征，根据所述工艺特征在所述食品安全风险应对策略数据库中进行相似度对比，获取相似度符合预设值要求的历史食品安全动态，抽取对应的应对策略作为当前预警信息的应对策略基准，并获取相似度偏差作为自适应权重，对应对策略基准进行修改调整，对目标儿童果蔬汁的预警优选应对策略；同时，根据优选应对策略对预警信息对应的生产工艺流程子序列的预设安全标准进行调整。
图4示出了本发明一种儿童果蔬汁的安全性评价与风险预测系统的框图。
本发明第二方面还提供了一种儿童果蔬汁的安全性评价与风险预测系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种儿童果蔬汁的安全性评价与风险预测方法程序，所述一种儿童果蔬汁的安全性评价与风险预测方法程序被所述处理器执行时实现如下步骤：
获取目标儿童果蔬汁的基础信息及生产工艺流程，根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标；
基于评价指标进行不同生产工艺流程的安全性评价，判断安全性评价结果是否符合预设安全标准，将不同生产工艺流程的安全性评价结果进行聚合获取儿童果蔬汁的安全性评价结果；
利用大数据方法获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络，将所述异构信息网络进行图表示，利用图神经网络构建风险预测模型；
获取目标儿童果蔬汁的抽检数据，导入所述风险预测模型，输出目标儿童果蔬汁的食品安全风险预测值，并生成相关预警信息，根据所述安全性评价结果进行预警溯源。
需要说明的是，获取目标儿童果蔬汁的产品名称、原材料信息、果蔬汁比例配比及生产设备信息作为基础信息，并根据目标儿童果蔬汁的生产线获取生产工艺流程，将所述生产工艺流程进行去冗余及分段操作，生成生产工艺流程子序列；在各生产工艺流程子序列中提取生产记录获取工艺特征，根据所述工艺特征在预设搜索空间中进行检索，获取相似度符合预设标准的食品安全评价实例，提取所述食品安全评价实例中的评价指标，常见的评价指标包括：工艺用水质量指标、卫生质量指标、生产规程指标及外部包装指标等。根据所述工艺特征、食品安全评价实例、评价指标构建实体三元组，基于所述实体三元组建立饮料食品安全知识图谱，根据各食品安全评价实例中不同评价指标的使用频次设置评价指标实体的权重信息；通过MetaPath随机游走将所述饮料食品安全知识图谱进行表示学习，获取所述工艺特征对应的实体节点，根据实体节点与评价指标实体之间的联系生成约束条件；根据所述约束条件获取包括实体节点的元路径，将所述元路径中各评价指标实体的权重信息进行求和，获取最高权重信息的元路径中的评价指标实体作为生产工艺流程子序列的评价指标。
根据本发明实施例，基于评价指标进行不同生产工艺流程的安全性评价，判断安全性评价结果是否符合预设安全标准，具体为：
根据不同生产工艺流程子序列的评价指标获取指标参数及对应的预设安全标准，将所述指标参数进行异常数据剔除，构建指标参数矩阵，并根据所述预设安全标准构建评价标准矩阵；
将所述指标参数矩阵及评价标准矩阵映射到低维空间，根据评价标准矩阵获取预设安全标准对应空间距离，并在低维空间中计算指标参数矩阵及评价标准矩阵的欧式距离；
获取所述欧式距离与预设安全标准对应空间距离的比值，在不同生产工艺流程子序列中预设不同的比值阈值，将所述比值与预设的比值阈值进行对比，通过对比结果判断当前生产工艺流程子序列是否符合对应的预设安全标准；
获取安全标准的判断结果设置生产工艺流程子序列的数据标签，将各工艺流程子序列对应的比值及数据标签进行聚合，获取儿童果蔬汁的安全性评价结果。
需要说明的是，获取所述欧式距离与预设安全标准对应空间距离的比值，其中比值的计算公式为/>，/>表示欧式距离，/>表示指标参数矩阵，/>表示评价标准矩阵；当指标参数矩阵及评价标准矩阵的欧式距离接近时，说明所述比值较小，对应的生产工艺流程子序列符合对应的预设安全标准。
根据本发明实施例，利用图神经网络构建风险预测模型，具体为：
通过GraphSAGE图神经网络对异构信息网络的图表示进行学习表示，构建风险预测模型，将目标儿童果蔬汁的抽检数据导入所述风险预测模型生成目标节点；
根据所述目标节点进行一阶邻域采样获取邻居节点，对所述邻居节点进行采样获取邻居节点的邻居，引入注意力机制获取注意力系数，通过聚合机制利用邻居节点的邻居及对应的注意力系数对邻居节点的特征向量进行更新；
将更新后的邻居节点特征向量进行均值处理，通过共享注意力参数获取邻居节点的注意力系数，与目标节点进行向量拼接，根据参数矩阵及激活函数更新目标节点的特征向量；
根据目标节点更新后的特征向量获取目标儿童果蔬汁发生食品安全风险的概率。
需要说明的是，利用大数据方法在饮料领域搜索空间检索历史抽检数据及历史食品安全动态，将所述历史抽检数据及历史食品安全动态进行分词，并对词向量进行预处理，根据预处理的词向量作为节点构建异构信息网络；在所述异构信息网络中将抽检数据及食品安全动态的属性信息及类别信息作为节点的附属特征；将所述异构信息网络进行图表示，根据抽检数据节点及食品安全动态节点的联系生成对应的图结构，在存在关联的节点之间设置边结构，所述异构信息网络的图表示定义为，/>为节点集合，/>为边结构集合；根据图表示利用余弦相似度获取抽检数据节点及食品安全动态节点的邻居节点，根据所述邻居节点构建邻接矩阵，并将所述图表示按照邻接矩阵形式进行存储。
将目标节点邻居节点的邻居节点特征向量的每个特征维度进行平均，与邻居节点进行拼接并通过非线性激活函数及可学习的参数矩阵更新邻居节点的特征向量。在聚合机制的向量拼接中引入注意力系数，所述注意力系数的计算公式为：
其中，表示注意力系数，/>表示激活函数，/>表示向量映射参数，将向量映射为实数，/>表示向量拼接，/>表示邻居节点的初始表示，/>表示目标节点的初始表示。
通过聚合机制获取目标节点更新后的特征向量，表示为：
其中，表示目标节点更新后的特征向量，/>表示参数矩阵，/>表示均值函数，/>表示邻居节点的特征向量，/>表示目标节点的特征向量。
在所述异构信息网络中将各食品安全动态进行聚类，获取各类簇的聚类结果，在所述聚类结果中利用聚合机制获取各类别食品安全事件的特征向量，将目标节点更新后的特征向量与各类别食品安全事件的特征向量进行向量内积计算，获取目标儿童果蔬汁的食品安全风险预测值。
需要说明的是，获取目标儿童果蔬汁的安全性评价结果，根据数据标签标记不符合对应的预设安全标准的生产工艺流程子序列；获取目标儿童果蔬汁预设时间的食品安全风险预测值，预设风险预测值的阈值区间，根据所述风险预测值所落在的阈值区间获取对应的食品安全风险等级，并基于所述食品安全风险等级生成预警信息；获取生产工艺流程子序列的数量信息，根据所述数量信息训练对应数量的SVM分类器分支，通过历史预警信息及生产工艺流程对应的工艺特征构建训练样本，训练预警溯源单元；当生成预警信息时，根据标记的生产工艺流程子序列获取对应的SVM分类器设置溯源优先级，将预警信息对应的目标儿童果蔬汁抽检参数导入所述预警溯源单元，获取预警信息关联度最高的生产工艺流程子序列。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种儿童果蔬汁的安全性评价与风险预测方法程序，所述一种儿童果蔬汁的安全性评价与风险预测方法程序被处理器执行时，实现如上述任一项所述的一种儿童果蔬汁的安全性评价与风险预测方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种儿童果蔬汁的安全性评价与风险预测方法，其特征在于，包括以下步骤：
获取目标儿童果蔬汁的基础信息及生产工艺流程，根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标；
基于评价指标判断不同生产工艺流程是否符合对应的预设安全标准，将不同生产工艺流程的判断结果进行聚合获取儿童果蔬汁的安全性评价结果；
利用大数据方法获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络，将所述异构信息网络进行图表示，利用图神经网络构建风险预测模型；
获取目标儿童果蔬汁的抽检数据，导入所述风险预测模型，输出目标儿童果蔬汁的食品安全风险预测值，并生成相关预警信息，根据所述安全性评价结果进行预警溯源；
根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标，具体为：
获取目标儿童果蔬汁的产品名称、原材料信息、果蔬汁比例配比及生产设备信息作为基础信息，并根据目标儿童果蔬汁的生产线获取生产工艺流程，将所述生产工艺流程进行去冗余及分段操作，生成生产工艺流程子序列；
在各生产工艺流程子序列中提取生产记录获取工艺特征，根据所述工艺特征在预设搜索空间中进行检索，获取相似度符合预设标准的食品安全评价实例，提取所述食品安全评价实例中的评价指标；
根据所述工艺特征、食品安全评价实例、评价指标构建实体三元组，基于所述实体三元组建立饮料食品安全知识图谱，根据各食品安全评价实例中不同评价指标的使用频次设置评价指标实体的权重信息；
通过MetaPath随机游走将所述饮料食品安全知识图谱进行表示学习，获取所述工艺特征对应的实体节点，根据实体节点与评价指标实体之间的联系生成约束条件；
根据所述约束条件获取包括实体节点的元路径，将所述元路径中各评价指标实体的权重信息进行求和，获取最高权重信息的元路径中的评价指标实体作为生产工艺流程子序列的评价指标；
基于评价指标判断不同生产工艺流程是否符合对应的预设安全标准，具体为：
根据不同生产工艺流程子序列的评价指标获取指标参数及对应的预设安全标准，将所述指标参数进行异常数据剔除，构建指标参数矩阵，并根据所述预设安全标准构建评价标准矩阵；
将所述指标参数矩阵及评价标准矩阵映射到低维空间，根据评价标准矩阵获取预设安全标准对应空间距离，并在低维空间中计算指标参数矩阵及评价标准矩阵的欧式距离；
获取所述欧式距离与预设安全标准对应空间距离的比值，在不同生产工艺流程子序列中预设不同的比值阈值，将所述比值与预设的比值阈值进行对比，通过对比结果判断当前生产工艺流程子序列是否符合对应的预设安全标准；
获取安全标准的判断结果设置生产工艺流程子序列的数据标签，将各工艺流程子序列对应的比值及数据标签进行聚合，获取儿童果蔬汁的安全性评价结果。
2.根据权利要求1所述的一种儿童果蔬汁的安全性评价与风险预测方法，其特征在于，利用大数据方法获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络，将所述异构信息网络进行图表示，具体为：
利用大数据方法在饮料领域搜索空间检索历史抽检数据及历史食品安全动态，将所述历史抽检数据及历史食品安全动态进行分词，并对词向量进行预处理，根据预处理的词向量作为节点构建异构信息网络；
在所述异构信息网络中将抽检数据及食品安全动态的属性信息及类别信息作为节点的附属特征；
将所述异构信息网络进行图表示，根据抽检数据节点及食品安全动态节点的联系生成对应的图结构，所述异构信息网络的图表示定义为，V为节点集合，E为边结构集合；
根据图表示利用余弦相似度获取抽检数据节点及食品安全动态节点的邻居节点，根据所述邻居节点构建邻接矩阵，并将所述图表示按照邻接矩阵形式进行存储。
3.根据权利要求1所述的一种儿童果蔬汁的安全性评价与风险预测方法，其特征在于，利用图神经网络构建风险预测模型，具体为：
通过GraphSAGE图神经网络对异构信息网络的图表示进行学习表示，构建风险预测模型，将目标儿童果蔬汁的抽检数据导入所述风险预测模型生成目标节点；
根据所述目标节点进行一阶邻域采样获取邻居节点，对所述邻居节点进行采样获取邻居节点的邻居，引入注意力机制获取注意力系数，通过聚合机制利用邻居节点的邻居及对应的注意力系数对邻居节点的特征向量进行更新；
将更新后邻居节点与目标节点进行向量拼接，并进行均值处理，根据参数矩阵及激活函数更新目标节点的特征向量；
根据目标节点更新后的特征向量获取目标儿童果蔬汁发生食品安全风险的概率。
4.根据权利要求1所述的一种儿童果蔬汁的安全性评价与风险预测方法，其特征在于，生成相关预警信息，根据所述安全性评价结果进行预警溯源，具体为：
获取目标儿童果蔬汁的安全性评价结果，根据数据标签标记不符合对应的预设安全标准的生产工艺流程子序列；
获取目标儿童果蔬汁预设时间的食品安全风险预测值，预设风险预测值的阈值区间，根据所述风险预测值所落在的阈值区间获取对应的食品安全风险等级，并基于所述食品安全风险等级生成预警信息；
获取生产工艺流程子序列的数量信息，根据所述数量信息训练对应数量的SVM分类器分支，通过历史预警信息及生产工艺流程对应的工艺特征构建训练样本，训练预警溯源单元；
当生成预警信息时，根据标记的生产工艺流程子序列获取对应的SVM分类器设置溯源优先级，将预警信息对应的目标儿童果蔬汁抽检参数导入所述预警溯源单元，获取预警信息关联度最高的生产工艺流程子序列。
5.一种儿童果蔬汁的安全性评价与风险预测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种儿童果蔬汁的安全性评价与风险预测方法程序，所述一种儿童果蔬汁的安全性评价与风险预测方法程序被所述处理器执行时实现如下步骤：
获取目标儿童果蔬汁的基础信息及生产工艺流程，根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标；
基于评价指标判断不同生产工艺流程是否符合对应的预设安全标准，将不同生产工艺流程的判断结果进行聚合获取儿童果蔬汁的安全性评价结果；
利用大数据方法获取历史抽检数据及对应的历史食品安全动态，构建异构信息网络，将所述异构信息网络进行图表示，利用图神经网络构建风险预测模型；
获取目标儿童果蔬汁的抽检数据，导入所述风险预测模型，输出目标儿童果蔬汁的食品安全风险预测值，并生成相关预警信息，根据所述安全性评价结果进行预警溯源；
根据所述基础信息及生产工艺流程提取各流程的工艺特征，通过所述工艺特征选取评价指标，具体为：
获取目标儿童果蔬汁的产品名称、原材料信息、果蔬汁比例配比及生产设备信息作为基础信息，并根据目标儿童果蔬汁的生产线获取生产工艺流程，将所述生产工艺流程进行去冗余及分段操作，生成生产工艺流程子序列；
在各生产工艺流程子序列中提取生产记录获取工艺特征，根据所述工艺特征在预设搜索空间中进行检索，获取相似度符合预设标准的食品安全评价实例，提取所述食品安全评价实例中的评价指标；
根据所述工艺特征、食品安全评价实例、评价指标构建实体三元组，基于所述实体三元组建立饮料食品安全知识图谱，根据各食品安全评价实例中不同评价指标的使用频次设置评价指标实体的权重信息；
通过MetaPath随机游走将所述饮料食品安全知识图谱进行表示学习，获取所述工艺特征对应的实体节点，根据实体节点与评价指标实体之间的联系生成约束条件；
根据所述约束条件获取包括实体节点的元路径，将所述元路径中各评价指标实体的权重信息进行求和，获取最高权重信息的元路径中的评价指标实体作为生产工艺流程子序列的评价指标；
基于评价指标判断不同生产工艺流程是否符合对应的预设安全标准，具体为：
根据不同生产工艺流程子序列的评价指标获取指标参数及对应的预设安全标准，将所述指标参数进行异常数据剔除，构建指标参数矩阵，并根据所述预设安全标准构建评价标准矩阵；
将所述指标参数矩阵及评价标准矩阵映射到低维空间，根据评价标准矩阵获取预设安全标准对应空间距离，并在低维空间中计算指标参数矩阵及评价标准矩阵的欧式距离；
获取所述欧式距离与预设安全标准对应空间距离的比值，在不同生产工艺流程子序列中预设不同的比值阈值，将所述比值与预设的比值阈值进行对比，通过对比结果判断当前生产工艺流程子序列是否符合对应的预设安全标准；
获取安全标准的判断结果设置生产工艺流程子序列的数据标签，将各工艺流程子序列对应的比值及数据标签进行聚合，获取儿童果蔬汁的安全性评价结果。
6.根据权利要求5所述的一种儿童果蔬汁的安全性评价与风险预测系统，其特征在于，利用图神经网络构建风险预测模型，具体为：
通过GraphSAGE图神经网络对异构信息网络的图表示进行学习表示，构建风险预测模型，将目标儿童果蔬汁的抽检数据导入所述风险预测模型生成目标节点；
根据所述目标节点进行一阶邻域采样获取邻居节点，对所述邻居节点进行采样获取邻居节点的邻居，引入注意力机制获取注意力系数，通过聚合机制利用邻居节点的邻居及对应的注意力系数对邻居节点的特征向量进行更新；
将更新后邻居节点与目标节点进行向量拼接，并进行均值处理，根据参数矩阵及激活函数更新目标节点的特征向量；
根据目标节点更新后的特征向量获取目标儿童果蔬汁发生食品安全风险的概率。
7.根据权利要求5所述的一种儿童果蔬汁的安全性评价与风险预测系统，其特征在于，生成相关预警信息，根据所述安全性评价结果进行预警溯源，具体为：
获取目标儿童果蔬汁的安全性评价结果，根据数据标签标记不符合对应的预设安全标准的生产工艺流程子序列；
获取目标儿童果蔬汁预设时间的食品安全风险预测值，预设风险预测值的阈值区间，根据所述风险预测值所落在的阈值区间获取对应的食品安全风险等级，并基于所述食品安全风险等级生成预警信息；
获取生产工艺流程子序列的数量信息，根据所述数量信息训练对应数量的SVM分类器分支，通过历史预警信息及生产工艺流程对应的工艺特征构建训练样本，训练预警溯源单元；
当生成预警信息时，根据标记的生产工艺流程子序列获取对应的SVM分类器设置溯源优先级，将预警信息对应的目标儿童果蔬汁抽检参数导入所述预警溯源单元，获取预警信息关联度最高的生产工艺流程子序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311240233.4A CN116993165B (zh) | 2023-09-25 | 2023-09-25 | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311240233.4A CN116993165B (zh) | 2023-09-25 | 2023-09-25 | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116993165A CN116993165A (zh) | 2023-11-03 |
| CN116993165B true CN116993165B (zh) | 2024-01-30 |
Family
ID=88532398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311240233.4A Active CN116993165B (zh) | 2023-09-25 | 2023-09-25 | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116993165B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118278960B (zh) * | 2024-06-03 | 2024-08-30 | 新疆七色花信息科技有限公司 | 一种农产品安全信息的溯源方法及追溯系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273886A (zh) * | 2017-07-06 | 2017-10-20 | 湖北泰拓物联科技有限公司 | 一种基于云计算的食品数据分析方法 |
| CN114751094A (zh) * | 2022-04-19 | 2022-07-15 | 黑龙江省药品检验研究院(黑龙江省医疗器械检测研究中心、黑龙江省化妆品检验研究中心) | 一种食品安全事故多因素风险等级评估设备及其评估方法 |
| CN114778874A (zh) * | 2022-06-16 | 2022-07-22 | 深圳市汇知科技有限公司 | 一种基于物联网的食品安全检测分析方法及系统 |
| CN115392618A (zh) * | 2022-05-11 | 2022-11-25 | 新疆大学 | 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 |
-
2023
- 2023-09-25 CN CN202311240233.4A patent/CN116993165B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107273886A (zh) * | 2017-07-06 | 2017-10-20 | 湖北泰拓物联科技有限公司 | 一种基于云计算的食品数据分析方法 |
| CN114751094A (zh) * | 2022-04-19 | 2022-07-15 | 黑龙江省药品检验研究院(黑龙江省医疗器械检测研究中心、黑龙江省化妆品检验研究中心) | 一种食品安全事故多因素风险等级评估设备及其评估方法 |
| CN115392618A (zh) * | 2022-05-11 | 2022-11-25 | 新疆大学 | 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 |
| CN114778874A (zh) * | 2022-06-16 | 2022-07-22 | 深圳市汇知科技有限公司 | 一种基于物联网的食品安全检测分析方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器学习的食品安全情报研判技术研究;刘召;中国优秀硕士学位论文全文数据库工程科技Ⅰ辑(第1期);第B024-250页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116993165A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160401B (zh) | 一种基于均值漂移和XGBoost的异常用电判别方法 | |
| CN110516910A (zh) | 基于大数据的保单核保模型训练方法和核保风险评估方法 | |
| CN108711107A (zh) | 智能融资服务推荐方法及其系统 | |
| CN116993165B (zh) | 一种儿童果蔬汁的安全性评价与风险预测方法及系统 | |
| CN113095442A (zh) | 基于半监督学习在多维度雷达数据下的冰雹识别方法 | |
| CN113627532B (zh) | 食品安全检测方法、装置、设备及存储介质 | |
| CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
| CN113626502A (zh) | 基于集成学习的电网数据异常检测方法及装置 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN117495109B (zh) | 一种基于神经网络的窃电用户识别系统 | |
| CN118313643B (zh) | 一种粒粒果饮料的全流程生产监测管理方法及系统 | |
| CN114782761B (zh) | 基于深度学习的智能仓储物料识别方法和系统 | |
| CN117272204A (zh) | 异常数据检测方法、装置、存储介质和电子设备 | |
| CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
| CN117808024B (zh) | 基于自适应调控的读写器设备管理方法及系统 | |
| CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、系统及介质 | |
| CN116702059B (zh) | 一种基于物联网的智能生产车间管理系统 | |
| CN117726322A (zh) | 一种探头测试设备智能管理方法及系统 | |
| CN115982646B (zh) | 一种基于云平台的多源测试数据的管理方法及系统 | |
| CN115809928A (zh) | 项目投资决策方法和系统 | |
| CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
| CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
| CN118378792B (zh) | 基于人工智能的数据处理分析平台 | |
| CN114548765B (zh) | 用于风险识别的方法和装置 | |
| CN118365139B (zh) | 风险态势感知方法、系统、设备和介质 |
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 |