[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

说明书

本发明公开了一种深度RBF神经网络与基于熵权的AHP结合的预警方法，首先采用基于熵权的AHP算法对复杂食品安全监测数据进行风险融合，将风险融合结果作为深度RBF神经网络的期望输出。然后使用深度RBF神经网络对食品安全监测数据进行建模，使用该模型可以获得更加准确的风险预测结果，从而指导食品安全预警工作。基于熵权的AHP算法根据数据内部规律确定各个指标的权重，避免了传统AHP算法可能出现的判断失误。深度RBF预警模型具有比BP、RBF等浅层神经网络模型更强的泛化能力和特征表示能力，从而使得该模型能够得到更加精确的食品安全监测数据风险预警的结果。

技术领域

本发明涉及食品安全技术领域，尤其涉及一种深度RBF神经网络与基于熵权的AHP结合的预警方法。

背景技术

近年来，我国频繁发生的食品安全事故对食品安全预警工作提出了迫切的要求，食品安全风险评估和预警研究成为关注的热点。目前，德尔菲法和层次分析算法(AnalyticHierarchy Process，AHP)是最成熟的风险评估方法。德尔菲法经常用于预测与公共政策问题有关的长期问题，例如经济方向、卫生、教育和食品安全问题。然而，德尔菲法在预测单标量指标方面比较成功，不能适用于复杂的多指标系统。AHP算法作为一种定性和定量的多指标决策方法，适用于多指标复杂问题的决策。在食品安全风险评价中，由于不同食品安全风险评价指标之间没有明确的定量关系，因此宜采用AHP算法确定各个风险评价指标的权重。然而，传统的AHP算法依赖于研究者的判断来构造判断矩阵，这很容易导致误判。

目前，人工神经网络算法是建立食品安全监测数据预警模型的一种常用方法。人工神经网络算法是一种有效的计算模型，广泛应用于非线性函数逼近、模式识别、复杂过程工业能效预测、工业过程控制和风险管理以及食品安全预警领域。人工神经网络模型作为一种黑箱模型，可以在不确定系统内部结构的情况下进行建模。因此，人工神经网络模型适用于处理不同属性之间关系不清的食品安全监测数据。

BP神经网络是目前最流行的基于梯度下降的人工神经网络算法之一。然而，BP算法收敛速度慢，容易陷入局部极小值。径向基函数(Radial basis function，RBF)神经网络是一种具有优越性能的神经网络，它的隐含层实现了从低维输入空间到高维隐含层空间的非线性变换，使得在低维空间内线性不可分的问题成为线性可分的问题。RBF神经网络的训练速度更快，能够避免陷入局部极小值，具有全局最佳逼近性能。然而，在处理高维度、高复杂性的数据时，BP神经网络、RBF神经网络等浅层神经网络的泛化能力较弱，无法获得较为精确的预测结果。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种深度RBF神经网络与基于熵权的AHP结合的预警方法，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