一种带病菌肉食与环境交叉感染的参数搜索方法及装置
阅读：11发布：2020-05-12
专利汇可以提供一种带病菌肉食与环境交叉感染的参数搜索方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 提供一种带病菌肉食与环境交叉感染的参数搜索方法及装置，能够得到最优的交叉感染参数。所述方法包括：构建切割环节肉食致病菌定量 风 险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微 生物 群落 总数；根据构建的评估模型，预测个体通过环境之后的个体污染量；根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫‑斯米洛夫检验、进化 算法 和梯度下降算法进行训练，优化待求解的交叉感染参数。本发明涉及 食品安全 领域。，下面是一种带病菌肉食与环境交叉感染的参数搜索方法及装置专利的具体信息内容。
1.一种带病菌肉食与环境交叉感染的参数搜索方法，其特征在于，包括：
构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；
根据构建的评估模型，预测个体通过环境之后的个体污染量；
根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数；
其中，所述构建的评估模型表示为：
Ei＝Ei-1-f(Ei-1)+g(bi)
b′i＝f(Ei-1)+bi-g(bi)
其中，Ei表示第i只个体通过环境之后的环境污染量；Ei-1表示第i-1只个体通过环境之后的环境污染量；f(Ei-1)表示环境中每CFU的致病菌传播到肉食个体上的污染量；g(bi)表示肉食个体通过环境时每CFU的致病菌传播到环境中污染量；bi表示第i只个体通过环境之前的个体污染量；bi'表示第i只个体通过环境之后的个体污染量；
令:f(Ei-1)＝α·Ei-1、g(bi)＝β·bi，对b′i＝f(Ei-1)+bi-g(bi)进行转换，得到：
b'i＝(α-α2)·Ei-2+α·β·bi-1+(1-β)bi
其中，α表示环境中每CFU的致病菌传播到肉食个体上的概率；β表示肉食个体中每CFU的致病菌传播到环境中的概率；
其中，所述根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数包括：
根据预测到的个体通过环境之后的个体污染量b'i，确定b'i的无偏标准差 与均值获取已有的个体通过环境之后的个体污染量、无偏标准差std与均值avg；
利用柯尔莫可洛夫-斯米洛夫检验，对预测得到的b'i与获取的已有样本进行检测，得到Pks值，所述Pks值，用于确定预测得到的b'i和已有样本是否属于同一分布；
利用进化算法训练参数α、β，直至满足预设的第一迭代终止条件，获取适应度函数的最小值以及对应的α、β，其中，适应度函数的值由 std、avg以及Pks确定；
利用梯度下降算法对进化算法求得的α、β进行训练，直至满足预设的第二迭代终止条件，输出当前的α、β；
其中，所述适应度函数表示为：
其中，y表示适应度函数，a1、a2、a3表示适应度函数的系数参数。
2.根据权利要求1所述的带病菌肉食与环境交叉感染的参数搜索方法，其特征在于，所述方法还包括：
对切割环节肉食致病菌定量风险评估模型、得到的交叉感染参数的值、遗传算法训练结果、柯尔莫可洛夫-斯米洛夫检验的拟合图表进行可视化显示。
3.一种带病菌肉食与环境交叉感染的参数搜索装置，其特征在于，包括：
构建模块，用于构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；
预测模块，用于根据构建的评估模型，预测个体通过环境之后的个体污染量；
训练模块，用于根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数；
其中，所述构建的评估模型表示为：
Ei＝Ei-1-f(Ei-1)+g(bi)
b′i＝f(Ei-1)+bi-g(bi)
其中，Ei表示第i只个体通过环境之后的环境污染量；Ei-1表示第i-1只个体通过环境之后的环境污染量；f(Ei-1)表示环境中每CFU的致病菌传播到肉食个体上的污染量；g(bi)表示肉食个体通过环境时每CFU的致病菌传播到环境中污染量；bi表示第i只个体通过环境之前的个体污染量；b'i表示第i只个体通过环境之后的个体污染量；
令:f(Ei-1)＝α·Ei-1、g(bi)＝β·bi，对b′i＝f(Ei-1)+bi-g(bi)进行转换，得到：
2
b'i＝(α-α)·Ei-2+α·β·bi-1+(1-β)bi
其中，α表示环境中每CFU的致病菌传播到肉食个体上的概率；β表示肉食个体中每CFU的致病菌传播到环境中的概率；
其中，所述训练模块包括：
确定单元，用于根据预测到的个体通过环境之后的个体污染量bi'，确定bi'的无偏标准差 与均值
获取单元，用于获取已有的个体通过环境之后的个体污染量、无偏标准差std与均值avg；
检测单元，用于利用柯尔莫可洛夫-斯米洛夫检验，对预测得到的b'i与获取的已有样本进行检测，得到Pks值，所述Pks值，用于确定预测得到的b'i和已有样本是否属于同一分布；
第一训练单元，用于利用进化算法训练参数α、β，直至满足预设的第一迭代终止条件，获取适应度函数的最小值以及对应的α、β，其中，适应度函数的值由 std、avg以及Pks确定；
第二训练单元，用于利用梯度下降算法对进化算法求得的α、β进行训练，直至满足预设的第二迭代终止条件，输出当前的α、β；
其中，所述适应度函数表示为：
其中，y表示适应度函数，a1、a2、a3表示适应度函数的系数参数。
4.根据权利要求3所述的带病菌肉食与环境交叉感染的参数搜索装置，其特征在于，所述装置还包括：
可视化模块，用于对切割环节肉食致病菌定量风险评估模型、得到的交叉感染参数的值、遗传算法训练结果、柯尔莫可洛夫-斯米洛夫检验的拟合图表进行可视化显示。
一种带病菌肉食与环境交叉感染的参数搜索方法及装置
技术领域
背景技术
[0002] 食源性致病菌是引起食源性疾病和食物中毒的主要因素，对食品安全有很大的影响，据调查，全世界每年发生的腹泻病有1.5亿，其中有70％是由各种致病性微生物引起的，在微生物致病中，有46.4％是食源性致病菌引起的疾病。常见的食源性致病菌有：致病性大肠埃希菌、沙门氏菌、弯曲菌、志贺氏菌、金黄色葡萄球菌等。本发明以弯曲菌为例，试图探索出一种计算带病菌肉食与环境交叉感染的参数搜索方法。弯曲菌是全球最常见的食源性致病菌之一，预计每年导致全球4-5亿人感染，是欧盟报告最多的人畜共患病之一，预计每年发病9百万人次，导致约24亿欧元的经济损失。国外的研究发现，超过50％的弯曲菌病例可以归因于鸡肉及其制品。
[0003] 畜禽在屠宰场的切割步骤中的交叉污染的原理可以用一个具有几个关键参数的传播模型来很好地描述。然而，由于检测实验将在很大程度上改变检测个体的状态，在不同阶段检测到的家禽个体是不同的，因此很难估计这些模型中的参数。
[0004] 中国目前缺乏食源性弯曲杆菌疾病暴露数据，但是有研究提示中国居民因进食鸡肉导致的空肠弯曲菌病的发病率(37-160/10万人)要高于美国(17.3/10万人)，并且随着中国居民对鸡肉的消费量日益增加，鸡源性弯曲菌病的风险不断升高。然而生产环节的弯曲杆菌交叉污染评估面临着数据不足的问题。由于在数据采集过程中的困难，暂时缺失肉鸡个体连续通过不同程序的数据，难以精确计算带病菌肉食与环境交叉感染的参数。
发明内容
[0005] 本发明要解决的技术问题是提供一种带病菌肉食与环境交叉感染的参数搜索方法及装置，以解决现有技术所存在的难以精确计算带病菌肉食与环境交叉感染的参数的问题。
[0006] 为解决上述技术问题，本发明实施例提供一种带病菌肉食与环境交叉感染的参数搜索方法，包括：
[0007] 构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；
[0008] 根据构建的评估模型，预测个体通过环境之后的个体污染量；
[0010] 进一步地，所述构建的评估模型表示为：
[0011] Ei＝Ei-1-f(Ei-1)+g(bi)
[0012] b′i＝f(Ei-1)+bi-g(bi)
[0013] 其中，Ei表示第i只个体通过环境之后的环境污染量；Ei-1表示第i-1只个体通过环境之后的环境污染量；f(Ei-1)表示环境中每CFU的致病菌传播到肉食个体上的污染量；g(bi)表示肉食个体通过环境时每CFU的致病菌传播到环境中污染量；bi表示第i只个体通过环境之前的个体污染量；b'i表示第i只个体通过环境之后的个体污染量；
[0014] 令:f(Ei-1)＝α·Ei-1、g(bi)＝β·bi，对b′i＝f(Ei-1)+bi-g(bi)进行转换，得到：
[0015] b'i＝(α-α2)·Ei-2+α·β·bi-1+(1-β)bi
[0016] 其中，α表示环境中每CFU的致病菌传播到肉食个体上的概率；β表示肉食个体中每CFU的致病菌传播到环境中的概率。
[0017] 进一步地，所述根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数包括：
[0018] 根据预测到的个体通过环境之后的个体污染量b'i，确定b'i的无偏标准差 与均值
[0019] 获取已有的个体通过环境之后的个体污染量、无偏标准差std与均值avg；
[0020] 利用柯尔莫可洛夫-斯米洛夫检验，对预测得到的b'i与获取的已有样本进行检测，得到Pks值，所述Pks值，用于确定预测得到的b'i和已有样本是否属于同一分布；
[0021] 利用进化算法训练参数α、β，直至满足预设的第一迭代终止条件，获取适应度函数的最小值以及对应的α、β，其中，适应度函数的值由 std、avg以及Pks确定；
[0022] 利用梯度下降算法对进化算法求得的α、β进行训练，直至满足预设的第二迭代终止条件，输出当前的α、β。
[0023] 进一步地，所述适应度函数表示为：
[0024]
[0025] 其中，y表示适应度函数，a1、a2、a3表示适应度函数的系数参数。
[0026] 进一步地，所述方法还包括：
[0028] 本发明实施例还提供一种带病菌肉食与环境交叉感染的参数搜索装置，包括：
[0029] 构建模块，用于构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；
[0030] 预测模块，用于根据构建的评估模型，预测个体通过环境之后的个体污染量；
[0031] 训练模块，用于根据预测到的个体通过环境之后的个体污染量，利用莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数。
[0032] 进一步地，所述构建的评估模型表示为：
[0033] Ei＝Ei-1-f(Ei-1)+g(bi)
[0034] b′i＝f(Ei-1)+bi-g(bi)
[0035] 其中，Ei表示第i只个体通过环境之后的环境污染量；Ei-1表示第i-1只个体通过环境之后的环境污染量；f(Ei-1)表示环境中每CFU的致病菌传播到肉食个体上的污染量；g(bi)表示肉食个体通过环境时每CFU的致病菌传播到环境中污染量；bi表示第i只个体通过环境之前的个体污染量；b'i表示第i只个体通过环境之后的个体污染量；
[0036] 令:f(Ei-1)＝α·Ei-1、g(bi)＝β·bi，对b′i＝f(Ei-1)+bi-g(bi)进行转换，得到：
[0037] b'i＝(α-α2)·Ei-2+α·β·bi-1+(1-β)bi
[0038] 其中，α表示环境中每CFU的致病菌传播到肉食个体上的概率；β表示肉食个体中每CFU的致病菌传播到环境中的概率。
[0039] 进一步地，所述训练模块包括：
[0040] 确定单元，用于根据预测到的个体通过环境之后的个体污染量b'i，确定b'i的无偏标准差 与均值
[0041] 获取单元，用于获取已有的个体通过环境之后的个体污染量、无偏标准差std与均值avg；
[0042] 检测单元，用于利用柯尔莫可洛夫-斯米洛夫检验，对预测得到的b'i与获取的已有样本进行检测，得到Pks值，所述Pks值，用于确定预测得到的b'i和已有样本是否属于同一分布；
[0043] 第一训练单元，用于利用进化算法训练参数α、β，直至满足预设的第一迭代终止条件，获取适应度函数的最小值以及对应的α、β，其中，适应度函数的值由 std、avg以及Pks确定；
[0044] 第二训练单元，用于利用梯度下降算法对进化算法求得的α、β进行训练，直至满足预设的第二迭代终止条件，输出当前的α、β。
[0045] 进一步地，所述适应度函数表示为：
[0046]
[0047] 其中，y表示适应度函数，a1、a2、a3表示适应度函数的系数参数。
[0048] 进一步地，所述装置还包括：
[0049] 可视化模块，用于对切割环节肉食致病菌定量风险评估模型、得到的交叉感染参数的值、遗传算法训练结果、柯尔莫可洛夫-斯米洛夫检验的拟合图表进行可视化显示。
[0050] 本发明的上述技术方案的有益效果如下：
[0051] 上述方案中，构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；根据构建的评估模型，预测个体通过环境之后的个体污染量；根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数；这样，通过采用柯尔莫可洛夫-斯米洛夫检验，利用遗传算法、梯度下降算法对待求解的交叉感染参数进行大量搜索，间接估计待求解的交叉感染参数，使模型分布尽可能符合实际分布，从而得到最优的交叉感染参数。附图说明
[0052] 图1为本发明实施例提供的带病菌肉食与环境交叉感染的参数搜索方法的流程示意图；
[0053] 图2为本发明实施例提供的切割环节生鸡肉弯曲菌定量风险评估模型示意图；
[0054] 图3为本发明实施例提供的遗传算法训练结果示意图；
[0055] 图4为本发明实施例提供的梯度下降训练结果示意图；
[0056] 图5为本发明实施例提供的预测样本与已有样本的累计分段对比示意图；
[0057] 图6为本发明实施例提供的预测样本切割前的肉鸡污染量示意图；
[0058] 图7为本发明实施例提供的预测样本切割后的鸡肉含菌量示意图；
[0059] 图8为本发明实施例提供的可视化显示示意图一；
[0060] 图9为本发明实施例提供的可视化显示示意图二；
[0061] 图10为本发明实施例提供的带病菌肉食与环境交叉感染的参数搜索装置的结构示意图。
具体实施方式
[0062] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0063] 本发明针对现有的难以精确计算带病菌肉食与环境交叉感染的参数的问题，提供一种带病菌肉食与环境交叉感染的参数搜索方法及装置。
[0064] 实施例一
[0065] 如图1所示，本发明实施例提供的带病菌肉食与环境交叉感染的参数搜索方法，包括：
[0066] S101，构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；
[0067] S102，根据构建的评估模型，预测个体通过环境之后的个体污染量；
[0068] S103，根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数。
[0069] 本发明实施例所述的带病菌肉食与环境交叉感染的参数搜索方法，构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；根据构建的评估模型，预测个体通过环境之后的个体污染量；根据预测到的个体通过环境之后的个体污染量，利用可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数；这样，通过采用柯尔莫可洛夫-斯米洛夫检验，利用遗传算法、梯度下降算法对待求解的交叉感染参数进行大量搜索，间接估计待求解的交叉感染参数，使模型分布尽可能符合实际分布，从而得到最优的交叉感染参数。
[0070] 在前述带病菌肉食与环境交叉感染的参数搜索方法的具体实施方式中，进一步地，所述构建的评估模型表示为：
[0071] Ei＝Ei-1-f(Ei-1)+g(bi)
[0072] b′i＝f(Ei-1)+bi-g(bi)
[0073] 其中，Ei表示第i只个体通过环境之后的环境污染量；Ei-1表示第i-1只个体通过环境之后的环境污染量；f(Ei-1)表示环境中每CFU的致病菌传播到肉食个体上的污染量；g(bi)表示肉食个体通过环境时每CFU的致病菌传播到环境中污染量；bi表示第i只个体通过环境之前的个体污染量；b'i表示第i只个体通过环境之后的个体污染量；
[0074] 令:f(Ei-1)＝α·Ei-1、g(bi)＝β·bi，对b′i＝f(Ei-1)+bi-g(bi)进行转换，得到：
[0075] b'i＝(α-α2)·Ei-2+α·β·bi-1+(1-β)bi
[0076] 其中，α表示环境中每CFU的致病菌传播到肉食个体上的概率；β表示肉食个体中每CFU的致病菌传播到环境中的概率。
[0077] 本实施例所述的带病菌肉食与环境交叉感染的参数搜索方法适用于所有的致病菌和所有的畜禽屠宰范围。
[0078] 本实施例中，致病菌以弯曲杆菌为例，屠宰得到的肉食以生鸡肉为例，对构建评估模型的步骤进行详细说明：
[0079] 设切割前鸡肉经历了预冷过程，预冷加切割处理时间为30分钟，预冷间气温为15℃，因此，已有样本即b'i，可建立如图2所示的切割环节生鸡肉弯曲菌定量风险评估模型；图2中：
[0080] E0表示初始环境的污染量，即切割刀表面污染量(CFU/g)，若初始环境经过消毒处理，则E0＝0，其中，CFU/g表示一克检样里含微生物的群落总数，CFU(Colony-Forming Units)表示指单位体积中的细菌、霉菌、酵母等微生物的群落总数；
[0081] Ei表示第i只个体通过环境之后，环境污染量(CFU/g)，其中，i＝1,2,3,4…；
[0082] bi表示第i只个体通过环境之前的个体污染量(CFU/g)；
[0083] b'i表示第i只个体通过环境之后的个体污染量(CFU/g)；
[0084] ①为b1-g(b1)，即第1只鸡肉个体通过环境之前的污染量减鸡肉个体中每CFU的细菌传播到环境的污染量；
[0085] ②为f(E0)，即环境中每CFU的细菌传播到鸡肉个体上的污染量；
[0086] ③为E0-f(E0)，即初始环境的污染量减环境中每CFU的细菌传播到鸡肉个体上的污染量；
[0087] ④为g(b1)，即鸡肉个体中每CFU的细菌传播到环境中污染量。
[0088] 根据图2，可以得到切割环节生鸡肉弯曲菌定量风险评估模型的数学表达式：
[0089] Ei＝Ei-1-f(Ei-1)+g(bi) 式(1)
[0090] b′i＝f(Ei-1)+bi-g(bi) 式(2)
[0091] 本实施例中，使用数据集切割前数据集、切割后数据集，以切割后数据集为目标，目的是使用切割前数据集带入模型，计算参数，使模型预测出的切割后数据最接近已有的切割后数据集。
[0092] 设：
[0093] f(a)＝α·a，则f(Ei-1)＝α·Ei-1
[0094] g(a)＝β·a，则g(bi)＝β·bi
[0095] 其中，α表示环境中每CFU的细菌传播到鸡肉个体上的概率；β表示鸡肉个体中每CFU的细菌传播到环境中的概率；f(Ei-1)表示环境中每CFU的细菌传播到鸡肉个体上的污染量；g(bi)表示鸡肉通过环境时每CFU的细菌传播到环境中的污染量。
[0096] 本实施例中，预测α值与β值，可以预测出交叉污染的情况。
[0097] 根据f(Ei-1)＝α·Ei-1，g(bi)＝β·bi，对式(2)进行转换，得到：
[0098] b'i＝(α-α2)·Ei-2+α·β·bi-1+(1-β)bi 式(3)
[0099] 利用式(3)，预测个体通过环境之后的个体污染量，得到预测样本b'i。
[0100] 在前述带病菌肉食与环境交叉感染的参数搜索方法的具体实施方式中，进一步地，所述根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数包括：
[0101] 根据预测到的个体通过环境之后的个体污染量b'i，确定b'i的无偏标准差 与均值
[0102] 获取已有的个体通过环境之后的个体污染量、无偏标准差std与均值avg；
[0103] 利用柯尔莫可洛夫-斯米洛夫检验，对预测得到的b'i与获取的已有样本进行检测，得到Pks值，所述Pks值，用于确定预测得到的b'i和已有样本是否属于同一分布；
[0104] 利用进化算法训练参数α、β，直至满足预设的第一迭代终止条件，获取适应度函数的最小值以及对应的α、β，其中，适应度函数的值由 std、avg以及Pks确定；
[0105] 利用梯度下降算法对进化算法求得的α、β进行训练，直至满足预设的第二迭代终止条件，输出当前的α、β。
[0106] 本实施例中，根据得到的预测样本b'i，可以得到b'i无偏标准差 与均值 由于已有样本(即：已有的个体通过环境之后的个体污染量)、及其无偏标准差(记作std)与均值(记作avg)已知，因此，可以直接获取。
[0107] 本实施例中，将预测样本b'i和已有样本经过柯尔莫可洛夫-斯米洛夫检验(Kolmogorov–Smirnov test，K-S test)，得到Pks值，Pks值是当原假设H0为真时所得到的样本观察结果出现的概率，所述Pks值，用于确定预测得到的b'i和已有样本是否属于同一分布。
[0108] 本实施例中，进化算法以遗传算法为例，对遗传算法的执行步骤进行说明：
[0109] A1，根据参数α、β的取值范围(其中，α、β的取值范围都为[0,1])以及精度(例如，精度d取值0.000001)初始化种群：种群数量为1000，由α、β的二进制形式的一串数字组成，每一串数字称为一条染色体；
[0110] A2，确定初始种群中的每一条染色体对应的十进制α、β；
[0111] A3，根据确定的十进制α、β，确定每一条染色体的适应度函数值，根据适应度函数值种群再经过选择、交叉、变异操作，得到新的种群空间，此过程不断循环，直至满足预设的第一迭代终止条件(例如，到达最大的迭代次数为止)，获取适应度函数的最小值以及对应的α、β。
[0112] 本实施例中，根据遗传算法求出的α、β，利用式(3)可以确定预测样本b'i，进而确定 和Pks值。
[0113] 本实施例中，由于数据量小，K-S检验并不能作为唯一标准，因此，使用std、avg以及Pks来辅助适应度函数，所述适应度函数表示为：
[0114]
[0115] 式(4)中，y表示适应度函数，a1、a2、a3表示适应度函数的系数参数，通过多次实验，当α1:α2:α3满足：α1:α2:α3＝1:1:1000能得出较为可信的结果。实验目标是找出适应度函数的最小值。
[0116] 本实施例中，遗传算法的训练结果如图3所示，由图3可知，经过50次(最大迭代次数为50)迭代，最优情况时适应度函数y＝581.4129007303045，此时：α＝0.099062，β＝0 .626419 ， 此时Pks ＝
0.6095290890605838，在统计学意义上因为Pks值大于0.05，所以接受原假设H0，则接受预测得到的b'i和已有样本符合同一分布的假设。
0.6095290890605838，在统计学意义上因为Pks值大于0.05，所以接受原假设H0，则接受预测得到的b'i和已有样本符合同一分布的假设。
[0117] 本实施例中，利用梯度下降算法对遗传算法求得的α、β进行训练，其中，梯度下降算法的执行步骤包括:
[0118] B1，将遗传算法求出的α、β，以及已设定的学习率ε作为参数传递给梯度下降函数:其中，函数P(θ)关于参数θ的函数， 表示函数P(θ)的梯度；
[0119] B2，根据梯度下降函数优化α、β，基于优化后的α、β，计算出相应的适应度函数值，直到满足预设的第二迭代终止条件y-y'
[0120] 本实施例中，根据梯度下降算法求出的α、β，利用式(3)可以确定预测样本b'i，进而确定新的 Pks值、适应度函数值。
[0121] 本实施例中，梯度下降算法的训练结果如图4所示，由于根据y-y'<0.000001进行训练，适应度函数值直线下降，在符合停止条件y-y'<0.000001时，适应度函数y＝580 .57 85 603 850 566 ；此时 ，α＝ 0 .098 969 ，β＝ 0 .6 265 75 ，Pks＝
0.6095290890605838，Pks值大于0.05，在统计学意义上接受原假设H0，则接受预测得到的b'i和已有样本符合同一分布的假设。
0.6095290890605838，Pks值大于0.05，在统计学意义上接受原假设H0，则接受预测得到的b'i和已有样本符合同一分布的假设。
[0122] 本实施例中，通过遗传算法和梯度下降算法两次训练，得到参数：
[0123] α＝0.098969，β＝0.626575
[0124] 带入式(1)、式(2)，得到：
[0125] Ei＝0.901032Ei-1+0.626575bi 式(5)
[0126] b′i＝0.098968Ei-1+0.373425bi 式(6)
[0127] 预测得到的b'i和已有样本的累计分段对比图如图5所示。
[0128] 从图6和图7可以看出：
[0129] 1.切割过程会造成严重的交叉污染，高污染量的肉鸡对环境造成巨大的污染结果。由于多次切割，高污染肉鸡表面的弯曲杆菌会传播到切割刀上，使得肉鸡细菌含量下降，却高度污染了切割刀，在切割其他低污染肉鸡时传播了细菌。
[0130] 2.虽然实验数据质量并不高，但本本实施例以K-S检验、无偏标准差以及均值作为评估预测样本和已有样本接近程度的标准，通过采用K-S检验，利用遗传算法、梯度下降算法对参数α、β进行大量搜索，间接估计参数α、β，使模型分布尽可能符合实际分布，本实施例成功地得到了一组最优参数α、β，定量地明确了切割环节肉食致病菌定量风险评估模型，并成功通过了统计检验，可以根据此切割环节肉食致病菌定量风险评估模型提出相应的改进屠宰和工艺操作的建议。因此本实施例所使用的带病菌肉食与环境交叉感染的参数搜索方法，作为食品安全领域对于数据质量不理想时的研究方法是非常有效的。
[0131] 本实施例，在确定切割环节肉食致病菌定量风险评估模型的参数α、β之外，还设计了一个简易的用于展示研究成果的可视化模块，能以一种更直观，易于理解的方法向计算机行业外的人士展示研究成果。
[0133] 点击图8中的“Calculate”按钮即可计算所检测数据，然后展示出训练结果和K-S检验的拟合图表，如图9所示，图9中的P指的是上文中的Pks。
[0134] 本实施例经过对分布拟合的大量拟合，搜索到了经得起统计检验的模型和参数。因此本发明所使用的分布拟合与计算机算法结合的方法，作为食品安全领域对于数据质量不理想时的研究方法是有效的。本实施例构造出了较好的数学模型，能准确模拟畜禽生肉生产的切割步骤，研究结果能预测出相似度较高的样本，预测结果能够直观展示出切割处理步骤中高污染个体对于低污染个体的交叉污染影响，从而使得工作人员能基于实验结果对工厂的生产环节进行污染把控和措施建议，对中国食品安全起到正向作用。
[0135] 实施例二
[0136] 本发明还提供一种带病菌肉食与环境交叉感染的参数搜索装置的具体实施方式，由于本发明提供的带病菌肉食与环境交叉感染的参数搜索装置与前述带病菌肉食与环境交叉感染的参数搜索方法的具体实施方式相对应，该带病菌肉食与环境交叉感染的参数搜索装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述带病菌肉食与环境交叉感染的参数搜索方法具体实施方式中的解释说明，也适用于本发明提供的带病菌肉食与环境交叉感染的参数搜索装置的具体实施方式，在本发明以下的具体实施方式中将不再赘述。
[0137] 如图10所示，本发明实施例还提供一种带病菌肉食与环境交叉感染的参数搜索装置，包括：
[0138] 构建模块11，用于构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；
[0139] 预测模块12，用于根据构建的评估模型，预测个体通过环境之后的个体污染量；
[0140] 训练模块13，用于根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数。
[0141] 本发明实施例所述的带病菌肉食与环境交叉感染的参数搜索装置，构建切割环节肉食致病菌定量风险评估模型，并确定待求解的交叉感染参数，其中，所述待求解的交叉感染参数包括：环境中每CFU的致病菌传播到肉食个体上的概率和肉食个体中每CFU的致病菌传播到环境中的概率，其中，CFU表示单位体积中的微生物群落总数；根据构建的评估模型，预测个体通过环境之后的个体污染量；根据预测到的个体通过环境之后的个体污染量，利用柯尔莫可洛夫-斯米洛夫检验、进化算法和梯度下降算法进行训练，优化待求解的交叉感染参数；这样，通过采用柯尔莫可洛夫-斯米洛夫检验，利用遗传算法、梯度下降算法对待求解的交叉感染参数进行大量搜索，间接估计待求解的交叉感染参数，使模型分布尽可能符合实际分布，从而得到最优的交叉感染参数。
[0142] 在前述带病菌肉食与环境交叉感染的参数搜索装置的具体实施方式中，进一步地，所述构建的评估模型表示为：
[0143] Ei＝Ei-1-f(Ei-1)+g(bi)
[0144] b′i＝f(Ei-1)+bi-g(bi)
[0145] 其中，Ei表示第i只个体通过环境之后的环境污染量；Ei-1表示第i-1只个体通过环境之后的环境污染量；f(Ei-1)表示环境中每CFU的致病菌传播到肉食个体上的污染量；g(bi)表示肉食个体通过环境时每CFU的致病菌传播到环境中污染量；bi表示第i只个体通过环境之前的个体污染量；b'i表示第i只个体通过环境之后的个体污染量；
[0146] 令:f(Ei-1)＝α·Ei-1、g(bi)＝β·bi，对b′i＝f(Ei-1)+bi-g(bi)进行转换，得到：
[0147] b'i＝(α-α2)·Ei-2+α·β·bi-1+(1-β)bi
[0148] 其中，α表示环境中每CFU的致病菌传播到肉食个体上的概率；β表示肉食个体中每CFU的致病菌传播到环境中的概率。
[0149] 在前述带病菌肉食与环境交叉感染的参数搜索装置的具体实施方式中，进一步地，所述训练模块包括：
[0150] 确定单元，用于根据预测到的个体通过环境之后的个体污染量b'i，确定b'i的无偏标准差 与均值
[0151] 获取单元，用于获取已有的个体通过环境之后的个体污染量、无偏标准差std与均值avg；
[0152] 检测单元，用于利用柯尔莫可洛夫-斯米洛夫检验，对预测得到的b'i与获取的已有样本进行检测，得到Pks值，所述Pks值，用于确定预测得到的b'i和已有样本是否属于同一分布；
[0153] 第一训练单元，用于利用进化算法训练参数α、β，直至满足预设的第一迭代终止条件，获取适应度函数的最小值以及对应的α、β，其中，适应度函数的值由 std、avg以及Pks确定；
[0154] 第二训练单元，用于利用梯度下降算法对进化算法求得的α、β进行训练，直至满足预设的第二迭代终止条件，输出当前的α、β。
[0155] 在前述带病菌肉食与环境交叉感染的参数搜索装置的具体实施方式中，进一步地，所述适应度函数表示为：
[0156]
[0157] 其中，y表示适应度函数，a1、a2、a3表示适应度函数的系数参数。
[0158] 在前述带病菌肉食与环境交叉感染的参数搜索装置的具体实施方式中，进一步地，所述装置还包括：
[0159] 可视化模块，用于对切割环节肉食致病菌定量风险评估模型、得到的交叉感染参数的值、遗传算法训练结果、柯尔莫可洛夫-斯米洛夫检验的拟合图表进行可视化显示。
[0160] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0161] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种河道环境修复结构及河道生态环境恢复方法 | 2020-05-11 | 326 |
| 抗肿瘤药物生物标志物的筛选方法及其应用 | 2020-05-12 | 952 |
| 一种带病菌肉食与环境交叉感染的参数搜索方法及装置 | 2020-05-12 | 11 |
| 一种防治草莓灰霉病的微生物生防制剂及其应用 | 2020-05-12 | 816 |
| 一种适用于深水水库的物理-生物治理富营养化水华的方法 | 2020-05-12 | 495 |
| 判断平原区退耕还湿地块植被恢复方法、植被恢复方法及植被恢复效果评估体系 | 2020-05-12 | 14 |
| 一种用于滨海盐碱地的土壤微生物基本养分改良剂 | 2020-05-08 | 628 |
| 一种去除烟气中NOX的装置及方法 | 2020-05-11 | 256 |
| 一种水生动物多样性调控方法 | 2020-05-13 | 278 |
| 一种土壤微生物群落智能调控培养设备 | 2020-05-08 | 156 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
生物群落热门专利
QQ群二维码
意见反馈
意见反馈