朱雨文　劉波峰　譚陽紅

摘要：針對嬰幼兒奶粉質量安全評價問題，提出了基于BP神經網絡的評價模型；以湖南卓躍生物科技有限公司日常監(jiān)測數據為樣本，篩選并選擇了與嬰幼兒奶粉質量安全評價最為相關的27種指標因素，以27種指標因素組成輸入層，評價結果組成輸出層；針對隱含層節(jié)點個數，首先利用試湊法預估范圍，然后利用MATLAB仿真確定最佳的隱含層節(jié)點個數，最后利用10組數據對神經網絡評價模型進行了仿真驗證。結果表明，提出的評價模型是可行和有效的。

關鍵詞：嬰幼兒奶粉質量；安全性評價；BP神經網絡；供應鏈

中圖分類號：TP183；TS252.7 文獻標識碼：A 文章編號：0439-8114（2017）04-0740-05

2008年發(fā)生的三鹿奶粉的三聚氰胺問題讓國內消費者對國產嬰幼兒奶粉安全信心崩塌，國產奶粉市場占有率不斷下降；2013年恒天然的肉毒桿菌事件表明國外嬰幼兒奶粉安全性也存在諸多問題[1，2]。保障嬰幼兒奶粉質量安全，已經成為政府和眾多專家學者研究的熱點。白世貞等[2]基于供應鏈視角對乳制品質量安全進行了研究，孫肖明等[3]針對影響乳制品質量因素和解決辦法進行了研究，柳亦博等[4]利用危害分析臨界控制點（Hazard Analysis Critical Control Point，HACCP）體系針對乳制品質量安全監(jiān)理進行了研究。

研究表明，影響乳制品質量安全的因素很多。在乳制品中，嬰幼兒奶粉食用對象為嬰幼兒，其質量安全問題更需保證。嬰幼兒奶粉最終到消費者手中時，經歷從生產到銷售的眾多環(huán)節(jié)，每一個環(huán)節(jié)出現(xiàn)問題都有可能對嬰幼兒奶粉質量產生影響，如何科學和有效評價嬰幼兒奶粉質量是非常必要的。葛哲學等[5]基于監(jiān)測數據和BP神經網絡構建了食品安全預警模型；章德賓等[6]基于BP神經網絡構建了乳制品質量安全評價研究。但已有研究存在以下不足：①都是針對多種商品的食品安全建模，由此建立BP神經網絡模型相對寬泛，而針對嬰幼兒配方奶粉質量安全評價時，商品以及其供應鏈更加具體、國家標準更加嚴格，HACCP關鍵點控制的不同，其評價指標必須更加具體和詳細；②建立的BP神經網絡模型是針對多種商品，針對嬰幼兒奶粉質量安全評價模型研究較少。

BP神經網結構簡單，訓練與調控參數豐富，在神經網絡中應用最廣泛，其不需要輸入、輸出值間存在嚴格的假設關系，同時能夠以區(qū)間數、模糊數等方式處理定性信息[7]，在模式識別[7，8]、危害分析和HACCP中關鍵點股市分析預測[9-12]、管理問題優(yōu)化與決策等方面得到大量的實際應用[13]。本研究在分析湖南卓躍生物科技有限公司日常監(jiān)測數據基礎上，基于嬰幼兒奶粉供應鏈，從奶牛養(yǎng)殖、擠奶、加工包裝、倉儲運輸、銷售整個過程出發(fā)，參照HACCP和GB10765-2010《食品安全國家標準：嬰兒配方食品》要求[14]，在每個環(huán)節(jié)中選取關鍵點作為評價指標，分析建立基于BP神經網絡的嬰幼兒奶粉質量安全評價模型，在MATLAB中編程實現(xiàn)，并進行模型有效性驗證。

1 嬰幼兒奶粉質量安全評價指標的篩選

嬰幼兒奶粉供應鏈可分為奶牛養(yǎng)殖、擠奶、加工包裝、倉儲運輸、銷售5個環(huán)節(jié)。每個環(huán)節(jié)基于HACCP關鍵點控制方法和國家標準GB10765-2010《食品安全國家標準：嬰兒配方食品》篩選評價指標，篩選的主要原則是：

1）記錄整個嬰幼兒奶粉供應鏈所涉及企業(yè)的信息。

2）篩選出對嬰幼兒奶粉安全有影響的信息。

3）所篩選的指標要符合國家相應的法律法規(guī)的要求。

4）所篩指標準確可靠，指標釆集簡單可行。

基于上述篩選原則和飼養(yǎng)規(guī)律把養(yǎng)殖環(huán)節(jié)分成養(yǎng)殖飼料科學性與安全性、養(yǎng)殖衛(wèi)生環(huán)境、疾病防疫水平等3個主要評價指標。

基于上述篩選原則，結合工廠實際檢測相關指標，把擠奶環(huán)節(jié)評價指標分為必需含有評價指標、污染物評價指標、真菌霉素評價指標、微生物評價指標。其中，蛋白質含量和脂肪含量必需含有評價指標；污染物評價指標包括鉛、汞、鉻、砷、三聚氰胺、硒硝酸鹽、亞硝酸鹽含量；真菌霉素評價指標包含黃霉素M1含量；微生物評價指標原奶中細菌總數、大腸菌落含量。

加工包裝環(huán)節(jié)、倉儲運輸環(huán)節(jié)、銷售環(huán)節(jié)的評價指標都是依據上述篩選原則，結合各自環(huán)節(jié)所存在問題確定，其具體原則如下：

嬰幼兒奶粉供應鏈的5個環(huán)節(jié)具體27個評價指標如表1所示，表1中限于空間只列舉了6組用于嬰幼兒奶粉質量安全評價的原始數據。由表1可知，數據存在如下特點：

1）抽象性變量，如養(yǎng)殖信息中養(yǎng)殖飼料科學性和安全性難以用精確的指標反映出來，這些評價指標就需要依靠專家打分來反映相對客觀、合理的結果。

2）具體測量種類較多，要將這些數據全部納入到一個模型中，就需要一個相對簡單的方法來處理這些不同類型數據。采用了歸一化處理的方法。

2 神經網絡建模

神經網絡的學習方式與用途有很多種類，其中具有誤差反向傳播算法的BP神經網絡是目前應用最為廣泛的一種人工神經網絡。BP神經網絡除輸入層和輸出層外，還包括一個或多個隱含層，各個層神經元之間實現(xiàn)全連接，而同層內各神經元無連接。含有單個隱含層的BP神經網絡可以任意逼近含有多個隱含層的BP神經網絡，因此采用由輸入層、隱含層、輸出層構成的3層BP神經網絡。

BP神經網絡建模，首先確定輸入層和輸出層節(jié)點個數。隱含層節(jié)點個數的確定首先利用試湊法預估范圍，然后利用MATLAB仿真確定最佳的隱含層節(jié)點個數。

2.1 輸入層和輸出層節(jié)點個數的確定

輸入層個數的確定是以湖南卓躍生物科技有限公司日常監(jiān)測數據為樣本，篩選并選擇了與嬰幼兒奶粉質量安全評價最為相關的27種指標因素，以27種指標因素作為輸入層個數，具體指標見表1中評價指標項。

輸出層個數確定為1，質量安全評價模型輸出結果應遵循原則為簡單、直觀、有效。所以采用評價等級數字作為輸出層，來反映整個供應鏈下嬰幼兒奶粉質量安全評價分。評分為1～9分，1分表明嬰幼兒奶粉質量安全最差，9分表明質量安全最好，低于6分就表明嬰幼兒奶粉質量安全存在問題。

2.2 隱含層節(jié)點個數的確定

隱含層節(jié)點個數確定是一個非常復雜的問題，目前還沒有一個理想的解析式可以準確確定隱含層節(jié)點個數，這也是BP神經網絡的缺點之一[15]。但是，在實際應用過程中可以根據經驗公式M=■估計隱含層神經元的個數[16]。其中，n表示輸入層個數，這里是27；m表示輸出層的個數，這里是1；a為1～10的常數，由試湊法可知，隱含層神經元的個數7～16，然后分別比較所構建的10個BP神經網絡的性能，選取均方誤差精度最小時隱含層個數作為本研究BP神經網絡模型隱含層神經元個數。

BP神經網絡要求傳遞函數全部可微，現(xiàn)有可微傳遞函數主要有Purelin、logsing、tansig 3種[7]，因為輸入變量p的維度27還是有點大，為了能夠較快得到收斂，選擇tansig（）函數為隱層神經元的傳遞函數；輸出層神經元的傳遞函數也選擇tansig（）函數；訓練BP神經網絡選擇基于數值優(yōu)化的Trainlm（）函數，因為Trainlm（）函數與傳統(tǒng)的梯度下降法相比，具有收斂速度快和精度高等特點。權值和閾值的初始化采用Newff（）函數自動完成[14]。

使用MATLAB 7.10的神經網絡工具箱，用300個樣本來測試構建的10個BP神經網絡的性能。由表2可知，隱含層神經元個數為12時，構建BP神經網絡性能最佳。構建了嬰幼兒奶粉質量安全評價的BP神經網絡模型，如圖1所示。

3 MATLAB實現(xiàn)與驗證

根據BP神經網絡模型，開始訓練BP神經網絡。神經網絡的訓練首先要設定最大訓練次數、目標精度、學習率等參數。圖1模型在不設置訓練次數的情況下，最優(yōu)訓練精度在訓練8 000次左右即穩(wěn)定于1e-16，但此時的測驗樣本平均絕對誤差達到了0.952 3，出現(xiàn)了訓練樣本過度學習的過擬合現(xiàn)象。為防止過擬合現(xiàn)象的出現(xiàn)，目標精度應低于最優(yōu)值的水平，經過測試將訓練目標精度設為1e-8，訓練次數設為2 000，BP神經網絡性能較好。學習率設為0.01，因為學習率過大，會造成學習過程的不穩(wěn)定，通過測試發(fā)現(xiàn)學習率設為0.01較為合理。

在以上訓練參數下，選取300個樣本來訓練，10個測試樣本作為驗證，訓練結果如圖2所示。由圖2可知，在訓練周期為51次時，該網絡收斂于穩(wěn)定，目標精度達到預設的1e-8。

嬰幼兒奶粉質量安全實際評分與預測評分散點圖如圖3所示。由圖3可知，預測評分與實際評分結果非常接近。

10個測試樣本的預測評分與誤差率見表3。由表3可知，10個測試樣本誤差率都在0～4%之內，平均誤差率是1.10%，說明已構建的BP神經網絡較為準確的，可以對嬰幼兒奶粉質量安全進行評價。

4 結論

通過建立BP神經網絡模型對歷史數據進行訓練，能夠在系統(tǒng)內部規(guī)律未知的情況下，對新的待測樣本做出較為精確的預估。本研究基于BP神經網絡的這種優(yōu)點，結合嬰幼兒奶粉供應鏈特點，以湖南卓躍生物科技有限公司日常監(jiān)測數據為樣本，篩選并選擇了與嬰幼兒奶粉質量安全評價最為相關的27種指標因素，以27種指標因素組成輸入層，評價結果組成輸出層。針對隱含層節(jié)點個數，首先利用試湊法預估范圍，然后利用MATLAB仿真確定最佳的隱含層節(jié)點個數。最后利用10組數據對神經網絡評價模型進行了仿真驗證。結果表明，基于BP神經網絡的嬰幼兒奶粉質量安全評價模型能夠在實際訓練數據樣本進行有效預測，是一種可行的嬰幼兒奶粉質量安全評價方法。

參考文獻：

[1] 郭利亞，王加啟.當前我國奶業(yè)發(fā)展的五個特征[J].中國畜牧雜志，2013，49（8）：3-5.

[2] 白世貞，劉忠剛.基于供應鏈視角的乳制品質量安全問題研究[J].商品儲運與養(yǎng)護，2013，35（12）：105-108.

[3] 孫肖明，孟憲梅.影響乳制品質量安全的因素與解決措施[J].畜牧獸醫(yī)科技信息，2013（8）：9-10.

[4] 柳亦博，樸貞子.HACCP體系控制與乳制品質量安全監(jiān)管研究[J].山東農業(yè)科學，2010（3）：98-101.

[5] 葛哲學，孫志強.神經網絡理論與MATLABR2007實現(xiàn)[M].北京：電子工業(yè)出版社，2007.

[6] 章德賓，徐家鵬，許建軍，等.基于監(jiān)測數據和BP神經網絡的食品安全預警模型[J].農業(yè)工程學報，2010，26（1），221-226.

[7] 趙 杰，林 輝.基于BP神經網絡模型的目標屬性識別仿真[J].系統(tǒng)仿真學報，2007，19（11）：2571-2573.

[8] 陳 紅，熊利榮，胡筱波，等.基于神經網絡與圖像處理的花生仁霉變識別方法[J].農業(yè)工程學報，2007，23（4）：158-161.

[9] CHEN C R，RAMASWAMY H S. Analysis of critical control points in deviant thermal processes using artifical neural networks[J].Journal of Food Engineerings，2003，57（3）：225-235.

[10] 張紹秋，胡躍明.基于BP神經網絡的稅收預測模型[J].華南理工大學學報（自然科學版），2006，34（6）：55-58.

[11] DUBUS I G，BEULKE S，BROWN C D.Calibration of pesticide leaching models：Critical review and guidance for reporting[J].PestManagementScience，2002，58（8）：745-758.

[12] CAMPO I S，BEGHIN J C. Dairy food consumption，supply， and policy in Japan[J].Food Policy，2006，31（3）：228-227.

[13] 禹建麗，孫增圻，VALERI KROUMOV，等.基于BP神經網絡的股市建模與決策[J].系統(tǒng)工程理論與實踐，2003，23（5）：15-19.

[14] 孫紅英.BP神經網絡方法在用電量預測中的應用[D].廣州：中山大學，2005.

[15] 劉忠剛.基于BP神經網絡的乳制品質量安全評價系統(tǒng)[D].哈爾濱：哈爾濱商業(yè)大學，2014.

[16] 韓志國，王基銘，陳智高.基于人工神經網絡的石油化工工程建設項目管理績效評價[J].石油學報（石油加工），2010，26（3）：317-319.