[发明专利]基于深度学习技术的水产品安全预警监测方法

权利要求书

1.基于深度学习技术的水产品安全预警监测方法，其特征在于，具体按照以下步骤实施：

步骤1、确定水产品安全评判的指标；

步骤2、指标数据离散化处理；

步骤3、指标数据归一化处理；

步骤4：构建训练集和测试集；

步骤5：建立水产品安全预警模型；

步骤6：训练并优化Elman神经网络模型；

步骤7：安全预警识别。

2.根据权利要求1所述的基于深度学习技术的水产品安全预警监测方法，其特征在于，所述步骤1具体如下：

确定12个代表性特征作为水产品安全评判的指标：药残合格率、菌落总数、大肠杆菌含量、表征状态、水分含量、包装材料合格率、人员操作规范程度、储存时间、平均温度、平均湿度、运输时效性和信息准确率。

以确定的12个代表性特征为依据，搜集覆盖这12个代表性特征的多组数据样本，并将这些数据样本组合成一个特征数据集。

3.根据权利要求2所述的基于深度学习技术的水产品安全预警监测方法，其特征在于，所述步骤2具体如下：

步骤2.1、计算步骤1.2中确定的12个代表性特征的特征数据集中每类特征下的数据的频率，并按非递增顺序进行排序；

步骤2.2、对按照非递增顺序规则进行频率排序后的数据集进行数据离散化操作，即将一致数量的数据按排序后顺序分配成t个集合，即t个区间，其中每个区间的数据个数num通过下面公式计算：

其中，n为数据量大小，t为区间个数，t的值使单个区间的数据个数80≤num≤120。

4.根据权利要求3所述的基于深度学习技术的水产品安全预警监测方法，其特征在于，所述步骤3具体如下：

采用离差标准化法对步骤2离散化处理后的数据集进行归一化处理，使数据集中各指标数据的数值均都映射到[0,1]之间，对应的映射函数如下：

其中，max为样本数据的最大值，min为样本数据的最小值，X^*为指标数据X上述映射函数运算后的数值。

5.根据权利要求4所述的基于深度学习技术的水产品安全预警监测方法，其特征在于，所述步骤4中运用M-Fold交叉验证方法划分训练和测试集，具体如下：

步骤4.1.1、将步骤3归一化处理后样本数据集样本不重复抽样随机分为m份，其中m＝log₂(n)且保证其中n为数据量大小，d为特征数；

步骤4.1.2、每一次挑选其中1份作为测试集，剩余的m-1份作为训练集用于下面步骤6中的Elman神经网络模型的训练；

步骤4.1.3、重复步骤4.1.2m次，这样每个子集都有一次机会作为测试集，其余机会作为训练集，每次将不同训练集在步骤上6中Elman神经网络模型上进行训练后，得到参数更新后的模型，用这个模型在选择对应的那一份的测试集上进行测试，计算并保存模型预测准确度的评估指标；

步骤4.1.4、计算步骤4.1.3中得到m组的评估指标的平均值，将该平均值作为模型精度的估计，并作为当前m折交叉验证下步骤6中Elman神经网络模型的性能指标。