[發(fā)明專利]一種基于“層次分析-神經(jīng)網(wǎng)絡(luò)”的食用油安全預(yù)警方法

在審

• 申請?zhí)枺?/td>: 202110492595.7
• 申請日: 2021-05-06
• 公開（公告）號: CN113011796A
• 公開（公告）日: 2021-06-22
• 發(fā)明（設(shè)計）人: 陳誼;陳萬橋;郭延迪
• 申請（專利權(quán)）人: 北京工商大學(xué)
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/02;G06N3/04;G06N3/08
• 代理公司: 北京萬象新悅知識產(chǎn)權(quán)代理有限公司 11360
• 代理人: 賈曉玲

1.一種基于“層次分析-神經(jīng)網(wǎng)絡(luò)”的食用油安全預(yù)警方法，其特征在于，包括以下步驟：

A對多個樣品食用油的原始檢測結(jié)果數(shù)據(jù)集進行預(yù)處理，選擇反映食用油安全性的評價因子，得到評價因子數(shù)據(jù)集；

B將所述評價因子數(shù)據(jù)集根據(jù)因子的分類進行層次劃分，并使用層次分析法計算各評價因子的權(quán)重，最終得到各個評價因子的權(quán)重Θ；

C對步驟A中得到的評價因子數(shù)據(jù)集進行數(shù)據(jù)標(biāo)準(zhǔn)化，并使用熵權(quán)法計算各評價因子的權(quán)重，最終得到各個評價因子的權(quán)重W；

D將步驟B中得到的權(quán)重Θ與步驟C得到的權(quán)重W進行綜合,獲得各評價因子的綜合權(quán)重Λ＝(λ₁,λ₂,…,λ_j,…λ_n)，其中n為評價因子個數(shù)，λ_j為第j個評價因子的綜合權(quán)重；

E根據(jù)步驟A中的評價因子數(shù)據(jù)集中各評價因子數(shù)值，計算各評價因子數(shù)值與各指標(biāo)限量標(biāo)準(zhǔn)之比Z，將步驟D中得到的評價因子的綜合權(quán)重Λ與Z通過公式進行加權(quán)求和，得到第i個樣品風(fēng)險指數(shù)r_i，并根據(jù)風(fēng)險指數(shù)的值劃分風(fēng)險等級；

F將所述原始檢測結(jié)果以及步驟E中得到的風(fēng)險等級作為長短期記憶神經(jīng)網(wǎng)絡(luò)的輸入進行訓(xùn)練，確定所述長短期記憶神經(jīng)網(wǎng)絡(luò)模型的各參數(shù)，得到食用油安全預(yù)警模型，其中評價因子為輸入變量，風(fēng)險等級為輸出變量。

2.如權(quán)利要求1所述的方法，其特征在于，所述步驟B包括以下步驟：

根據(jù)評價因子的分類進行層次劃分，分為目標(biāo)層、準(zhǔn)則層和方案層，所述目標(biāo)層是對食用油的綜合評價，所述準(zhǔn)則層為各個評價因子的分類；所述方案層包括各個評價因子；

采用矩陣標(biāo)度確定各個評價因子的重要性之比，構(gòu)建每一層的判斷矩陣H；

對判斷矩陣進行一致性檢驗，在通過一致性檢驗的情況下，計算得到判斷矩陣的最大特征向量；

將所述最大特征向量作為評價因子的權(quán)重。

3.如權(quán)利要求1所述的方法，其特征在于，所述步驟C包括以下步驟：

C1對步驟A中得到的評價因子數(shù)據(jù)集進行數(shù)據(jù)標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化數(shù)據(jù)集表示為矩陣對應(yīng)的向量為Y₁,Y₂,…,Y_j,…,Y_n，其中Y_j＝{y_1j,y_2j…y_ij…y_mj}^T,其中x_ij表示標(biāo)準(zhǔn)化前第i個樣品第j個指標(biāo)的值，y_ij表示標(biāo)準(zhǔn)化后第i個樣品第j個指標(biāo)的值，min(X_j)為矩陣X第j列的最小值，max(X_j)為矩陣X第j列的最大值；

C2根據(jù)評價因子提供信息量的重要性確定計算評價因子的貢獻度；

C3根據(jù)所述評價因子的貢獻度計算評價因子間的差異系數(shù)；

C4根據(jù)所述評價因子的差異系數(shù)，計算各評價因子權(quán)重。

4.如權(quán)利要求1所述的方法，其特征在于，所述步驟F具體包括：

F1將步驟E中得到的各評價因子數(shù)據(jù)與各指標(biāo)限量標(biāo)準(zhǔn)之比數(shù)據(jù)集Z，與每個樣品對應(yīng)的風(fēng)險等級按樣品采樣時間進行排序，得到食用油的時序數(shù)據(jù)集，其中數(shù)據(jù)集中一行為一個樣品，行數(shù)為樣品數(shù)，列數(shù)為變量總數(shù)；

F2將步驟F1中得到的食用油的時序數(shù)據(jù)集輸入到長短期記憶神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，得到預(yù)測模型，其中評價因子為輸入變量，風(fēng)險等級為輸出變量；

F3將最新的食用油樣品檢測數(shù)據(jù)x_t放入步驟F2生成的預(yù)測模型中，預(yù)測得到的輸出h_t即為該樣品的風(fēng)險等級。

5.如權(quán)利要求4所述的方法，其特征在于，所述將步驟F1中得到的食用油的時序數(shù)據(jù)集輸入到長短期記憶神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，得到預(yù)測模型，包括：

前向計算每個長短期記憶神經(jīng)網(wǎng)絡(luò)的神經(jīng)元的輸出值；

再反向計算長短期記憶神經(jīng)網(wǎng)絡(luò)每個神經(jīng)元的誤差項δ的值，并將誤差項向上一層傳播；

根據(jù)相應(yīng)的誤差項，計算每個權(quán)重的梯度，得到預(yù)測模型。