基于大数据挖掘的食品安全风险智能监测模型

分类：论文范文 发表时间：2021-11-26 11:14

　　摘要：目前对食品安全风险进行监测方法,分析数据所用的时间较长,对食品安全风险评估浪费了大量时间,得到的监测结果常常与实际不符,存在实时性差和监测准确率低的问题。因此,提出基于大数据挖掘的食品安全风险智能监测模型,按照数据类型通过数据挖掘技术将样本集分割成若干个子集,主成分分析每个子集,在消除降维时各个子集间存在的互相影响的同时实现数据降维。然后,对引起食品安全的风险因素相应的风险损失度和风险可能性进行综合评估,通过风险损失度和风险可能性组合二维矩阵构建食品安全风险智能监测模型。最后,试验结果表明,所提方法的实时性好,监测准确率有较大提高。

　　关键词：大数据挖掘;食品安全风险;风险评价;监测模型

　　各行的数据规模和种类近年来随着信息产业的发展呈指数级增长，开启了我国大数据时代。通过数据挖掘可以提高数据库中的数据价值[1]。与此同时，我国频繁发生食品安全事件，如有毒大米事件、“瘦肉精”中毒事件、劣质奶粉事件以及“苏丹红”事件等，对消费者的身体健康造成了极大的威胁，同时在社会中引起了负面效应。因此需要对食品安全风险进行监测，通过食品安全风险监管可以提高食品安全水平[2-4]。当食品安全存在危机和风险时，食品安全监管部门需要采取相关措施，对食品的危害程度和危害成分进行辨别，并以预警的形式公告给顾客，提醒顾客禁止使用或慎食，最小化危害和风险。当前食品安全风险监测方法存在实时性差和监测准确率低的问题，需要对食品安全风险监测方法进行研究。

　　1数据降维

　　基于大数据挖掘的食品安全风险智能监测模型通过数据挖掘技术对食品数据进行降维处理：对m个变量ξ1,ξ2,…,ξm进行n次观测，构建观测数据矩阵X，其表达式如下：设xj代表样本均值，其计算公式为xj=xij1nni=1。

　　2食品安全风险智能监测模型

　　风险是风险因素的损失度与发生的可能性的二元函数，可通过公式进行描述：R=f(P,S)。式中，R表示食品风险分析值；S表示风险因素产生的损失度；P表示发生风险因素的可能性[11]。2.1单个危害指标的风险分析在式（12）的基础上分析危害指标，对危害指标的损失度大小和风险可能性进行度量，并在风险计算公式中引入损失度数值和可能性数值。2.1.1风险可能性按照类别对食品进行划分，设P(i)mn代表第n种食品的第i个危害指标在第m类食品中产生风险的可能性，可通过式（6）计算得到：P(i)mn=H(i)mn×Fnm×(1+4Enm)（6）式中：H(i)mn在区间[0,1]内取值，代表检验数据对应的超限率；Fnm代表食品摄入系数，每日种类不同的食品对应不同的摄入量，因此发生风险可能性对应的权重之间都存在差别；Enm代表环境/气候因子，在不同气候因子或环境因子的影响下食品发生风险的可能性都是不同的，通常在区间[0,1]内取值[12-14]。2.1.2风险损失度通常由风险因素造成的危害程度与其污染程度决定风险损失度，社会影响因子会对风险损失度产生影响。设S(i)mn代表第n种食品的第i个危害指标在第m类食品中对应的风险损失度，可通过式（7）计算得到：S(i)mn=I(i)mn×Di×(1+4Wi)（7）式中：Di代表危害指标对应的危害程度；Wi为社会影响因子，由于人为影响或社会流动性食品风险因素的损失度比实际严重；I(i)mn为危害指标对应的污染指数[15]。

　　设xij代表第i个危害指标测试试验中存在的第j条检验数据值。计算危害指标的污染指数I(i)mn：I(i)mn=（8）JJxij-li2li1-li2式中：li1为在食品含量中第i个危害指标对应的危险值；li2为国标中的限量值；J为第i个危害指标测试试验的检验总次数。2.1.3风险等级评定由于风险是损失度与可能性的二元函数，基于大数据挖掘的食品安全风险智能监测模型通过基于风险矩阵的风险结果表现形式对风险结果进行直观的描述。在食品安全风险智能监测模型中，通过式（9）对风险进行计算：R=f(P,S)=（9）P2+S22在第一象限内不同半径的圆的分布与不同等级风险分布近似，通过式（10）对单个危害指标对应的风险值进行计算：R(i)mn=（10）(P(i)mn)2+(S(i)mn)222.2单种食品的风险分析通过度量风险损失度与风险可能性的方法对风险等级进行综合考虑。2.2.1风险可能性度量各个风险因素在单种食品中的风险，由危害指标产生的风险等级最大值对应的风险可能性对单种食品产生风险的可能性进行决定，即：

　　3试验结果与分析

　　为了验证基于大数据挖掘的食品安全风险智能监测模型的整体有效性，需要对基于大数据挖掘的食品安全风险智能监测模型进行测试，此次测试在MyEclipse8.6软件中完成，分别采用基于大数据挖掘的食品安全风险智能监测模型、基于Rosetta粗糙集理论的食品安全风险监测方法和基于最邻近距离空间分析法的食品安全风险监测方法进行测试，通过分析数据所用的时长比较，对比不同方法的实时性效果，测试结果如图1所示。

　　图1（a）为基于大数据挖掘的食品安全风险智能监管模型的测试结果，分析图1（a）可知，采用基于大数据挖掘的食品安全风险智能监管模型进行测试时，在多次迭代中分析数据所用的时间均低于0.4s；图1（b）为基于Rosetta粗糙集理论的食品安全风险监测方法的测试结果，分析图1（b）可知，采用基于Rosetta粗糙集理论的食品安全风险监测方法进行测试时，在第3次迭代过程中分析数据所用的时间高达0.7s；图1（c）为基于最邻近距离空间分析法的食品安全风险监测方法的测试结果，分析图1（c）可知，采用基于最邻近距离空间分析法的食品安全风险监测方法进行测试时，在第1次迭代中分析数据所用的时间高达0.8s。对比基于大数据挖掘的食品安全风险智能监测模型、基于Rosetta粗糙集理论的食品安全风险监测方法和基于最邻近距离空间分析法的食品安全风险监测方法的测试结果可知，基于大数据挖掘的食品安全风险智能监测模型分析数据所用的时间最短，因为基于大数据挖掘的食品安全风险智能监测模型对食品安全风险进行监测之前通过大数据挖掘技术对食品数据进行降维处理，降低了数据量，缩短了分析数据所用的时间，提高了基于大数据挖掘的食品安全风险智能监测模型的实时性。

　　4结语

　　研究提出的基于大数据挖掘的食品安全风险智能监测模型，对数据进行降维处理，在风险矩阵中引入风险损失度和风险可能性构建食品安全风险智能监测模型，解决了当前方法中存在的问题，实时性和监测准确率有了较大提高。未来的工作将集中在提高数据的多维度多影响因素分析方面，更好地为食品检测服务。

　　参考文献

　　[1]石学香,王本利,叶兵,等.2014年青岛市食品安全风险监测与分析[J].现代预防医学,2016,43(2):63-65,76.

　　[2]杨黄浩.前言:食品安全检测新技术与新方法专刊[J].中国科学(化学),2016,46(3):241-242.

　　[3]谢刚,叶金,王松雪.食品安全快速检测方法评价技术研究进展[J].食品科学,2016,37(17):270-274.

　　[4]张群.基于光谱的食品安全快速检测关键技术研究[J].食品与生物技术学报,2018,37(2):224-224.

　　[5]张明,刘宏生.基于Rosetta的粗糙集理论在糕点食品安全风险监测中的应用[J].食品安全质量检测学报,2017(11):406-410.

　　[6]梁辉,王博远,邓小玲,等.最邻近距离空间分析法在食品安全风险监测中的应用[J].华南预防医学,2017(4):23-27.

　　[7]范胜男,邓君,周强,等.食品放射性核素监测信息系统及应用情况[J].中华放射医学与防护杂志,2019,39(10):736-740.

　　李晶，张滨

上一篇：基于超星泛雅平台的项目化无土栽培网课建设 下一篇：基于互联网的农业物流发展策略