[发明专利]一种基于物联网的食品添加剂自动检测方法及系统

权利要求书

1.一种基于物联网的食品添加剂自动检测方法，其特征在于，所述基于物联网的食品添加剂自动检测方法包括：

使用高效液相色谱法，以液体为流动相，采用高压输液系统，将具有不同极性的单一溶剂或不同比例的混合溶液、缓冲液流动相泵入装有固定相的色谱柱，在色谱柱内各成分被分离后，进入与电路板连接的检测器进行检测，检测器通过集成的处理模块进行检测并分析，给定一组N个色谱柱训练图像及其标签，

；其中每个二进制标签Ci是指示清洁或脏的位，并且类标签Ki表示添加剂的类别； Order-CNN提取高级特征表征；；其中f（∙）表示在第一个完全连接的层中从输入图像到共享特征的非线性映射； F和b是滤波器的集合和所有卷积层的偏置；ζ和η是所有底层中的尺度和位移集合；令Θ=（F，b，ζ，η）表示要学习提取特征的所有参数；Order-CNN模型中最后一个完全连接的层提取的特征x_i是在两个任务之间共享；和是添加剂分类的完全连接层中的权重矩阵和偏置向量，其中D_d是不同添加剂的总数，广泛的线性模型：；被传入到softmax层以计算属于训练集中的每种添加剂的x_i的概率；

；

其中是中的第j种添加剂，函数将模型输出映射到所有添加剂的概率分布，最后，获得估计的添加剂：

指定的添加剂料顺序表示softmax；被传入到order softmax层以计算属于训练集中的订单的每种添加剂的概率；

其中是订单的中的第j个添加剂；顺序函数将模型输出映射到所有添加剂的概率分布，以为顺序，并且指数选择第Ki种添加剂；最后，获得估计的添加剂：

Order-CNN模型的训练目标是找到一个用于预测订单中的添加剂的订单特殊消费模型；给定一系列训练订单o₁, o₂, o₃,…,O_t,，用于进行最小化平均负对数概率，然后采用交叉熵损失；

其中，按顺序用于表示候选标签中预测分类的顺序的对数，所有类别中可能存在的对数K用于表示所有类别标签中的预测分类，大的α导致订单指定的分类器，当两个候选标签再次共同出现时，导致更高的精度，小α导致一般的多类分类器，当两个候选标签以任何顺序共同出现时，导致更高的精度，当α或β为0时，成为订单指定模型或多类模型；

检测后的信号传输至电路板再到信号处理盒内集成的信息处理模块进行信息比对、分析；运用Apriori关联规则挖掘算法，在信息处理模块中进行分析和挖掘，得到添加剂检测数据影响因素，结合添加剂检测数据影响因素和添加剂检测数据标准数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，

对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值；运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算添加剂检测数据预测值，将比对、分析的结果显示于显示屏上；

运用Apriori关联规则挖掘算法具体包括以下步骤：

使用MapReduce计算模型得到频繁1项集的集合L₁,产生候选k项集的集合C_k，k≥2；

在Map函数处理阶段，每个Map任务计算所处理的事务数据集中每个事务记录中包含在C_k中的项目集的出现次数，对于每个Map任务，候选k项集的某个项集出现在一个事务记录中，则Map函数产生并输出某个项集，1键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；

在Reduce函数处理阶段，Reduce函数累加C_k中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集L_k的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入Map函数处理阶段；否则，结束运行。