基于ISM和AHP的神经网络食品安全风险预测模型制造技术

本发明专利技术公开了一种基于ISM和AHP的神经网络食品安全风险预测模型，可以快速对复杂的样本数据进行分析降维，进而快速定位出风险出现的成分范围，指导相关部门做出针对性的质检安排。本发明专利技术通过这种快速定位检测技术方法对样品进行筛查，相比于现有技术对危险指标进行定性检测，检测速度快，消耗较少的时间就可以快速消除食品安全隐患，有利于指导食品安全检测中心对可能出现安全风险的成分做进一步的检测。因此，本发明专利技术提供的技术方案能够对检验数据进行降维，同时提高了RBF风险预测模型的泛化性能，在处理复杂的食品检验数据方面是有效可行的，同时有助于提高食品质量，确保食品安全，降低食品安全风险。

Neural Network Food Safety Risk Prediction Model Based on ISM and AHP

The invention discloses a neural network food safety risk prediction model based on ISM and AHP, which can quickly analyze and reduce the dimension of complex sample data, then quickly locate the range of risk components, and guide relevant departments to make targeted quality inspection arrangements. Compared with the existing technology for qualitative detection of dangerous indicators, the method has the advantages of fast detection speed and less time consumption, which can quickly eliminate the potential food safety hazards, and is conducive to guiding the food safety testing center to make progress on the components that may present safety risks. Step detection. Therefore, the technical scheme provided by the invention can reduce the dimension of inspection data, improve the generalization performance of RBF risk prediction model, is effective and feasible in processing complex food inspection data, and helps to improve food quality, ensure food safety and reduce food safety risks.

【技术实现步骤摘要】
基于ISM和AHP的神经网络食品安全风险预测模型
本专利技术涉及食品安全领域，尤其涉及一种基于ISM和AHP的神经网络食品安全风险预测模型。
技术介绍
“民以食为天，食以安为先”，食品安全问题影响着人们的人身安全和社会稳定。众多专家学者也从多个方面分析研究食品安全网络舆情，形成了大量研究成果。因此，对食品安全风险进行快速定位显得尤为重要。乳制品目前已是家家户户必备的食品，过去的三鹿奶粉事件仍然使人们惶恐不安，安全问题值得关注。乳制品的安全主要是通过衡量几项指标来监测质量合格的，本专利技术选取了包括脂肪、非脂乳固体、汞、砷、黄曲霉毒素M1、酸度、铬、蛋白质和铅在内的九种奶制品成分进行检测。目前使用的检测方法效率低，常用来检测食品安全的技术有光谱技术、色谱技术以及生物技术等，但是这些方法每次检测都需要对提取出来的全部成分进行分析，浪费了大量的时间和检测精力，时间成本相对较高。
技术实现思路
为解决现有技术存在的局限和缺陷，本专利技术提供一种基于ISM和AHP的神经网络食品安全风险预测模型，包括：获取食品安全的样本数据；根据ISM算法对所述样本数据进行分层，获得对应各个样本属性的分层结果；根据AHP算法形成初始决策矩阵X′＝(X′ij)n×m，i＝1，2，3，…，n；j＝1，2，3，…m；其中，所述分层结果的网络节点的个数为n，所述网络节点的集合为X，X＝{X1，X2，…，Xn}，所述分层结果的评估指标的个数为m，所述评估指标的集合为S，S＝{S1，S2，…，Sm}；使用基于熵值权重的AHP算法获得第i(i＝1，…，个评估指标的差异系数，所述差异系数的计算公式为其中，k＝1/lnm，rij为正交矩阵的元素；根据所述差异系数获得各个重要指标的权重，所述权重的计算公式为根据各个重要指标的权重获得融合之后的各层输出数据，所述输出数据的计算公式为X＝XTW(6)使用RBF神经网络根据所述样本数据和所述输出数据对食品安全进行风险预测，定位风险的层次，确定风险的成分。可选的，形成初始决策矩阵的步骤之后，获得第i(i＝1，…，m)个评估指标的差异系数的步骤之前，包括：根据所述初始决策矩阵形成标准相关函数，所述标准相关函数为根据所述标准相关函数可以获得信息矩阵，所述信息矩阵为对所述信息矩阵进行归一化处理，获得归一化矩阵，所述归一化矩阵为根据所述归一化矩阵获得正交矩阵，所述正交矩阵为COR＝RRT。可选的，还包括：使用高斯函数作为RBF神经网络的基函数，方差的计算公式如下：其中，cmax为选取中心之间的最大距离，m为隐含层节点的个数；使用最小均方误差计算隐含层至输出层之间神经元的连接权值，所述最小均方误差的计算公式如下：W＝Φ+d(8)其中Φ+＝(ΦTΦ)-1ΦT，d为期待输出值。本专利技术具有下述有益效果：本专利技术提供的基于ISM和AHP的神经网络食品安全风险预测模型可以快速对复杂的样本数据进行分析降维，进而快速定位出风险出现的成分范围，指导相关部门做出针对性的质检安排。本专利技术通过这种快速定位检测技术方法对样品进行筛查，相比于现有技术对危险指标进行定性检测，检测速度快，消耗较少的时间就可以快速消除食品安全隐患，有利于指导食品安全检测中心对可能出现安全风险的成分做进一步的检测。因此，本专利技术提供的技术方案能够对检验数据进行降维，同时提高了RBF风险预测模型的泛化性能，在处理复杂的食品检验数据方面是有效可行的，同时有助于提高食品质量，确保食品安全，降低食品安全风险。附图说明图1为本专利技术实施例一提供的RBF网络结构示意图；图2为本专利技术实施例一提供的ISM工作原理图；图3为本专利技术实施例一提供的ISM-AHP-RBF网络预测模型流程图；图4为本专利技术实施例一提供的乳制品成分经过ISM获得的分层结果示意图；图5为本专利技术实施例一提供的乳制品成分经过AHP获得的权重值分配结果示意图；图6为本专利技术实施例一提供的乳制品样本数据经过训练获得的各项指标示意图；图7为本专利技术实施例一提供的五个样本的风险预测值示意图。具体实施方式为使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图对本专利技术提供的基于ISM和AHP的神经网络食品安全风险预测模型进行详细描述。实施例一图1为本专利技术实施例一提供的RBF网络结构示意图。如图1所示，RBF神经网络以简单快捷的特性深受人们喜爱，RBF神经网络有效的采取了简单而又容易实现的径向基函数作为数学模型，不用再对所有全局的链接权重进行训练，而是只对一些影响输出的权重进行调整，这样就能够明显提升神经网络的训练速度。RBF神经网络在核工业、医学以及人工智能领域都取得了广泛的应用，精度很高，并且有很强的自适应性。本实施例提供的基于解释结构建模(ISM)和层次分析法(AHP)的径向基神经网络(RBF)风险预测模型，是一种对乳制品成分进行安全预警的模型，针对乳制品成分的复杂性，运用ISM模型和AHP算法可以有效的将复杂的数据进行降维分层，进行RBF神经网络训练之后，可以获得各种风险指标的风险值，通过与国家标准值的对比，可以有效的确定风险出现的层次，进而指导相关质检部门进行安全检测，有效的提高风险检测效率。图2为本专利技术实施例一提供的ISM工作原理图。如图2所示，ISM解释结构模型可以利用一定的信息处理方法分析出复杂因素之间的关系，通过对关系阈值的调节，可以使复杂系统分解成层次清晰的多级递阶的形式。AHP层次分析法可以对相互影响和具有隶属关系的因素分层聚类组合，根据全部因素的相对重要性确定权重值，最后做出评价和决策方案。基于熵值权重的AHP模型在确定指标的权重时，当网络节点的某一指标得分趋于相同，仍然具有较强的鉴别能力，从而使得权重分配更加客观准确。本实施例提出了一种基于RBF网络的风险预测模型，将解释结构建模(ISM)和层次分析法(AHP)相互结合，使用ISM将影响乳制品安全的检测成分划分为不同的层次，再使用AHP对各层的属性进行融合，得到各层预测输出的结果，一定程度上优化了风险预测的性能。图3为本专利技术实施例一提供的ISM-AHP-RBF网络预测模型流程图。如图3所示，ISM-AHP-RBF网络风险预测模型分为四个部分：ISM模型对实验样本进行分层处理；利用AHP算法对各层进行融合，获得预测输出；RBF神经网络处理过程；风险定位和预测。因此，本实施例提供的技术方案能够对检验数据进行降维，同时提高了RBF风险预测模型的泛化性能，在处理复杂的食品检验数据方面是有效可行的，同时有助于提高食品质量，确保食品安全，降低食品安全风险。本实施例提供的ISM-AHP-RBF风险预测模型是基于ISM模型和AHP算法的RBF网络预测模型，可以对乳制品安全成分进行风险预测，以便于有效的指导食品安全相关的质检部门进行成分安全检测。通过对风险指标的分层，本实施例提供的技术方案避免了质检过程中要对成分进行逐一检测的复杂过程，提高了风险定位的准确性，同时提高了质检效率。具体的建模过程如下：本实施例给定K个样本Xi＝[xi1，xi2，…，xin]T∈Rn，i＝1，2，…，通过ISM解释结构模型将样本分成h(h<n)个层次，n是向量Xt的维数，其中Xt＝[xt1，xt2，…，xtn]T，xt1是样本Xt的一个属性。ISM通过建立有向图模型、邻接矩阵和可达矩阵，本文档来自技高网...

【技术保护点】
1.一种基于ISM和AHP的神经网络食品安全风险预测模型，其特征在于，包括：获取食品安全的样本数据；根据ISM算法对所述样本数据进行分层，获得对应各个样本属性的分层结果；根据AHP算法形成初始决策矩阵X′＝(X′ij)n×m，i＝1，2，3，…，n；j＝1，2，3，…m；其中，所述分层结果的网络节点的个数为n，所述网络节点的集合为X，X＝{X1，X2，…，Xn}，所述分层结果的评估指标的个数为m，所述评估指标的集合为S，S＝{S1，S2，…，Sm}；使用基于熵值权重的AHP算法获得第i(i＝1，…，m)个评估指标的差异系数，所述差异系数的计算公式为

【技术特征摘要】
1.一种基于ISM和AHP的神经网络食品安全风险预测模型，其特征在于，包括：获取食品安全的样本数据；根据ISM算法对所述样本数据进行分层，获得对应各个样本属性的分层结果；根据AHP算法形成初始决策矩阵X′＝(X′ij)n×m，i＝1，2，3，…，n；j＝1，2，3，…m；其中，所述分层结果的网络节点的个数为n，所述网络节点的集合为X，X＝{X1，X2，…，Xn}，所述分层结果的评估指标的个数为m，所述评估指标的集合为S，S＝{S1，S2，…，Sm}；使用基于熵值权重的AHP算法获得第i(i＝1，…，m)个评估指标的差异系数，所述差异系数的计算公式为其中，k＝1/lnm，rij为正交矩阵的元素；根据所述差异系数获得各个重要指标的权重，所述权重的计算公式为根据各个重要指标的权重获得融合之后的各层输出数据，所述输出数据的计算公式为X＝XTW(6)使用RBF神经网络根据所述样本数据和所述输出数据对食品安全进行风...

【专利技术属性】
技术研发人员：耿志强，李洪达，韩永明，朱群雄，徐圆，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京,11