[发明专利]深度RBF神经网络与基于熵权的AHP结合的预警方法

权利要求书

1.一种深度RBF神经网络与基于熵权的AHP结合的预警方法，其特征在于，包括：

获得参数j的关联函数k_ij(x)，关联函数k_ij(x)为

X_j(1)，x_j(2)，x_j(3)，x_j(4)为k_ij(x)的节点

其中，i＝1，2，…n，i为第i次采样，j＝1，2，…m；

设预处理后的食品安全监测数据为X＝[X(1) X(2) … X(n)]^T，，获得信息矩阵为

使用公式对所述信息矩阵进行中心归一化处理，获得正矩阵R^j_n×m，其中

根据所述正矩阵R^j_n×m获得n阶对称矩阵COR为

根据所述对称矩阵的各个指标的熵值获得对应指标的权值为

其中，各个指标的熵值为

获得食品安全监测数据的风险融合数据为

将所述风险融合数据作为深度RBF神经网络模型的期望输出；

形成RBF神经网络模型；

获得基于RBF神经网络模型的自编码器；

根据所述自编码器形成深度RBF神经网络的特征提取模块；

根据所述特征提取模块进行无监督学习，获得输入数据的高级特征；

根据原始的RBF神经网络模型进行监督学习，获得深度RBF神经网络模型的实际输出。

2.根据权利要求1所述的深度RBF神经网络与基于熵权的AHP结合的预警方法，其特征在于，所述自编码器以高斯函数作为隐含层神经元的激活函数，所述激活函数为

其中，X＝(x₁，x₂，...，x_n)为输入向量，C_i为第i个高斯函数的聚类中心，σ_i为隐含层第i个单元的高斯函数的宽度；

在基于RBF神经网络的自编码器的编码过程中，隐藏表示Y可以表示为：

Y＝g(X) (17)

在基于RBF神经网络的自编码器的解码过程中，重构向量是隐含表示Y的线性组合，可以表示为：

其中，W表示隐含层到输出层的权重矩阵，b为隐含层到输出层的偏差向量。

3.根据权利要求1所述的深度RBF神经网络与基于熵权的AHP结合的预警方法，其特征在于，还包括：

将所述深度RBF神经网络模型的实际输出与期望输出进行比较，获得深度RBF神经网络模型的训练相对误差。

4.根据权利要求1所述的深度RBF神经网络与基于熵权的AHP结合的预警方法，其特征在于，还包括：

选定泛化样本数据集，使其不同于训练样本数据集；

根据所述泛化样本数据集获得所述深度RBF神经网络模型的泛化相对误差。