[发明专利]一种基于“层次分析-神经网络”的食用油安全预警方法

权利要求书

1.一种基于“层次分析-神经网络”的食用油安全预警方法，其特征在于，包括以下步骤：

A对多个样品食用油的原始检测结果数据集进行预处理，选择反映食用油安全性的评价因子，得到评价因子数据集；

B将所述评价因子数据集根据因子的分类进行层次划分，并使用层次分析法计算各评价因子的权重，最终得到各个评价因子的权重Θ；

C对步骤A中得到的评价因子数据集进行数据标准化，并使用熵权法计算各评价因子的权重，最终得到各个评价因子的权重W；

D将步骤B中得到的权重Θ与步骤C得到的权重W进行综合,获得各评价因子的综合权重Λ＝(λ₁,λ₂,…,λ_j,…λ_n)，其中n为评价因子个数，λ_j为第j个评价因子的综合权重；

E根据步骤A中的评价因子数据集中各评价因子数值，计算各评价因子数值与各指标限量标准之比Z，将步骤D中得到的评价因子的综合权重Λ与Z通过公式进行加权求和，得到第i个样品风险指数r_i，并根据风险指数的值划分风险等级；

F将所述原始检测结果以及步骤E中得到的风险等级作为长短期记忆神经网络的输入进行训练，确定所述长短期记忆神经网络模型的各参数，得到食用油安全预警模型，其中评价因子为输入变量，风险等级为输出变量。

2.如权利要求1所述的方法，其特征在于，所述步骤B包括以下步骤：

根据评价因子的分类进行层次划分，分为目标层、准则层和方案层，所述目标层是对食用油的综合评价，所述准则层为各个评价因子的分类；所述方案层包括各个评价因子；

采用矩阵标度确定各个评价因子的重要性之比，构建每一层的判断矩阵H；

对判断矩阵进行一致性检验，在通过一致性检验的情况下，计算得到判断矩阵的最大特征向量；

将所述最大特征向量作为评价因子的权重。

3.如权利要求1所述的方法，其特征在于，所述步骤C包括以下步骤：

C1对步骤A中得到的评价因子数据集进行数据标准化，得到标准化数据集表示为矩阵对应的向量为Y₁,Y₂,…,Y_j,…,Y_n，其中Y_j＝{y_1j,y_2j…y_ij…y_mj}^T,其中x_ij表示标准化前第i个样品第j个指标的值，y_ij表示标准化后第i个样品第j个指标的值，min(X_j)为矩阵X第j列的最小值，max(X_j)为矩阵X第j列的最大值；

C2根据评价因子提供信息量的重要性确定计算评价因子的贡献度；

C3根据所述评价因子的贡献度计算评价因子间的差异系数；

C4根据所述评价因子的差异系数，计算各评价因子权重。

4.如权利要求1所述的方法，其特征在于，所述步骤F具体包括：

F1将步骤E中得到的各评价因子数据与各指标限量标准之比数据集Z，与每个样品对应的风险等级按样品采样时间进行排序，得到食用油的时序数据集，其中数据集中一行为一个样品，行数为样品数，列数为变量总数；

F2将步骤F1中得到的食用油的时序数据集输入到长短期记忆神经网络中进行训练，得到预测模型，其中评价因子为输入变量，风险等级为输出变量；

F3将最新的食用油样品检测数据x_t放入步骤F2生成的预测模型中，预测得到的输出h_t即为该样品的风险等级。

5.如权利要求4所述的方法，其特征在于，所述将步骤F1中得到的食用油的时序数据集输入到长短期记忆神经网络中进行训练，得到预测模型，包括：

前向计算每个长短期记忆神经网络的神经元的输出值；

再反向计算长短期记忆神经网络每个神经元的误差项δ的值，并将误差项向上一层传播；

根据相应的误差项，计算每个权重的梯度，得到预测模型。