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。