[发明专利]一种基于多机器学习算法融合的大米安全风险评估方法

说明书

本发明提出一种基于多机器学习算法融合的大米安全风险评估方法。本发明方法包括：获取大米危害物检测数据并进行预处理；从危害物指标层面入手，依据AHP算法与SC算法实现专家分类，结合专家评估结果的一致性权重差异求解专家类别内权重与专家间权重，构建大米安全风险评估指标体系，将预处理后的危害物检测数据与综合权重加权求和，获得大米危害物风险值；采用多机器学习算法融合构建大米安全风险评估模型，以实现风险快速评估。本发明方法以更客观的方式有效兼顾了全部专家的意见，避免对无效信息”的放大和对“有效信息”的缩小。本发明能有效降低监管成本，提高风险发现与响应处置效率，可为监管部门提供精准高效的决策依据。

技术领域

本发明属于食品质量检测和食品安全风险评估技术领域，涉及大数据处理以及机器学习等技术，具体为一种基于多机器学习算法融合的大米安全风险评估方法。

背景技术

近年来食品安全事件频发，对食品安全监管提出了更高的要求，世界各国相继出台一系列严苛的食品安全监管政策。为进一步强化风险监测、风险评估与供应链管理，提高风险发现与响应处置效率，各级政府部门大力推动食品安全领域的数字化建设，强化“大数据+食品”监管，发挥大数据、人工智能等技术在食品安全风险评估、监管等领域的优势作用。

目前，食品安全风险评估方法主要包括定性评估方法、定量评估方法，以及综合风险评估方法三大类。定性评估方法是一种主观性较强的评估方法，主要依据评估者的知识和经验对风险指标进行分析判断，依据判断结果与矩阵模型计算指标风险值。其中，基于单一专家评估的定性评估方法相对成熟，包括德尔菲法、层次分析法、决策实验室法，指标打分法等。基于多位专家的定性评估方法分为主观赋权与客观赋权两类，其中，基于主观的赋权方法，是以专家先验信息为基础划分专家权重，如：名望、知识水平等，并依据专家权重结果计算风险值；基于客观的赋权方法以专家评估结果的一致性指标值为基础划分专家权重，同样依据专家权重结果计算风险值。实际决策中，基于多位专家的定性评估方法公信度较高，且在专家赋权方法研究中，客观赋权法相较于主观应用更为广泛。定量评估方法是一种客观性较强的评估方法，通过数理模型计算得出指标风险值，包括蒙特卡洛定量评估法、灰色关联理论法、模糊综合评价模型，机器学习人工神经网络模型等。综合风险评估方法是定性与定量评估方法的结合，通过定性评估方法构建指标体系，依据指标体系与定量评估方法构建风险评估模型。

随着数字化转型的加速推进，食品检测数据呈指数爆炸式增长，数据处理难、分析难成为制约食品安全风险监管的首要难题，也直接影响以数据为载体的风险评估模型的准确性。现有的风险评估方法中，定性评估法人工成本较高且评估进程较长，定量评估法存在指标精度较低或过拟合性能较弱等问题，使得风险评估结果的准确率偏低且时间成本较高，从而造成缺失精准定位风险值的能力。

发明内容

针对现有技术中食品安全风险评估时间长、评估结果准确率低、不能精准定位风险的问题，本发明提供了一种基于多机器学习算法融合的大米安全风险评估方法，依据主客观结合的综合风险评估法构建大米安全风险评估模型，基于定性评估方法和聚类算法筛选安全风险评估指标，采用多机器学习算法融合进行大米安全风险评估。

本发明的一种基于多机器学习算法融合的大米安全风险评估方法，实现包括如下：

(1)获取大米危害物检测数据并进行预处理。

所述预处理包括依次对检测数据进行噪声过滤，数据集成与归一化处理。

设危害物有k种，预处理后的危害物检测数据包括所有危害物的标准化的检测值；

(2)构建大米安全风险评估指标体系。

获取专家对大米危害物指标的评估结果，然后执行：(1)先基于层次分析法AHP计算各专家的评估指标权重，评估指标权重是指对各大米危害物指标的评估权重；(2)再基于谱聚类法SC划分专家类别；(3)计算专家类别间权重以及专家类别内权重；其中，类别内专家数量越多、一致性差异越小，则该专家类别的权重越大；(4)最后确定各危害物指标的综合权重；