5数据和BP神经网络的食品安全预警模型34

发布时间：2016-07-02 09:01

本文关键词：基于监测数据和BP神经网络的食品安全预警模型，由笔耕文化传播整理发布。

第26卷第1期2010年1月农业工程学报；TransactionsoftheCSAEVol；221；基于监测数据和BP神经网络的食品安全预警模型；章德宾1，徐家鹏1，许建军2，李崇光1；（1．华中农业大学经济管理学院土地管理学院，武汉；2．中国标准化研究院食品与农业标准化所，北京10；摘要：以中国实际食品安全监测数据为样本，研究基于；关键词：BP算法，神经网

第26卷第1期2010年1月农业工程学报

TransactionsoftheCSAEVol.26No.1Jan.2010

221

基于监测数据和BP神经网络的食品安全预警模型

章德宾1，徐家鹏1，许建军2，李崇光1

（1．华中农业大学经济管理学院土地管理学院，武汉430070；

2．中国标准化研究院食品与农业标准化所，北京100086）

摘要：以中国实际食品安全监测数据为样本，研究基于BP神经网络的食品安全预警方法。首先对食品安全日常监测数据进行筛选简化，选择其中与食品安全最为密切的167种检测项目，以此检测项目为指标按月度划分建立数据样本。然后建立以167种检测项为输入层，包含2个隐层，以化学污染、农药残留、兽药残留、重金属、微生物致病菌5大类为输出层的食品安全预警神经网络模型，最后用所得数据样本进行训练和验证。结果表明，基于BP神经网络的食品安全预警方法能有效识别、记忆食品危险特征，能够对输入样本进行有效的预测，研究有助于丰富食品安全数据的处理方法，有助于完善相关预警技术手段。

关键词：BP算法，神经网络，MATLAB，食品安全，预警doi：10.3969/j.issn.1002-6819.2010.01.039中图分类号：TP391，TS207文献标识码：A文章编号：1002-6819(2010)-01-0221-06章德宾徐家鹏许建军等.基于监测数据和BP神经网络的食品安全预警模型[J].农业工程学报，2010，26(1)：221－226.ZhangDebin,XuJiapeng,XuJianjun,etal.ModelforfoodsafetywarningbasedoninspectiondataandBPneuralnetwork[J].TransactionsoftheCSAE,2010,26(1):221－226.(inChinesewithEnglishabstract)

0引言

食品安全预警是食品安全管理的重要内容，有效的预警体系能够极大地提高食品安全水平，欧美、日韩等国家和地区普遍建有食品安全监管或预警体系[1]。食品安全研究有助于减少对人类健康的危害，也可降低中国农产品出口技术壁垒事件发生率，减少全球化背景下跨地域食品安全不良因素影响[2-3]，具有重要现实意义。

食品安全预警研究方法可分为定性分析与定量数据预测2种。定性分析方法主要采用政策与理论分析得出预警结论，这种方法在食品管制研究[4]、参与人对食品安全风险态度的分析[5]、食品安全问题认知度[6]等国内外相关研究中很常见，其中有数理统计数据，但数据主要来自问卷调查，非来自实验室检测。这些方法显然不适用于频繁的日常管理。第2种是基于数据分析的预警方法，通过对日常监测网所得实验室检测数据分析得到预警结论，是常见食品安全研究方法[7]，本文所用数据与方法属第2类。

已有研究存在2种不足。一是从总体上看已有的研究工作主要是基于统计方法，如时间序列、回归分析等等，而这些方法都要求对系统结构已知或变量间关系明确，这在实际中往往不现实，许多回归分析模型偏离实际就是因为模型本身结构不清。食品安全问题与社会心理、政府管理能力、公众心态等因素密切相关，是一个复杂问题，对于此类问题基于确定关系的回归分析往往

效果不佳[8]。二是已有研究只是在当前数据出现超标、数据变动量超标时根据统计值做出预警，这种在风险发展到临界点或即将到临界点时才进行警示的方法不符合预测预报本质。安全预警要能够尽可能早的在已知数据看似正常的临界状态下分析得到未来知识，而不是对当前状态的说明。

人工神经网络（artificialneutralnetwork，ANN）是人工智能中的重要工具，也是管理系统仿真研究的重要方法，其通过大样本训练获得系统隐含规律，不需要严格的输入值间、输入输出值间假设关系，同时能够以区间数、模糊数等方式处理定性信息。其中的BP（backpropagation）网在农产品加工时间选择[9]、水果品质预测[10]、检测分类[11]、危害分析和临界点控制（hazardanalysisandcriticalcontrolpoint，HACCP）中关键点的判断[12]；以及在模式识别[13-15]等研究中有广泛应用。ANN方法能够在系统内部状态未知条件下实现基于现有定量定性知识的状态预测、预警。

本文在分析中国质监部门实际日常检测数据的特征及预处理方法的基础上，结合食品安全预警问题特点，分析建立基于BP神经网络的食品安全预警模型，在MATLAB中编程实现；并进行了模型的有效性验证。

1食品安全预警的BP神经网络模型

收稿日期：2008-04-05修回日期：2009-10-17

基金项目：中国标准化研究院基本科研项目资助（NO.56076S-1524）作者简介：章德宾（1975－），男，博士，副教授，研究方向为管理系统模拟。武汉华中农业大学经管土管学院，430070。Email:zhangdb@mail.hzau.edu.cn

ANN是人工智能与专家系统中对不确定性问题处理具有高度解决能力的方法，其以并行处理、自学习、实时性等见长。在实际问题处理中，大量神经元的微观活动构成了神经网络的总体宏观效应，从而具有很强的表现能力与容错性[16]；其中BP神经网结构简单，训练与调控参数丰富，是神经网络中应用最广泛的一种[17]，在图像语音模式识别、股市分析预测、管理问题优化与决策

222农业工程学报2010年

等方面得到大量实际应用[18]。食品安全问题内部影响因素复杂，社会群体构成比例、社会文明法制等从宏观上看都是影响食品安全重要因素，同时食品种类、产量、菌落总数等测度、特征又是食品安全问题不可忽视的重要因素。这些因素构成了问题的复杂性，也使得形式各异的检测数据处理困难，以下首先对检测样本数据进行详细分析和预处理。

1.1数据的来源及预处理

通过与中国标准化研究院多位食品安全专家就课题进行交流，得到2007年由中国质监系统监督检验部门日

常检验的原始数据，主要是由国家质量技术监督局下设的国家各检测中心和各省质监局报送。所得数据种类多，数量大，有必要进行预处理和适当的简化，以去除次要因素，突出待解决问题。

数据为Excel格式，为方便处理我们导入形成数据库db1.mdb如表1所示。上报频率每周1次。研究对象仅指食品安全，现有的数据以食品安全为主。表1中限于篇幅隐去了（仅为在数据库中不显示）部分属性如数据来源、生产厂商、产地、送检单位、送检日期等，计有数据记录19000余个。

表1食品安全检测原始数据报表

Table1Reportedrawdataoffoodsafetyinspection

样品识别编号NZJ200713389NZJ200713389NZJ200713389NZJ200713394NZJ200713389NZJ200713393NZJ200713327NZJ200713394NZJ200710300NZJ200713394NZJ200710307GNZJ200713394NZJ200713393NZJ200713393NZJ200713393NZJ200713393NZJ200713393

产品子类饮料饮料饮料方便食品饮料方便食品方便食品方便食品豆制品方便食品饮料方便食品方便食品方便食品方便食品方便食品方便食品方便食品

产品名称

生产日期

检测项目名称砷铅

实际检测值0.00008mg/L0.0001mg/L＜0.002mg/L

有未检出60cfu/g未检出(检出限为0.007mg/kg)

3.8%130000cfu/g符合要求未检出(检出限为0.03mg/kg)符合要求0.02mg/kg未检出0.04mg/kg符合要求＜30cfu/100g

标准限量值≤0.01mg/L≤0.01mg/L≤0.002mg/L应标明不得检出≤100cfu/g≤0.5mg/kg≤8.0%≤750cfu/g具有该产品固有的滋味及气味，无异味

≤0.15mg/kg具该产品固有的色泽≤0.2mg/kg不得检出≤0.2mg/kg具该产品固有的色泽≤40cfu/100g呈粉状、片状或颗粒状及具有该产品固有的组织形态

检验结果检验项目判定类型合格合格合格合格合格合格合格合格不合格合格合格合格合格合格合格合格合格

金属金属食品

添加剂标签致病菌微生物污染农药残留食品成分微生物污染感官食品添加剂感官金属致病菌金属感官微生物污染感官

检验单位国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）国家农副产品质量监督检验中心（南京）

样品检测结果合格合格合格合格合格合格合格合格不合格合格合格合格合格合格合格合格合格

冰露饮用

2007-11-13

纯净水

冰露饮用

2007-11-13

纯净水

冰露饮用

2007-11-13亚硝酸盐

纯净水黑米粥

2007-11-07

配料表

冰露饮用金黄色

2007-11-13

纯净水葡萄球菌玉米糊藕粉黑米粥开洋豆腐干黑米粥

2007-11-01菌落总数2007-11-12杀螟硫磷2007-11-07

水分

2007-09-02菌落总数2007-11-07

味糖精钠色泽砷肠道致病菌铅色泽

香芋奶茶

(普通型2007-09-08固体饮料)黑米粥玉米糊玉米糊玉米糊玉米糊玉米糊

2007-11-072007-11-012007-11-012007-11-012007-11-01

2007-11-01大肠菌群

NZJ200713393共19000项..略

玉米糊2007-11-01组织符合要求合格合格

数据特点形式各异：

1）描述性变量，如含水量较高、一般、低（含水量并不是一定不能数字准确化，而是此检测项可能是通过感官检验得到。数据中的检验方法有理化检验，但也有很多是感官检验、标签检验）。

2）有的是界限值如未超过、超过200×10-6（可能这

个仪器就设计成这样，只给出过与不过2种结果）。有的给出了具体数值。

3）具体检测种类较多，约1300种。数据库表中检测项仅为顺序号，未进行编码。因此，要将这些数据项

第1期章德宾等：基于监测数据和BP神经网络的食品安全预警模型223

的评价全部纳入到一个模型或一个系统中，就需要一个比较简单的处理这些不同类型数据的方法。逐个进行单样本分析几乎不可能。

我们对此数据库的构成进行分析，如表2所示，第2列为检测项目名称，第3列为检测项目所属大类。例如“甲苯噻嗪”为要检测的具体兽药名称，而“甲苯噻嗪”所属的大类为“兽药残留类”。表2中表长为1291，，即质监系统当前对食品安全的检测项目总共有1291种。

表2原始数据检测项目名称与所属种类Table2Initialinspectitemsanditscategory

编号检测项检测项所属种类1苯甲酸食品添加剂10甲基汞金属100银金属1000乙酰丙嗪兽药残留1001氯丙嗪兽药残留1002氟哌啶醇兽药残留1003丙酰二甲氨基丙吩噻嗪

兽药残留1004咔唑心安兽药残留1005阿扎哌醇兽药残留1006阿扎哌隆兽药残留1007甲苯噻嗪兽药残留1008癸氧喹酯兽药残留1009癸氧喹酯兽药残留101氯仿化学污染物1010

去壳不净

品质指标

表2中这1291种检测项目又划分成16个大类（用SQL生成语句：SELECTDetectedItemClassAS["检测大类"]，count(DetectedItemClass)AS["子类数量"]FROMXiangMuJianCeLeiBieGROUPBYDetectedItemClass）可得到如表3所示有关各个大类下面检测项目的个数，由表3可看出，1291种检测项分为16个大类，其中以品质指标、食品添加剂、兽药残留为最多，分别是465、222、139种。

表3原始数据检测项目的大类及所包括的子类数Table3Amountofmaincategoriesandsub-category

检测大类子类数量标签48非食品原料26感官32化学污染物77寄生虫感染4金属30农药残留91品质指标465其他7食品成分93食品添加剂222兽药残留139微生物污染22异物8真菌毒素9致病菌

以上是从检测内容的角度进行划分，另一方面，对检测对象也就是不同种类的食品角度同样存在1个划分方法，主要做法是：将中国所有需要检测的食品划分成粮食、调味品、乳制品、肉类等共28大类食品，每1个子类下又进行第2次分类，如调味品分成酱油、食醋、食用盐、味精、酱、调味料酒、香辛料、复合调味料等调味成品和调味料、调味油等。

拟采取的主要数据预处理：上述样本中有许多项目是具有质量特征的，如标签检验、品质指标，这些与食品安全有一定的关系，一般来说标签项目不全、品质不达标的食品往往容易存在安全问题，但其更多偏重的是口感、色泽、形状等食品感官质量，与食品安全性关系并不密切。因此有必要从偏重安全的角度对数据进行一定的简化。

应当将那些偏重感官质量的指标去除，检测项目太多就有可能分散注意力忽视主要问题。全国或省市级食品安全问题的最直接表现来自于化学污染、农药残留、兽药残留、重金属超标、致病菌超标等。因此，将这5大类最主要的安全检测类作为第一级指标，然后选取每一类中最有代表性的检测项目作为二级指标构建食品安全预警用数据项，将数据库中其他检测项目的检测记录予以忽略。这样能够突出重点，也能使问题的分析大大简化，所构建的检测项目结构具体请见数据库db1.mdb中表ANNItemFrame。

在新的检测结构ANNItemFrame之上形成新的数据表test0327，所用SQL语句如下：

SELECTdataTotalToLi.样品识别编号，dataTotalToLi.检验报告编号，dataTotalToLi.抽样时间，dataTotalToLi.产品类别，dataTotalToLi.产品子类，dataTotalToLi.产品名称，dataTotalToLi.检测项目名称，dataTotalToLi.实际检测值，dataTotalToLi.标准限量值，dataTotalToLi.检验结果判定，dataTotalToLi.检验项目类型，dataTotalToLi.不合格项目属性，dataTotalToLi.检验日期，dataTotalToLi.检验单位，dataTotalToLi.样品检测结果INTOtest0327

FROMdataTotalToLiINNERJOINANNItemFrameONdataTotalToLi.检测项目名称=ANNItemFrame.DetectedItem;

然后，将表test0327以月为单位划分成月度训练样本根据每个记录的检验时间），也就是在数据记录表test0327中将这些记录读到12个新表中（testData1-12），在ACCESS数据库中可用自带的编程工具VBA（visualbasicforapplication）实现：

Subdata12month()Fori=1To12

DimstDocNameAsString

stDocName="SELECT样品识别编号，抽样时

间，检测项目名称，实际检测值，标准限量值，检验结果判定，检验项目类型INTOtestData"+CStr(i)+"FROMtest0327WHEREtest0327.抽样时间like'2007-"+CStr(i)+"-*'"

DoCmd.RunSQL(stDocName)NextiEnd

（

224农业工程学报2010年

EndSub

由划分后的月度数据样本记录可看到每个月检测记录个数并不相同，这说明每个月检测的种类和数量不完全相同。而且从2007年1月到6月没有检测数据，说明此时系统可能还没有完全进入正规化、常态化，在理想状态下，如果每个月的检测种类相同、上报准确，那么在按同样指标进行数据记录筛选时，所得各个月的记录个数应是相同的。这将随着检测、报送工作的规范化、标准化，数据样本会更加完善，而且积累时间越久，数据样本越丰富，样本所能承载的知识规律就会越多，则在此基础之上的ANN网络就能越多地表现食品安全预警本质规律。

1.2问题的抽象与模型建立

ANN是在生物神经元研究基础上，将人脑处理信息的机制用简化的输入、传递函数、阈值等组合模拟，其中生物神经元的树突、轴突、细胞核在ANN中分别以输入向量、累加器输出、传递函数等表示。其中BP神经网络在训练中将误差反向作用于神经元的输入权重与阈值设定，通过权值与阈值的不断修正使实际输出较好的接近期望值，这里我们采用BP网。为利于后续MATLAB实现，有必要清楚地列出模型变量与关系。我们在文献[16]相关理论基础上，将包含1个输入层、2个隐层、1个输出层的3层BP神经网络模型表示如图1。其中：

由S3个神经元输出，是神经网络的输出值，在初始训练时又当作期望值。

中间2个隐层分别有S1、S2个神经元

?11?f1(?w1,l?pl?b1)

l?1k

1??f(?w12,l?pl?b2)12

l?1k

??f(?w1s1,l?pl?bs1)1s1

l?1

11T

令?1表示第1层输出值，则?1?(?1?2??1s1)

第2层由S2个神经元组成

212?12?f2(?w1,l??l?b1)

l?1s1

212??f(?w2,l??l?b2)22

l?1s1

??f(?ws22,l??l1?bs22)

2s2

l?1

令?2表示第2层输出值，则?2?(?12?2??s22)T

第3层即输出层由S3个神经元组成

323??f(?w1,l??l?b1)31

l?1s2

323

??f(?w2,l??l?b2)32

l?1s2

p?(p1p2p3?pk)T是由k个标量组成的列向量，为

神经网络的输入值。w为输入值的权重，例如w1s1,k表示pk输入到第1层第s1个神经元时的权重。b是阈值，例如b表示第2层第2个神经元的阈值。n是神经元内由累加器到传递函数的输入，如n

2表示第

??f(?ws33,l??l2?bs33)

3s3

l?1

令?3表示第3层输出值，则?3?

(?13?2??s33)T

1层第2个神经

元内部的累加器输出到传递函数的数值。

?3?(?13?2??s33)是由S3个标量组成的列向量，

图1输入层、两个隐层、输出层的3层BP神经网络模型

Fig.1ThreelayersBPANNmodel

2.1

BP神经网络的MATLAB设计与实现

参数与期望值

BP网络要求传递函数全部可微，现有可微传递函数主要有Purelin、logsig、tansig3种，为了在输出层能够

得到0到1间概率期望值，我们在输出层选择logsig函数，因为输入变量P的维度167还是较大，为了能够较快得到收敛在第1、2层选择tansig函数。

神经网络的输出，要能够区分不同种类食品安全状态，数据样本以周为时间单位上报每个月内有4次，因

第1期章德宾等：基于监测数据和BP神经网络的食品安全预警模型225

此在神经网络中可以月度为单位。这样将表“dataTotalToLi”的12个月数据按每半个月数据作为样本分成24个输入样本。从中选择10个样本作为训练，1个作为验证。

采用2.1节同样的符号将网络表示为：P=(data8(1:130)data8(131:260)data9(1:130)data9(131:260)data10(1:130)data10(131:260)data11(1:130)data11(131:260)data12(1:130)data12(131:260))

α3=（化学污染、农药残留、兽药残留、重金属超标、致病菌超标）的每月评价结论

以列序为主对10个样本的期望评价值如表4所示。因为这些样本都是已经发生过的“历史”，我们对于“历史”是看得见的，而且能够评价历史。例如假设现在时间是10月，那么结合8月的统计数据和8月当月发生的事件，专家能够就其中1个维度，如“重金属超标”维度给出打分。表4就是用这种方法对于已经过去的“历史”根据专家意见结合国家的各种公报、公开食品安全事件、报道等，分5个维度进行评价得到。

表4训练样本的期望评价值

Table4Expectedvaluesoftrainingsamples

期望评价编号

指标

2345678910化学污染0.20.90.80.80.20.30.50.80.70.2农药残留

0.7

0.80.90.70.30.650.80.90.50.5兽药残留0.650.80.10.250.80.770.50.60.250.8重金属0.850.30.70.30.70.850.30.70.30.9致病菌

0.8

0.2

0.8

0.9

0.85

0.35

0.7

0.3

0.7

2.2

MATLAB实现与验证

MATLAB6.0中带有神经网络工具箱，可通过其实现

BP神经网络模型。在上述所建立的神经网络模型基础

上，我们实现了相关程序并用已训练好的网络来对2008

年1月数据进行预测以检验模型的有效性，将数据导入训练好的模型，可得到5个维度预测值为：

Y=0.41260.00130.49210.01000.7684对照α3

=（化学污染、农药残留、兽药残留、重金属超标、致病菌超标）的5个维度分析可知：在未来下一周期内，致病菌超标问题将会突出，同时兽药残留也存在一些问题，而其他主要指标类农药和重金属则情况较好。这些预测结论与我们根据下一周期已有数据样本分析所得食品安全状态是一致的，说明基于ANN的食品安全预测预警方法是有效的。

当然，上述方法与结论仍存在一些值得讨论的地方：食品安全监测数据是很不完备的。体现为月度监测数据在检测项、检测地、检测量等方面不完全统一，有些月份数据缺失。无论采用何种方法，只有高质量的原始数据才能得到高质量的分析结论。我们所用分析数据的原

始录入存在大量不适应系统处理的问题，这样使我们不能确认是否数据中存在重复，数据录入格式不统一，有的计量单位也不统一，在一定程度上影响了最终的评价效果。而此问题的根本在于要建立一个规范化的数据库，并以此库为基础进行数据收集。

总之，随着安全监测数据完备性的提高、更高质量样本的获得，结论将更加完善有效。但现有数据、预测过程已经能够说明基于BP神经网络的食品预警方法是可行和有效的，本课题研究主要目的也在于从方法上探索有效处理实际检测数据的途径。

3结论

由于通过建立BP神经网络模型对历史数据进行训练，能够在系统内部规律未知的情况下，通过几个主要评价维度得到有关系统的预测结论。本文通过对食品安全监测数据分析，选择其中与食品安全最为密切的167种检测项目并划分数据样本，构建基于BP神经网络的食品安全预警模型，并进行了初步应用验证。研究表明，基于BP神经网络的食品安全预警方法能够在实际训练数据样本基础上进行有效预测，是一种可行的食品安全分析途径。

[参

考

文

献]

[1]樊红平，牟少飞，叶志华．美国农产品质量安全认证体系及对中国的启示[J]．世界农业，2007，(9)：39－42．[2]

JevsnikM,HlebeeV,RasporP.Consumer’sawarenessoffoodsafetyfromshoppingtoeating[J].FoodControl,2008,19(8):737－745.

[3]

BanatiD.TheEUandcandidatecountries:Howtocopewithfoodsafetypolices[J].FoodControl,2008,14(2):89－93.[4]

BerruetaLA,Alonso-SalcesRM,HebergerK.Supervisedpatternrecognitioninfoodanalysis[J].JournalofChromatographyA,2007,1158(1/2):196－214.

[5]

WangZG,MaoYN,GaleF.Chineseconsumerdemandforfoodsafetyattributesinmilkproducts[J].FoodPolicy,2008,33(1):27－36．

[6]

TodtO,MunozE,PlazaM.Foodsafetygovernanceandsociallearning:TheSpanishexperience[J].FoodControl,2007,18(7):834－841．

[7]李聪，逸民．食品安全监测与预警系统[M]．北京：化学工业出版社，2006．

[8]

章德宾，胡斌，张金隆．企业员工-管理者互动行为的定性模拟实现[J]．华中科技大学学报自科版，2006，34(8)：118－121．

ZhangDebin,HuBin,ZhangJinlong.Employees-managersinteractionmodelanditsqualitativesimulation[J].JournalofHuazhongUnivofSci&Tech:NatureScienceEdition,2006,34(8):118－121.(inChinesewithEnglishabstract)

[9]

GoniSM,OddoneS,SeguraJA.Predictionoffoodsfreezingandthawingtimes:Artificialneuralnetworksandgeneticalgorithmapproach[J].JournalofFoodEngineering,2008,84(1):164－178．

[10]李小昱，汪小芳，王为，等．基于机械特性BP神经网络

的苹果贮藏品质预测[J]．农业工程学报，2007，23(5)：150

三亿文库3y.uu456.com包含各类专业文献、文学作品欣赏、生活休闲娱乐、高等教育、幼儿教育、小学教育、中学教育、外语学习资料、各类资格考试、5数据和BP神经网络的食品安全预警模型34等内容。

下载地址：5数据和BP神经网络的食品安全预警模型34.Doc

　　【】