基于隐马尔克夫模型的食品安全风险预测方法技术

本发明专利技术提供了一种基于隐马尔克夫模型的食品安全风险预测方法，对食品供应链的各个环节进行分析，找出各个环节的关键控制点；分析各环节关键控制点并将其作为HMM的量化指标，建立HMM模型；初始化HMM模型参数，根据HMM模型的可见状态序列及系统的真实状态，对HMM模型参数进行训练；利用HMM模型对食品供应链风险等级进行风险评估和风险值计算。本发明专利技术利用HMM模型对食品质量安全风险进行评价，考虑各个阶段的动态性，实时反应风险状态，采用定量和定性结合的评价方法，可以更精确地描述供应链风险的大小，有助于决策者及时采取应对措施。该风险评估模型除了对乳制品进行评估外，还具有很强的扩展性，可以应用到食品安全的其他领域。

【技术实现步骤摘要】

本专利技术属于食品安全与计算机数据建模领域，特别是涉及到一种基于隐马尔克夫模型的食品安全风险预测方法。
技术介绍
频发的食品安全事件，不仅严重威胁群众的身体健康，而且给社会带来了不安定因素，引发信任危机，影响经济发展。近年来食品安全问题的预防和治理受到高度关注，其中，风险评估是风险预警和治理的基础，受到格外重视。风险评估就是确认安全风险及其大小的过程，即利用适当的风险评估工具和方法，确定资产风险等级和优先控制顺序。食品安全风险评估的目的是为了全面掌握供应链风险的整体状况，从而为实施有效的风险管理措施提供决策支持。目前常用的风险评估方法主要有贝叶斯网络法、德尔菲法、灰色理论法、SVM、人工神经网络、主成分分析法、层次分析法。贝叶斯网络法是一种基于概率推理的图形化概率网络，能在有限的不确定信息条件下进行学习和推理，在智能化系统中应用广泛；但是贝叶斯网络构造繁琐，实际应用时还需反复交叉不断完善，易用性不够好。德尔菲法是典型的定性分析方法，它能够充分发挥各位专家的不同意见，评定过程公正，但是实施过程比较复杂，花费时间较长，而且受专家主观因素影响较大，使得结果的精确度不够。灰色系统是处于白色系统和黑箱系统之间的中间系统，是对不确定系统的研究方法；这种方法的指标权重和分辨系数需要人为设定，使评估结果人为干预性较大。SVM在小样本的情况下具有较好的分类和泛化能力，不适合对于大样本数据的分析处理，与此同时，经典的SVM只给出了二类分类算法，解决多分类问题存在困难。人工神经网络虽然具有高度的自适应能力，但是学习速度较慢，而且算法陷入局部极值的可能性较大。层次分析法是一种将定量和定性相结合的多目标决策方法，是在风险分析或决策评价过程中应用最为广泛的方法；然而层次分析法存在判断矩阵一致性检验困难，缺乏科学性、未考虑评估者判断具有模糊性等缺点,同时，也不能根据系统状态的变化实时改变评价结果。
技术实现思路
隐马尔可夫模型(HMM)是序列数据处理和统计学习的一种重要概率模型，具有建模简单、数据计算量小、运行速度快、识别率高等特点。隐马尔克夫模型已经成功应用到语音识别和生物识别等领域，很好的结合了定性与定量的方法，具有相对准确的评估准确度。利用层次分析法和隐马尔克夫模型对网络安全进行风险评估，其模型具有较强的适应性和扩展性，可以适用于对网络、主机、系统和服务的风险评估。因此，隐马尔可夫模型(HMM)适宜应用在食品安全风险预测和评估上。本专利提出一种基于隐马尔克夫模型的食品安全风险预测方法，改进静态风险评估方法缺乏预测性、实时性差的缺点。本专利技术的技术方案如下：一种基于隐马尔克夫模型的食品安全风险预测方法，包括以下步骤：步骤1、对食品供应链的各个环节进行分析，找出各个环节的关键控制点；步骤2、分析各环节关键控制点并将其作为HMM的量化指标，建立HMM模型；步骤3、初始化HMM模型参数，根据HMM模型的可见状态序列及系统的真实状态，对HMM模型参数进行训练；步骤4、利用HMM模型对食品供应链风险等级进行风险评估和风险值计算。优选的，步骤1所述关键控制点的确定方法为：根据HACCP体系，并结合食品供应链的各环节，对各个环节中关键点的生物性、物理性和化学性的潜在危害进行分析，确定关键控制点。优选的，步骤2所述建立HMM模型的方法包括以下步骤：201、确定食品供应链的各个系统可见状态；202、在食品供应链每个环节建立隐马尔可夫三元组参数模型，包括状态转移概率矩阵、观测向量的概率矩阵和最初状态分布矢量。更进一步的，步骤201所述系统可见状态包含系统的所有信息，并且在当前状态下的观察是独立的。更进一步的，步骤202中，每个环节的安全状态概率分布就是下一环节的初始状态概率分布。优选的，步骤3所述可见的状态序列指供应链各个环节检测到的数据；所述系统的真实状态为食品供应链各环节的真实风险值。优选的，步骤4所述计算风险值的公式为：Rt=ΣiNαt(i)*c(i)]]>其中，Rt表示在t时刻该环节所处的总体风险值，αt(i)为t时刻供应链处在安全状态Si的概率，N是安全状态的数目，c(i)是与状态S(i)关联的开销。相对于现有技术，本专利技术利用HMM模型对食品质量安全风险进行评价，考虑各个阶段的动态性，实时反应风险状态，采用定量和定性结合的评价方法，可以更精确地描述供应链风险的大小，有助于决策者及时采取应对措施。该风险评估模型除了对乳制品进行评估外，还具有很强的扩展性，可以应用到食品安全的其他领域。附图说明图1是HMM三大基本算法之间的关系示意图；图2是HMM模型的状态转移模型；图3是观察状态序列；图4是真实状态序列。具体实施方式一、隐马尔克夫模型(HMM)说明：HMM的基本理论是Baum等人创立于20世纪70年代，80年代中期得到传播和发展。隐马尔克夫模型(HMM)是在马尔科夫链的基础上发展起来的。在HMM中观察到的事件是状态的随机函数，因此该模型是一个双重随机过程，即一个观察状态，一个隐藏状态。站在观察者的角度，只能看到观察值，不像马尔可夫链模型中的观察值和状态值一一对应。HMM的数学表达式为：λ＝(N,M,π,P,Q)(1)也可以简单表示为：λ＝(N,M,π)(2)其中：N为HMM中状态的个数；M为HMM中对应的观测值个数；π是初始状态的分布矢量，π＝(π1,π2,…,πN),0≤πi≤1,Σi=1Nπi=1]]>P为状态转移概率矩阵，P=P11P12...P1NP21P22...P2N............PN1PN2PNN]]>Q是观察向量的概率矩阵，Q＝(qjk)N×M，1≤j≤N,1≤k≤M；(3)Qjk表示在状态j的情况下，观察状态k出现的概率，即：Qjk＝p(vk|Pj)，1≤j≤N,1≤k≤M；(4)隐马尔克夫模型主要算法HMM需要解决三个问题：(1)、评估问题：给定模型五元组模型λ＝(N,M,π,P,Q)和一个观察序列O＝(O1,O2,…,OT)计算这个观察序列出现的概率。(2)解码问题：给定一个五元组模型λ＝(N,M,π,P,Q)和一个观察序列O＝(O1,O2,…,OT)求可能性最大的隐藏状态序列。(3)学习问题：也叫训练问题。给定一个观察值序列O＝(O1,O2,…,OT)据此确定一个隐本文档来自技高网...

【技术保护点】
一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，包括以下步骤：步骤1、对食品供应链的各个环节进行分析，找出各个环节的关键控制点；步骤2、分析各环节关键控制点并将其作为HMM的量化指标，建立HMM模型；步骤3、初始化HMM模型参数，根据HMM模型的可见状态序列及系统的真实状态，对HMM模型参数进行训练；步骤4、利用HMM模型对食品供应链风险等级进行风险评估和风险值计算。

【技术特征摘要】
1.一种基于隐马尔克夫模型的食品安全风险预测方法，其特征在于，包括以下步骤：
步骤1、对食品供应链的各个环节进行分析，找出各个环节的关键控制点；
步骤2、分析各环节关键控制点并将其作为HMM的量化指标，建立HMM模型；
步骤3、初始化HMM模型参数，根据HMM模型的可见状态序列及系统的真实状态，
对HMM模型参数进行训练；
步骤4、利用HMM模型对食品供应链风险等级进行风险评估和风险值计算。
2.根据权利要求1所述的一种基于隐马尔克夫模型的食品安全风险预测方法，其特
征在于，步骤1所述关键控制点的确定方法为：根据HACCP体系，并结合食品供应链
的各环节，对各个环节中关键点的生物性、物理性和化学性的潜在危害进行分析，确定
关键控制点。
3.根据权利要求1或2所述的一种基于隐马尔克夫模型的食品安全风险预测方法，
其特征在于，步骤2所述建立HMM模型的方法包括以下步骤：
201、确定食品供应链的各个系统可见状态；
202、在食品供应链每个环节建立隐马尔可夫三元组参数模型，包括状态转移概率矩...

【专利技术属性】
技术研发人员：马永军，万莉，来翔，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：天津;12