论文总字数：22710字

摘 要

食品安全问题与人们的日常生活息息相关，作为关系人民群众生命健康和基本民生的重点问题，受到人们的普遍关注，关注度呈现持续上升的趋势，为了有效预防食品安全的相关问题，目前经常使用的一种方法是进行食品安全抽检工作。这是一项由政府部分或者第三方许可机构进行的常规化和定期性的工作，抽检具有随机性。但是目前缺乏有效的食品抽检的筛查和预警的智能化模型，本文拟通过深度学习模型来构建一种基于特定污染物下的食品风险智能识别模型，来实现抽检工作的智能化和有选择性，从而使抽检工作更有有的放矢。

本文在国家和省级市场监督管理局的食品安全抽检数据的基础上，进行一系列的数据处理工作，对抽检数据项进行筛选，对数据内容进行转化和编码后，得到可以直接进行统计分析和机器学习模型使用的数据后进行可视化分析，获得数据的基本特征和分布情况，最后使用深度学习模型中的BP多层神经网络进行数据的训练，将食品抽检的各项数据作为输入内容，将食品的类别作为输出内容，可以获得对食品类别的分类模型。由于在空间和时间分布上存在较为明显关系和特征的食品类别会分类较为准确，利用混淆矩阵的可视化图中筛选出分类准确的类别，可以得到一个可以预测高危食品类别的模型。同时和其他机器学习模型进行比较，发现BP神经网络的整体稳定性和准确率高于SVM、逻辑回归模型、决策树模型。

关键字：神经网络 食品安全 食品抽检 食品风险

Research on Intelligent Recognition Model of Food Risk for Specific Contaminants

Abstract

Food safety issues are closely related to people's daily lives. As a key issue related to people's lives and basic livelihoods, it has received widespread attention from people. The degree of concern has continued to rise. One method is to conduct random food safety inspections. This is a routine and regular work carried out by government agencies or third-party licensing agencies. The random inspection is random. However, at present, there is no effective intelligent model for screening and early warning of food sampling inspection. This paper intends to build an intelligent identification model of food risk based on specific contaminants through deep learning model to realize the intelligent and selective sampling inspection , So that the random inspection work is more targeted.

Based on the food safety sampling inspection data of the national and provincial market supervision bureaus, this article carries out a series of data processing work, filters the sampling data items, transforms and encodes the data content, and can obtain direct statistical analysis and After the data used by the machine learning model is visually analyzed, the basic characteristics and distribution of the data are obtained. Finally, the BP multi-layer neural network in the deep learning model is used for data training, and the data of food sampling are used as input content. As the output content, you can get a classification model for food categories. Since food categories with obvious spatial and temporal distributions and characteristics will be classified more accurately, using the visualization of the confusion matrix to filter out the accurately classified categories, a model that can predict high-risk food categories can be obtained. At the same time, compared with other machine learning models, it is found that the overall stability and accuracy of the BP neural network is higher than that of the SVM, logistic regression model, and decision tree model.

Keywords: Neural Network; Food Safety;Food Sampling;Food Risk

目录

摘 要 I

ABSTRACT II

第一章 绪论 1

1.1研究背景与意义 1

1.2国内研究现状 1

1.3国外文献研究现状 2

1.4小结 3

第二章 研究思路与技术理论 4

2.1研究思路 4

2.2技术理论 5

2.2.1BP神经网络介绍 5

2.2.2数据挖掘 6

第三章 数据来源与数据预处理 8

3.1数据来源与描述 8

3.2污染物名称规范 10

3.3抽取地点处理 12

3.5标准化与编码 13

3.5.1数值化编码 13

3.5.2标准化 15

第四章 污染物数据统计与可视化分析 17

4.1污染物类别频度分析 17

4.2食品种类频度分析 18

4.3抽取地点分布密度可视化 20

4.4抽取时间分布可视化 21

第五章 基于深度学习的风险预测 22

5.1 问题描述 22

5.2 研究过程与体系结构 22

5.3 分类模型的建立与评估 22

5.3.1模型输入与输出设置 23

5.3.2验证方法 23

5.3.3模型构建 24

5.3.4超参数调整和模型调优 25

5.3.5模型评价 26

5.3.6其他机器学习模型部分 31

5.4小结 33

第六章 总结 34

参考文献 35

致谢 37

第一章 绪论

1.1研究背景与意义

随着人民的社会生活不断进步提高，食品安全作为人民生活领域中较为关键的一环，具有极为重要的意义。食品安全直接关乎着千万人民的身体健康，保障食品安全是目前国家相关监管部分的紧要任务。食品的生产销售、供应链等环节中的任何一部分出现问题都有可能导致较为严重的损失。目前国家已经建立了覆盖范围较为广泛的食品安全抽检机制，定期或者不定期进行食品抽检工作。通过获得食品抽检报告来获得有关食品的质量安全状况。食品安全抽检工作可以获得有关生产地信息、抽检指标和相关污染物信息，能够掌握出现食品安全问题的具体发生地和具体污染物，针对出现问题的食品生产商进行处罚并督促整改。

请支付后下载全文，论文总字数：22710字