本发明专利技术公开了一种基于BP神经网络的二维码防伪预测装置和方法，该装置包括按信号流向依次连接的用于存取产品数据建立防伪数据库的数据存取模块、用于获取扫码数据的扫码模块、用于调用防伪数据库对扫码获得的数据进行处理分析，获得产品的属性特征值的数据分析模块、用于构建BP神经网络算法的学习训练模块和使用BP神经网络算法对扫码产品进行防伪预测的算法应用模块；实现让消费者先扫码判断真伪，再决定是否购买，这样能够解决消费者必须先购买产品才能扫码的缺陷。
【技术实现步骤摘要】
本专利技术涉及二维码防伪预测
，特别是涉及一种基于BP神经网络的二维码防伪预测装置和方法。
技术介绍
随着社会生活水平的提高，人们对产品质量的要求越来越高，对防伪技术应用的需求也相应增加。基于二维码的防伪系统是目前国内外广泛应用的防伪系统，产品和二维码绑定，用智能手机扫描二维码，提示产品真伪情况。同时，随着智能手机的普及，大众参与产品防伪将更加简单，二维码防伪系统的应用将越来越广泛。对于当前的二维码防伪系统，首先，绝大部分防伪机制都是根据产品二维码被扫次数判断真伪，如申请文献CN20130617837.6中的二维码防伪方法，二维码第一次被扫就提示正品，否则提示假冒产品，这样如果多个消费者扫同一产品，对一个产品真伪判断过于绝对化；第二，为了防止产品二维码多次被扫造成真伪误判和被不法分子接触并利用，二维码置于产品内部，这样消费者必须购买后才扫码判断产品真伪，即使是假冒产品，也不能提前预知。如果把二维码包装在产品外部，消费者即可先扫码判断真伪，再决定买或者不买。对于这种防伪系统，不法分子可先接触到产品二维码，如果二维码被破解并伪造，防伪系统将很难判断真伪。BP神经网络是目前应用最广泛的神经网络模型之一。BP网络能学习和存储大量的输入-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。在申请文献CN201410464900.1中提及到利用BP神经网络来预测任务完成的时间，但在现有技术中，还未发现有利用BP神经网络来预测产品真伪的装置与方法，因此，基于BP神经网络，通过扫码判断产品真伪的方法和装置还有待研发。
技术实现思路
针对现有技术的不足，本专利技术的目的旨在提供一种基于BP神经网络的二维码防伪预测装置和方法，结合防伪数据库和BP神经网络算法，预测产品真伪的概率，对产品真伪进行定量判断。为实现上述目的，本专利技术采用如下技术方案：基于BP神经网络的二维码防伪预测装置，包括按信号流向依次连接的数据存取模块、扫码模块、数据分析模块、学习训练模块和算法应用模块；所述BP神经网络由输入层、隐含层和输出层构成；数据存取模块，用于存取产品数据建立防伪数据库；扫码模块，用于获取扫码数据；数据分析模块，用于调用防伪数据库对扫码获得的数据进行处理分析，获得产品的属性特征值；学习训练模块，由实际产品真伪情况所获得的特征值数据作为网络输入，产品造假概率作为输出，在输入的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望的输出，从而构建出BP神经网络算法；算法应用模块，使用BP神经网络算法对扫码产品进行防伪预测。作为本专利技术的一种优化，所述数据存取模块用于将企业的加工产品质量信息、经销商信息、零售商信息、消费者扫码验证信息和包装二维码信息均进行存储并建立防伪数据库。作为本专利技术的一种优化，所述产品属性特征值包括扫码信息一致x1、扫码指定地点一致x2、知名度x3、造假利益x4、风险代价x5；扫码产品的信息与防伪数据库对应的信息是否完全相同构成扫码信息一致x1；扫码地点与指定销售地点的变动构成扫码指定地点一致x2；所述知名度x3由生活水平不同导致对产品的质量要求存在差异构成；根据不同区域对产品造假的处罚程度不同，造假风险程度不同，构成造假利益x4；因不同品牌产品生产成本不同，产品利润高低不同构成风险代价x5。作为本专利技术的一种优化，所述数据分析模块利用S型函数将扫码获得的数据结合防伪数据库进行归一化处理，将扫码获得的值转换成[0,1]区间内，用于为BP神经网络的学习提供原始数据；其中S型函数公式为：输入net＝x1w1+x2w2+…+xnwn输出其中xn为第n个输入信号；Wn为权系数。作为本专利技术的一种优化，所述学习训练模块是根据输入信号Xi通过中间节点作为输出节点，经过非线形变换，产生输出信号Zk，网络训练的每个样本包括输入向量X和期望输出量d，网络输出值Z与期望输出值d之间的偏差，通过调整输入节点与隐层节点的连接权值Wij和隐层节点与输出节点之间的连接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数，即权值和阈值，训练即结束。基于BP神经网络的二维码防伪预测方法，其特征在于，包括：步骤1：建立现有防伪数据库；步骤2：扫码获得产品信息；步骤3：结合防伪数据库和扫码信息，获得产品属性特征值；步骤4：BP神经网络学习训练；步骤5：使用BP神经网络算法对扫码产品进行防伪预测。作为本专利技术的一种优化，所述步骤3中所述的产品属性特征值由扫码数据结合防伪数据库对输入数据进行归一化处理，经过计算后获得数值在[0,1]区间中的产品属性特征值。作为本专利技术的一种优化，所述步骤4中的BP神经网络学习训练过程的具体算法如下：(1)给网络赋一组随机初始权值，其值在0到1之间；(2)将输入数据归一化处理，并根据实际确定期望输出信号d1；(3)根据公式计算逐层的实际输出值，公式如下：式中Xi-输入层第i个节点的输出值；Yj-隐含层第j个节点的输出值；Wij-输入层第i个节点到隐含层第j个节点的权系数；Wjk-隐含层第j个节点到输出层第k个节点的权系数；θj-隐含层第j个节点的内部阈值；θ1-输出层第1个节点的内部阈值；Z1-输出层第1个节点的实际输出值；输入层有N个输入节点，隐含层有M个中间层节点，输出层有1个输出节点。(4)从输出层开始，加入动量α，其中0＜α＜1，反向调整权值，其调整公式如下：Wjk+ηδkYj→WjkWij+ηδjXi→Wijδj＝Yj(1-Yj)·δ1·Wjk式中δ1＝(d1-Z1)·Z1·(1-Z1)。(5)计算总的误差E，即d1和Z1之间的误差值，若E≤ε，其中ε为预先设定的学习结束的绝对误差，学习停止，否则转到步骤(3)中重新计算。作为本专利技术的一种优化，若步长η较小则学习速度较慢，而η较大会引起网络出现摆动，则在步骤(4)中加入一个动量α，其中0＜α＜1，即Wjk+ηδkYj+α·ΔWjk→WjkWij+ηδjXi+α·ΔWij→Wij式中ΔWjk-连续两次Wjk之差；ΔWij-连续两次Wij之差。本专利技术的有益效果在于：本专利技术从多个方面更新防伪数据库数据，使得预测效果更有说服力；由于BP神经网络的自学习和自适应能力，使得预测结果相对准确；防伪数据库和BP神经网络算法结合，预测产品真伪的概率，对产品真伪判断避免绝对化，进行定量判断，在一定程度上避免产品真伪的误判；二维码防伪预测装置能实现让消费者先扫码判断真伪，再决定是否购买，满足消费者购物心理需求，促进购买意愿。附图说明图1为本专利技术基于BP神经网络的二维码防伪预测装置的流程示意图；图2为本专利技术的BP神经网络模型图；图3为本专利技术基于BP神经网络的二维码防伪预测方法的流程示意图。具体实施方式下面，结合附图以及具体实施方式，对本专利技术做进一步描述：实施例1如图1和2所示，本专利技术提供了一种基于BP神经网络的二维码防伪预测装置，包括按信号流向依次连接的数据存取模块、扫码模块、数据分析模块、学习训练模块和算法应用模块；所述BP神经网络由输入层、隐含层和输出层构成。数据存取模块，所述数据存取模块用于将企业的加工产品质量信息、经销商信息、零售商信息、消费者扫码验证信息和包装二维码信息均进行存储并建立防伪数据库，通过多方面时刻更新扩大防伪数据库，使本文档来自技高网...
【技术保护点】
基于BP神经网络的二维码防伪预测装置，其特征在于，包括按信号流向依次连接的数据存取模块、扫码模块、数据分析模块、学习训练模块和算法应用模块；所述BP神经网络由输入层、隐含层和输出层构成；数据存取模块，用于存取产品数据建立防伪数据库；扫码模块，用于获取扫码数据；数据分析模块，用于调用防伪数据库对扫码获得的数据进行处理分析，获得产品的属性特征值；学习训练模块，由实际产品真伪情况所获得的特征值数据作为网络输入，产品造假概率作为输出，在输入的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望的输出，从而构建出BP神经网络算法；算法应用模块，使用BP神经网络算法对扫码产品进行防伪预测。
【技术特征摘要】
1.基于BP神经网络的二维码防伪预测装置，其特征在于，包括按信号流向依次连接的数据存取模块、扫码模块、数据分析模块、学习训练模块和算法应用模块；所述BP神经网络由输入层、隐含层和输出层构成；数据存取模块，用于存取产品数据建立防伪数据库；扫码模块，用于获取扫码数据；数据分析模块，用于调用防伪数据库对扫码获得的数据进行处理分析，获得产品的属性特征值；学习训练模块，由实际产品真伪情况所获得的特征值数据作为网络输入，产品造假概率作为输出，在输入的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望的输出，从而构建出BP神经网络算法；算法应用模块，使用BP神经网络算法对扫码产品进行防伪预测。2.根据权利要求1所述的基于BP神经网络的二维码防伪预测装置，其特征在于，所述数据存取模块用于将企业的加工产品质量信息、经销商信息、零售商信息、消费者扫码验证信息和包装二维码信息均进行存储并建立防伪数据库。3.根据权利要求1所述的基于BP神经网络的二维码防伪预测装置，其特征在于，所述产品属性特征值包括扫码信息一致x1、扫码指定地点一致x2、知名度x3、造假利益x4、风险代价x5；扫码产品的信息与防伪数据库对应的信息是否完全相同构成扫码信息一致x1；扫码地点与指定销售地点的变动构成扫码指定地点一致x2；所述知名度x3由生活水平不同导致对产品的质量要求存在差异构成；根据不同区域对产品造假的处罚程度不同，造假风险程度不同，构成造假利益x4；因不同品牌产品生产成本不同，产品利润高低不同构成风险代价x5。4.根据权利要求1所述的基于BP神经网络的二维码防伪预测装置，其特征在于，所述数据分析模块利用S型函数将扫码获得的数据结合防伪数据库进行归一化处理，将扫码获得的值转换成[0,1]区间内，用于为BP神经网络的学习提供原始数据；其中S型函数公式为：输入net＝x1，w1+w2，w1w2+…+xnwn输出y=f(net)=11+e-net]]>其中xn为第n个输入信号；Wn为权系数。5.根据权利要求1所述的基于BP神经网络的二维码防伪预测装置，其特征在于，所述学习训练模块是根据输入信号Xi通过中间节点作为输出节点，经过非线形变换，产生输出信号Zk，网络训练的每个样本包括输入向量X和期望输出量d，网络输出值Z与期望输出值d之间的偏差，通过调整输入节点与隐层节点的连接权值Wij和隐层节点与输出节点之间的连接强度Tjk以及阈值，使误差沿梯...
【专利技术属性】
技术研发人员：李志，陈光锋，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。