BP神经网络在果蔬冷链物流预警中的应用*

杨 玮，曹 薇

(陕西科技大学机械与电子工程学院，陕西 西安 710021)

BP神经网络在果蔬冷链物流预警中的应用*

杨 玮，曹 薇

(陕西科技大学机械与电子工程学院，陕西 西安 710021)

近年来，消费者对果蔬冷链产品的安全和品质提出了更高要求，而现有的系统仅从温度和湿度两方面预测果蔬安全状态，没有综合考虑人员操作和设备等因素对果蔬品质的影响。针对上述问题，分析果蔬在冷链过程中出现安全隐患的因素，整合供应链上的追溯信息和监测信息，建立果蔬预警指标体系，采用BP神经网络搭建安全预警模型，并对模型进行训练和预测。预警结果表明，该方法较传统的时间序列、回归分析方法，在解决实际问题中预测误差小，可以有效提高果蔬在冷链物流中风险预警的准确性。

冷链物流；预警；神经网络

1 引言

果蔬冷链物流是指水果、蔬菜从产地收采后，在加工、运输、贮藏和销售等环节下始终处于适宜的低温控制环境中，最大程度地保证其品质和口感，减少损耗和环境污染的特殊供应链系统[1]。近年来，我国生鲜农产品产量快速增加，其中蔬菜产量约占全球总产量的60%，水果和肉类产量占30%。在日益激烈的竞争中竞争的核心不单是价格，更注重果蔬的品质和口感。为了最大程度地提供给顾客高品质的果蔬产品，因此实现对果蔬冷链全程的实时环境监控和及时预警具有重要意义。

由于果蔬冷链物流的预警涉及整个供应链，涵盖的范围广，受供应链环境复杂等诸多因素的影响，造成果蔬产品损伤的原因有所不同[2]。传统的时间序列、回归分析等在解决预警问题时，要求对系统结构已知或变量间关系明确，而实际问题中变量间的关系往往是模糊的，因此导致预测结果误差较大[3]。针对上述问题，本文以采集的果蔬冷链物流监测数据为基础，建立果蔬安全预警模型，运用BP神经网络进行预测处理，实现在危害来临前的安全预警。

2 果蔬冷链物流预警原理

2.1 果蔬安全预警基本原理

果蔬安全预警要实现其预防和控制功能，首先需要对整个供应链中果蔬安全状况信息进行采集和汇总，经过数据处理后进行分析和评价，并预测果蔬安全趋势的发展变化，最后根据危害安全的风险及其程度来决策是否应该发出警报，以及发出何种警报，及时发现可能存在的危害，以便采取恰当应对措施，最大程度地避免或降低危害的影响程度。果蔬预警的基本原理如图1所示。

Figure 1 Principle of fruit and vegetable safety warning

2.2 预警方法的提出

果蔬产品在流通过程中，影响其品质口感的因素很多，预警难度较大。在传统的预警中，指标权重的确定主要采取赋权法。赋权法在实际评价过程中具有随机性和不确定性，且缺乏自学习能力。在解决经常性、大规模评价问题时，专家的经验知识只能用在一次评价中，后续评价不能再次利用。因此，需要寻求一种既能充分考虑专家的经验和思维模式，又能降低人为的不确定因素，同时具有通过学习获得专家经验和知识能力的综合评价方法。

为提高果蔬安全预警的准确性，将神经网络算法应用于果蔬冷链物流安全预警系统中。BP神经网络在处理大规模数据时具有较强的容错能力和鲁棒性，以及强大的数据处理能力，并且在处理随机性、非线性、多输入输出模型等方面表现突出，在一定程度上保证预警的准确性。谢香峰等人[4]利用BP神经网络解决了大规模模拟电路功能模块串行处理效率低的问题。娄树美等人[5]将BP神经网络应用于光纤故障预警中，使得预警的及时度提高到86.9%，而传统的数据库方法预警及时度仅为66.3%。神经网络算法在处理问题时无需建立确定的数学模型，只需把已知的数据输入神经网络中，而影响果蔬安全的因素和变化机理在一些情况下是模糊的，因此采用神经网络算法处理此类预警问题时具有一定优势。

3 BP神经网络技术建立果蔬安全预警模型

3.1 BP神经网络构建预警模型

BP神经网络的设计主要包括网络层数、输入层节点数、隐含层节点数、输出层节点数以及传输函数、训练方法、训练参数的设置等几个方面[6]。对于果蔬预警系统采用三层BP神经网络模型，包括输入层、隐含层和输出层。网络的输入是一个13维向量，即节点数为13个，每个节点通过权值矩阵ω与隐含层相连；隐含层由权值矩阵ω、偏置值向量b、累加器、传输函数f组成，节点数设置为九个；输出层包含四类(如表1所示的A、B、C、D类预警)预警模式，即节点数为四个。网络结构采用13×9×4的三层结构，如图2所示。

Figure 2 Structure of the BP neural network prediction model

传输函数选用常用的Sigmoid函数，使输出结果在(0，1)之间，根据目标值的输出将每一类预警模式下的警情结果划分为五个区间：无警(输出结果>0.1)、微警(0.1～0.08)、轻警(0.08～0.06)、中警(0.06～0.04)和重警(<0.04)。

Table 1 Safety indexes and weights of fruit and vegetable cold-chain logistics表1 果蔬冷链物流安全指标及其权重

3.2 预警指标体系建立

果蔬产品从种植到消费者手中，需要从加工开始至销售环节始终处于冷链环境下，整个冷链涉及加工、贮藏、运输及配送和销售四个环节。通过分析这四个环节中影响果蔬安全品质和质量的因素，从果蔬品质、环境、人文和设备四个方面确定果蔬的13个安全指标，再运用层次分析法计算各个指标权重因子，最后得出表1中的安全指标及其权重。

3.3 预警指标归一化

为消除各指标下数据间数量级的差距，避免因数量级不同而造成输出结果误差过大，需要对数据做归一化处理，使所有数据取值范围限定在(0，1)之间。

定性评价指标归一化处理，评判结果分五个等级：好、较好、一般、较差、差，对应的评价值为0.30、0.25、0.20、0.15、0.10。定量评价指标归一化处理，本文采用最大最小值法，具体方法如下：

设x={x11,…,xij,…}，i=1,…,13;j=1,…,200，则：

正向指标：数据大小与评价目标同向变化，即指标实际值越大，评价值越高。其归一化公式为:

(1)

负向指标：数据大小与评价目标反向变化，即指标实际值越大，评价值越低。其归一化公式为:

(2)

区间指标：记

则:

(3)

本文数据资料主要来自陕西省某水果蔬菜种植基地，通过相关专家咨询和现场调查获取。以各个指标的合理取值数据资料直接作为数据来源，对于不能直接获得的指标，则通过专家咨询和现场调查给予不同等级的评价。共收集了200组数据、13项果品安全因素指标的具体资料。部分归一化结果如表2所示。

Table 2 Index normalized results表2 指标归一化结果

3.4 模型的训练及预测

神经网络的训练过程就是不断地对其权值和阈值做出调整，直到其达到输出误差值最小要求，以满足实际应用的需求。本文利用Matlab神经网络工具箱中前向神经网络函数feedforwardnet创建BP网络，使用Levenberg-Marquardt算法对应的训练函数trainlm进行网络训练，P和T分别为网络输入向量和目标向量，程序代码和参数设置如下：

net=feedforwardnet(nHidden);

net.trainFcn='trainlm';

文献[33-35]用自行研制的蓄热逆流氧化装置对煤矿乏风瓦斯的氧化反应进行试验，考察了甲烷浓度、流量、换向周期及反应区域温度等参数对氧化反应的影响，并研究了陶瓷床内流动阻力数学模型，进行了流体力学机理分析，讨论了陶瓷床内流动的均匀性问题。基于多孔介质均质模型，建立了蓄热氧化过程的控制方程，通过数值模拟方法研究了氧化床的运行参数、陶瓷结构参数对床层流动阻力及出口温度的影响规律。研究认为随进气表观流速增加，压强损失和出口温度均增加，甲烷浓度对压强损失影响较小，提高比热容，有利于氧化装置稳定运行，并随当量直径增加，压力损失显著降低。

net.trainParam.show=50;//每50轮显示一次

net.trainParam.lr=0.02;//学习速率为0.02

net.trainParam.epochs=200;//最大训练轮回数为200

net.trainParam.goal=0.0001;/*目标函数的误差值为0.0001*/

[net,tr]=train(net,P′,T);//训练网络

Y_train=sim(net,P′);//训练结果

4 预警结果与可行性分析

BP神经网络采用有监督的学习，用其解决具体问题时，首先需要一个训练数据集。本文通过Matlab R2010a中自带神经网络工具箱实现BP神经网络模型。将200组数据中的190组数据作为训练数据集进行训练学习，图3为其中30个样本的训练结果对比图，由图3可知，样本的训练输出曲线和期望输出曲线能较好地拟合，具有较高的精准性。

在建立的神经网络模型基础上，利用已训练好的网络对剩余的10组数据集进行测试。为了验证所提出的神经网络预警模型的精确性，采用回归分析方法进行对比测试 ，测试结果如表3所示。

模型的输出分为四类警区，即由果蔬品质因素引起的A类预警，由环境因素引起的B类预警，由人文因素引起的C类预警，由设备因素引起的D类预警。每类警区根据危害程度由低到高分为无警、微警、轻警、中警和重警五种警情。

表3中分别列出了BP神经网络和回归分析

Figure 3 BP neural network prediction results

法计算出的预测结果和对比。从表3可知，以样本2为例，对照13个评价指标(保鲜期、平均温度、平均湿度、光照强度等)分析，在下一个周期内，将会出现由环境因素引起的B类预警，即果蔬产品所处环境中将出现温度过高、湿度过大或光照强度不够的问题，且危害程度为中警。

综上所述，通过神经网络模型预测得出的警区和预测警情优于通过回归分析所得的目标矢量预测结果。说明利用BP神经网络技术实现果蔬冷链物流安全预警的建模和评价是一种有效的方法。

5 结束语

本文针对果蔬产品在冷链物流过程中的安全问题，通过对整个供应链中各个物流作业环节中的关键因素进行筛选，确定监测目标和安全指标，采用BP神经网络建立果蔬冷链安全预警模型。预警结果表明：

Table 3 Forecast data comparison table表3 预测数据对比表

(1)由于影响果蔬安全的因素过多，使得果蔬在流通过程中的不确定性过大，因此预警的难度较大。而BP神经网络具有较强的容错能力和鲁棒性，以及强大的数据处理能力，无需建立确定的数学模型，所以在处理果蔬安全预警问题时具有一定优势。

(2)基于BP神经网络建立的预警模型可以有效提高果蔬在冷链物流中风险预警的准确性，为避免果蔬在冷链物流过程中出现腐败、变质、过期等问题提供了有效的技术支持，具有较高的实用价值。

目前我国在食品预警方面的发展尚处于起步阶段，食品监测数据的处理不够完善，因此下一步研究需要从数据处理着手，进一步提高预警的效率。

[1] Wang Wen-sheng.Opportunities and challenges the fruit and vegetable cold-chain logistics faces during the twelfth five-year plan in China[J].Storage and Process,2011,11(3):1-5. (in Chinese)

[2] Gu Xiao-lin, Zhang Da-wei. The Information pre-warning model of food safety based on association rules mining[J].Soft Science,2011,25(11):136-141. (in Chinese)

[3] Zhang De-bin,Xu Jia-peng. Model for food safety warning based on inspection data and BP neural network[J].Transactions of the CSAE,2010,26(1): 221-226. (in Chinese)

[4] Xie Xiang-feng,Lei Dian,Sun Cheng-bo.Research of fault diagnosis method of switch power supply based on BP neural network[J].Electronic Measurement Technology,2012,35(8):11-16.(in Chinese)

[5] Lou Shu-mei,Li Shu-yu.Application of neural network technology in optical fiber fault early warning system simulation[J].Computer Simulation,2012,29(12):255-258.(in Chinese)

[6] Mi Gen-suo,Wang Yan-kuai,Ma Xue-xia.Application of the BP neural network in the pre-warning of the poor shunting the track circuit[J].Computer Engineering & Science,2013,35(2):159-163.(in Chinese)

[7] López V F, Medina S L, de Paz J F.Taranis: Neural networks and intelligent agents in the early warning against flo-

ods[J].Expert Systems with Applications,2012(39):10031-10037.

[8] Hans J P, Marvin G A, Kleter H J, et al. Proactive systems for early warning of potential impacts of natural disasters on food safety: Climate-change-induced extreme events as case in point[J].Food Control,2013(4):444-456.

[9] Zhang Ke, Chai Yi, Weng Dao-lei, et al.Research of pre-warning model in logistic unit quality safety for information tracing and tracking[J].Computer Engineering and Applications,2010,46(24):201-205.(in Chinese)

附中文参考文献：

[1] 王文生.“十二五”期间我国果蔬冷链物流面临的机遇与挑战[J].保鲜与加工,2011,11(3):1-5.

[2] 顾小林,张大为.基于关联规则挖掘的食品安全信息预警模型[J].软科学,2011,25(11):136-141.

[3] 章德宾,徐家鹏. 基于监测数据和BP神经网络的食品安全预警模型[J]. 农业工程学报， 2010,26(1)：221-226.

[4] 谢香峰,雷电,孙承波.基于BP网络的开关电源故障诊断方法研究[J].电子测量技术,2012,35(8):11-16.

[5] 楼树美,李淑玉.神经网络在光纤故障预警系统中的应用仿真[J].计算机仿真,2012,29(12):255-258.

[6] 米根锁,王彦快,马学霞.BP神经网络在轨道电路分路不良预警中的应用[J].计算机工程与科学,2013,35(2):159-163.

[9] 张可,柴毅,翁道磊,等.物流单元质量安全信息追溯预警模型研究[J].计算机工程与应用,2010,46(24):201-205.

杨玮(1972-),女,山西运城人，博士，副教授，研究方向为现代物流系统工程与技术。E-mail:yangwei613@126.com

YANG Wei,born in 1972,PhD,associate professor,her research interests include modern logistics systems engineering and technology.

曹薇(1991-),女,陕西咸阳人，硕士，研究方向为现代物流系统工程与技术。E-mail:1249652662@qq.com

CAO Wei,born in 1991,MS,his research interests include modern logistics systems engineering and technology.

Application of BP neural network in the early-warning of fruits and vegetables cold-chain logistics

YANG Wei，CAO Wei

(College of Mechanical and Electrical Engineering,Shaanxi University of Science and Technology,Xi’an 710021,China)

In recent years, consumers ask for a higher demand on the security and quality of fruit and vegetable products. But the existing system can only predict the state of fruits and vegetables based on the temperature and humidity of the environment, and factors such as personnel operation and equipment are not taken into account. To solve these problems, we analyze the factors which affect the quality of fruits and vegetables in the cold-chain process, establish the early warning index system, and integrate the traceable and monitorable information in the supply chain. The BP neural network is utilized to build the security warning model, and we train it and make prediction. The results show that the proposed method has fewer errors than traditional time-series and regression analysis methods when solving practical problems, and can effectively increase the security risks and hazards warning accuracy of fruits and vegetables in cold-chain logistics.

cold-chain logistics；early warning；neural network

1007-130X(2015)09-1707-05

2014-11-21;

2015-01-27基金项目：陕西省农业科技创新与攻关资助项目(2014K01-29-01)；陕西省社会科学基金资助项目(13SC011)；陕西省教育厅资助项目(14JK1093)；陕西科技大学科研启动基金项目(BJ12-21)

TP183

A

10.3969/j.issn.1007-130X.2015.09.018

通信地址：710021 陕西省西安市陕西科技大学845信箱

Address:Mailbox 845,Shaanxi University of Science and Technology,Xi’an 710021,Shaanxi,P.R.China