基于神經網絡的化學品檢驗系統安全研究

劉璇 王坤

（吉林省藥品檢驗所 吉林省長春市 130033）

近年來，隨著經濟和科技的發展，化學品作為基本生產資料和人民生活不可或缺的重要物資，需求量越來越大，化學品的使用也逐漸繁多，其中也有許多危險化學品對環境甚至人身造成傷害，在所發生的化學品事故中，現場化學品的處理成為防止二次事故首要目標，因此對于此類的化學品無論是在運輸還是檢測、存儲的過程中必須進行分類處理，迫切需要系統有效的安全管理。

對于危險化學品的分類和識別，本文采用了人工神經網絡法（ANN），人工神經網絡的基本模型類似人類神經元中信息傳遞的過程，通過模擬神經元的方式在計算機上模擬出人類邏輯推理過程，ANN 能夠有效解決線性和非線性問題[1]。神經網絡算法中BP 算法是采用誤差反向傳播模型，具有很強的自學能力，可以通過學習后用于對多個危險指標進行系統的評價或者預測。李懷俊[2]針對危化品運輸企業建立了BP 神經網絡評價模型，實現了自學習的安全評價系統。張光華[3]通過PCA 算法對危化品船舶進行特診提取，再使用BP 神經網絡進行了分類識別，提出了根據已知特征數據通過神經網絡的計算來對其進行分類。張嘉亮、楊美芝[4]等創建了一種風險預警模型，劃分了不同化學品風險等級并用神經網絡對風險預測模型進行了監測。

1 基于化學品檢測的BP神經網絡算法

1.1 BP神經網絡

BP 神經網絡是由輸入層，隱含層以及輸出層構建的一個多層的復合網絡結構，在每一層中都有多個神經元即網絡節點與下一層的神經元通過權重進行相連，在神經網絡的運算過程中分為正向信號傳播以及誤差的反向傳播，二者同時進行。在計算出隱含層以及輸出層的輸出后，獲得對應的誤差結果，然后再根據隱含層和輸出層中各個神經節點的閾值及權重來對誤差進行調整，在誤差的反向傳播的同時不斷更新隱含層和輸出層的閾值和權重[5]其誤差函數為：

其中，d(k)為期望輸出，y(k) 為實際輸出。

由此，神經網絡的識別流程如圖1 所示。

1.2 神經網絡結構參數設計

1.2.1 BP 神經網絡基本框架的構建

在明確所建立的化學品檢驗的神經網絡的輸入層，隱含層以及輸出層后，其三層拓撲結構如圖2 所示。

上圖是一種典型的多層的神經網絡。其中，xi(i=1,2…n)組成輸入層輸入向量：

yi(i=1,2…m)組成輸出層的輸出向量：

1.2.2 輸入層，隱含層以及輸出層的設計

圖1：化學品檢測神經網絡識別流程

圖2：三層神經網絡拓撲結構圖

圖3：算法下均方誤差的收斂

該模型的輸入由多個數據指標構成，輸出則為相關化學品的危險程度，故輸出層節點個數對應樣本中指標個數n，輸出層為1，而隱含層通常有經驗公式[6]來確定：

其中，p 為隱含層的節點數量；m 和n 分別為輸出和輸入層的節點個數；a 為區間[1,10]內任意常數。

1.2.3 選取激勵函數

激勵函數是神經網絡中各個層次節點之間信息傳遞的一個重要手段，通常隱含層的神經元有兩種S 型傳遞函數（logsig，tansig），而輸出層的神經元多采用的傳遞函數是一種線性函數（purelin）。

本文隱含層選用S 型傳遞函數中的tansig 函數，輸出層選用則為線性傳遞函數purelin。神經網絡模型確定后通過調用神經網絡工具箱中的"newff" 函數來構建自定義的神經網絡，并使用基本的MATLAB 語言和矩陣運算來實現網絡構建和訓練的過程。

2 基于BP神經網絡的化學品安全檢驗系統模型建立

2.1 影響化學品安全因素選取

化學品的安全性除本身所帶有的危險性之外還與諸多因素有關，賦予化學品所處在危險的等級區分，能夠更好的實現對不同危險等級采取不同的安全保護措施。對于化學品的危險性主要有化學品的物理以及化學特性，存儲環境因素等[7]。本文選取化學品易燃性，刺激性，環境危害性，毒性，人體損傷性等量化指標進行分析。形成300 組數據樣本，并將數據輸入至建立好的神經網絡中進行網絡訓練。在神經網絡學習完成后，通過60 組測試樣本進行測試，來確定所建立模型的有效性。其中，本文擬出化學品安全等級劃分如表1 所示。

表1：化學品安全等級表

2.2 危險品檢測神經網絡參數設置

因為上文列出的五種參量單位和量級都不同，為了便于神經網絡收斂，使誤差達到最小，在使用上述幾種變量組成的向量作為神經網絡的輸入向量輸入至神經網絡進行訓練前，需要對其進行歸一化處理，本文使用MATLAB 神經網絡工具箱中Premnmx 函數對上述參量進行歸一化處理[8]。其調用格式為：

其中P,T 分別為原始的輸入和輸出數據。

在確定神經網絡整體結構后，運算過程中神經網絡工具箱的具體參數設置如表2 所示。

按照以上設置我們對神經網絡進行了300 組訓練以及對60 組測試集樣本進行了測試，危險品檢測系統的訓練結果如圖3 所示。

表2：神經網絡參數設置

3 結果及分析

實驗結果表明，在300 組訓練集輸入至神經網絡訓練后，60組測試樣本的測試結果顯示只有2 組數據與期望輸出不符，該神經網絡對化學品類別的識別率達97%，由于訓練樣本集有限，理論上來說一定數量的訓練樣本集能夠使得神經網絡中權系數及閾值的組合能夠使得測試樣本的實際輸出能夠更逼近期望輸出。