[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

说明书

本发明公布了一种基于“层次分析‑神经网络”的食用油安全预警方法,该方法首先对食用油检测结果进行预处理，从中选择评价因子，得到评价因子数据集；然后使用层次分析法对食用油各评价指标进行评价，用熵权法对食用油各评价指标进行评价，再综合上述两种方法的结果得到对各指标的综合评价，进而计算每一个样品的风险等级；进一步利用长短期记忆神经网络，对已有风险等级的食用油检测数据集进行学习，生成安全预警模型，以后就可以直接应用此模型，将未来食用油样品的检测数据作为模型输入，模型输出即为该样品风险等级的预测结果。本发明所述方法可用于对食用油安全潜在的风险进行预警，帮助监管人员及时发现可能存在的高风险食用油食品。

技术领域

本发明涉及食品安全技术领域，尤其涉及一种基于“层次分析-神经网络”的食用油安全预警方法。

背景技术

食用油作为人体所需的重要营养物质之一，是我们日常生活不可缺少的必需品，对人体的健康发挥着重要的作用。但是目前仍然存在质量安全问题，引起广大消费者和政府部门的广泛关注。食用油的质量安全问题主要来自种植过程中带来的重金属污染、加工过程中带来的苯并芘、反式脂肪酸以及浸出毛油中的溶剂超标问题、储藏过程中油脂出现氧化、酸败，导致酸价和过氧化值升高等。为此各国食品质量安全监管部门都会定期对市场上食用油进行抽检，检测其中的危害物是否超标，营养物质是否达标。然而如何根据食用油的检查结果数据，对其进行安全评价和预警，形成一道安全防线，是一个亟待解决的问题。

层次分析法(Analytic Hierarchy Process,AHP)是一种定性和定量相结合、系统化和层次化的分析方法。主要解决多目标的复杂问题。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，因此可以采用AHP算法确定各个风险评价指标的权重。但是传统的层次分析法需要研究人员通过经验构造判断矩阵，人为主观性太强,过于强调经验的作用。熵权法仅依赖于数据本身的离散性，是一种客观赋权法。将熵权法引入指标权重的判断过程。相对于传统的层次分析法，层次分析法和熵权法相结合兼顾了主观与客观因素，更具有合理性。

长短期记忆(Long Short-Term Memory,LSTM)神经网络，通过设计控制门结构弥补了循环神经网络(Recurrent Neural Network,RNN)的梯度消失和梯度爆炸、长期记忆能力不足等问题，使得RNN能够真正有效地利用长距离的时序信息。LSTM神经网络在挖掘序列数据长期依赖关系中极具优势。LSTM神经网络主要解决了数据分类问题，并且由于可以完美地模拟多个输入变量的问题,也可以用于时间序列预测。食用油安全检测数据具有多变量以及时序的特点，因此可以用LSTM模型对食用油安全检测数据进行预测。

发明内容

本申请的目的在于提供一种基于AHP-LSTM的食用油安全预警方法，以预测食用油潜在的风险，为食用油安全监管提供支持。

为实现上述目的，本发明提供了一种基于AHP-LSTM的食用油安全预警方法。首先对食用油检测结果数据进行预处理，从中选择能够反映食用油安全性的评价因子；其次分别利用层次分析法和熵权法，通过结合以上所选取的多个评价因子，对食用油安全性进行综合评价，并将两种方法的评价结果进行融合，得到风险指数，进而划分为3个风险等级(而不只是“合格”、“不合格”2个风险等级)。通过这种方法可以更精准有效的发现具有安全风险的食用油样品；最后利用LSTM神经网络模型，对已有的食用油检测数据集进行学习，确定模型参数并生成预警模型。后期应用该预警模型，通过输入新的食用油样品的检测结果，就可以在输出端得到预测结果，即该样品的风险等级。此方法能够发现食用油潜在的安全风险，从而为食用油安全监管提供决策支持。具体步骤如下：

A.对食用油原始检测结果数据集进行预处理。对数据集进行清洗和筛选，删除数据值缺失的无效数据，得到多属性数据集，再从多属性数据集中选择能够反映食用油安全性的评价因子(指标)，将每一个样品中检出的多项指标合并为一条记录，得到评价因子数据集。