食品冷链是指易腐食品从产地收购或捕捞之后,再进行产品加工、贮藏、运输、分销和零售直到消费者手中,各个环节始终处于产品所必需的低温环境下,以保证食品质量安全,减少损耗,防止污染的特殊供应链系统［１］.通过对陕西省猪肉市场现状进行分析发现,猪肉在生产到销售的各个节点中,易腐烂的情况屡见不鲜［２］.为了最大程度地提供给顾客高品质的猪肉产品,实现对猪肉冷链全程实时监控和及时预警具有重要意义.本文采用BP(back propagation)神经网络的方法,分析猪肉冷链物流过程中的相关影响因素,并进行环节安全预警.

图1猪肉安全预警基本原理Fig.1 Basic principle of pork safety warning 

1猪肉冷链物流预警原理

1.1基本原理

猪肉安全预警要实现其预防和控制功能,需要对整个个供应链中猪肉安全状况信息进行采集和汇总,经过数据处处理后进行分析和评价,并预测猪肉安全趋势的发展变化.猪猪肉预警的基本原理,如图1所示.

1.2预警方法的提出

为提高猪肉安全预警的准确性,将神经网络算法应用用于猪肉冷链物流安全预警系统中.BP网络能学习和存贮大大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程.它的学习规则是使用最速下降法,通过反向传播不断调整网络的权值和阈值,使网络的误差平方和最小.影响猪肉安全的因素和变化机理在一些情况下是模糊的.由于神经网络算法在处理问题时,无需建立确定的数学模型,只需把已知的数据输入神经网络中,因此,在处理猪肉产品的安全预警问题时,具有一定优势.

2猪肉安全预警模型的建立

2.1指标体系构建的原则

指标体系具有两个特点:一是科学合理、具有操作性和可执行性;二是全面、不重叠和指标易于取得.要建立一套既科学又合理的评价指标体系,就要考虑以下5个基本原则［３－４］:科学性原则、系统性原则、层次性原则、实用性原则和预见性原则.

2.2预警指标体系建立

通过对国家与地方标准的查阅［５－９］,以及对西安方欣集团下属的肉联厂进行调查和专家咨询,将能够合理取值的数据资料直接用作原始数据,不能获得的指标数据直接征询专家意见和对现场调查进行等级评价划分.整个冷链涉及入厂候宰、屠宰加工、冷却排酸、运输和销售5个环节.通过市场调研分析, 确定了猪肉的29个安全指标,再运用层次分析法计算各个指标权重因子,最后得出安全指标及其权重, 结果如表1所示.

表1猪肉冷链物流安全指标及其权重Tab.1 Pork cold chain safety indicators and their weights

2.3 BP神经网络构建预警模型

BP神经网络的设计主要包括网络层数、输入层节点数、隐含层节点数、输出层节点数、传输函数、训练方法和训练参数的设置等［１０］.对于猪肉预警系统采用三层BP神经网络模型,包括输入层、隐含层和输出层,如图2所示.网络的输入是一个29维向量,即节点数为29个,每个节点通过权值矩阵ω 与隐含层相连;隐含层由权值矩阵ω、偏置值向量b、累加器、传输函数f组成,节点数设置为9个;输出层包含5类预警模式(A,B,C,D,E类预警),即节点数为5个.网络结构采用29×9×5的3层结构.

图2 BP神经网络预测模型结构Fig.2 BP neural network model structure  

传输函数选用常用的Sigmoid函数,使输出结果在(0, 1)之间.BP网络输出端误差为BP神经网络工具箱中的均方误差(MSE),相应表达式为

式中:n为样本数;pre为预测值;tru为真实值.

通过咨询专家,将预测结果分为不同的警情等级结果［１１］,如表2所示.

表2警情等级划分表Tab.2 Police intelligence classification table

2.4预警指标归一化

为消除各指标下数据间数量级的差距,避免因数量级不同而造成输出结果误差过大,需要对数据做归一化处理,使所有数据取值范围限定在(0,1)之间.

定性评价指标归一化处理,评判结果分5个等级:好、较好、一般、较差、差,对应的评价值为0.30, 0.25,0.20,0.15,0.10.文中采用最大最小值法,设x={x１，１,…,xｉ，ｊ,…},i=1,…,15,j=1,…,150,则正向指标:数据大小与评价目标同向变化,即指标实际值xｉ，ｊ越大,评价值pｉ，ｊ越高,其归一化公式为

负向指标:数据大小与评价目标反向变化,即指标实际值xｉ，ｊ越大,评价值pｉ，ｊ越低,其归一化公式为

区间指标:记 ,则

文中数据资料主要来自西安方欣集团,通过相关专家咨询和现场调查获取.以各个指标的合理取值数据资料直接作为数据来源,对于不能直接获得的指标,则通过专家咨询和现场调查给予不同等级的评价.共收集了200组数据、29项猪肉安全因素指标的具体资料.

2.5模型的训练及预测

神经网络的训练过程就是不断地对其权值和阈值做出调整,直到其达到输出误差值最小要求,以满足实际应用的需求.文中利用matlab神经网络工具箱中前向神经网络函数feedforwardnet创建BP网络,使用Levenberg-Marquardt算法对应的训练函数trainlm进行网络训练,P和T分别为网络输入向量和目标向量,程序代码和参数设置为

net=feedforwardnet(nHidden);

net.trainFcn=′trainlm′;

net.trainParam.show=50;%每50轮显示一次

net.trainParam.lr=0.03;%学习速率为0.03

net.trainParam.epochs=200;%最大训练轮回数为200

net.trainParam.goal=0.000001;%目标函数的误差为0.000001

[net,tr]=train(net,P′,T);%训练网络

Y_train=sim(net,P′);%训练结果

3仿真结果与可行性分析

BP神经网络采用有监督的学习,用其解决具体问题时,首先需要一个训练数据集.通过MATLAB R2010a中自带神经网络工具箱实现BP神经网络模型.将200组数据中的190组数据作为训练数据集进行训练学习,其中40个样本的训练结果对比图,如图3所示.由图3可知:样本的训练输出曲线和期望输出曲线能较好的拟合,具有较高的精准性.

图3 BP神经网络训练结果Fig.3 BP neural network training results 

在建立的神经网络模型的基础上,利用已训练好的网络对剩余的10组数据集进行测试,为了验证检测模型的优越性,采用两种方法进行对比,用以比较BP神经网络算法与回归分析法的预测结果,如表3所示.表3中:误差为相对误差;测试代码为Y_test=sim(net,P_test′).

模型的输出分为5类警区,A,B,C,D,E分别代表5个环节.每类警区根据危害程度由低到高分为无警、微警、轻警、中警和重警5种警情.

由表3可知:以样本2为例,在下一个周期内,将会出现由屠宰加工环节中引起的B类预警,且危害程度为轻警;同时,通过神经网络模型预测得出的警区和预测警情优于通过回归分析所得的目标矢量预测结果.说明利用BP神经网络技术实现猪肉冷链物流安全预警的建模和评价是一种有效的方法.

表3预测数据对比表Tab.3 Prediction data comparison table  

4遗传算法优化BP神经网络参数

由于BP神经网络在训练过程中的学习规则都是提前设定的,合理性有待考证,故使用遗传算法对BP神经网络模型的参数进行优化.算法流程如图4所示.

图4 遗传算法优化过程 Fig.4 Genetic algorithm optimization process

遗传算法程序代码和参数设置为

net=newff(P,T,hiddennum);

maxgen=10;%进化代数,即迭代次数

sizepop=20;%种群规模

pcross=0.3;%交叉概率选择,0和1之间

pmutation=0.1;%变异概率选择,0和1之间

使用遗传算法改进后的训练结果,如图5所示.遗传算法与神经网络预测数据对比,如表4所示.

由表4可知:在建模样本相同的情况下,经过遗传算法改进后的BP神经网络模型的预测相对误差小于改进前的相对误差,预测能力有所提高.因此,基于遗传算法的BP神经网络模型预测结果更加稳定,所预测的结果具有良好的精准性.

图5遗传算法改进后训练结果Fig.5 Improved genetic algorithm of training results 

表4遗传算法与神经网络预测数据对比表Tab.4 Comparison table between the genetic algorithms and neural networks prediction data

5结束语

为了确保猪肉冷链流通过程的质量安全,需要及时控制影响猪肉品质各环节的因素.因此,开展猪肉冷链物流安全预警研究,防患于未然,具有重要的理论与现实意义.由于影响猪肉安全的因素过多,使得猪肉在流通过程的不确定性过大,因此,预警的难度较大.文中针对猪肉产品在冷链物流过程中的安全问题,将BP神经网络应用于猪肉冷链安全预警当中,并通过遗传算法对该模型进行优化改进.仿真结果表明:所提出的BP神经网络模型可以有效提高猪肉在冷链物流中风险预警的准确性,避免病猪、 变质猪肉流入市场,具有较高的实用价值.