科研之友
微信
新浪微博
Facebook
分享链接
摘要
因检测能力和检测成本的限制,金黄色葡萄球菌在液态乳制品生产加工、运输储存以及消费等多个环节的繁殖情况数据一般并不完整,相关的环境条件数据也可能存在一个或多个环节的缺失。极限学习机是神经网络的一种,预测精度通常比较高,研究者可以利用极限学习机建立多原因变量和结果变量之间的定量关联关系,从而预测给定条件下金黄色葡萄球菌的污染程度,并逆向推断一个或多个环境条件变量的值。微生物繁殖一般总体上符合指数增长函数,但极限学习机不能很好地拟合该函数,因此,本文中,笔者将指数增长的繁殖机制和极限学习机相结合,先计算指数增长的值,作为极限学习机的输入之一,再启用极限学习机,从而综合提升预测准确率。以储存环节为例,平均误差从14.77%降至2.85%。通过本算法的初筛,检测人员可以快速定位最有可能发生污染风险的环节,采取重点检测而非全方位检测的策略,从而节约检测成本,提高检测成效;检测人员也可以在严重污染发生后,定位引发污染的环境条件,从而发现问题根源。
-
单位北京林业大学; 国家食品安全风险评估中心
