基于监督抽检数据的肉类食品安全风险分析及预测

为通过数据挖掘预测食品安全风险、隐患和趋势,进行预警和快速反应,基于2015—2017年国家肉类食品监督抽检的18 378 批次样品数据,分析我国肉与肉制品主要安全现状与风险种类,并基于检测指标及属性运用BP（back propagation）神经网络方法构建以抽样省份、产品类型、产地、生产日期、年份、是否大型企业6大属性指标为输入层、包含2 个隐藏层、以是否合格为输出层的肉类食品安全神经网络预测模型。结果表明：经数据准备、模型生成、数据训练和验证及参数优化,得到的3 层BP神经网络预警模型总体百分比矫正为96.2%;对于合格样本,判定正确的概率为96.5%,错判概率为3.5%,预测模型具有较好的参考和应用价值。基于BP神经网络的食品安全预警方法能够对输入样本进行有效预测,为食品安全风险研判和风险预警提供技术支撑。     

基于长短期记忆神经网络的重大活动中鲜(冻)肉制品铅含量风险预测

目的 针对未来时间内重大活动举办地鲜(冻)肉制品铅含量风险预测的问题,建立基于LSTM的时间序列预测模型,对当地鲜(冻)肉制品铅含量进行风险评估与预测预警。方法 通过收集2011-2020年国家市场监督管理总局日常食品监督管理抽检数据,筛选出北京的鲜(冻)肉制品的抽检数据,构建数据集并进行预处理,按照7:2:1的比例划分训练集、验证集和测试集,基于Tensorflow平台构建4层LSTM模型并进行训练,基于重大活动举办前10天的鲜(冻)制品铅含量数据,对未来1天的鲜(冻)制品铅含量风险进行预测。结果 实验表明,经过50轮模型迭代训练,训练集和测试集Loss指标收敛至0.084,经过5次训练后的模型评估参数RMSE为0.192,R2_score为0.916,模型误差较小、准确度较高。结论 基于LSTM的鲜(冻)肉制品铅含量风险预测模型整体性能较好,可应用于重大活动举办地的食品风险预测,并精准指导监督抽检。     

基于集成学习的重大活动肉及肉制品安全风险分析及预测

目的 建立集成学习Stacking模型,对重大活动举办过程中的肉及肉制品进行合格安全分析与风险预测预警。方法 通过收集2015—2020年间国家市场监督管理总局食品日常监督管理抽检数据,筛选出所有肉及肉制品相关数据,选择“食品亚类”、“规格”、“生产时间”、“生产企业类型”、“生产省份”、“是否异地运输”等字段信息作为肉及肉制品合格风险因子,选取所有不合格数据5866条,从所有合格数据中随机抽取10000条数据共15866条构成数据集,按照3:1划分训练集和测试集,搭建基学习器为KNN(K- Nearest Neighbor,K最近邻)、BP(Back Propagation,反向传播)神经网络、SVM(Support Vector Machines,支持向量机),元学习器为LR(Logistics Regression,逻辑回归)的Stacking预测模型,进行训练预测与模型评估。结果 经过5次训练后,模型的准确度为94.20%,精确度为93.78%,召回率为97.57%, F1参数为95.63%,模型鲁棒性强,可靠性高。结论 基于集成学习Stacking的肉及肉制品安全风险分析与预测预警模型整体性能良好,可应用于重大活动举办过程中的食品安全风险分析预测,并精确指导监督抽检与辅助决策情报研判。     

基于贝叶斯网络的酱卤肉制品安全预警研究

目的简要介绍贝叶斯网络基本概念和算法,建立贝叶斯网络预警模型对酱卤肉制品进行安全预警。方法利用领域专家知识对可能影响酱卤肉食品安全的重金属污染物、兽药残留、食品添加剂、微生物、非食用物质5个方面的因素进行分析,划分食品安全状况等级与预警指标;运用最大似然估计算法和贝叶斯网络建立酱卤肉制品安全预警模型结构,使用VS code软件进行仿真实验,对酱卤肉制品安全的风险程度进行分类预测。结果贝叶斯网络模型得到的酱卤肉制品总体情况与实际的数据统计值的误差在0.005-0.006的范围内,属于合理误差范围。BP神经网络和贝叶斯网络的平均准确率分别为0.85和0.99。在此次实验中,贝叶斯网络的准确率较高。结论在小样本情况下,贝叶斯网络在酱卤肉制品安全风险预警中具有较高的准确率,是一种能准确、稳定实现酱卤肉制品安全风险预警的算法,且方法优于BP神经网络。     

基于集成学习优化的肉制品安全风险等级预警分析

该研究依据2013～2017年肉制品抽检数据构造了5个安全风险等级,使用特征构造及独热编码进一步关联与肉制品安全相关的影响因素,构建极端梯度提升树算法（Extreme Gradient Boosting,XGBOOST）研究食品生产过程各类因素对于食品安全风险等级的影响程度,并使用多个指标评价模型。此外通过上采样解决样本不平衡问题、贝叶斯优化调节超参数,来提高模型性能及分类效果。相较于模型决策树（Decision Tree,DT）和随机森林（Random Forest,RF）,XGBOOST模型在肉制品安全风险等级分类中的表现效果最佳。研究结果表明,食品生产过程环节错综复杂,使用one-hot encoding处理后的模型能够有效判断出各类因素对于食品安全风险等级的影响程度,集成模型中RF的学习效果比较稳定,XGBOOST经过参数调节后准确率等指标得到有效的提升且优于RF。不同采样下XGBOOST的平均精确率均能达到89.14%,平均F1值为88.59%,说明XGBOOST在肉制品安全风险等级预警中适用性,为日常抽检提供技术指导。     

基于食品抽检数据的风险预警智能研究模型构建分析

近年来,国内外由食品安全问题导致的公共健康事件屡见不鲜。食品安全问题涉及食品产业链的各个环节,收集和识别食品安全风险因子,挖掘造成食品安全的重要因素,是食品安全风险预警的重要途径,也是制定管理措施的前提条件。有效利用和分析食品安全信息,开展有效预警,已经成为食品安全监管面临的重要问题。本文首先分析了食品抽检数据特征和食品安全预警模型原则,在此基础上从风险分析、趋势分析、关联挖掘、全息画像和效能评价等视角构建了基于食品抽检数据的风险预警智能分析模型。该模型旨在为食品安全的监管、消费、生产等各个环节提供有力支撑,为推进基于食品抽检数据的风险预警智能研究提供参考。     

基于GRA-ISM-HMM的广州市肉及肉制品安全风险评估

该研究旨在利用广州食品安全风险监测2015年至2020年针对肉及肉制品样本的检测数据,构建肉及肉制品的安全风险评估模型,从而了解广州市该段时间内肉及肉制品的食品安全风险及其时变特点。该研究采取灰色关联分析方法和解释结构模型建立风险指数,并基于该指标值作为隐马尔可夫模型的观测值探讨观测背后的隐含风险状态。分析结果显示,2015~2020年所有样本综合风险指数结果都在[0,0.45]之间,总体风险都较小,其中2019年风险最高;将风险指数进行等级划分,显示2015~2020年风险等级为[1, 2, 2, 2, 3, 1];通过HMM分析得到这六年的隐藏风险等级为[0, 1, 1, 1, 2, 0],与观测风险结果一致,且HMM预测2021年风险等级为1,即表明广州肉及肉制品风险往良好态势发展。最后,进行风险差异原因分析,发现各肉制品分类之间有差异,其中腊肠、鸡肉和腊肉的风险指数较高于其他种类,而2019年增加腊肠和腊肉的检测是风险增加的一个原因。总体来说,广州肉及肉制品风险较小,但依旧需要监督改善。     

食品安全数据分析可视化模型研究

目的 全面提升食品安全风险的感知、筛查、分级、预警和防控能力, 完善食品安全监管与治理体系, 客观正确的引导舆情。方法 采用大数据分析技术研究食品安全检测数据, 建立食品安全分析可视化模型。运用大数据分析平台Hadoop, 结合Tree Ensemble和Model-Based Ranking算法特征性分析食品抽检数据, 搭建BP神经网络, 结合Apriori和FP-growth关联分析等技术, 深度挖掘相关信息, 有效集成为对食品安全治理体系有价值的信息资源。结果 以折线图、热力地图等可视化模型实现食品类别、检测项目、结果分析、生产地址、检测数据分析及发展趋势等相关信息进行在线展示与分析, 能够满足关注食品安全的各领域人员很直观地就获得自己需要的食品安全信息的需求。结论 可视化模型能够增强数据分析结果的视觉效果和直接性, 切实提高食品安全风险预警的靶向性、有效性。     

集成模糊层级划分的LightGBM食品安全风险预警模型：以肉制品为例

在食品安全风险管理中,风险点精确定位能从源头解决食品安全问题,对食品安全风险评估和预警具有关键意义。近年来,食品行业信息化的发展使得原料生产、加工、仓储运输、抽检等环节积累了大量数据,并亟待开发利用。而现存的风险预警方法存在风险细粒度难以衡量、数据利用率低、人工成本高等问题。因此,本研究首先对食品安全相关数据进行归纳分类并描述数据特征,作为后续处理的基础。为了充分利用食品安全数据海量、高维的特点,本研究使用先验风险概率与模糊层级划分相结合的方法对不同类型的属性计算模糊综合风险值,作为预测模型标签值。由LightGBM和专家干预策略结合产生的预测模型可对风险值进行预测和校正。基于此,依托肉制品和水产品数据的实验详细阐述了方法的使用流程,并进一步验证了方法优越性和规律合理性。研究中产出的风险分析结果,包括风险值和属性重要程度分布等可以为决策者提供有价值的决策依据。     

基于灰色数据预处理的WD-LSTM模型对乳制品质量安全风险的预测预警分析

乳制品是人们日常生活中一种重要的营养食品，为了提高对乳制品质量安全风险预测的准确性，保障乳制品质量安全，本文基于检测产品和检验数据的随机性、模糊性以及信息不完全性，将所得不同地区的乳制品检测数据通过改进的softmax公式进行等级划分，并按自然日进行分箱处理，通过风险权重等比例映射法得到风险等级，充分利用了乳制品灰色数据，对检验合格数据中的潜在风险进行挖掘。采用小波分解（Wavelet Decomposition，WD）和长短期记忆神经网络（Long Short-Term Memory，LSTM）模型结合的方式，对不同地区的乳制品检测数据进行风险预测。结果表明，该组合模型的平均准确率达97.54%，标准偏差为0.03，与经验模态分解（Empirical Mode Decomposition，EMD）-LSTM模型和有选择性重构且间隔为2的WD-LSTM模型相比准确率更高，稳定性更好，可实现对乳制品质量风险的预测和防控，能为乳制品的风险监管提供有利参考和技术支撑。     

基于小波分解-长短期记忆网络预测模型的酱卤肉制品安全预测分析

为实现酱卤肉制品安全风险精准预警,本研究基于2014-2019年全国酱卤肉制品历史抽样检验数据信息,尝试将小波分解和长短期记忆网络(long short-term memory,LSTM)模型相结合,构建了全国31个省份酱卤肉制品安全风险预测模型.结果表明,小波分解-LSTM预测模型对酱卤肉制品安全风险预测有较高的准确...     

基于LSTM网络的粮食干燥机水分预测与优化

粮食干燥机的出机粮食水分预测有助于实现干燥机的智能化控制,从而可以减少干燥过程中的粮食损耗,对于粮食产后干燥环节有着重大意义。通过机器学习的方式进行预测,可以规避传统数学模型所存在的一系列缺陷。本文根据连续式谷物干燥机所提取的数据特征,提出了一种基于优化长短期记忆神经网络（LSTM）的稻谷出机水分预测模型。试验结果表明,出机水分与Min、To2、To3、Td1、Td2、Td3具有十分明显的相关性,通过设定不同的网络参数,确立了批尺寸50,学习率0.001,迭代次数50,时间步长50,神经元数100*100时效果最佳,此外还发现增加训练数据量,可以有效提高LSTM网络预测性能。将本研究建立的LSTM模型与BP、ELMAN、NARX等算法以及普通LSTM网络（无dropout,单隐藏层）进行比较。结果发现,相较于其他网络模型,本文所采用的LSTM模型可以更好的预测稻谷出机水分,其平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）分别为0.12%、0.20%和0.94。本研究所采用的优化LSTM模型具有较高预测精度,稳定性以及泛化性,可以为粮食干燥机的水分预测控制提供参考。     

大数据环境下基于神经网络技术的食品安全监管

从阐述中国食品安全监管模式经历的几个重要时期着手,分析了当前中国食品安全监管存在的不足,指出应借鉴美国等发达国家较为成熟的监管策略,将大数据相关技术应用于食品安全监管中,使数据信息更具时效性和公开性;提出了将BP神经网络运用于食品检测数据分析中,实现预测某类食品在之后多个监管周期内的风险系数,提高对食品安全事故的预警能...     

基于长短期记忆神经网络的反应液葡萄糖含量预测

目的 建立皮尔逊相关系数(Pearsoncorrelationcoefficient,PCC)和长短期记忆(longshortterm memory,LSTM)神经网络的反应液葡萄糖含量预测模型用以实时预测葡萄糖酸锌生产过程中反应液葡萄糖含量。方法 通过葡萄糖酸锌制备实验,结合PCC理论确定对反应液葡萄糖含量有较大影响的因素,对这些因素进行数据采集并将其作为神经网络的输入变量,采集反应液葡萄糖含量数据并进行处理,将其作为神经网络的输出变量,进而建立反向传播神经网络(backpropagation neural network, BP)和LSTM神经网络的反应液葡萄糖含量预测模型。结果 通过100次模型迭代训练,对照BP反应液葡萄糖含量预测模型可以看出LSTM反应液葡萄糖含量预测模型在测试集的误差约为0.45%,误差较小,准确度较高。结论 基于LSTM反应液葡萄糖含量预测模型显著提高了预测精度,相比现有检测方法更加智能高效,能够有效辅助生产进行。     

贝叶斯网络及其在白酒安全预警中的应用

近年来,白酒安全问题日益凸现,影响人们身体健康和白酒行业发展,白酒安全预警日益重要。本文以食药监局的监测数据为样本,研究基于贝叶斯网络的白酒安全预警方法。从可能影响白酒质量安全的金属污染物、农药残留、食品添加剂、品质指标、微生物污染和非食用物质6个方面的因素进行分析,划分食品安全状况等级与预警指标,运用最大似然估计算法和贝叶斯网络建立白酒食品安全预警模型,使用MATLAB软件进行仿真实验,对白酒危害因子的风险值和白酒食品安全的风险程度分类预测。结果表明,贝叶斯网络在白酒食品安全风险预警中具有较高的准确率,是一种能准确、稳定实现白酒食品安全风险预警的算法,有助于为政府监管提供决策支持,丰富食品安全预警技术方法。     

深圳市猪肉中磺胺的安全风险暴露评估

目的利用食品安全监测数据对深圳市猪肉中的磺胺进行安全风险暴露评估。方法根据深圳市2016年4月至2017年3月的猪肉安全例行监测数据,用基于尾部数据估计模型(tail estimation,TE)、Thomas风险等级模型和风险评估预警模型等3种食品安全风险暴露评估模型计算了猪肉中磺胺类药物大于设定值的概率,风险等级值和食品安全预警指数,最后对深圳市猪肉安全风险进行了综合评估。结果 TE模型计算得到猪肉中的磺胺含量大于设定结果 100的概率为0.0068,Thomas风险等级模型计算得到深圳市猪肉中的磺胺含量的风险等级为75.1840,风险评估预警模型计算得到深圳市猪肉中磺胺的食品安全预警指数为2.5025×10~(-3)。结论 TE模型和Thomas风险等级模型可以作为食品安全风险评估的稳定模型来应用,深圳市猪肉中磺胺的食品安全风险很低。