楊 瑋，曹 薇

(陜西科技大學(xué)機(jī)械與電子工程學(xué)院，陜西 西安 710021)

BP神經(jīng)網(wǎng)絡(luò)在果蔬冷鏈物流預(yù)警中的應(yīng)用*

楊 瑋，曹 薇

(陜西科技大學(xué)機(jī)械與電子工程學(xué)院，陜西 西安 710021)

近年來，消費者對果蔬冷鏈產(chǎn)品的安全和品質(zhì)提出了更高要求，而現(xiàn)有的系統(tǒng)僅從溫度和濕度兩方面預(yù)測果蔬安全狀態(tài)，沒有綜合考慮人員操作和設(shè)備等因素對果蔬品質(zhì)的影響。針對上述問題，分析果蔬在冷鏈過程中出現(xiàn)安全隱患的因素，整合供應(yīng)鏈上的追溯信息和監(jiān)測信息，建立果蔬預(yù)警指標(biāo)體系，采用BP神經(jīng)網(wǎng)絡(luò)搭建安全預(yù)警模型，并對模型進(jìn)行訓(xùn)練和預(yù)測。預(yù)警結(jié)果表明，該方法較傳統(tǒng)的時間序列、回歸分析方法，在解決實際問題中預(yù)測誤差小，可以有效提高果蔬在冷鏈物流中風(fēng)險預(yù)警的準(zhǔn)確性。

冷鏈物流；預(yù)警；神經(jīng)網(wǎng)絡(luò)

1 引言

果蔬冷鏈物流是指水果、蔬菜從產(chǎn)地收采后，在加工、運輸、貯藏和銷售等環(huán)節(jié)下始終處于適宜的低溫控制環(huán)境中，最大程度地保證其品質(zhì)和口感，減少損耗和環(huán)境污染的特殊供應(yīng)鏈系統(tǒng)[1]。近年來，我國生鮮農(nóng)產(chǎn)品產(chǎn)量快速增加，其中蔬菜產(chǎn)量約占全球總產(chǎn)量的60%，水果和肉類產(chǎn)量占30%。在日益激烈的競爭中競爭的核心不單是價格，更注重果蔬的品質(zhì)和口感。為了最大程度地提供給顧客高品質(zhì)的果蔬產(chǎn)品，因此實現(xiàn)對果蔬冷鏈全程的實時環(huán)境監(jiān)控和及時預(yù)警具有重要意義。

由于果蔬冷鏈物流的預(yù)警涉及整個供應(yīng)鏈，涵蓋的范圍廣，受供應(yīng)鏈環(huán)境復(fù)雜等諸多因素的影響，造成果蔬產(chǎn)品損傷的原因有所不同[2]。傳統(tǒng)的時間序列、回歸分析等在解決預(yù)警問題時，要求對系統(tǒng)結(jié)構(gòu)已知或變量間關(guān)系明確，而實際問題中變量間的關(guān)系往往是模糊的，因此導(dǎo)致預(yù)測結(jié)果誤差較大[3]。針對上述問題，本文以采集的果蔬冷鏈物流監(jiān)測數(shù)據(jù)為基礎(chǔ)，建立果蔬安全預(yù)警模型，運用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測處理，實現(xiàn)在危害來臨前的安全預(yù)警。

2 果蔬冷鏈物流預(yù)警原理

2.1 果蔬安全預(yù)警基本原理

果蔬安全預(yù)警要實現(xiàn)其預(yù)防和控制功能，首先需要對整個供應(yīng)鏈中果蔬安全狀況信息進(jìn)行采集和匯總，經(jīng)過數(shù)據(jù)處理后進(jìn)行分析和評價，并預(yù)測果蔬安全趨勢的發(fā)展變化，最后根據(jù)危害安全的風(fēng)險及其程度來決策是否應(yīng)該發(fā)出警報，以及發(fā)出何種警報，及時發(fā)現(xiàn)可能存在的危害，以便采取恰當(dāng)應(yīng)對措施，最大程度地避免或降低危害的影響程度。果蔬預(yù)警的基本原理如圖1所示。

Figure 1 Principle of fruit and vegetable safety warning

2.2 預(yù)警方法的提出

果蔬產(chǎn)品在流通過程中，影響其品質(zhì)口感的因素很多，預(yù)警難度較大。在傳統(tǒng)的預(yù)警中，指標(biāo)權(quán)重的確定主要采取賦權(quán)法。賦權(quán)法在實際評價過程中具有隨機(jī)性和不確定性，且缺乏自學(xué)習(xí)能力。在解決經(jīng)常性、大規(guī)模評價問題時，專家的經(jīng)驗知識只能用在一次評價中，后續(xù)評價不能再次利用。因此，需要尋求一種既能充分考慮專家的經(jīng)驗和思維模式，又能降低人為的不確定因素，同時具有通過學(xué)習(xí)獲得專家經(jīng)驗和知識能力的綜合評價方法。

為提高果蔬安全預(yù)警的準(zhǔn)確性，將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于果蔬冷鏈物流安全預(yù)警系統(tǒng)中。BP神經(jīng)網(wǎng)絡(luò)在處理大規(guī)模數(shù)據(jù)時具有較強(qiáng)的容錯能力和魯棒性，以及強(qiáng)大的數(shù)據(jù)處理能力，并且在處理隨機(jī)性、非線性、多輸入輸出模型等方面表現(xiàn)突出，在一定程度上保證預(yù)警的準(zhǔn)確性。謝香峰等人[4]利用BP神經(jīng)網(wǎng)絡(luò)解決了大規(guī)模模擬電路功能模塊串行處理效率低的問題。婁樹美等人[5]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于光纖故障預(yù)警中，使得預(yù)警的及時度提高到86.9%，而傳統(tǒng)的數(shù)據(jù)庫方法預(yù)警及時度僅為66.3%。神經(jīng)網(wǎng)絡(luò)算法在處理問題時無需建立確定的數(shù)學(xué)模型，只需把已知的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)中，而影響果蔬安全的因素和變化機(jī)理在一些情況下是模糊的，因此采用神經(jīng)網(wǎng)絡(luò)算法處理此類預(yù)警問題時具有一定優(yōu)勢。

3 BP神經(jīng)網(wǎng)絡(luò)技術(shù)建立果蔬安全預(yù)警模型

3.1 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)警模型

BP神經(jīng)網(wǎng)絡(luò)的設(shè)計主要包括網(wǎng)絡(luò)層數(shù)、輸入層節(jié)點數(shù)、隱含層節(jié)點數(shù)、輸出層節(jié)點數(shù)以及傳輸函數(shù)、訓(xùn)練方法、訓(xùn)練參數(shù)的設(shè)置等幾個方面[6]。對于果蔬預(yù)警系統(tǒng)采用三層BP神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱含層和輸出層。網(wǎng)絡(luò)的輸入是一個13維向量，即節(jié)點數(shù)為13個，每個節(jié)點通過權(quán)值矩陣ω與隱含層相連；隱含層由權(quán)值矩陣ω、偏置值向量b、累加器、傳輸函數(shù)f組成，節(jié)點數(shù)設(shè)置為九個；輸出層包含四類(如表1所示的A、B、C、D類預(yù)警)預(yù)警模式，即節(jié)點數(shù)為四個。網(wǎng)絡(luò)結(jié)構(gòu)采用13×9×4的三層結(jié)構(gòu)，如圖2所示。

Figure 2 Structure of the BP neural network prediction model

傳輸函數(shù)選用常用的Sigmoid函數(shù)，使輸出結(jié)果在(0，1)之間，根據(jù)目標(biāo)值的輸出將每一類預(yù)警模式下的警情結(jié)果劃分為五個區(qū)間：無警(輸出結(jié)果>0.1)、微警(0.1～0.08)、輕警(0.08～0.06)、中警(0.06～0.04)和重警(<0.04)。

Table 1 Safety indexes and weights of fruit and vegetable cold-chain logistics表1 果蔬冷鏈物流安全指標(biāo)及其權(quán)重

3.2 預(yù)警指標(biāo)體系建立

果蔬產(chǎn)品從種植到消費者手中，需要從加工開始至銷售環(huán)節(jié)始終處于冷鏈環(huán)境下，整個冷鏈涉及加工、貯藏、運輸及配送和銷售四個環(huán)節(jié)。通過分析這四個環(huán)節(jié)中影響果蔬安全品質(zhì)和質(zhì)量的因素，從果蔬品質(zhì)、環(huán)境、人文和設(shè)備四個方面確定果蔬的13個安全指標(biāo)，再運用層次分析法計算各個指標(biāo)權(quán)重因子，最后得出表1中的安全指標(biāo)及其權(quán)重。

3.3 預(yù)警指標(biāo)歸一化

為消除各指標(biāo)下數(shù)據(jù)間數(shù)量級的差距，避免因數(shù)量級不同而造成輸出結(jié)果誤差過大，需要對數(shù)據(jù)做歸一化處理，使所有數(shù)據(jù)取值范圍限定在(0，1)之間。

定性評價指標(biāo)歸一化處理，評判結(jié)果分五個等級：好、較好、一般、較差、差，對應(yīng)的評價值為0.30、0.25、0.20、0.15、0.10。定量評價指標(biāo)歸一化處理，本文采用最大最小值法，具體方法如下：

設(shè)x={x11,…,xij,…}，i=1,…,13;j=1,…,200，則：

正向指標(biāo)：數(shù)據(jù)大小與評價目標(biāo)同向變化，即指標(biāo)實際值越大，評價值越高。其歸一化公式為:

(1)

負(fù)向指標(biāo)：數(shù)據(jù)大小與評價目標(biāo)反向變化，即指標(biāo)實際值越大，評價值越低。其歸一化公式為:

(2)

區(qū)間指標(biāo)：記

則:

(3)

本文數(shù)據(jù)資料主要來自陜西省某水果蔬菜種植基地，通過相關(guān)專家咨詢和現(xiàn)場調(diào)查獲取。以各個指標(biāo)的合理取值數(shù)據(jù)資料直接作為數(shù)據(jù)來源，對于不能直接獲得的指標(biāo)，則通過專家咨詢和現(xiàn)場調(diào)查給予不同等級的評價。共收集了200組數(shù)據(jù)、13項果品安全因素指標(biāo)的具體資料。部分歸一化結(jié)果如表2所示。

Table 2 Index normalized results表2 指標(biāo)歸一化結(jié)果

3.4 模型的訓(xùn)練及預(yù)測

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程就是不斷地對其權(quán)值和閾值做出調(diào)整，直到其達(dá)到輸出誤差值最小要求，以滿足實際應(yīng)用的需求。本文利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中前向神經(jīng)網(wǎng)絡(luò)函數(shù)feedforwardnet創(chuàng)建BP網(wǎng)絡(luò)，使用Levenberg-Marquardt算法對應(yīng)的訓(xùn)練函數(shù)trainlm進(jìn)行網(wǎng)絡(luò)訓(xùn)練，P和T分別為網(wǎng)絡(luò)輸入向量和目標(biāo)向量，程序代碼和參數(shù)設(shè)置如下：

net=feedforwardnet(nHidden);

net.trainFcn='trainlm';

文獻(xiàn)[33-35]用自行研制的蓄熱逆流氧化裝置對煤礦乏風(fēng)瓦斯的氧化反應(yīng)進(jìn)行試驗，考察了甲烷濃度、流量、換向周期及反應(yīng)區(qū)域溫度等參數(shù)對氧化反應(yīng)的影響，并研究了陶瓷床內(nèi)流動阻力數(shù)學(xué)模型，進(jìn)行了流體力學(xué)機(jī)理分析，討論了陶瓷床內(nèi)流動的均勻性問題?；诙嗫捉橘|(zhì)均質(zhì)模型，建立了蓄熱氧化過程的控制方程，通過數(shù)值模擬方法研究了氧化床的運行參數(shù)、陶瓷結(jié)構(gòu)參數(shù)對床層流動阻力及出口溫度的影響規(guī)律。研究認(rèn)為隨進(jìn)氣表觀流速增加，壓強(qiáng)損失和出口溫度均增加，甲烷濃度對壓強(qiáng)損失影響較小，提高比熱容，有利于氧化裝置穩(wěn)定運行，并隨當(dāng)量直徑增加，壓力損失顯著降低。

net.trainParam.show=50;//每50輪顯示一次

net.trainParam.lr=0.02;//學(xué)習(xí)速率為0.02

net.trainParam.epochs=200;//最大訓(xùn)練輪回數(shù)為200

net.trainParam.goal=0.0001;/*目標(biāo)函數(shù)的誤差值為0.0001*/

[net,tr]=train(net,P′,T);//訓(xùn)練網(wǎng)絡(luò)

Y_train=sim(net,P′);//訓(xùn)練結(jié)果

4 預(yù)警結(jié)果與可行性分析

BP神經(jīng)網(wǎng)絡(luò)采用有監(jiān)督的學(xué)習(xí)，用其解決具體問題時，首先需要一個訓(xùn)練數(shù)據(jù)集。本文通過Matlab R2010a中自帶神經(jīng)網(wǎng)絡(luò)工具箱實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型。將200組數(shù)據(jù)中的190組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練學(xué)習(xí)，圖3為其中30個樣本的訓(xùn)練結(jié)果對比圖，由圖3可知，樣本的訓(xùn)練輸出曲線和期望輸出曲線能較好地擬合，具有較高的精準(zhǔn)性。

在建立的神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上，利用已訓(xùn)練好的網(wǎng)絡(luò)對剩余的10組數(shù)據(jù)集進(jìn)行測試。為了驗證所提出的神經(jīng)網(wǎng)絡(luò)預(yù)警模型的精確性，采用回歸分析方法進(jìn)行對比測試 ，測試結(jié)果如表3所示。

模型的輸出分為四類警區(qū)，即由果蔬品質(zhì)因素引起的A類預(yù)警，由環(huán)境因素引起的B類預(yù)警，由人文因素引起的C類預(yù)警，由設(shè)備因素引起的D類預(yù)警。每類警區(qū)根據(jù)危害程度由低到高分為無警、微警、輕警、中警和重警五種警情。

表3中分別列出了BP神經(jīng)網(wǎng)絡(luò)和回歸分析

Figure 3 BP neural network prediction results

法計算出的預(yù)測結(jié)果和對比。從表3可知，以樣本2為例，對照13個評價指標(biāo)(保鮮期、平均溫度、平均濕度、光照強(qiáng)度等)分析，在下一個周期內(nèi)，將會出現(xiàn)由環(huán)境因素引起的B類預(yù)警，即果蔬產(chǎn)品所處環(huán)境中將出現(xiàn)溫度過高、濕度過大或光照強(qiáng)度不夠的問題，且危害程度為中警。

綜上所述，通過神經(jīng)網(wǎng)絡(luò)模型預(yù)測得出的警區(qū)和預(yù)測警情優(yōu)于通過回歸分析所得的目標(biāo)矢量預(yù)測結(jié)果。說明利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)果蔬冷鏈物流安全預(yù)警的建模和評價是一種有效的方法。

5 結(jié)束語

本文針對果蔬產(chǎn)品在冷鏈物流過程中的安全問題，通過對整個供應(yīng)鏈中各個物流作業(yè)環(huán)節(jié)中的關(guān)鍵因素進(jìn)行篩選，確定監(jiān)測目標(biāo)和安全指標(biāo)，采用BP神經(jīng)網(wǎng)絡(luò)建立果蔬冷鏈安全預(yù)警模型。預(yù)警結(jié)果表明：

Table 3 Forecast data comparison table表3 預(yù)測數(shù)據(jù)對比表

(1)由于影響果蔬安全的因素過多，使得果蔬在流通過程中的不確定性過大，因此預(yù)警的難度較大。而BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的容錯能力和魯棒性，以及強(qiáng)大的數(shù)據(jù)處理能力，無需建立確定的數(shù)學(xué)模型，所以在處理果蔬安全預(yù)警問題時具有一定優(yōu)勢。

(2)基于BP神經(jīng)網(wǎng)絡(luò)建立的預(yù)警模型可以有效提高果蔬在冷鏈物流中風(fēng)險預(yù)警的準(zhǔn)確性，為避免果蔬在冷鏈物流過程中出現(xiàn)腐敗、變質(zhì)、過期等問題提供了有效的技術(shù)支持，具有較高的實用價值。

目前我國在食品預(yù)警方面的發(fā)展尚處于起步階段，食品監(jiān)測數(shù)據(jù)的處理不夠完善，因此下一步研究需要從數(shù)據(jù)處理著手，進(jìn)一步提高預(yù)警的效率。

[1] Wang Wen-sheng.Opportunities and challenges the fruit and vegetable cold-chain logistics faces during the twelfth five-year plan in China[J].Storage and Process,2011,11(3):1-5. (in Chinese)

[2] Gu Xiao-lin, Zhang Da-wei. The Information pre-warning model of food safety based on association rules mining[J].Soft Science,2011,25(11):136-141. (in Chinese)

[3] Zhang De-bin,Xu Jia-peng. Model for food safety warning based on inspection data and BP neural network[J].Transactions of the CSAE,2010,26(1): 221-226. (in Chinese)

[4] Xie Xiang-feng,Lei Dian,Sun Cheng-bo.Research of fault diagnosis method of switch power supply based on BP neural network[J].Electronic Measurement Technology,2012,35(8):11-16.(in Chinese)

[5] Lou Shu-mei,Li Shu-yu.Application of neural network technology in optical fiber fault early warning system simulation[J].Computer Simulation,2012,29(12):255-258.(in Chinese)

[6] Mi Gen-suo,Wang Yan-kuai,Ma Xue-xia.Application of the BP neural network in the pre-warning of the poor shunting the track circuit[J].Computer Engineering & Science,2013,35(2):159-163.(in Chinese)

[7] López V F, Medina S L, de Paz J F.Taranis: Neural networks and intelligent agents in the early warning against flo-

ods[J].Expert Systems with Applications,2012(39):10031-10037.

[8] Hans J P, Marvin G A, Kleter H J, et al. Proactive systems for early warning of potential impacts of natural disasters on food safety: Climate-change-induced extreme events as case in point[J].Food Control,2013(4):444-456.

[9] Zhang Ke, Chai Yi, Weng Dao-lei, et al.Research of pre-warning model in logistic unit quality safety for information tracing and tracking[J].Computer Engineering and Applications,2010,46(24):201-205.(in Chinese)

附中文參考文獻(xiàn)：

[1] 王文生.“十二五”期間我國果蔬冷鏈物流面臨的機(jī)遇與挑戰(zhàn)[J].保鮮與加工,2011,11(3):1-5.

[2] 顧小林,張大為.基于關(guān)聯(lián)規(guī)則挖掘的食品安全信息預(yù)警模型[J].軟科學(xué),2011,25(11):136-141.

[3] 章德賓,徐家鵬. 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， 2010,26(1)：221-226.

[4] 謝香峰,雷電,孫承波.基于BP網(wǎng)絡(luò)的開關(guān)電源故障診斷方法研究[J].電子測量技術(shù),2012,35(8):11-16.

[5] 樓樹美,李淑玉.神經(jīng)網(wǎng)絡(luò)在光纖故障預(yù)警系統(tǒng)中的應(yīng)用仿真[J].計算機(jī)仿真,2012,29(12):255-258.

[6] 米根鎖,王彥快,馬學(xué)霞.BP神經(jīng)網(wǎng)絡(luò)在軌道電路分路不良預(yù)警中的應(yīng)用[J].計算機(jī)工程與科學(xué),2013,35(2):159-163.

[9] 張可,柴毅,翁道磊,等.物流單元質(zhì)量安全信息追溯預(yù)警模型研究[J].計算機(jī)工程與應(yīng)用,2010,46(24):201-205.

楊瑋(1972-),女,山西運城人，博士，副教授，研究方向為現(xiàn)代物流系統(tǒng)工程與技術(shù)。E-mail:yangwei613@126.com

YANG Wei,born in 1972,PhD,associate professor,her research interests include modern logistics systems engineering and technology.

曹薇(1991-),女,陜西咸陽人，碩士，研究方向為現(xiàn)代物流系統(tǒng)工程與技術(shù)。E-mail:1249652662@qq.com

CAO Wei,born in 1991,MS,his research interests include modern logistics systems engineering and technology.

Application of BP neural network in the early-warning of fruits and vegetables cold-chain logistics

YANG Wei，CAO Wei

(College of Mechanical and Electrical Engineering,Shaanxi University of Science and Technology,Xi’an 710021,China)

In recent years, consumers ask for a higher demand on the security and quality of fruit and vegetable products. But the existing system can only predict the state of fruits and vegetables based on the temperature and humidity of the environment, and factors such as personnel operation and equipment are not taken into account. To solve these problems, we analyze the factors which affect the quality of fruits and vegetables in the cold-chain process, establish the early warning index system, and integrate the traceable and monitorable information in the supply chain. The BP neural network is utilized to build the security warning model, and we train it and make prediction. The results show that the proposed method has fewer errors than traditional time-series and regression analysis methods when solving practical problems, and can effectively increase the security risks and hazards warning accuracy of fruits and vegetables in cold-chain logistics.

cold-chain logistics；early warning；neural network

1007-130X(2015)09-1707-05

2014-11-21;

2015-01-27基金項目：陜西省農(nóng)業(yè)科技創(chuàng)新與攻關(guān)資助項目(2014K01-29-01)；陜西省社會科學(xué)基金資助項目(13SC011)；陜西省教育廳資助項目(14JK1093)；陜西科技大學(xué)科研啟動基金項目(BJ12-21)

TP183

A

10.3969/j.issn.1007-130X.2015.09.018

通信地址：710021 陜西省西安市陜西科技大學(xué)845信箱

Address:Mailbox 845,Shaanxi University of Science and Technology,Xi’an 710021,Shaanxi,P.R.China