王星云，左敏，*，肖克晶，劉婷

(1．北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京 100048;2．中國(guó)食品藥品檢定研究院，北京 100050)

基于BP神經(jīng)網(wǎng)絡(luò)的食品安全抽檢數(shù)據(jù)挖掘

王星云1，左敏1，*，肖克晶1，劉婷2

(1．北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京 100048;2．中國(guó)食品藥品檢定研究院，北京 100050)

數(shù)據(jù)挖掘技術(shù)在食品安全領(lǐng)域擁有巨大的應(yīng)用價(jià)值和潛力。通過(guò)分析逆向傳播(BP)神經(jīng)網(wǎng)絡(luò)算法，說(shuō)明使用該方法的可行性和優(yōu)越性。以抽檢數(shù)據(jù)為對(duì)象，闡述了數(shù)據(jù)預(yù)處理過(guò)程，設(shè)計(jì)并實(shí)現(xiàn)了數(shù)據(jù)挖掘?qū)嶒?yàn)。最后利用挖掘結(jié)果進(jìn)行食品檢驗(yàn)結(jié)論預(yù)測(cè)，驗(yàn)證了方法的實(shí)用價(jià)值和指導(dǎo)意義。實(shí)驗(yàn)表明，基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法具有良好的過(guò)程健壯性和較高的結(jié)果準(zhǔn)確性。通過(guò)預(yù)判不合格食品的出現(xiàn)，可以指導(dǎo)實(shí)際食品安全抽檢工作，從而杜絕食品安全問(wèn)題的發(fā)生。

數(shù)據(jù)挖掘;食品安全;抽檢數(shù)據(jù);檢驗(yàn)結(jié)論;BP神經(jīng)網(wǎng)絡(luò)

在國(guó)家經(jīng)濟(jì)蓬勃發(fā)展，生活水平不斷提高的今天，社會(huì)大眾對(duì)身體健康的訴求日益增強(qiáng)。在眾多的健康影響因素中，食品的質(zhì)量和安全對(duì)身體有著最直接而重要的影響［1］。確保食品的質(zhì)量安全是整個(gè)食品行業(yè)和相關(guān)部門(mén)的責(zé)任與義務(wù)，其中食品抽檢工作作為保證食品質(zhì)量安全的最后一關(guān)，是最為直接和徹底的手段。抽檢工作是通過(guò)定期制定計(jì)劃，對(duì)各類(lèi)食品進(jìn)行抽樣檢測(cè)，測(cè)定各種污染物、微生物、營(yíng)養(yǎng)指標(biāo)等的含量來(lái)判斷食品合格與否［2-3］，不合格食品將被嚴(yán)格禁止流入市場(chǎng)，從而避免食品安全問(wèn)題的發(fā)生。

通過(guò)對(duì)食品抽檢工作的了解，各級(jí)食品安全監(jiān)管部門(mén)每天都會(huì)產(chǎn)生大量的檢驗(yàn)報(bào)告，詳細(xì)記錄諸如生產(chǎn)企業(yè)、食品來(lái)源、存儲(chǔ)狀態(tài)等屬性信息，以及檢驗(yàn)項(xiàng)目、檢測(cè)結(jié)果、檢驗(yàn)結(jié)論等檢測(cè)信息。這些信息反映了外界各種因素的綜合作用結(jié)果，隱含了食品多維屬性之間的潛在聯(lián)系［4］。本文擬采用BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法，發(fā)掘食品自身屬性與檢驗(yàn)結(jié)論之間的內(nèi)在規(guī)律和模式，進(jìn)而利用已知的屬性信息預(yù)測(cè)食品的檢驗(yàn)結(jié)論是否合格。這些預(yù)測(cè)結(jié)果可以作為檢測(cè)工作的先驗(yàn)知識(shí)，為重點(diǎn)檢測(cè)哪些項(xiàng)目、檢驗(yàn)結(jié)論是否有誤等提供決策指導(dǎo)，有效提高抽檢工作的效率和效果，達(dá)到預(yù)防食品安全問(wèn)題發(fā)生的目的。

1 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)受到生物學(xué)的啟發(fā)，通過(guò)模仿神經(jīng)元的結(jié)構(gòu)和功能來(lái)模擬人腦，解決一些非線性的復(fù)雜問(wèn)題，具有強(qiáng)大的分類(lèi)和預(yù)測(cè)能力［5］。人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制是利用大量具有多維屬性，并且已知分類(lèi)的數(shù)據(jù)作為輸入，在初始閾值和權(quán)值的作用下，計(jì)算輸出結(jié)果并和實(shí)際結(jié)果比較獲得誤差。然后通過(guò)不斷調(diào)整閾值和權(quán)值，使誤差不斷減小到可接受范圍，此時(shí)的輸出結(jié)果近似等于實(shí)際值［6］。將當(dāng)前的參數(shù)作為已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型保存下來(lái)，當(dāng)再次接收一組輸入時(shí)，網(wǎng)絡(luò)就能夠準(zhǔn)確預(yù)測(cè)其輸出結(jié)果。

在眾多的神經(jīng)網(wǎng)絡(luò)算法中，以BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用最為廣泛和成功［7］，它利用隱含層將誤差從輸出向輸入逐層反向傳播，在反向傳播的過(guò)程中利用最速下降法修改權(quán)值和閾值，使誤差函數(shù)快速收斂，具有很快的訓(xùn)練速度和良好的算法性能。

BP神經(jīng)網(wǎng)絡(luò)可以完成任意n維到m維的映射［8］，對(duì)于食品檢驗(yàn)結(jié)論的預(yù)測(cè)本質(zhì)上就是尋找這種映射關(guān)系，將具有多維屬性且不同取值的食品數(shù)據(jù)準(zhǔn)確分類(lèi)到合格或不合格的類(lèi)別中，這與BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法的功能相吻合。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)可以處理具有連續(xù)或離散屬性的數(shù)據(jù)，對(duì)訓(xùn)練數(shù)據(jù)集中的空值甚至錯(cuò)誤值具有良好的健壯性，適合用于分析數(shù)據(jù)類(lèi)型復(fù)雜、存在較多缺失值的數(shù)據(jù)集，這正好符合了食品安全抽檢數(shù)據(jù)的特點(diǎn)。另外，BP神經(jīng)網(wǎng)絡(luò)模仿人腦學(xué)習(xí)的方式使其具有快速、準(zhǔn)確、并行解決復(fù)雜問(wèn)題的能力，當(dāng)訓(xùn)練數(shù)據(jù)足夠多時(shí)，BP神經(jīng)網(wǎng)絡(luò)能夠?qū)⒄`差降低至很小的程度，使預(yù)測(cè)結(jié)果足夠精確，符合提前控制食品安全問(wèn)題發(fā)生的要求［9-10］。綜合考慮，將采用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)食品抽樣檢測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘。

2 數(shù)據(jù)挖掘?qū)嶒?yàn)設(shè)計(jì)

2.1 任務(wù)描述

目前，中國(guó)食品藥品檢定研究院承擔(dān)了各類(lèi)食品安全相關(guān)的監(jiān)督檢驗(yàn)、委托檢驗(yàn)、抽查檢驗(yàn)等工作。采樣人員根據(jù)抽檢計(jì)劃實(shí)地獲取食品樣品，記錄樣品的屬性信息，這些信息被提交到檢測(cè)檢驗(yàn)數(shù)據(jù)管理平臺(tái)，檢測(cè)人員根據(jù)系統(tǒng)中的食品分類(lèi)，確定需要檢驗(yàn)的項(xiàng)目，并進(jìn)行檢測(cè)得出結(jié)論。

以上述抽檢工作產(chǎn)生的數(shù)據(jù)為基礎(chǔ)，本文數(shù)據(jù)挖掘的主要任務(wù)是使用已采集的樣品屬性信息作為輸入，已知的檢驗(yàn)結(jié)論作為輸出，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型反映食品屬性和食品檢驗(yàn)結(jié)論之間的相關(guān)關(guān)系［11］，分析模型的性能和結(jié)果的準(zhǔn)確度，并利用這種潛在關(guān)系來(lái)預(yù)測(cè)在特定的屬性取值下，檢驗(yàn)結(jié)論是否合格。

2.2 數(shù)據(jù)選擇

數(shù)據(jù)本身的結(jié)構(gòu)和特點(diǎn)直接影響到BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，需要充分考慮模型結(jié)構(gòu)和挖掘目的，選擇合適的特征屬性，確定合適的輸出結(jié)果，并且選取足夠的數(shù)據(jù)項(xiàng)作為訓(xùn)練樣本［12］。

2.2.1 確定結(jié)果分類(lèi)

BP神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)表示分類(lèi)結(jié)果，假設(shè)一項(xiàng)食品抽檢數(shù)據(jù)只包含2個(gè)檢測(cè)項(xiàng)(A，B)，結(jié)論為合格或不合格2種，那么分類(lèi)結(jié)果是檢測(cè)項(xiàng)與結(jié)論取值的組合，形如(A合格，B合格)，(A合格，B不合格)，(A不合格，B合格)，(A不合格，B不合格)共22個(gè)。實(shí)際上一種食品的檢驗(yàn)項(xiàng)目平均有20種左右，分類(lèi)結(jié)果將達(dá)到220個(gè)之多，顯然這種挖掘結(jié)果可讀性差，并且訓(xùn)練過(guò)程需要耗費(fèi)大量時(shí)間［13］，不具有實(shí)用價(jià)值。一個(gè)較好的解決方案是對(duì)不同檢驗(yàn)項(xiàng)目單獨(dú)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，使結(jié)果分類(lèi)只包含一種檢驗(yàn)項(xiàng)目的兩種檢驗(yàn)結(jié)論共2個(gè)分類(lèi)，這樣訓(xùn)練時(shí)間將大幅縮短并且輸出結(jié)果清晰明了。對(duì)于需要檢測(cè)多個(gè)項(xiàng)目的食品樣品，只需使用多個(gè)已訓(xùn)練的對(duì)應(yīng)檢驗(yàn)項(xiàng)目的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，分別得到檢驗(yàn)結(jié)論即可。

2.2.2 選取特征屬性

一條食品抽檢數(shù)據(jù)包含近70個(gè)屬性，事實(shí)上并不是所有屬性都適合作為訓(xùn)練輸入，其中如“抽檢編號(hào)”、“聯(lián)系人”等屬性不包含分類(lèi)結(jié)果的有用信息，需要去除。另外如“樣品規(guī)格”、“樣品批號(hào)”等名詞性屬性雖然可能含有分類(lèi)相關(guān)的有用信息，但是在填報(bào)時(shí)沒(méi)有取值范圍限定，對(duì)于沒(méi)有范圍限定的名詞性屬性由于可能存在取值過(guò)多的情況，會(huì)影響訓(xùn)練效率，并且預(yù)測(cè)結(jié)果會(huì)因?yàn)樾轮档某霈F(xiàn)產(chǎn)生較大誤差，所以也需要去除。

綜合分析后，選取檢測(cè)檢驗(yàn)數(shù)據(jù)管理平臺(tái)數(shù)據(jù)庫(kù)中包含污染物“鉛”的10 000條抽檢數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，選定“生產(chǎn)企業(yè)省份”、“抽樣地點(diǎn)”、“年銷(xiāo)售額”等13個(gè)屬性作為特征屬性，檢驗(yàn)結(jié)論“合格項(xiàng)”、“不合格項(xiàng)”作為輸出結(jié)果分類(lèi)。

2.3 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理工作是為了保證輸入數(shù)據(jù)的質(zhì)量，它是整個(gè)數(shù)據(jù)挖掘過(guò)程中唯一需要人工處理的環(huán)節(jié)，卻是極其重要、必不可少的環(huán)節(jié)［14-15］。在上述選定的10 000條食品抽檢數(shù)據(jù)中，存在大量缺失值、不規(guī)范項(xiàng)，甚至錯(cuò)誤項(xiàng)，所以在開(kāi)始挖掘之前還需要對(duì)數(shù)據(jù)進(jìn)行清洗和轉(zhuǎn)換，以保證BP神經(jīng)網(wǎng)絡(luò)模型能夠正確處理這些樣本。結(jié)合抽檢數(shù)據(jù)的特點(diǎn)，對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行如下處理［16-17］。

1)對(duì)所有的空值、NULL值、“未提供”等全部置為空，BP神經(jīng)網(wǎng)絡(luò)可以處理此類(lèi)缺失值，不需要做默認(rèn)值替換或者刪除處理［18］。

2)“生產(chǎn)日期”屬性的值包含了年月日的完整信息，由于日期的取值在理論上沒(méi)有范圍限定，可以將日期概化為季度，這樣既限制了名詞性屬性的取值范圍，同時(shí)保留了日期本身的信息。如2015/3/1轉(zhuǎn)換為“一季度”，2014/12/20轉(zhuǎn)換為“四季度”。

3)“年銷(xiāo)售額”屬性的值包括“萬(wàn)元”、“元”和沒(méi)有單位的數(shù)值，需要統(tǒng)一單位后去除文本信息，將名詞性屬性轉(zhuǎn)換為數(shù)值型屬性。如“12萬(wàn)元”改為數(shù)字12，“2 000元”改為數(shù)字0．2。

4)“單價(jià)”屬性的值包括大量不同單位，如“元/個(gè)”、“元/500 g”等，同樣需要統(tǒng)一單位并去除文本信息，將名詞性屬性轉(zhuǎn)換為數(shù)值型屬性。如“3．5元/盒”改為數(shù)字3．5。

3 實(shí)驗(yàn)過(guò)程與結(jié)果分析

使用懷卡托智能分析環(huán)境(Waikato environment for knowledge analysis，WEKA)。WEKA是一款開(kāi)源的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)工具，由Java語(yǔ)言編寫(xiě)，實(shí)現(xiàn)了分類(lèi)、聚類(lèi)、回歸、關(guān)聯(lián)規(guī)則等多種數(shù)據(jù)挖掘方法［19］，由于其開(kāi)放源代碼，使用者可以方便地調(diào)用和改進(jìn)已有算法。

將經(jīng)過(guò)預(yù)處理的訓(xùn)練數(shù)據(jù)集共10 000條導(dǎo)入WEKA，其結(jié)構(gòu)如圖1。選擇分類(lèi)方法下的Multilayer Perceptron算法，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練過(guò)程分為構(gòu)建網(wǎng)絡(luò)模型和模型交叉驗(yàn)證2步。

圖1 訓(xùn)練數(shù)據(jù)集Fig．1Structure of training set

在數(shù)據(jù)量較大且具有較多特征屬性、BP神經(jīng)網(wǎng)絡(luò)模型比較復(fù)雜的情況下，模型的構(gòu)建過(guò)程耗時(shí)771秒，訓(xùn)練效果比較理想。訓(xùn)練好的模型確定了各個(gè)節(jié)點(diǎn)的內(nèi)部閾值，如表1，以及節(jié)點(diǎn)之間的權(quán)值，如表2。表示在這些確定的取值下，模型的輸出結(jié)果最為準(zhǔn)確。以不合格項(xiàng)輸出節(jié)點(diǎn)(Node 0)和合格項(xiàng)輸出節(jié)點(diǎn)(Node 1)為例，其內(nèi)部閾值分別為2．54和-2．51，隱含層第一個(gè)節(jié)點(diǎn)Node 2與Node 0和Node 1之間的權(quán)值分別為-0．28和0．28。

表1 各節(jié)點(diǎn)內(nèi)部閾值Tab．1Internal threshold of nodes

表2 輸出節(jié)點(diǎn)與隱層節(jié)點(diǎn)間權(quán)值Tab．2Weight between output nodes and hidden layer nodes

模型建立后采取十折交叉運(yùn)算進(jìn)行準(zhǔn)確性驗(yàn)證，它將數(shù)據(jù)集分成10份，輪流將其中9份作為訓(xùn)練數(shù)據(jù)，一份作為測(cè)試數(shù)據(jù)進(jìn)行試驗(yàn)［20］。在總共10 000條抽檢數(shù)據(jù)中，被正確分類(lèi)的數(shù)據(jù)項(xiàng)有9 943條，其余有57條被錯(cuò)誤分類(lèi)，正確率達(dá)到99．4%，模型的一致性檢驗(yàn)達(dá)到96．5%，其他誤差指標(biāo)都在較低水平，表明模型在各方面具有較高的準(zhǔn)確率(見(jiàn)表3)。具體分類(lèi)結(jié)果見(jiàn)表4，總計(jì)900條不合格數(shù)據(jù)中，有867條被正確分類(lèi)，33條被錯(cuò)誤分類(lèi)為合格數(shù)據(jù)，總計(jì)9 100條合格數(shù)據(jù)中有9 076條被正確分類(lèi)，24條被錯(cuò)誤分類(lèi)為不合格數(shù)據(jù)。

表3 模型評(píng)價(jià)指標(biāo)Tab．3Evaluation indexes of model

表4 訓(xùn)練結(jié)果混淆矩陣Tab．4Confusion matrix of training results

所有數(shù)據(jù)項(xiàng)的分類(lèi)情況見(jiàn)圖2，其中×符號(hào)代表分類(lèi)正確點(diǎn)，方框符號(hào)代表分類(lèi)錯(cuò)誤點(diǎn)。由圖2可見(jiàn)，由于作為訓(xùn)練樣本輸入的合格項(xiàng)數(shù)據(jù)基數(shù)較大，在不合格項(xiàng)中錯(cuò)誤點(diǎn)出現(xiàn)的比例(33/900)遠(yuǎn)高于合格項(xiàng)中錯(cuò)誤點(diǎn)出現(xiàn)的比例(24/9100)。實(shí)際上，應(yīng)當(dāng)盡量避免將實(shí)際不合格的項(xiàng)判斷為合格項(xiàng)，需要把此類(lèi)錯(cuò)誤限定在較小的范圍內(nèi)，因此實(shí)驗(yàn)還存在改進(jìn)空間，可以考慮從增加不合格項(xiàng)訓(xùn)練樣本、提高數(shù)據(jù)質(zhì)量等方面進(jìn)行。

圖2 分類(lèi)錯(cuò)誤圖示Fig．2Graph of classifier errors

4 預(yù)測(cè)實(shí)驗(yàn)

從檢測(cè)檢驗(yàn)數(shù)據(jù)管理平臺(tái)數(shù)據(jù)庫(kù)中隨機(jī)選取“鉛”檢驗(yàn)項(xiàng)合格與不合格的數(shù)據(jù)各100條，與訓(xùn)練樣本做同樣的預(yù)處理。將數(shù)據(jù)導(dǎo)入上述訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行分類(lèi)預(yù)測(cè)(見(jiàn)表5)，給出了預(yù)測(cè)結(jié)果的混淆矩陣。結(jié)果顯示該模型正確預(yù)測(cè)了99條不合格項(xiàng)的檢測(cè)數(shù)據(jù)，1條被錯(cuò)誤預(yù)測(cè)，其余100條合格項(xiàng)檢測(cè)數(shù)據(jù)全部被正確預(yù)測(cè)，正確率達(dá)到99．5%。

表5 預(yù)測(cè)結(jié)果混淆矩陣Tab．5Confusion matrix of prediction results

以圖3中兩條預(yù)測(cè)結(jié)果為例說(shuō)明該方法對(duì)抽檢工作的指導(dǎo)意義。某次抽樣工作抽取了河南省某調(diào)味品樣品，獲得該樣品對(duì)應(yīng)的屬性信息為(河南，超市，鄉(xiāng)村，10，調(diào)味品，外購(gòu)，二季度，2，工業(yè)加工食品，普通食品，固體，預(yù)包裝，常溫)，利用已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出該食品檢驗(yàn)項(xiàng)目“鉛”的檢驗(yàn)結(jié)論為“不合格項(xiàng)”，檢測(cè)人員參考預(yù)測(cè)結(jié)果需對(duì)該樣品的“鉛”檢驗(yàn)項(xiàng)進(jìn)行重點(diǎn)檢測(cè)。抽取的另一樣品是河北省某酒類(lèi)食品，其屬性信息為(河北，成品庫(kù)，鄉(xiāng)村，570，酒類(lèi)，加工/自制，一季度，25，工業(yè)加工食品，普通食品，液體，預(yù)包裝，常溫)，通過(guò)預(yù)測(cè)給出該食品檢驗(yàn)項(xiàng)目“鉛”的檢驗(yàn)結(jié)論為“合格項(xiàng)”，在考慮準(zhǔn)確率為99．5%的情況下，檢測(cè)人員可以選擇免檢該項(xiàng)目。

圖3 預(yù)測(cè)實(shí)例Fig．3Instances of prediction

通過(guò)這種方式，監(jiān)管部門(mén)檢測(cè)人員可以使用待檢測(cè)食品的屬性信息，提前預(yù)測(cè)出各種檢驗(yàn)項(xiàng)目的檢驗(yàn)結(jié)論，對(duì)于預(yù)測(cè)結(jié)論為“不合格項(xiàng)”的食品，需要進(jìn)行重點(diǎn)檢測(cè)，避免漏檢、錯(cuò)檢情況的發(fā)生。對(duì)于預(yù)測(cè)結(jié)論為“合格項(xiàng)”的食品，可以選擇免檢，節(jié)約大量的時(shí)間、設(shè)備和人力資源。

5 結(jié)論及展望

研究表明，基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘方法適用于對(duì)食品抽檢數(shù)據(jù)進(jìn)行分析，在抽檢數(shù)據(jù)本身具有多維屬性，且含有較多空值和錯(cuò)誤值的情況下，BP神經(jīng)網(wǎng)絡(luò)仍然可以做出準(zhǔn)確的判斷，其準(zhǔn)確率高達(dá)99．4%。預(yù)測(cè)實(shí)驗(yàn)表明，在已經(jīng)獲得了食品基本信息的情況下，該方法可在實(shí)際檢測(cè)工作進(jìn)行之前，準(zhǔn)確預(yù)測(cè)出對(duì)應(yīng)檢驗(yàn)項(xiàng)目的檢驗(yàn)結(jié)論，對(duì)檢測(cè)工作具有重要的指導(dǎo)意義，不僅可以提高檢測(cè)工作的效率和效果，還可以節(jié)約資源和成本。通過(guò)后續(xù)的改進(jìn)、優(yōu)化和系統(tǒng)性整合，該方法可以實(shí)現(xiàn)對(duì)不合格食品的準(zhǔn)確預(yù)測(cè)、實(shí)時(shí)監(jiān)控和風(fēng)險(xiǎn)預(yù)警等功能，為預(yù)防食品安全問(wèn)題的發(fā)生提供理論依據(jù)和應(yīng)用參考。

［1］孫寶國(guó)，王靜，孫金沅．中國(guó)食品安全問(wèn)題與思考［J］．中國(guó)食品學(xué)報(bào)，2013(5):1-5．

SUN Baoguo，WANG Jing，SUN Jinyuan．Perspectives on China food safety problems［J］．Journal of Food Science and Technology，2013(5):1-5．

［2］李月娟，吳霞明，王君，等．食品分析及安全檢測(cè)關(guān)鍵技術(shù)研究［J］．中國(guó)釀造，2012，31(12):13-17．

LI Yuejuan，WU Xiaming，WANG Jun，et al．The research of key technology on food analysis and security detection［J］．China Brewing，2012，31(12):13-17．

［3］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，2011，36(11):306-309．

JIN Jian，QI Siyuan，PENG Yala．Application of artificial neural networks in food safety pre-warning system［J］．Food Science and Technology，2011，36(11): 306-309．

［4］田春園．基于數(shù)據(jù)挖掘的食品安全風(fēng)險(xiǎn)評(píng)價(jià)與預(yù)警系統(tǒng)［D］．青島:青島理工大學(xué)，2012．

［5］李冰，郭祀遠(yuǎn)，李琳，等．人工神經(jīng)網(wǎng)絡(luò)在食品工業(yè)中的應(yīng)用［J］．食品科學(xué)，2003，24(6):161-164．

LI Bing，GUO Siyuan，LI Lin，et al．Application of artificial neural network on food industry［J］．Food Science，2003，24(6):161-164．

［6］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(píng)價(jià)模型構(gòu)建研究［J］．食品科學(xué)技術(shù)學(xué)報(bào)，2014，32(1):69-76．

CAI Qiang，WANG Junjun，LI Haisheng，et al．Research on establishment of food safety evaluation model based on neural network［J］．Journal of Food Science and Technology，2014，32(1):69-76．

［7］NAJAH A，EL-SHAFIE A，KARIM O A，et al．Application of artificial neural networks for water quality prediction［J］．Neural Computing and Applications，2013，22 (S1):187-201．

［8］DING Shifen，LI Hui，SU Chunyang，et al．Evolutionary artificial neural networks:a review［J］．Artificial Intelligence Review，2013，39(3):251-260．

［9］KARAHOCA D，KARAHOCA A，?ZERK YAVUZ．An early warning system approach for the identification of currency crises with data mining techniques［J］．Neural Computing and Applications，2013，23(7/8):2471-2479．

［10］LIU Zhen，MENG Lingyong，ZHAO Wei，et al．Application of ANN in food safety early warning［C］∥Future Computer and Communication(ICFCC)，2010 2nd International Conference．Wuhan:IEEE，2010:677-680．

［11］章德賓，徐家鵬，許建軍，等．基于監(jiān)測(cè)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(bào)，2010，26(1):221-226．

ZHANG Debin，XU Jiapeng，XU Jianjun，et al．Model for food safety warning based on inspection data and BP neural network［J］．Transactions of the CSAE，2010，26(1):221-226．

［12］BHARATI M，RAMAGERI M．Data mining techniques and applications［J］．Indian Journal of Computer Science and Engineering，2010，1(2):25-47．

［13］YANG Jing，ZENG Xiaoqin，ZHONG Shuiming，et al．Effective neural network ensemble approach for improving generalization performance［J］．Neural Networks and Learning Systems，2013，24(6):878-887．

［14］FAMILI F，SHEN W M，WEBER R，et al．Data pre-processing and intelligent data analysis［J］．International Journal on Intelligent Data Analysis，1997，1(1): 3-23．

［15］劉明吉，王秀峰，黃亞樓．?dāng)?shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理［J］．計(jì)算機(jī)科學(xué)，2000，27(4):54-57．

LIU Mingji，WANG Xiufeng，HUANG Yalou．Data preprocessing in data mining［J］．Computer Science，2000，27(4):54-57．

［16］晁鳳英，杜樹(shù)新．基于關(guān)聯(lián)規(guī)則的食品安全數(shù)據(jù)挖掘方法［J］．食品與發(fā)酵工業(yè)，2007，33(4):107-109．

CHAO Fengying，DU Shuxin．Data mining technics for food safety based on association rules［J］．Food and Fermentation Industries，2007，33(4):107-109．

［17］徐燕偉．增量關(guān)聯(lián)規(guī)則算法及其在食品安全監(jiān)管中的應(yīng)用［D］．杭州:浙江大學(xué)，2008．

［18］ENNETT C M，F(xiàn)RIZE M，WALKER C R．Influence of missing values on artificial neural network performance［J］．Studies in Health Technology and Informatics，2001(1):449-453．

［19］HALL M，F(xiàn)RANK E，HOLMES G，et al．The WEKA data mining software:an update［J］．ACM SIGKDD Explorations Newsletter，2009，11(1):10-18．

［20］EFRON B，TIBSHIRANI R．Cross-validation and the bootstrap:estimating the error rate of a prediction rule［M］．Stanford California:Division of Biostatistics，1995．

Data Mining on Food Safety Sampling Inspection Data Based on BP Neural Network

WANG Xingyun1，ZUO Min1，*，XIAO Kejing1，LIU Ting2
(1．School of Computer and Information Engineering，Beijing Technology and Business University，Beijing 100048，China; 2．National Institute for Food and Drug Control，Beijing 100050，China)

Data mining technology has great application values and potential in the food safety field．The feasibility and advantage of the BP neural network algorithm were explained．The process of data preprocessing was introduced，and the experiment of data mining was designed then realized，focusing on sampling inspection data．Finally，by taking advantage of the mining results，a prediction of food inspection conclusions was put forward which verified the method’s practical value and guiding significance．The experiment indicated that data mining method based on BP neural network has favorable robustness and good accuracy．The predictions of unqualified food’s appearance can lead food safety sampling and inspection work in practice，which can put an end to the occurrence of food safety problems．

data mining;food safety;sampling inspection data;inspection conclusion;BP neural network

檀彩蓮)

TS201．6;TP393．01

A

10．3969/j．issn．2095-6002．2016．06． 015

2095-6002(2016)06-0085- 06

2015-12- 02

“十二五”國(guó)家科技支撐計(jì)劃項(xiàng)目(2015BAK36B04);北京市屬高等學(xué)校青年拔尖人才培育計(jì)劃項(xiàng)目(CIT＆TCD201404029);北京工商大學(xué)創(chuàng)新團(tuán)隊(duì)計(jì)劃項(xiàng)目(19008001074)。

王星云，男，碩士研究生，研究方向?yàn)槭称钒踩珨?shù)據(jù)挖掘;

*左敏，男，教授，博士，主要從事人工智能方面的研究。

。

王星云，左敏，肖克晶，等．基于BP神經(jīng)網(wǎng)絡(luò)的食品安全抽檢數(shù)據(jù)挖掘［J］．食品科學(xué)技術(shù)學(xué)報(bào)，2016，34(6):85-90．

WANG Xingyun，ZUO Min，XIAO Kejing，et al．Data mining on food safety sampling inspection data based on BP neural network［J］．Journal of Food Science and Technology，2016，34(6):85-90．