基于深度置信网络-多类模糊支持向量机的粮食供应链危害物风险预警

发布时间：2021-04-09 00:51

　　近些年粮食供应链安全问题频发,为减少食源性风险威胁,风险预警正逐渐成为强化粮食食品安全体系的有力保障。但现有风险预警方法在面对多源异构非结构化食品数据时,存在预警准确率低、人工成本高等局限问题。本文在分析全国26个省份的大量抽检数据及关联信息基础上,建立了基于深度置信网络（deep belief network,DBN）-多类模糊支持向量机（multiclass fuzzy support vector machine,MFSVM）的风险分级预警模型,先对海量粮食供应链抽检数据进行嵌入编码和归一化处理,获得结构化食品数据;将其输入到DBN模型进行高维度特征提取,自适应地挖掘供应链中各危害因素间风险变化及内在关联概率,最后将高维特征输入到优化的MFSVM进行训练,实现供应链中各主要危害物风险分级预警。对比实验结果表明,DBN-MFSVM模型在粮食抽检数据上具有更好鲁棒性和泛化性,其准确率达到98.44%,运行时间85 s,可快速识别出粮食供应链中危害物风险程度和优先次序,为监管部门制定有针对性的抽检策略、确立优先监管领域和分配风险监管资源提供科学依据。 

【文章来源】：食品科学. 2020,41(19)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

DBN-MFSVM模型

为进一步说明本实验方法在预警应用上的鲁棒性，对比DBN和BP神经网络在数据集上的损失函数变化趋势，以训练过程中的损失函数值为纵坐标，以训练过程中向前迭代次数为横坐标，得到图2。图2中，损失函数值越小，表明模型的鲁棒性越好，可以看出在迭代训练过程中，3个模型的损失函数值呈下降趋势，均稳定了100次迭代。其中，DBN-MFSVM模型的损失函数值下降最快，最终损失函数下降到0.016 2左右，表明该方法具有较强的稳定性能。而变化最慢的是BP神经网络损失函数，只降至0.306 2左右，性能远低于本实验模型。为进一步对比说明，从测试数据中随机选取100个样本进行分析，绘制DBN-MFSVM、DBN和BP的误差曲线（图3)

图2中，损失函数值越小，表明模型的鲁棒性越好，可以看出在迭代训练过程中，3个模型的损失函数值呈下降趋势，均稳定了100次迭代。其中，DBN-MFSVM模型的损失函数值下降最快，最终损失函数下降到0.016 2左右，表明该方法具有较强的稳定性能。而变化最慢的是BP神经网络损失函数，只降至0.306 2左右，性能远低于本实验模型。为进一步对比说明，从测试数据中随机选取100个样本进行分析，绘制DBN-MFSVM、DBN和BP的误差曲线（图3)由图3可知，本实验方法的误差范围在0.10～-0.05之间，变化幅度较小，模型对不同样本的分类准确率较高，且整体呈现稳定趋势。而其他方法则存在较大误差波动，意味对比方法在面对食品数据的分析预警时，容易出现误报错报的行为。


本文编号：3126590