基于深度置信网络-多类模糊支持向量机的粮食供应链危害物风险预警

近些年粮食供应链安全问题频发,为减少食源性风险威胁,风险预警正逐渐成为强化粮食食品安全体系的有力保障。但现有风险预警方法在面对多源异构非结构化食品数据时,存在预警准确率低、人工成本高等局限问题。本文在分析全国26个省份的大量抽检数据及关联信息基础上,建立了基于深度置信网络(deep belief network,DBN)-多类模糊支持向量机(multiclass fuzzy support vector machine,MFSVM)的风险分级预警模型,先对海量粮食供应链抽检数据进行嵌入编码和归一化处理,获得结构化食品数据;将其输入到DBN模型进行高维度特征提取,自适应地挖掘供应链中各危害因素间风险变化及内在关联概率,最后将高维特征输入到优化的MFSVM进行训练,实现供应链中各主要危害物风险分级预警。对比实验结果表明,DBN-MFSVM模型在粮食抽检数据上具有更好鲁棒性和泛化性,其准确率达到98.44%,运行时间85 s,可快速识别出粮食供应链中危害物风险程度和优先次序,为监管部门制定有针对性的抽检策略、确立优先监管领域和分配风险监管资源提供科学依据。

基于类重叠度欠采样的不平衡模糊多类支持向量机

传统的欠采样方法容易丢失重要的样本信息,且其实验结果的稳定性较差。针对上述问题,提出一种基于类重叠度欠采样的不平衡数据模糊多类支持向量机算法。该算法首先采用LOF局部离群点因子和箱线图的方法清洗训练数据集中的噪声样本,然后根据类重叠度抽取对分类起关键作用的支持向量,并且将代表每个样本点重要程度的类重叠度作为隶属度值,构造模糊多类支持向量机。实验结果表明,该算法克服了随机欠采样的支持向量机容易丢失重要样本信息和实验结果不稳定的缺点,且很好地提升了支持向量机在不平衡且含噪声的数据集上的分类精度,并保持较高的计算效率。

基于EMD和M-FSVM的泵车液压系统故障诊断

在泵车液压系统的故障诊断技术研究中,如何精确地提取故障特征以及如何实现高精度的分类识别是研究的关键。针对这一问题,文中提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)算法与模糊多类支持向量机(Multi-class Fuzzy Support Vector Machine,M-FSVM)技术相结合的液压系统故障诊断方法。该方法首先对原始数据信号进行EMD分解,分解成若干个固有本征模态函数之和,再计算EMD能量熵作为M-FSVM的输入数据加以诊断。实验结果表明,该方法能有效地诊断泵车液压系统故障。