基于LSTM的食品安全风险预测开题报告

 2021-11-21 04:11

1. 研究目的与意义(文献综述)

食品安全抽检数据指的是食品在进入市场前由当地食品安全管理部门抽查重金属、农兽药、化学污染物等项目检验,针对不同食品、不同项目有着不同的合格标准。食品安全抽检数据的变化反映了当地食品安全的动态变化,做到预测未来食品安全抽检数据的预测才能加强安全措施,防患于未然,阻止问题食品流入市场。

LSTM又称为长短期循环神经记忆网络,是神经网络模型里常用于处理时间序列数据的模型。LSTM的表现通常比时间递归神经网络及隐马尔科夫模型(HMM)更好,比如用在不分段连续手写识别上。2009年,用LSTM构建的人工神经网络模型赢得过ICDAR手写识别比赛冠军。LSTM还普遍用于自主语音识别,2013年运用TIMIT用自然演讲数据库达成17.7%错误率的纪录。作为非线性模型,LSTM可作为复杂的非线性单元用于构造更大型深度神经网络型。针对不同的数据结构,又分为单特征时间序列模型以及多特征时间序列模型。同时针对时间序列的数据又有多种方法提高其质量或者减少模型的过拟合程度,十分具有研究价值。

2. 研究的基本内容与方案

任务研究基本内容、目标:

1、对原始的食品安全抽检数据进行时间序列采样处理

2、针对处理后时间序列数据搭建lstm模型预测出未来食品抽检项目数据

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

第1-3周:查阅相关文献资料,明确研究内容,了解研究所需的理论知识、技术要求以及相关资料。确定方案,完成开题报告。

第4-6周:查阅并了解食品安全风险预测领域国内外研究现状,对其中的方法进行研究。

第7-8周:查阅并了解时间序列数据处理方式、单特征时间序列模型,多特征时间序列模型等。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1]jing wang,huili yue. food safetypre-warning system based on data mining for a sustainable food supply chain[j].food control,2017,73: 223-229.

[2]geng z q , zhao s s , tao g c , etal. early warning modeling and analysis based on analytic hierarchy processintegrated extreme learning machine (ahp-elm): application to food safety[j].food control,2017, 78:33-42.

[3] 陈恺. 基于数据驱动的食品安全预警分析方法与应用[d].北京化工大学,2015.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。