李月恒 (通訊作者)，張鈺亮，李妍歐，張?chǎng)┳?/p>

（北方工業(yè)大學(xué)電氣與控制工程學(xué)院，北京，100043）

0 引言

對(duì)于糧食的分析和決策系統(tǒng)，國(guó)內(nèi)外主要農(nóng)業(yè)發(fā)達(dá)地區(qū)如歐盟、美國(guó)、澳大利亞等都相繼建立了農(nóng)產(chǎn)品及產(chǎn)地追溯的系統(tǒng)，并且建立了自身評(píng)判糧食水平的指標(biāo)。Liopa-Tsakalidi A等開發(fā)了一個(gè)包括決策支持能力的移動(dòng)信息系統(tǒng)，該系統(tǒng)提供移動(dòng)服務(wù)來支撐整個(gè)決策網(wǎng)絡(luò)的實(shí)現(xiàn)[1]。Swarte C等人針對(duì)食品安全目標(biāo)Food Safety Objective(FSO)的設(shè)置進(jìn)行了較為深入的探討，該研究引入了FSOs概念并將其作為食品風(fēng)險(xiǎn)管理的有力工具，該研究就FSOs這一理論的產(chǎn)生原理和過程進(jìn)行闡述分析，為政策制定者提供理論依據(jù)，但不足的是作者并沒有對(duì)這一理論在食品安全政策的有效應(yīng)用進(jìn)行闡述[1]。余臘生和李強(qiáng)基于貝葉斯網(wǎng)絡(luò)的數(shù)據(jù)挖掘模型來挖掘不同屬性的關(guān)聯(lián)度，用Microsoft時(shí)序模型和決策樹算法，對(duì)產(chǎn)品質(zhì)量水平進(jìn)行分類[3]。本文采用了支持向量機(jī)（SVM）和決策樹（decision tree）作為糧食產(chǎn)地判別的模型，經(jīng)過比較同等情況下準(zhǔn)確率更高的模型，同時(shí)根據(jù)檢測(cè)得到的礦物元素含量進(jìn)行風(fēng)險(xiǎn)分析。除此之外，將判別模型嵌入到Web系統(tǒng)中，采用B/S的3層架構(gòu)、MYSQL數(shù)據(jù)庫和Java語言開發(fā)設(shè)計(jì)了整個(gè)系統(tǒng)。

1 系統(tǒng)總體功能圖

本系統(tǒng)根據(jù)項(xiàng)目的實(shí)際需要，系統(tǒng)實(shí)現(xiàn)的功能主要有：用戶注冊(cè)、用戶登錄、待測(cè)信息錄入、產(chǎn)地預(yù)測(cè)、數(shù)據(jù)導(dǎo)出、風(fēng)險(xiǎn)分析共6個(gè)模塊。系統(tǒng)總體功能圖如圖1所示。

圖1 系統(tǒng)總體功能圖

2 判別算法比較

■2.1 數(shù)據(jù)來源

從河北省、陜西省、山東省、河南省采集2018-2019年度小麥樣品。從這些地區(qū)采集的都是主產(chǎn)區(qū)，用ICP-MS（電感耦合等離子體質(zhì)譜儀）測(cè)定4個(gè)產(chǎn)區(qū)大米的Be、Na、Mg、Al、K、Ca、V、Mn、Fe、Co、Ni、Cu、Zn、Se、Mo、Ag、Cr、Sb、Ba、Tl、Pb、Th 和 U共23種元素的含量。為了提高準(zhǔn)確率，每個(gè)樣品重復(fù)測(cè)定三次，選三次的平均值作為最后的測(cè)定值。

■2.2 數(shù)據(jù)預(yù)處理

首先發(fā)現(xiàn)源數(shù)據(jù)800條只缺失12條，缺失條數(shù)相對(duì)總數(shù)據(jù)來說比較少，采用簡(jiǎn)單的直接刪除缺失值來處理，其次對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練集和測(cè)試集劃分，訓(xùn)練集：測(cè)試集=7：3，將標(biāo)簽變成分散的0，1，2，3便于后續(xù)的處理，故對(duì)標(biāo)簽進(jìn)行編碼，最后對(duì)各項(xiàng)屬性進(jìn)行標(biāo)準(zhǔn)化處理，Z-Score標(biāo)準(zhǔn)化公式如下：

其中，yi表示各個(gè)屬性標(biāo)準(zhǔn)化之后的值，表示每項(xiàng)屬性的平均值，s表示該屬性的方差，新序列均值為0，方差為1。

■2.3 方差分析

用python對(duì)23種礦物元素含量進(jìn)行進(jìn)行方差分析，結(jié) 果 表 明，Na、Mg、Al、Ca、V、Cr、Mn、Fe、Co、Ni、Cu、Zn、Mo、Ag、Sb、Ba、Pb 和U共18 種元素的含量在不同省份之間有顯著差異.結(jié)果表明河北樣品的Ca含量最低，V含量最高；陜西樣品的 Na、Mn、Fe含量顯著高于其它地區(qū)；山東樣品的Ba和Ni含量最高；河南樣品的Cr含量最高。

■2.4 判別結(jié)果分析

2.4.1 支持向量機(jī)

在對(duì)原始數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理后調(diào)用支持向量機(jī)算法模型，在未調(diào)參之前，由于采用的是SVM的多分類模型，數(shù)據(jù)集呈非線性分布，故使用rbf高斯徑向基核函數(shù)。支持向量機(jī)在處理多分類問題的時(shí)候，是把多分類問題轉(zhuǎn)換成了二分類問題來解決。在一類對(duì)另一類（OVO）模式下，標(biāo)簽中的所有類別會(huì)被兩兩組合，每?jī)蓚€(gè)類別之間建一個(gè)SVC模型，每個(gè)模型生成一個(gè)決策邊界，分別進(jìn)行二分類。這種模式下，對(duì)于四分類問題，生成C24也就是6個(gè)超平面。在一類對(duì)其他類（OVR）模式下，標(biāo)簽中的所有類別會(huì)分別和其他類型進(jìn)行組合，分別進(jìn)行二分類，無論如何分類，一類對(duì)其他類對(duì)于四分類問題始終需要4個(gè)模型?？紤]到無論是當(dāng)類別更多時(shí)，二者需要的決策邊界越來越多，模型也會(huì)越來越復(fù)雜，不過OVO模式下的模型計(jì)算會(huì)更加復(fù)雜，決策邊界數(shù)量增加更多更快，好處就是準(zhǔn)確率隨之提高了，所以如果硬件條件滿足，人們一般選擇OVO模式。

在選定了kernel核函數(shù)和OVO模式的情況下，默認(rèn)松弛系數(shù)的懲罰項(xiàng)系數(shù)C=1.0，其他系數(shù)默認(rèn)，對(duì)數(shù)據(jù)進(jìn)行初步的計(jì)算，結(jié)果發(fā)現(xiàn)其正確率非常低，只有24.1%。為了提高正確率，將考慮調(diào)整必要的參數(shù)來達(dá)到要求。

準(zhǔn)確率太低，調(diào)整C或者gamma的值，發(fā)現(xiàn)其正確率并無太大變化，一直只有24.1%左右。后考慮是否可以更換kernel核函數(shù)，更換kernel核函數(shù)為liner線性核函數(shù)發(fā)現(xiàn)，其正確率顯著上升，達(dá)到98.5%，如圖2所示。

圖2 準(zhǔn)確率隨C的值變化

2.4.2 決策樹

利用決策樹模型進(jìn)行判別，在不調(diào)參的情況下，對(duì)數(shù)據(jù)進(jìn)行初步判別，其正確率有94.6%，正確率是否還能繼續(xù)調(diào)，因此考慮調(diào)參看是否能達(dá)到更高的正確率，圖3是未調(diào)參時(shí)得到的樹圖。

圖3 未調(diào)參時(shí)得到的樹圖

上面的決策樹只是sklearn只是調(diào)整entroy系數(shù)是gini繪制出來的，但是如果重復(fù)上述繪制樹的過程，發(fā)現(xiàn)每次的樹都不一樣。sklearn通過設(shè)置random_state和splitter，每次進(jìn)行分枝時(shí)都只選取部分特征不選擇全部特征，這樣一來也就建立不同的樹，從中選取一顆最好的樹作為采用的樹。至今為止，我們已經(jīng)找到了最好的節(jié)點(diǎn)和最優(yōu)的分枝數(shù)，接下來要解決怎么讓樹停止增長(zhǎng)，防止過擬合問題。采用合適的剪枝策略正好能完美的解決這個(gè)問題，一般來說有以下幾個(gè)剪枝策略：限制樹的最大深度，超過設(shè)定深度的樹枝全部剪除，這個(gè)參數(shù)對(duì)應(yīng)是max_depth。圖4是max_depth調(diào)參折線圖。

圖4 max_depth調(diào)參后的折線圖

可以明顯看出當(dāng)限制樹的深度為5的時(shí)候達(dá)到最高分?jǐn)?shù)98.9%，準(zhǔn)確率可以說是非常高，滿足項(xiàng)目的需求。

綜上，從正確率考慮，二者其實(shí)差不多，但從效率考慮，隨著后續(xù)數(shù)據(jù)的增多，SVM也更適合處理小樣本的數(shù)據(jù)，SVM的效率明顯快于決策樹模型，因此選擇SVM作為最終的判別模型。

傳統(tǒng)的干法回收處理LFP動(dòng)力電池成本高、利潤(rùn)低，學(xué)者們開發(fā)出了新的干法回收技術(shù)。本課題組在空氣中高溫處理正極片后，將 LiFePO4氧化為 Li3Fe2(PO4)3及 Fe2O3并作為再生反應(yīng)原料，加入適量還原劑，650 ～ 750℃高溫碳熱還原再生LiFePO4，獲得純相的再生LiFePO4/C材料，如圖5。

3 風(fēng)險(xiǎn)指標(biāo)分析

■3.1 評(píng)價(jià)標(biāo)準(zhǔn)選取

重金屬是非常常見的污染物，散布于土壤中被農(nóng)作物吸收后會(huì)積累在農(nóng)作物體內(nèi)。人們食用被污染的肉、蔬菜、糧食等都會(huì)通過食物鏈最后沉淀在人體中，從而引發(fā)人的各種疾病，甚至造成死亡。鑒于此，世界主要國(guó)家和地區(qū)都對(duì)糧食中重金屬污染物的含量做了比較明確的規(guī)定。表1列出了世界主要國(guó)家和地區(qū)對(duì)小麥重金屬污染物的含量標(biāo)準(zhǔn)。

表1 世界主要國(guó)家和地區(qū)小麥重金屬污染物的限量標(biāo)準(zhǔn)[4] mg·kg-1

因此，本文選用中國(guó)標(biāo)準(zhǔn)作為本研究的小麥重金屬含量的標(biāo)準(zhǔn)，由于檢測(cè)時(shí)只測(cè)量了Cr、Cu、Pb、Zn作為研究元素，從1表中可以發(fā)現(xiàn)中國(guó)糧食衛(wèi)生標(biāo)準(zhǔn)中只對(duì)Cd、Pb、Hg、As做了相關(guān)規(guī)定，中國(guó)農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)對(duì)所有的元素進(jìn)行相關(guān)規(guī)定，故總結(jié)得到小麥顆粒重金屬含量限量的標(biāo)準(zhǔn)

表2 小麥重金屬含量限量的標(biāo)準(zhǔn)值 mg·kg-1

■3.2 評(píng)價(jià)策略

3.2.1 單項(xiàng)污染指數(shù)法[5]

采用單項(xiàng)污染指數(shù)對(duì)小麥重金屬污染程度進(jìn)行評(píng)價(jià), 單項(xiàng)污染指數(shù)計(jì)算公式如下:

其中，iP為所計(jì)算出的重金屬單項(xiàng)污染指數(shù)，Ci重金屬含量的實(shí)測(cè)值，Si為小麥重金屬含量限量的標(biāo)準(zhǔn)值。當(dāng)Pi≤ 0.7時(shí)優(yōu)良，0.7 ＜ Pi≤ 1.0時(shí)安全，1.0 ＜ Pi≤ 2.0時(shí)輕污染，2.0 ＜ Pi≤ 3.0時(shí)中污染， Pi＞ 3.0時(shí)重污染。

3.2.2 綜合污染指數(shù)法[5]

單項(xiàng)污染指數(shù)法只能反映出每個(gè)污染物的污染程度，并不能綜合地反映出小麥的污染情況。綜合污染指數(shù)法考慮了單項(xiàng)污染指數(shù)的每項(xiàng)的最高值和平均值，從而可以標(biāo)注出污染嚴(yán)重的污染物。綜合污染指數(shù)法計(jì)算公式如下：

其中，P綜是要求的綜合污染指數(shù)，P平均是單項(xiàng)污染指數(shù)的平均值，P最大值為單項(xiàng)污染指數(shù)的最大值。當(dāng)P綜≤0.7時(shí)等級(jí)是安全，0.7 ＜ P綜≤1.0時(shí)等級(jí)是警戒線，1.0 ＜ P綜≤2.0時(shí)等級(jí)是輕污染，2.0 ＜ P綜≤3.0時(shí)等級(jí)是中污染，P綜＞3.0等級(jí)是重污染[5]。

4 功能效果

先啟動(dòng)后臺(tái)項(xiàng)目，再啟動(dòng)前臺(tái)項(xiàng)目，啟動(dòng)Nginx，后臺(tái)項(xiàng)目運(yùn)行在8001和8002端口，前臺(tái)項(xiàng)目運(yùn)行在9100端口，Nginx端口為9010，訪問http://192.168.1.118:9100。對(duì)于新用戶來說，首先要進(jìn)行的就是用戶的注冊(cè)，注冊(cè)頁面如圖5所示。

圖5 注冊(cè)頁

在注冊(cè)頁面中，用戶輸入昵稱、注冊(cè)的手機(jī)號(hào)、一條四位數(shù)字驗(yàn)證碼和自定義的密碼，點(diǎn)擊注冊(cè)后，系統(tǒng)會(huì)核實(shí)驗(yàn)證碼是否正確，如果正確則會(huì)向數(shù)據(jù)庫添加一條新用戶的注冊(cè)信息，同時(shí)頁面跳轉(zhuǎn)到登錄頁面。如果驗(yàn)證碼不正確，系統(tǒng)隔60秒重新請(qǐng)求驗(yàn)證碼。

其次是登錄頁面，如圖6所示。

圖6 用戶登錄界面

在登錄頁面中，用戶輸入手機(jī)號(hào)和密碼進(jìn)行登錄。點(diǎn)擊登錄按鈕后，系統(tǒng)將輸入信息以請(qǐng)求體的方式傳遞到后臺(tái)，并判斷用戶名和密碼是否存在與數(shù)據(jù)庫中，驗(yàn)證手機(jī)和數(shù)據(jù)庫中的手機(jī)號(hào)和密碼匹配。登錄成功后，跳轉(zhuǎn)到系統(tǒng)首頁面。

圖7 首頁

首頁面參照了后臺(tái)系統(tǒng)的模板形式，主要分為三部分：側(cè)邊欄、頂部欄和中部主要區(qū)域，在側(cè)邊欄內(nèi)，設(shè)計(jì)了添加元素、元素列表、查看分析后產(chǎn)地的數(shù)量以及地圖的顯示；頂部欄主要對(duì)登錄后的用戶進(jìn)行頭像顯示和用戶的退出；中部主要區(qū)域只是對(duì)用戶做了一個(gè)友好的歡迎。

點(diǎn)擊添加元素可進(jìn)行文件的上傳，如圖8所示。

圖8 文件上傳界面

點(diǎn)擊選取文件按鈕，彈出一個(gè)對(duì)話框提示用戶從本地選取文件，對(duì)文件進(jìn)行解析，顯示在元素列表頁面上，如圖9所示。

圖9 解析文件后界面

點(diǎn)擊待判別按鈕，系統(tǒng)會(huì)調(diào)用后臺(tái)的判別算法對(duì)其產(chǎn)地進(jìn)行判別，同時(shí)根據(jù)預(yù)設(shè)定的風(fēng)險(xiǎn)評(píng)價(jià)體系，給出其最后的風(fēng)險(xiǎn)評(píng)價(jià)，隨著判別情況一同返回到前端進(jìn)行頁面渲染，使得數(shù)據(jù)發(fā)生變化。當(dāng)點(diǎn)擊批量判別時(shí)如圖10所示。

圖10 批量判別返回產(chǎn)地和風(fēng)險(xiǎn)評(píng)價(jià)

在得到了數(shù)據(jù)的判別產(chǎn)地和風(fēng)險(xiǎn)等級(jí)后，系統(tǒng)提供了條件查詢的功能：根據(jù)數(shù)據(jù)的產(chǎn)地、風(fēng)險(xiǎn)等級(jí)、上傳的開始時(shí)間和結(jié)束時(shí)間對(duì)數(shù)據(jù)進(jìn)行查詢，可以找到其滿足要求的數(shù)據(jù)進(jìn)行顯示，條件查詢?nèi)鐖D11所示。

圖11 條件查詢

系統(tǒng)還提供了文件下載功能，當(dāng)點(diǎn)擊下載文件按鈕時(shí)，在本頁面中彈出一個(gè)對(duì)話框，用戶選擇想要保存文件的位置，確定后即可開始下載，下載后文件部分?jǐn)?shù)據(jù)如圖12所示。

圖12 下載后部分?jǐn)?shù)據(jù)圖

系統(tǒng)還結(jié)合了ECharts提供了更為直觀的數(shù)據(jù)顯示，點(diǎn)擊查看分析后的產(chǎn)地結(jié)果如圖13所示，通過該圖可以明顯看出每個(gè)省份小麥對(duì)應(yīng)的數(shù)量。

圖13 分析后產(chǎn)地?cái)?shù)量對(duì)應(yīng)圖

最后，系統(tǒng)可以通過地圖來查看各項(xiàng)數(shù)據(jù)產(chǎn)地分布情況，如圖14所示。

圖14 地圖查看小麥分布

5 總結(jié)

文要解決的問題是糧食安全的分析和決策評(píng)價(jià)，采用B/S的三層架構(gòu)，tomcat服務(wù)器，J2EE標(biāo)準(zhǔn)，數(shù)據(jù)庫采用Mysql和Redis設(shè)計(jì)開發(fā)設(shè)計(jì)了糧食安全的分析和決策系統(tǒng)，為了便于研究，選擇小麥作為主要研究對(duì)象，從而實(shí)現(xiàn)了對(duì)小麥產(chǎn)地的判別和小麥安全的評(píng)價(jià)。