基于径向基函数神经网络的食品安全预警方法研究

基于径向基函数神经网络的食品安全预警方法研究

李志峰

江苏冬泽特医食品有限公司  江苏 南通   226133

摘要：以乳制品食品安全监测数据为样本，研究基于径向基函数神经网络的食品安全预警方法，对食品安全日常监测数据进行筛选简化，选择与食品安全最为密切的检测项目，以此建立数据样本建立神经网络输入层，隐含层并建立输出层的食品安全预警神经网络模型，用数据样本进行训练和验证，结果表明径向基函数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，对输入数据进行预测，有助于丰富食品安全数据处理方法及完善相关预警技术手段。

食品安全近些年来成为大众关注的民生问题，食品安全风险评价也写进了食品安全法。制定食品安全预警策略，创建科学合理的食品安全评价方法已成为各国食品安全管理的重要战略目标，食品安全预警机制不仅可以防范风险还可以有效控制和降低不利风险因素带来的损失。

我国食品安全法将食品安全定义为食品安全，指食品无毒、无害，符合应当有的营养要求，对人体健康不造成任何急性、亚急性或者慢性危害。而针对乳制品和含乳制品而言，其风险来源于两个方面：其一，乳牛产业化饲养期间；其二，乳制品生产过程。风险评价较为复杂，宏观上讲，根据权威机构的安全风险评价指导原则，从法律法规、检测机构运行能力、宣贯教育等多方面来评价和量化衡量食品安全风险；微观上讲，检测指标和管理指标对一个地区乃至国家的食品安全风险评价都起着重大作用。

风险评估方法分为三类：定量评估、定性评估以及两者相互结合的评估方法。定性评估方法是在制定标准时是定性的，是综合考虑相关风险指标的特点和特性而得出的结果，然后利用相关结果，再按风险评价标准进行评价。定量评估是在制定指标时，是通过构建和使用数学模型，进行数学统计和数据分析的方法完成的。将这两种评价方法相结合，主要为了结合两者的优势，将定性和定量的处理思想综合使用在风险评估工作中。

层次分析法（AHP）由SAATY在美国创立，在运筹学方法中，AHP属于一种强力有效的系统分析方法。AHP可以对多类因素、多种方案以及多项准则的综合评价和趋势预测十分有效，处理定性与定量相结合的问题也是AHP算法的最大优势，可以将决策者的主观判断结果和政策经验结合到模型当中，然后进行量化的处理方式。

基于熵权的综合评价防范算法，是用熵权法赋予权重、并以模糊数学为基础的一种综合评价方法。其主要思想是将需要预测的模糊概念处理成为一定的模糊集，然后利用模糊数学中的隶属度理论构建合适的隶属函数，进而可以把模糊的定性评价转换成定量评价。而AHP与熵权评估方法的综合使用，评估效果分析的精度优于单一方法的使用，除了极强的科学性，还具有可靠、准确和可操作性的优势，可以为决策者决策提供重要依据。基于熵权的AHP算法也能够对食品安全风险进行量化评估，从而增加食品安全风险评估的可操作性。

人工神经网络相对来说具有传统风险评估缺少的智能特点，这种特点可以有效解决大量具有不确定性的复杂问题，人工神经网络还可以通过自学获取额外的知识，这使其更容易去解决不容易解决的非线性问题，在过去十几年里，人工神经网络解决了不少风险评估领域的问题.

1. 基于径向基函数神经网络并有效结合ISM和基于熵权的综合风险评价

解释结构模型ISM是用来分析各个变量之间的关系，通过在各种影响因素之间使用有向图和矩阵，对复杂问题的整体结构进行了简化的模型。

RBF神经网络采取了简单并且容易实现的径向基函数作为基础数学模型，从BP神经网络发展到RBF神经网络，最显著的变化就是RBF只对局部对输出有影响的一些因素权重大小进行训练和调整，并且精度也变得更高，在时间上的训练效果也表现的更好。RBF神经网络和多层感知器之间有很多相似特征，两者都是可用于趋近和分类，同时其网络结构都属于多层次的，有差异的是，两者的在工作模式上大相径庭。RBF包含两个层次：隐含层和输出层，属于结构上非常简单的神经网络模型。

集成ISM和AHP算法的RBF神经网络预警分析方法该神经网络模型是基于ISM和AHP算法的一种新型RBF预测模型。通过对风险指标的分层，可以确定风险指标等级，定位风险成分范围。具体的建模过程如下。

步骤１：给定Ｋ个样本Xi=[xi1,xi2,…,xin]T∈Rn,i=1,2,…,k,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=[xt1,xt2,…,xtn]T的维数，xt1＆是样本Xt的一个属性。ＩＳＭ进行处理以后，各属性之间的层级分布可以由关系矩阵得到。

步骤２：将所获得的各个层级属性，分别利用基于熵权的ＡＨＰ算法进行各层级的融合。

步骤３：合并的输入数据可以表示为Xj=[xj1,xj2,…,xjn]T∈Rn,j=1,2,…,h,在试验中，选择多输出的RBF神经网络，目标输出向量可以表示成：Yi=[yi1,yi2,…,yin]T。

步骤４：初始化RBF参数。利用多输入多输出的RBF神经网络，应用Ｋ折交叉验证方法对处理后的数据进行训练数据和测试数据的选择，原始数据作为输入，融合后的数据作为输出。

步骤５：计算集成ＩＳＭ和ＡＨＰ的RBF模型训练和预测所得到了训练误差和泛化误差。利用Ｋ折叠交叉验证方法将数据切割成子集，并且交替地训练数据的子集以计算均方误差的平均值。

步骤６：返回步骤５，使误差测量更准确。

1.1数据来源与预处理

根据GB25190-2010国家食品安全标准 灭菌乳中将其分为超高温灭菌乳和保持灭菌乳。数据选择基于风险指标构建原则。选取理化指标（蛋白质、脂肪、酸度、非脂乳固体）、污染指数（砷、铬、铅、汞）、霉菌毒素指数（黄曲霉毒素M1）几个方面进行全面检测。

在数据处理过程中，我们发现数据表中存在一些无法应用试验的非数值符号，针对这种情况，我们分析表中数值代表的含义和存在的意义，在保留原始数据价值的情况下，依据一定的规则将非数字数据转换为数字数据格式。

表1 乳制品实验原始数据

1.2乳制品安全风险实验

通过数据的预处理，影响乳制品安全性的九种成分指标将作为神经网络的输入项。在建立模型的过程中，首先通过ISM的处理和阈值设定，得到了三个风险层级。然后，对每一层级的成分，分别利用基于熵权的ＡＨＰ模型提取输入参数的特征，得到了九种风险成分的权重大小，利用权值对原始输入的各层级数据进行加成，可以得到３个（分别对应ISM的１至３层）输出项，由于乳制品成分变量的量纲并不完全相同，为了使结果更具有说服力，使变量之间的数值具有可比性。本文将除了酸度在内的其他八项指标的计量单位统一换算成g/100ｇ，酸度的单位为°Ｔ。

为了明确风险指标的风险值，根据成分限制标准（GB2761,GB2762,GB25190）对风险标准值进行设定。针对这几类区间性的指标，进行标准数据训练时，使用的是国家标准数据的最小临界值。基于ISM和AHP的RBF模型对九种成分在乳制品生产中的限量标准进行训练，得到了九种成分的国家限量标准。

通过模型训练和预测，构建样本数据的三类指标均方误差图，如图1

图1 不同网络模型在预测中得到的均方误差值

1.3乳制品成分风险指数

用基于熵权 的层 次分析算法模型 ，将输入层输入数据，通过计算，对每个质量安全风险检测 指标进行赋值。风险值的大小由于权重的不同，风险影响程度也会发生变化，若该 成分对于产品质量安 全风 险预警 的 影响 越大则对应的权值也应该越大。相反， 若某指标对于产品风险的作用越小其所对应的权重越小。

表2安全指标分线范围及各因素风险得分表

依据指标对应的成分范围，顶层指标对应的五种成分中，权重最大的成分是非脂乳固体，权值为0.9681，因此非脂乳固体对顶层指标的影响程度就最大。以此类推，对中间层指标影响最大的成分就是酸度，权重为0.9998。对底层指标影响最大的就是蛋白质，权重为0.9965。因此，我们假设在确定风险范围的层级之后，能够判别出哪一种具体成分出现了风险，再结合各成分的风险指数，对风险进行等级划分，就可以确定该层级的风险性。

通过建立基于径向基函数神经网络模型对数据进行训练，能后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相关系统的预测结论。本文通过对食品安全监测数据的分析，选择与食品安全最为密切的检测项目并划分数据样本，构建基于径向基函数神经网络的食品安全预警模型进行初步应用验证。研究表明，基于径向基函数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] GB25190-2010国家食品安全标准 灭菌乳

[2] GB 2761-2017 食品安全国家标准 食品中真菌毒素限量

[3] GB 2762-2022 食品安全国家标准 食品中污染物限量

[4]邱锡鹏，神经网络与深度学习.机械工业出版社

[5]Sandhya Samarasinghe，神经网络在应用科学和工程中的应用-从基本原理到复杂的模式识别.机械工业出版社，2010

[6]张德丰，MATLAB神经网络应用设计. 机械工业出版社，2009.

作者简介：

李志峰；出生年月：1981年6月-；籍贯：江苏南通；职称：工程师；学历：本科；研究方向：食品、药品质量安全管理；