[发明专利]基于深度学习技术的水产品安全预警监测方法

说明书

本发明公开了一种基于深度学习技术的水产品安全预警监测方法，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。本发明以有效提高水产品供应链安全风险预警的准确性。

技术领域

本发明属于水产品安全预警技术领域，具体涉及一种基于深度学习技术的水产品安全预警监测方法。

背景技术

近年来，随着消费者对于水产品需求的日益提升，也对水产品的安全和品质提出了更高要求。水产品质量安全问题可能发生在其供应链从养殖到销售的每个环节，水产品的安全质量问题关乎消费者的健康，也影响企业的经济利益。水产品供应链中可能存在疫病、添加剂超标、有害物质留存和微生物等不安全因素。针对水产品安全事件屡屡发生，需要构建一个有效准确的水产品预警指标体系来降低风险事件发生的概率，并实现对水产品重要环节的安全预警。

Elman神经网络是一种的递归神经网络，该模型是在前馈神经网络的隐层中增加一个承接层，作为一步延时算子，达到记忆的目的，从而使系统具有适应时变特性的能力。它是一种反馈动力学系统，能直接反映动态过程系统的特性，比前向神经网络具有更强的计算能力，非常适用于对水产品供应链中关键时间序列数据(如添加剂数据等)这一类非线性数据建立预测模型，实现水产品供应链重要环节的安全预警。

发明内容

本发明的目的是提供一种基于深度学习技术的水产品安全预警监测方法，以有效提高水产品供应链安全风险预警的准确性。

本发明所采用的技术方案是，基于深度学习技术的水产品安全预警监测方法，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。

本发明的特点还在于，

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(cfu/g)、大肠杆菌含量(MPN/100g)、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(天)、平均温度(℃)、平均湿度(％rh)、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。

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。

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：