王建新，張懿文，連夢(mèng)雪，王曄茹

(1.北京林業(yè)大學(xué)信息學(xué)院，北京100083；2.國(guó)家食品安全風(fēng)險(xiǎn)評(píng)估中心，北京100021)

金黃色葡萄球菌較易污染蛋白質(zhì)含量較高的食品，比如魚(yú)、肉、蛋、乳及其制品[1]。與其他制品不同，乳及乳制品在制作完成后一般不再進(jìn)行二次烹飪，更容易受到金黃色葡萄球菌及其所產(chǎn)腸毒素的威脅，由其引發(fā)的食物中毒事件在全球范圍內(nèi)普遍存在[1-2]。我國(guó)巴氏殺菌乳國(guó)家標(biāo)準(zhǔn)(GB 19645—2010)中規(guī)定，金黃色葡萄球菌在同一批次采集5個(gè)樣品，均不得檢出。因此，對(duì)金黃色葡萄球菌進(jìn)行風(fēng)險(xiǎn)評(píng)估具有重要的現(xiàn)實(shí)意義。

我國(guó)目前所進(jìn)行的微生物風(fēng)險(xiǎn)評(píng)估多數(shù)聚焦在零售和消費(fèi)環(huán)節(jié)，較少?gòu)脑搭^上即從原料及生產(chǎn)加工環(huán)節(jié)開(kāi)展風(fēng)險(xiǎn)評(píng)估[3]。此外，我國(guó)微生物風(fēng)險(xiǎn)評(píng)估的基礎(chǔ)數(shù)據(jù)大多來(lái)源于食品監(jiān)測(cè)和專項(xiàng)調(diào)研數(shù)據(jù)，在食品生產(chǎn)加工、運(yùn)輸貯藏等多個(gè)環(huán)節(jié)中的關(guān)鍵數(shù)據(jù)普遍存在缺失情況[4]。關(guān)鍵環(huán)節(jié)數(shù)據(jù)的獲取成為微生物風(fēng)險(xiǎn)評(píng)估的難點(diǎn)。在無(wú)法獲取充足數(shù)據(jù)的情況下，對(duì)食品風(fēng)險(xiǎn)評(píng)估系統(tǒng)進(jìn)行多環(huán)節(jié)定量預(yù)測(cè)研究成為研究者關(guān)注的重點(diǎn)。

近年來(lái)，低溫液態(tài)乳制品已成為居民日常高頻消費(fèi)的食品[5]，其運(yùn)輸多為冷鏈物流，對(duì)溫度要求較為嚴(yán)格[6]。我國(guó)的冷鏈運(yùn)輸尚處于起步階段，冷鏈運(yùn)輸過(guò)程中的監(jiān)控不夠嚴(yán)密或監(jiān)控缺失，對(duì)于制冷機(jī)關(guān)閉、未提前預(yù)冷等情況無(wú)法做到準(zhǔn)確把握[7-8]，這使低溫液態(tài)乳制品容易受到金黃色葡萄球菌等食源性致病菌的污染，也會(huì)在一定程度上限制食品相關(guān)商貿(mào)供應(yīng)鏈發(fā)展[6,8]。建立并且完善整個(gè)冷鏈鏈條，實(shí)現(xiàn)數(shù)據(jù)和信息的一體化是解決問(wèn)題的關(guān)鍵[9]。雖然已有試點(diǎn)的一體化監(jiān)控冷鏈[10-11]，但由于技術(shù)和成本等原因，大面積的推廣應(yīng)用還需要相當(dāng)長(zhǎng)的時(shí)間。因此，需要基于不完善的低溫液態(tài)乳制品冷鏈監(jiān)控?cái)?shù)據(jù)，充分利用智能算法，達(dá)到或接近獲取完善的冷鏈監(jiān)控信息的目的。

1 預(yù)測(cè)方法和模型的選擇

影響低溫液態(tài)乳制品中金黃色葡萄球菌繁殖的因素主要集中在初始污染濃度、溫度、濕度、pH、繁殖時(shí)間和容器類型上。這些因素對(duì)應(yīng)的變量是原因變量。在歷年國(guó)家食品污染和有害因素風(fēng)險(xiǎn)監(jiān)測(cè)以及體系檢查過(guò)程中，管理部門(mén)積累了原因變量和對(duì)應(yīng)結(jié)果變量(即時(shí)段末端的最終污染濃度值)的大量數(shù)據(jù)，研究人員可充分利用這些數(shù)據(jù)，找到原因和結(jié)果之間的數(shù)量關(guān)系，在允許存在部分?jǐn)?shù)據(jù)缺失的情況下，根據(jù)數(shù)據(jù)中蘊(yùn)含的規(guī)律補(bǔ)全缺失值，從而實(shí)現(xiàn)預(yù)測(cè)和診斷的目的。

線性回歸的方法是建立原因變量和結(jié)果變量之間關(guān)系的傳統(tǒng)方法，但由于該方法僅限于線性關(guān)系，不能建立復(fù)雜的、高度非線性的關(guān)系，因此，對(duì)于從多原因變量數(shù)據(jù)預(yù)測(cè)結(jié)果變量的微生物濃度預(yù)測(cè)需求，線性回歸方法是不合適的。BP(back propagation)神經(jīng)網(wǎng)絡(luò)，能夠反映高度非線性的映射關(guān)系，在乳制品質(zhì)量安全風(fēng)險(xiǎn)預(yù)警中起到了顯著作用[12]。但是，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程復(fù)雜、耗時(shí)較長(zhǎng)，當(dāng)數(shù)據(jù)量較大時(shí)，這個(gè)問(wèn)題更為嚴(yán)重。極限學(xué)習(xí)機(jī)是神經(jīng)網(wǎng)絡(luò)的一種，已在很多領(lǐng)域得到了廣泛的應(yīng)用，取得了良好的效果[13]。極限學(xué)習(xí)機(jī)有諸多優(yōu)勢(shì)：①極限學(xué)習(xí)機(jī)的結(jié)構(gòu)簡(jiǎn)單，只有三層網(wǎng)絡(luò)結(jié)構(gòu)，一層輸入層、一層隱藏層、一層輸出層；②傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練一般是迭代執(zhí)行的，需要經(jīng)歷大量的迭代步驟，因而耗費(fèi)大量的訓(xùn)練時(shí)間，一般是幾十分鐘甚至更長(zhǎng)，而極限學(xué)習(xí)機(jī)的訓(xùn)練是基于最小二乘法的，訓(xùn)練時(shí)間一般能控制在1 s之內(nèi)；③極限學(xué)習(xí)機(jī)的預(yù)測(cè)準(zhǔn)確度通常也比較高[14]，這是因?yàn)樗械挠?xùn)練數(shù)據(jù)一次性使用，避免了因訓(xùn)練數(shù)據(jù)集中的部分噪聲數(shù)據(jù)而使得待估計(jì)參數(shù)遠(yuǎn)離中心點(diǎn)。綜上，本研究把極限學(xué)習(xí)機(jī)作為預(yù)測(cè)低溫液態(tài)乳制品中金黃色葡萄球菌濃度和進(jìn)行條件推斷的計(jì)算工具。

與其他神經(jīng)網(wǎng)絡(luò)模型類似，極限學(xué)習(xí)機(jī)并不能很好地?cái)M合指數(shù)型映射關(guān)系，但微生物繁殖過(guò)程大致遵循指數(shù)增長(zhǎng)函數(shù)，因此，本研究把極限學(xué)習(xí)機(jī)模型與指數(shù)增長(zhǎng)函數(shù)相結(jié)合，也就是將微生物繁殖機(jī)制嵌入極限學(xué)習(xí)機(jī)模型中，更好地?cái)M合原因變量和結(jié)果變量之間的復(fù)雜映射關(guān)系，以構(gòu)建低溫液態(tài)乳制品多環(huán)節(jié)金黃色葡萄球菌濃度超標(biāo)的預(yù)警模型，試圖通過(guò)訓(xùn)練、計(jì)算和預(yù)測(cè)，改善現(xiàn)階段有關(guān)數(shù)據(jù)匱乏的現(xiàn)狀，提供針對(duì)每個(gè)環(huán)節(jié)預(yù)測(cè)的工具。

2 數(shù)據(jù)來(lái)源與優(yōu)化方法

2.1 數(shù)據(jù)來(lái)源

本研究基于2017年低溫液態(tài)乳制品中金黃色葡萄球菌的專項(xiàng)監(jiān)測(cè)及相關(guān)的環(huán)境數(shù)據(jù)(合作工廠提供)，其中包含有初始污染濃度、溫度、濕度和繁殖時(shí)間等變量，數(shù)據(jù)涵蓋了生產(chǎn)加工、運(yùn)輸、存儲(chǔ)和消費(fèi)等多個(gè)環(huán)節(jié)，其中，最終濃度值是結(jié)果變量，其他全部是原因變量。因真實(shí)數(shù)據(jù)保密要求，筆者在真實(shí)數(shù)據(jù)基礎(chǔ)上通過(guò)函數(shù)映射和增加隨機(jī)擾動(dòng)，生成了模擬數(shù)據(jù)。具體模擬數(shù)據(jù)格式見(jiàn)表1。

表1 低溫液態(tài)乳制品中金黃色葡萄球菌相關(guān)數(shù)據(jù)格式

從表1可以看出：原因變量和結(jié)果變量之間沒(méi)有直觀的映射關(guān)系和規(guī)律，下一步需用采用非線性的映射模型。

2.2 啞變量變換、數(shù)據(jù)集分割和數(shù)據(jù)歸一化

在原因變量中，“容器類型”是一個(gè)類型變量，其值包括A、B和C共3種，但這些值是類型，不是數(shù)值，不能直接參與極限學(xué)習(xí)機(jī)的訓(xùn)練和預(yù)測(cè)，需要把它轉(zhuǎn)變?yōu)閿?shù)值型變量。轉(zhuǎn)變的規(guī)則是：如果類型變量有幾個(gè)值，就轉(zhuǎn)變?yōu)閹讉€(gè)數(shù)值型變量，每個(gè)變量只取0、1。這樣相對(duì)應(yīng)的數(shù)值型變量稱為啞變量。如果類型變量的值為A，則啞變量a的值為1，其他啞變量b和c的值為0。轉(zhuǎn)變前后的變量值如表2所示。

a、b、c這3個(gè)啞變量并不是獨(dú)立的，由其中任意2個(gè)啞變量的值可以得到另外1個(gè)啞變量的值[15]。這是因?yàn)?個(gè)變量中有且僅有1個(gè)變量的值為1，其余變量的值為0。例如，如果a和b的值分別為0和1，則可以推斷c的值為0；如果a和b的值都是0，則可以推斷c的值為1。因此，筆者只保留2個(gè)啞變量a和b，舍棄啞變量c。

表2 類型變量轉(zhuǎn)變?yōu)閱∽兞?/p>

為了驗(yàn)證算法的準(zhǔn)確率和性能，筆者把數(shù)據(jù)集分為2個(gè)部分：訓(xùn)練集和測(cè)試集，其中，訓(xùn)練集約占2/3，用于訓(xùn)練模型；其余約1/3用于模型測(cè)試和比較。

對(duì)所有的輸入數(shù)據(jù)，不在[0，1]區(qū)間的屬性值要通過(guò)縮放和平移，轉(zhuǎn)化為[0，1]范圍內(nèi)屬性值，并作為輸入值輸入極限學(xué)習(xí)機(jī)算法中去，對(duì)訓(xùn)練集和測(cè)試集中的數(shù)據(jù)必須做統(tǒng)一的縮放和平移操作才能保證算法的正確性。

2.3 總體框架

檢測(cè)低溫液態(tài)制乳品中金黃色葡萄球菌濃度的具體環(huán)節(jié)是分別檢測(cè)加工前濃度、生產(chǎn)加工后/運(yùn)輸前的濃度、運(yùn)輸后/消費(fèi)前的濃度、食用前的濃度。金黃色葡萄球菌的風(fēng)險(xiǎn)過(guò)程描述如圖1所示。

圖1 低溫液態(tài)乳制品中金黃色葡萄球菌污染的風(fēng)險(xiǎn)過(guò)程描述Fig.1 Risk profile of S.aureus in low temperature dairy products

加工前濃度指的是生牛乳中金黃色葡萄球菌的濃度。我國(guó)生牛乳中攜帶金黃色葡萄球菌的比例較高[1]。生牛乳的加工過(guò)程，包括對(duì)生牛乳進(jìn)行預(yù)熱、加熱滅菌、冷卻、包裝等操作，在這一系列過(guò)程中，生產(chǎn)加工工具帶菌、操作人員帶菌、產(chǎn)品加熱滅菌環(huán)節(jié)不充分、產(chǎn)品包裝不嚴(yán)密等情況均可能導(dǎo)致金黃色葡萄球菌的污染[16]。

在運(yùn)輸貯藏過(guò)程中，對(duì)于溫度的要求較高。在運(yùn)輸過(guò)程中，運(yùn)輸車輛如果無(wú)法達(dá)到規(guī)定要求的溫度，那么溫度的升高易導(dǎo)致金黃色葡萄球菌的較快繁殖。消費(fèi)者購(gòu)買乳制品并進(jìn)行貯藏時(shí)，如無(wú)法確保處于低溫狀態(tài)，也可能導(dǎo)致金黃色葡萄球菌的大量繁殖。

從生產(chǎn)加工階段起，通過(guò)分析與金黃色葡萄球菌增殖相關(guān)的關(guān)鍵因素，即初始污染菌濃度、時(shí)間、溫度、濕度、pH及容器類型等，獲得金黃色葡萄球菌在不同影響因素?cái)?shù)值組合下產(chǎn)生的不同預(yù)測(cè)結(jié)果，其中，每環(huán)節(jié)最后的輸出結(jié)果值作為下一環(huán)節(jié)的初始輸入值，采用既定的算法及其組合，利用已有的數(shù)據(jù)進(jìn)行訓(xùn)練得到網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建預(yù)測(cè)評(píng)估模型。如果需要預(yù)測(cè)評(píng)估多環(huán)節(jié)中的金黃色葡萄球菌及腸毒素濃度，則需要進(jìn)行兩個(gè)方面的選擇：一是選取待預(yù)測(cè)數(shù)據(jù)集文件；二是選取相對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)。其中，待預(yù)測(cè)數(shù)據(jù)集文件中包含的數(shù)據(jù)缺少最終的結(jié)果，而網(wǎng)絡(luò)結(jié)構(gòu)中包含訓(xùn)練學(xué)習(xí)得到的極限學(xué)習(xí)機(jī)的大量連接權(quán)重，二者結(jié)合才能夠得到相應(yīng)的預(yù)測(cè)數(shù)據(jù)集。

功能之相反，從菌濃度等因素倒推時(shí)間、溫度等有時(shí)未知的因素，可以判定具體環(huán)節(jié)的具體原因變量出現(xiàn)問(wèn)題，從而能夠查找問(wèn)題根源，劃清責(zé)任。所用逆向的診斷方法與正向的預(yù)測(cè)方法完全一致，因此，本文重點(diǎn)闡述預(yù)測(cè)方法。

2.4 算法選擇和改進(jìn)方法

從表1可以看出，相關(guān)變量之間是典型的多個(gè)原因變量影響一個(gè)結(jié)果變量的關(guān)系。雖然極限學(xué)習(xí)機(jī)模型能夠擬合這種數(shù)量關(guān)系映射，但是現(xiàn)有的模型存在固有的缺陷：預(yù)測(cè)過(guò)程是一個(gè)黑盒，對(duì)外不可觀察，只考慮輸入和輸出，并不考慮問(wèn)題本身的顯式數(shù)據(jù)規(guī)律。所以，針對(duì)具體的問(wèn)題，極限學(xué)習(xí)機(jī)在預(yù)測(cè)準(zhǔn)確率提升方面還有改進(jìn)的空間。

金黃色葡萄球菌繁殖呈指數(shù)增長(zhǎng)，時(shí)間是影響金黃色葡萄球菌繁殖的最直接因素[17]，但被極限學(xué)習(xí)機(jī)作為普通因素對(duì)待；指數(shù)增長(zhǎng)規(guī)律也是該研究中的一條影響變化的深刻規(guī)律，被極限學(xué)習(xí)機(jī)視為數(shù)據(jù)間的一般規(guī)律。

為此，本研究改變極限學(xué)習(xí)機(jī)的結(jié)構(gòu)，把時(shí)間變量和指數(shù)增長(zhǎng)規(guī)律進(jìn)行單獨(dú)計(jì)算后,再參與到極限學(xué)習(xí)機(jī)的運(yùn)行過(guò)程，使得微生物繁殖的基本規(guī)律與極限學(xué)習(xí)機(jī)有機(jī)地結(jié)合起來(lái)。結(jié)合的主要原則是減少時(shí)序因素對(duì)極限學(xué)習(xí)機(jī)的影響，直接處理指數(shù)關(guān)系映射問(wèn)題，從而得到更精準(zhǔn)的預(yù)測(cè)結(jié)果。

為了實(shí)現(xiàn)本研究的算法，實(shí)驗(yàn)用計(jì)算機(jī)的配置是臺(tái)式機(jī)，Windows10操作系統(tǒng)，CPU為英特爾I7處理器，DDR3內(nèi)存16G，編程語(yǔ)言為Java1.8。

3 結(jié)果與討論

3.1 改進(jìn)的計(jì)算算法

時(shí)段末端的最終污染菌濃度用式(1)估算。

(1)

式中：i為初始污染菌濃度，c為最終污染菌濃度，T為繁殖倍增周期，t為繁殖時(shí)長(zhǎng)。

式(1)得到的值作為極限學(xué)習(xí)機(jī)的一個(gè)輸入，但要在原極限學(xué)習(xí)機(jī)中刪除時(shí)長(zhǎng)這個(gè)輸入變量，因?yàn)樵撟兞恳呀?jīng)在指數(shù)函數(shù)中體現(xiàn)了。

為了闡述清楚二者結(jié)合的機(jī)制，示例如下。假設(shè)金黃色葡萄球菌的初始污染菌濃度為1 000 CFU/g，時(shí)間為78 h，繁殖倍增周期為36 h，上述數(shù)值都納入極限學(xué)習(xí)機(jī)的輸入中。如果使用微生物繁殖機(jī)制與極限學(xué)習(xí)機(jī)相結(jié)合，則這些值都要從極限學(xué)習(xí)機(jī)的輸入變量中刪除，繼而替換為通過(guò)式(1)計(jì)算獲得的數(shù)據(jù)，由此得到

二者結(jié)合前后，極限學(xué)習(xí)機(jī)的結(jié)構(gòu)變化如圖2所示。

圖2 極限學(xué)習(xí)機(jī)與微生物機(jī)制相結(jié)合前后的結(jié)構(gòu)變化Fig.2 The working structure change before and after combination of microbial mechanism with the extreme learning machine

極限學(xué)習(xí)機(jī)與微生物機(jī)制結(jié)合的食品風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建步驟如下：

(2)

2)設(shè)置隱藏層的結(jié)點(diǎn)個(gè)數(shù)為N，設(shè)置輸入層與隱藏層之間的隨機(jī)權(quán)重為wi=[wi1,wi2,…,win]T∈Rn，設(shè)置偏置值bi,i=1,2,...,N。

運(yùn)用g(x)公式計(jì)算出隱藏層的輸出矩陣H和權(quán)值β(β=H+Y)，其中，H+是H的摩爾-彭羅斯廣義逆矩陣。極限學(xué)習(xí)機(jī)中輸入節(jié)點(diǎn)和隱藏節(jié)點(diǎn)之間的權(quán)重被設(shè)置成隨機(jī)值，在[0,1]之間。所有隱藏節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的權(quán)重則是通過(guò)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)后獲得。

3)構(gòu)建極限學(xué)習(xí)機(jī)與微生物機(jī)制結(jié)合的食品風(fēng)險(xiǎn)評(píng)估模型，得到預(yù)測(cè)數(shù)值?；跇O限學(xué)習(xí)機(jī)的預(yù)測(cè)值為

(3)

其中，

(4)

3.2 儲(chǔ)存環(huán)節(jié)極限學(xué)習(xí)機(jī)和改進(jìn)算法計(jì)算結(jié)果對(duì)比

根據(jù)金黃色葡萄球菌檢測(cè)數(shù)據(jù)，對(duì)單獨(dú)使用極限學(xué)習(xí)機(jī)進(jìn)行運(yùn)算和使用極限學(xué)習(xí)機(jī)與微生物機(jī)制結(jié)合的改進(jìn)算法運(yùn)算進(jìn)行對(duì)比實(shí)驗(yàn)。以儲(chǔ)存環(huán)節(jié)為例，展示儲(chǔ)存環(huán)節(jié)的檢測(cè)和預(yù)測(cè)數(shù)據(jù)，結(jié)果如圖3所示。圖3比較了極限學(xué)習(xí)機(jī)結(jié)合微生物繁殖原理前后對(duì)金黃色葡萄球菌濃度的預(yù)測(cè)準(zhǔn)確度。圖3的縱坐標(biāo)分別表示實(shí)驗(yàn)檢測(cè)的真實(shí)值、把儲(chǔ)存條件數(shù)據(jù)輸入極限學(xué)習(xí)機(jī)而計(jì)算獲得的值、把儲(chǔ)存條件數(shù)據(jù)輸入改進(jìn)的極限學(xué)習(xí)機(jī)而計(jì)算獲得的值。

圖3 儲(chǔ)存環(huán)節(jié)極限學(xué)習(xí)機(jī)與微生物繁殖機(jī)制結(jié)合前后的預(yù)測(cè)結(jié)果比較Fig.3 Comparison of prediction results between pre-and post-combination of the extreme learning machine and microbial reproduction mechanism during storage

由圖3可知：2種算法都有比較好的預(yù)測(cè)性能，比較接近實(shí)驗(yàn)檢測(cè)值。

由于各數(shù)據(jù)組中的數(shù)據(jù)并不是由相同條件產(chǎn)生的，也就是初始污染濃度、溫度、濕度和容器類型等條件不完全一致，本研究分別計(jì)算不同條件下相對(duì)于不同基準(zhǔn)值的預(yù)測(cè)值百分比誤差，然后取平均值得到預(yù)測(cè)的平均百分比誤差(μpy)，具體計(jì)算見(jiàn)式(5)。

(5)

式中：xi和yi分別表示真實(shí)濃度值和預(yù)測(cè)濃度值，i=1,2,…,n；其中，n是數(shù)據(jù)的組數(shù)。

由對(duì)比實(shí)驗(yàn)結(jié)果可知，2種方法都能夠比較準(zhǔn)確地預(yù)測(cè)各環(huán)節(jié)的濃度值。但是，結(jié)合微生物繁殖機(jī)制之后，雖然有些環(huán)節(jié)預(yù)測(cè)準(zhǔn)確性基本保持不變，但有些環(huán)節(jié)的預(yù)測(cè)準(zhǔn)確度有了明顯的提升，μpy更小，從14.77%降至2.85%。

極限學(xué)習(xí)機(jī)的工作原理是非線性加權(quán)，會(huì)削弱明確的指數(shù)關(guān)系(菌群繁殖與時(shí)長(zhǎng)的關(guān)系)的影響，因此將極限學(xué)習(xí)機(jī)與微生物機(jī)制結(jié)合，將時(shí)間作為一個(gè)輸入屬性，代入生物繁殖規(guī)律函數(shù)中，進(jìn)而把極限學(xué)習(xí)機(jī)輸入值中初始污染和時(shí)間2個(gè)變量轉(zhuǎn)換為由微生物繁殖規(guī)律所產(chǎn)生的函數(shù)計(jì)算值。將明確的關(guān)系不參與到極限學(xué)習(xí)機(jī)的學(xué)習(xí)和計(jì)算中，而是直接獲取，去除了時(shí)間因素對(duì)極限學(xué)習(xí)機(jī)的影響，成功解決了極限學(xué)習(xí)機(jī)和其他工具不能很好地處理指數(shù)關(guān)系映射的問(wèn)題。

研究結(jié)果也表明：數(shù)據(jù)訓(xùn)練集的數(shù)量會(huì)很大程度上影響預(yù)測(cè)和診斷結(jié)果的質(zhì)量；而且，訓(xùn)練集中涉及的條件范圍越廣、組合越復(fù)雜，預(yù)測(cè)效果就會(huì)越好。因此，后續(xù)需要在加強(qiáng)各個(gè)環(huán)節(jié)數(shù)據(jù)的收集和融合基礎(chǔ)上，對(duì)算法進(jìn)行更進(jìn)一步的完善和驗(yàn)證。

4 結(jié)論

本文將極限學(xué)習(xí)機(jī)與微生物機(jī)制相結(jié)合，應(yīng)用于食品安全風(fēng)險(xiǎn)評(píng)估中，以金黃色葡萄球菌多環(huán)節(jié)風(fēng)險(xiǎn)預(yù)警為例，利用極限學(xué)習(xí)機(jī)和微生物繁殖機(jī)制結(jié)合的改進(jìn)算法對(duì)金黃色葡萄球菌在各個(gè)環(huán)節(jié)、不同影響因子值下的生長(zhǎng)繁殖情況進(jìn)行擬合、預(yù)測(cè)和推斷，從而構(gòu)建了不同情境下金黃色葡萄球菌濃度的預(yù)測(cè)模型。該模型可以對(duì)未檢測(cè)或缺失的變量值做出比較準(zhǔn)確的估計(jì)，訓(xùn)練執(zhí)行效率和預(yù)測(cè)執(zhí)行效率都非常高。本研究可為低溫液態(tài)乳制品多環(huán)節(jié)中金黃色葡萄球菌的預(yù)測(cè)及診斷提供快速的預(yù)篩功能，迅速定位問(wèn)題環(huán)節(jié)，對(duì)實(shí)驗(yàn)檢測(cè)起到便捷的輔助作用。