GA-BP神經(jīng)網(wǎng)絡(luò)及其在液體乳安全評價中的應(yīng)用

姜同強(qiáng),任 葉

(北京工商大學(xué),計算機(jī)與信息工程學(xué)院,北京 100048)

GA-BP神經(jīng)網(wǎng)絡(luò)及其在液體乳安全評價中的應(yīng)用

姜同強(qiáng),任 葉*

(北京工商大學(xué),計算機(jī)與信息工程學(xué)院,北京 100048)

利用遺傳算法(Genetic Algorithm,GA)優(yōu)化BP(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值,以期加快網(wǎng)絡(luò)收斂,提高預(yù)測精度。以乳制品中的液體乳為實(shí)驗(yàn)材料,建立安全評價指標(biāo)體系;將優(yōu)化后的GA-BP神經(jīng)網(wǎng)絡(luò)作為評價模型,對液體乳的日常檢測數(shù)據(jù)進(jìn)行擬合;以測試數(shù)據(jù)作為驗(yàn)證,檢測模型的收斂速度和擬合度。結(jié)果表明GA-BP較BP神經(jīng)網(wǎng)絡(luò)來講更穩(wěn)定,能較快收斂,且仿真誤差較小;在隱層節(jié)點(diǎn)數(shù)為9時,GA-BP神經(jīng)網(wǎng)絡(luò)對液體乳的擬合效果最好,預(yù)測精度較高,是一種可行的液體乳安全狀況評價方法。

遺傳算法,BP神經(jīng)網(wǎng)絡(luò),液體乳,食品安全評價

食品安全問題的發(fā)生,不僅損害了消費(fèi)者的健康,還給社會經(jīng)濟(jì)造成了極大的損失,為保障人們吃上無害食品,對食品風(fēng)險進(jìn)行安全評價就顯得尤為重要。食品安全評價主要包括指標(biāo)體系和評價模型兩個部分。

對不同的研究對象,指標(biāo)體系的構(gòu)建差異甚大。已有研究成果大多基于危害分析與關(guān)鍵控制點(diǎn)[1](Hazard Analysis Critical Control Point,HACCP),對食品生產(chǎn)、加工、銷售過程中可能產(chǎn)生危害的關(guān)鍵點(diǎn)進(jìn)行分析,以構(gòu)建安全評價指標(biāo)體系,如以食品供應(yīng)鏈為研究主線[2-3]。

評價模型的選取也直接影響評價結(jié)果的高效性和準(zhǔn)確性。常用評價模型主要有2類:定性分析和定量分析。定性分析主要借助相關(guān)理論分析得出結(jié)論,如德爾菲法[4]、風(fēng)險矩陣[5]、案例推理[6]等。定量分析主要采用方法、模型對食品的檢測或監(jiān)測數(shù)據(jù)進(jìn)行分析,實(shí)現(xiàn)對食品安全的評價,如主成分分析[7]、因子分析[8]、時間序列法[9]、貝葉斯網(wǎng)絡(luò)[10-11]、神經(jīng)網(wǎng)絡(luò)[12-13]等。

針對以上內(nèi)容,國內(nèi)外研究學(xué)者已經(jīng)做了大量優(yōu)化指標(biāo)體系[14-15]、改進(jìn)評價方法[16-17]的工作來完善。神經(jīng)網(wǎng)絡(luò)是食品安全評價研究中的常用工具[18-19]。其中,BP神經(jīng)網(wǎng)絡(luò)是非線性不確定性數(shù)學(xué)模型[20],它將誤差作為導(dǎo)師信號,反向調(diào)整網(wǎng)絡(luò)權(quán)值、閾值,來實(shí)現(xiàn)數(shù)據(jù)的擬合,在乳制品溯源[21],品質(zhì)分類識別[22]等領(lǐng)域已經(jīng)有著廣泛的應(yīng)用。

表1 液體乳安全檢測原始數(shù)據(jù)

然而,在實(shí)際使用中BP神經(jīng)網(wǎng)絡(luò)也存在著局限[20]:收斂速度慢;局部極小點(diǎn)。遺傳算法具有較快的收斂能力和較強(qiáng)的學(xué)習(xí)能力[23]。因此,可以利用遺傳算法(Genetic Algorithm,GA)擅長搜索全局最優(yōu)的特點(diǎn),來彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺陷[24]。

為彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)局部最優(yōu)、收斂速度慢的缺陷,本文利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值,并以液體乳為材料進(jìn)行實(shí)驗(yàn)驗(yàn)證。一方面,要利用GA-BP神經(jīng)網(wǎng)絡(luò)模型對液體乳進(jìn)行安全評價,驗(yàn)證模型有效性;另一方面,要根據(jù)實(shí)驗(yàn)結(jié)果比較GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)性能,驗(yàn)證GA-BP神經(jīng)網(wǎng)絡(luò)的優(yōu)良性。

1 材料與方法

1.1 實(shí)驗(yàn)材料

本文使用的實(shí)驗(yàn)數(shù)據(jù)來自食藥監(jiān)局的日常檢測,偏重成品檢測。先對原始數(shù)據(jù)進(jìn)行篩選,獲得液體乳檢測數(shù)據(jù)。同時,簡化屬性,去除次要因素,如報送單位、生產(chǎn)企業(yè)等信息。簡化后的數(shù)據(jù)如表1所示。

對簡化數(shù)據(jù)進(jìn)行預(yù)處理。

對數(shù)據(jù)進(jìn)行分析,去除次要影響因素,挑選出11個檢測項(xiàng)作為評價指標(biāo)。評價指標(biāo)分為5類:品質(zhì)指標(biāo)、金屬污染物、食品添加劑、微生物與致病菌、非法添加物危害。

檢測結(jié)果包含定量值和定性值。對定量值,以標(biāo)準(zhǔn)界限值為參考依據(jù)進(jìn)行處理。對定性值,先將其定量化,如“未檢出”量化為檢測值0,再按定量值進(jìn)行處理。其中,正指標(biāo)和逆指標(biāo)的處理方法相反。

本文將挑選200組數(shù)據(jù)作為實(shí)驗(yàn)的訓(xùn)練集和測試集。每組樣本所對應(yīng)的安全狀況將參考行業(yè)專家的意見,采用專家問卷方式獲得。此外,還需要對這200組數(shù)據(jù)進(jìn)行歸一化。

1.2 實(shí)驗(yàn)方法

1.2.1 安全評價指標(biāo)體系的建立 根據(jù)預(yù)處理結(jié)果,參考國家標(biāo)準(zhǔn)[25]、企業(yè)標(biāo)準(zhǔn),結(jié)合文獻(xiàn)資料[21],構(gòu)建液體乳的安全評價指標(biāo)體系,如表2所示。

對于液體乳安全狀況,本文將借鑒李克特量表[2]的思想構(gòu)建液體乳安全狀況等級,將安全狀況進(jìn)行量化。具體劃分見表3。

1.2.2 BP神經(jīng)網(wǎng)絡(luò)工作原理 BP神經(jīng)網(wǎng)絡(luò)是一種基于誤差反傳的多層感知器,以圖1所示的單隱層網(wǎng)絡(luò)的應(yīng)用最為普遍。單隱層感知器包括了輸入層、隱層和輸出層。

表2 液體乳安全評價指標(biāo)體系

表3 液體乳安全狀況等級劃分

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[20]Fig.1 Three-layer BP neural network[20]

表4 GA-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)性能比較

三層傳感器中,輸入向量為X=(x1,x2,…,xi,…,xn)T,隱層輸出向量為Y=(y1,y2,…,yj,…,ym)T,輸出層輸出向量為O=(o1,o2,…,ok,…,ol)T,期望輸出向量為d=(d1,d2,…,dk,…,dl)T,輸入層到隱層之間的權(quán)值矩陣為V=(V1,V2,…,Vj,…,Vm),隱層到輸出層之間的權(quán)值矩陣為W=(W1,W2,…,Wk,…,Wl)。隱含層和輸出層的激活函數(shù)分別為f1、f2,設(shè)b1、b2為隱層、輸出層神經(jīng)元的閾值,其中V,W,b1,b2的取值范圍為(-1,1)。

當(dāng)網(wǎng)絡(luò)輸出與期望輸出不等時,存在輸出誤差E,定義如下:

k=1,2,…,lj=1,2,…,m

式(1)

由式(1)可知,網(wǎng)絡(luò)誤差E是包含權(quán)值、閾值(V,W,b1,b2)的函數(shù),當(dāng)輸入向量X一定時,調(diào)整兩者可以改變誤差E的大小,而網(wǎng)絡(luò)局限也與網(wǎng)絡(luò)初始狀態(tài)(初始權(quán)值、閾值)有關(guān),為此采用遺傳算法產(chǎn)生其初始狀態(tài),實(shí)現(xiàn)對BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化。

1.2.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò) 利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值的核心內(nèi)容主要為:

確定編碼長度。因?yàn)槭抢眠z傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始狀態(tài),所以種群中的每個個體都應(yīng)該包含網(wǎng)絡(luò)權(quán)值、閾值,那么編碼串就應(yīng)該由四部分組成[24]:輸入層到隱層權(quán)值(W)、隱層到輸出層權(quán)值(V)、隱層閾值(b1)、輸出層閾值(b2)。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu),編碼的長度為:i×m+m×l+m+l,對應(yīng)權(quán)值個數(shù)和閾值個數(shù)。

確定適應(yīng)度函數(shù)。BP神經(jīng)網(wǎng)絡(luò)主要以其均方誤差作為評判依據(jù),誤差越小,網(wǎng)絡(luò)越優(yōu)良。因此,本文將均方誤差的倒數(shù)作為適應(yīng)度,若誤差越小,則適應(yīng)度越大。

確定網(wǎng)絡(luò)初始狀態(tài)。將遺傳算法獲得的最優(yōu)權(quán)值、閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始狀態(tài)。

以MATLAB軟件為實(shí)驗(yàn)工具,將樣本集中180組樣本作為訓(xùn)練集,剩下的20組樣本作為測試集進(jìn)行實(shí)驗(yàn)。本實(shí)驗(yàn)將在經(jīng)驗(yàn)公式范圍內(nèi),對BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)隨機(jī)運(yùn)行50次,選取均方誤差MSE、迭代步數(shù)(收斂速度)作為網(wǎng)絡(luò)性能評價指標(biāo)。

2 結(jié)果與分析

2.1 GA-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)性能比較

對表4中的實(shí)驗(yàn)結(jié)果進(jìn)行分析,隨著隱含層神經(jīng)元個數(shù)的增加,兩種網(wǎng)絡(luò)的迭代次數(shù)、訓(xùn)練集的均方誤差均逐漸降低,而測試集的均方誤差變化較復(fù)雜,波動較多,在隱層神經(jīng)元個數(shù)為8(BP)和9(GA-BP)時取得最低值。因而,就本次實(shí)驗(yàn)的數(shù)據(jù)來講,GA-BP和BP神經(jīng)網(wǎng)絡(luò)的最佳隱層節(jié)點(diǎn)數(shù)分別為9和8,此時兩種網(wǎng)絡(luò)能夠更好地擬合實(shí)驗(yàn)數(shù)據(jù)。

由表4中的實(shí)驗(yàn)結(jié)果可見,在訓(xùn)練過程中,GA-BP神經(jīng)網(wǎng)絡(luò)較BP神經(jīng)網(wǎng)絡(luò)而言迭代次數(shù)更少,收斂速度更快,說明利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值,確實(shí)能起到加快網(wǎng)絡(luò)收斂的效果。但隨著隱層神經(jīng)元個數(shù)的增加,兩種網(wǎng)絡(luò)的收斂速度都有較大提高,利用遺傳算法優(yōu)化網(wǎng)絡(luò)在加快網(wǎng)絡(luò)收斂上的優(yōu)勢就不夠明顯。就實(shí)驗(yàn)誤差來看,不管是訓(xùn)練還是測試過程,GA-BP比BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的擬合更好,其均方誤差更小。因而,利用遺傳算法能夠一定程度優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的局部最優(yōu)問題。值得一提的是,BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)擬合時,迭代次數(shù)和實(shí)驗(yàn)誤差都波動較大,表現(xiàn)時好時壞,而GA-BP神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果在小范圍內(nèi)進(jìn)行波動,相對來講更穩(wěn)定,那么就有更大的概率能夠?qū)?shù)據(jù)實(shí)現(xiàn)較好的擬合。

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)的液體乳安全評價

就實(shí)驗(yàn)結(jié)果來看,利用GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行液體乳安全評價時,網(wǎng)絡(luò)的最佳隱節(jié)點(diǎn)數(shù)為9。因而,針對隱節(jié)點(diǎn)數(shù)為9的GA-BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn),列舉某一次實(shí)驗(yàn)結(jié)果進(jìn)行分析。

將遺傳算法優(yōu)化得到的初始權(quán)值、閾值賦給BP神經(jīng)網(wǎng)絡(luò),用實(shí)驗(yàn)樣本集進(jìn)行訓(xùn)練,對數(shù)據(jù)進(jìn)行擬合,預(yù)測非線性函數(shù)輸出,其訓(xùn)練集與測試集的仿真誤差見圖2。

圖2 基于GA-BP神經(jīng)網(wǎng)絡(luò)的 液體乳安全狀況評價仿真結(jié)果Fig.2 Simulation results of dairy products safety evaluation based on GA-BP neural network注：a為訓(xùn)練集,b為測試集。

從圖2可見,訓(xùn)練集使用180組數(shù)據(jù),測試集為剩余的20組。利用訓(xùn)練好的網(wǎng)絡(luò)對訓(xùn)練集和測試集進(jìn)行仿真,得到的結(jié)果與實(shí)際值間的均方誤差為0.0000897、0.0012。就網(wǎng)絡(luò)誤差來看,仿真結(jié)果均方誤差較小,說明GA-BP神經(jīng)網(wǎng)絡(luò)能夠?qū)σ后w乳的檢測數(shù)據(jù)進(jìn)行較好擬合,對液體乳安全評價的非線性仿真效果良好。訓(xùn)練好的GA-BP神經(jīng)網(wǎng)絡(luò)模型亦可以用于后續(xù)的液體乳安全狀況評價。

3 結(jié)論

本文以液體乳為實(shí)驗(yàn)材料,采用GA-BP神經(jīng)網(wǎng)絡(luò)評價模型對檢測數(shù)據(jù)進(jìn)行擬合,實(shí)現(xiàn)對液體乳安全狀況的可靠性評價和GA-BP模型的有效性驗(yàn)證。研究結(jié)果表明,利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值能加快網(wǎng)絡(luò)收斂,有效擬合數(shù)據(jù),優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的局部最優(yōu)問題。同時,GA-BP較BP神經(jīng)網(wǎng)絡(luò)來講更穩(wěn)定,有更大的概率達(dá)到全局最優(yōu)。經(jīng)實(shí)驗(yàn)驗(yàn)證,GA-BP神經(jīng)網(wǎng)絡(luò)能夠在系統(tǒng)內(nèi)部規(guī)律未知的情況下,對液體乳安全狀況進(jìn)行可靠評價,且在隱層節(jié)點(diǎn)數(shù)為9時,仿真結(jié)果誤差最小,是一種可行的食品安全分析途徑。

[1]Liao J Y. Research of food quality safety control system based on HACCP[J]. Journal of Anhui Agricultural Sciences,2012,23:11843-11845.

[2]蔡強(qiáng),王君君,李海生,等.基于神經(jīng)網(wǎng)絡(luò)的食品安全評價 模型構(gòu)建研究[J].食品科學(xué)技術(shù)學(xué)報,2014,01:69-77.

[3]雷勛平,Robin Qiu,吳楊.基于供應(yīng)鏈和可拓決策的食品安全預(yù)警模型及其應(yīng)用[J].中國安全科學(xué)學(xué)報,2011,11:136-143.

[4]周萍萍,張磊,焦陽,等.應(yīng)用德爾菲法建立進(jìn)口食品中化學(xué)性危害物質(zhì)風(fēng)險分級指標(biāo)體系[J].食品安全質(zhì)量檢測學(xué)報,2016,05:2114-2119.

[5]Liu Q J,Chen T,Zhang J H,et al. Risk matrix-based risk monitoring model of food safety[J]. Food Science,2010. 05:86-90.

[6]Gong Y X,Wang D H. View on the food safety emergencies risk pre-warning system based on case-based reasoning[J]. Food Science & Technology,2012,07:311-315.

[7]周乃元,潘家榮,汪明.食品安全綜合評估數(shù)學(xué)模型的研究[J].中國食品衛(wèi)生雜志,2009,03:198-203.

[8]王媛媛,洪思慧,房曉倩,等.基于因子分析的食品監(jiān)管風(fēng)險評價模型研究[J].食品工業(yè)科技,2016,13:266-270.

[9]董笑,白寶光.基于時間序列分解法對原料乳質(zhì)量安全預(yù)測的探究[J].食品工業(yè),2016,05:188-191.

[10]張麗,滕飛,王鵬.基于貝葉斯網(wǎng)絡(luò)的食品供應(yīng)鏈風(fēng)險評價研究[J].食品研究與開發(fā),2014,18:179-182.

[11]Zhang F Y,Dong Q L,Huang S L,et al. Modeling the qualifying criteria of pork based on Bayesian network[J]. Science & Technology of Food Industry,2012,10:52-54,93.

[12]Wang J,Tang Z,Jin X. Food Safety Evaluation System Construction Based on Artificial Neural Network[J]. Advance Journal of Food Science and Technology,2015,02:98-100.

[13]章德賓,徐家鵬,許建軍,等. 基于監(jiān)測數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)的食品安全預(yù)警模型[J]. 農(nóng)業(yè)工程學(xué)報,2010,01:221-226.

[14]唐曉純,茍變麗.食品安全預(yù)警體系框架構(gòu)建研究[J].食品科學(xué),2005,12:246-250.

[15]武力. “從農(nóng)田到餐桌”的食品安全風(fēng)險評價研究[J].食品工業(yè)科技,2010,09:304-306.

[16]徐超,杜樹新,羅祎,等. 基于集對分析理論的進(jìn)出口食品安全風(fēng)險評價方法[J]. 科技通報,2013,03:208-211，230.

[17]劉於勛.食品安全綜合評價指標(biāo)體系的層次與灰色分析[J].河南工業(yè)大學(xué)學(xué)報(自然科學(xué)版),2007,05:53-57.

[18]金劍,齊思源,彭亞拉.神經(jīng)網(wǎng)絡(luò)法在食品安全預(yù)警中的應(yīng)用[J]. 食品科技,2011,11:306-309.

[19]王輝,王斌,徐靜,等.基于BP神經(jīng)網(wǎng)絡(luò)的乳制品質(zhì)量預(yù)測研究[J].農(nóng)機(jī)化研究,2013,03:218-220.

[20]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京:化學(xué)工業(yè)出版社,2007:47-62.

[21]吳聰.乳制品供應(yīng)鏈的溯源體系與預(yù)警模型研究[D].廣州:華南理工大學(xué),2014.

[22]仲偉峰,馬麗霞,何小溪.PCA和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的大米外觀品質(zhì)識別[J].哈爾濱理工大學(xué)學(xué)報,2015,04:76-81.

[23]雷英杰,等.MATLAB遺傳算法工具箱及應(yīng)用[M].西安:西安電子科技大學(xué)出版社,2005:146-207.

[24]劉春艷,凌建春,寇林元,等.GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)性能比較[J].中國衛(wèi)生統(tǒng)計,2013,02:173-176.

[25]國家國家食品安全風(fēng)險評估中心. 食品安全國家標(biāo)準(zhǔn)匯編[M].北京:中國人口出版社,2014:1-563.

GA-BP neural network and its application in safety evaluation of liquid milk

JIANG Tong-qiang,REN Ye*

(School of computer and information engineering,Beijing Technology and Business University,Beijing,100048)

The initial weights and thresholds of back propagation(BP)neural network were optimized by genetic algorithm(GA)to accelerate the network convergence and improve the prediction precision. The liquid milk in dairy products was used as the experimental material to establish the safety evaluation index system. The GA-BP neural network was used as the evaluation model to fit the daily data of liquid milk. The convergence rate and the fitting degree of the model were verified by the test data. The results showed that GA-BP was more stable than BP neural network and could converge quickly,and the simulation error of GA-BP neural network was smaller. When the number of nodes was 9,GA-BP neural network had the best fitting effect to liquid milk,and the prediction precision was high. So GA-BP neural network was a feasible method to evaluate the safety of liquid milk.

genetic algorithm;BP neural network;liquid milk products;evaluation of food safety

2016-10-24

姜同強(qiáng)(1966-)，男，碩士，教授，研究方向：綜合評價技術(shù)，E-mail:jiangtq@th.btbu.edu.cn。

*通訊作者:任葉(1993-)，女，碩士研究生，研究方向：食品安全綜合評價，E-mail:r1104040125@163.com。

國家科技支撐計劃“電子溯源的食品安全風(fēng)險評估關(guān)鍵技術(shù)研究與應(yīng)用”(2015BAK36B04)；北京市科技計劃項(xiàng)目(Z161100001616004)；2016年研究生科研能力提升計劃項(xiàng)目資助。

TS201.6

A

1002-0306(2017)05-0289-04

10.13386/j.issn1002-0306.2017.05.046