【技术实现步骤摘要】
本专利技术涉及食品安全检测领域 ，尤其涉及一种食品生物性污染源识别模型训练方法、识别方法及装置。
技术介绍
1、食品安全事件高发不仅危害人民健康，而且对经济发展和社会稳定产生严重影响；当发生食品安全事件时，若能准确识别食品安全事件的污染源头，就可以快速阻断传播链条、最大程度减小事件损失、并估测风险传播范围，对食品安全监管具有重大意义。
2、相关技术中，通常利用基于有效距离的方法通过将节点之间的地理距离转化为有效距离，但通过逐一评估每个节点的中心性来识别污染源头具有中心性特征的强假设，影响识别结果的可靠性；而基于petri网的污染源识别方法利用petri网这种数据结构对农产品供应链各环节的流转批次进行精确记录，当流转批次规模庞大，逐一精确记录供应链流转批次信息的效率低，另外，基于贝斯推断的源头识别方法通过计算最大化后验概率来实现，随着污染源头数量和观测数据量的增加，计算量会呈指数级增长，计算难度增大，同时导致食品污染源识别效率低。
技术实现思路
1、本专利技术提供一种食品生物性污染源识别模型训练方法、识别方法及装置，用以解决现有技术采样基于有效距离的方法识别食品安全污染源的可靠性低，采用基于petri网和基于贝斯推断的污染源识别方法时，数据观测和计算难度大，导致食品安全污染源识别效率低的缺陷，提高了食品安全污染源识别效率和准确率。
2、本专利技术提供一种食品生物性污染源识别模型训练方法，包括：
3、基于目标农产品的地域信息和交易信息构建流通网络图模
4、初始化所述流通网络图模型，并根据初始化后的流通网络图模型进行多次食品风险传播模拟，得到训练数据集；其中，训练数据集中的每组样本数据包括目标图节点和传播结果快照数据；所述目标图节点为所述不同图节点中的至少一项；
5、针对所述训练数据集中的每组训练数据，以传播结果快照数据为输入，以所述传播结果快照数据对应的图节点为输出对图卷积神经网络的进行迭代训练，并在所述图卷积神经网络收敛的情况下，得到食品生物性污染源识别模型。
6、根据本专利技术提供的一种食品生物性污染源识别模型训练方法，所述图卷积神经网络包括图卷积层和全连接层堆叠组成；其中，所述图卷积层通过采用一阶切比雪夫多项式从所述传播结果快照数据中计算邻居节点信息，且所述图卷积层采用l2正则化和dropout优化网络参数，并采用relu激活函数；所述全连接层用于将图卷积层输出的矩阵转换为向量；所述图卷积神经网络的损失函数基于sigmoid激活函数和交叉熵损失确定。
7、根据本专利技术提供的一种食品生物性污染源识别模型训练方法，所述根据初始化后的流通网络图模型进行多次食品风险传播模拟，得到训练数据集包括：
8、基于目标传播扩散模型根据初始化后的流通网络图模型对食品风险传播路径信息模拟，得到食品风险传播链；所述食品风险传播链包括目标图节点和对应边；
9、其中，所述目标传播扩散模型包括si传染病模型、独立级联模型、sir模型和线性阈值模型中的一项。
10、根据本专利技术提供的一种食品生物性污染源识别模型训练方法，在所述得到食品生物性污染源识别模型之后，所述方法还包括：
11、基于所述食品生物性污染源识别模型对测试样本进行处理，得到测试结果；
12、基于所述测试结果获取目标评估指标，并根据所述目标评估指标对苏所述食品生物性污染源识别模型进行微调和优化，得到优化后的食品生物性污染源识别模型；所述目标评估指标包括f分数、精确度和召回率中的至少一项。
13、本专利技术还提供一种识别方法，包括：
14、获取待检测污染源信息，所述待检测污染源信息包括食品安全污染源的发生区域和类型；
15、基于食品生物性污染源识别模型对所述待检测污染源信息进行处理，得到食品安全污染源识别结果；其中，所述食品生物性污染源识别模型基于所述食品生物性污染源识别模型训练方法训练得到。
16、本专利技术还提供一种食品生物性污染源识别模型训练装置，包括：
17、图模型构建模块，用于基于目标农产品的地域信息和交易信息构建流通网络图模型，所述流通网络图模型包括多个图节点，不同的图节点对应不同区域，不同图节点之间的边对应不同区域之间的食品流通信息；边的权重基于对应两个区域之间的食品交易数量、交易金额、地理距离和人口数量之中的至少一项确定；
18、样本获取模块，用于初始化所述流通网络图模型，并根据初始化后的流通网络图模型进行多次食品风险传播模拟，得到训练数据集；其中，训练数据集中的每组样本数据包括目标图节点和传播结果快照数据；所述目标图节点为所述不同图节点中的至少一项；
19、训练模块，用于针对所述训练数据集中的每组训练数据，以传播结果快照数据为输入，以所述传播结果快照数据对应的图节点为输出对图卷积神经网络的进行迭代训练，并在所述图卷积神经网络收敛的情况下，得到食品生物性污染源识别模型。
20、本专利技术还提供一种识别装置，包括：
21、数据获取模块，用于获取待检测污染源信息，所述待检测污染源信息包括食品安全污染源的发生区域和类型；
22、识别模块，用于基于食品生物性污染源识别模型对所述待检测污染源信息进行处理，得到食品安全污染源识别结果；其中，所述食品生物性污染源识别模型基于所述食品生物性污染源识别模型训练方法训练得到。
23、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述食品生物性污染源识别模型训练方法或者识别方法。
24、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述食品生物性污染源识别模型训练方法或者识别方法。
25、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述食品生物性污染源识别模型训练方法或者识别方法。
26、本专利技术提供的食品生物性污染源识别模型训练方法、识别方法及装置，通过目标农产品的地域信息和交易信息构建流通网络图模型，再根据初始化后的流通网络图模型进行多次食品风险传播模拟，得到训练数据集，最后以传播结果快照数据为输入，以传播结果快照数据对应的图节点为输出对图卷积神经网络的进行迭代训练，得到食品生物性污染源识别模型，提高了食品安全污染源识别效率和准确率。
本文档来自技高网...【技术保护点】
1.一种食品生物性污染源识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的食品生物性污染源识别模型训练方法，其特征在于， 所述图卷积神经网络包括图卷积层和全连接层堆叠组成；其中，所述图卷积层通过采用一阶切比雪夫多项式从所述传播结果快照数据中计算邻居节点信息，且所述图卷积层采用L2正则化和dropout优化网络参数，并采用ReLU激活函数；所述全连接层用于将图卷积层输出的矩阵转换为向量；所述图卷积神经网络的损失函数基于sigmoid激活函数和交叉熵损失确定。
3.根据权利要求1所述的食品生物性污染源识别模型训练方法，其特征在于，所述根据初始化后的流通网络图模型进行多次食品风险传播模拟，得到训练数据集包括：
4.根据权利要求1所述的食品生物性污染源识别模型训练方法，其特征在于，在所述得到食品生物性污染源识别模型之后，所述方法还包括：
5.一种识别方法，其特征在于，包括：
6.一种食品生物性污染源识别模型训练装置，其特征在于，包括：
7.一种识别装置，其特征在于，包括：
8.一种电子设备，包
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法。
...【技术特征摘要】
1.一种食品生物性污染源识别模型训练方法，其特征在于，包括：
2.根据权利要求1所述的食品生物性污染源识别模型训练方法，其特征在于， 所述图卷积神经网络包括图卷积层和全连接层堆叠组成；其中，所述图卷积层通过采用一阶切比雪夫多项式从所述传播结果快照数据中计算邻居节点信息，且所述图卷积层采用l2正则化和dropout优化网络参数，并采用relu激活函数；所述全连接层用于将图卷积层输出的矩阵转换为向量；所述图卷积神经网络的损失函数基于sigmoid激活函数和交叉熵损失确定。
3.根据权利要求1所述的食品生物性污染源识别模型训练方法，其特征在于，所述根据初始化后的流通网络图模型进行多次食品风险传播模拟，得到训练数据集包括：
4.根据权利要求1所述的食品生物性污染源识别模型训...
【专利技术属性】
技术研发人员：罗娜，邢斌，孙传恒，
申请(专利权)人：北京市农林科学院信息技术研究中心，
类型：发明
国别省市：
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。