《表6 LSTM和贝叶斯网络模型的预测结果》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《长短期记忆神经网络在肉制品中铅含量风险预警的应用》
贝叶斯网络在食品预警中也有较多的应用,其主要通过结构网络和条件概率表来得到一个分类器,通过分类器来实现预警的功能。但是对于规律性较差的连续时间序列数据,预测性能不太理想。而LSTM在时间序列模型中,通过其高度的非线性学习可以较好的解决大量检测数据的无规律性,从而提高模型的精度。选取2015-2018年4个省份的全部风险等级数据放入模型中进行训练,连续预测2018年11月和12月份的肉制品中铅含量的风险等级。从表6中可以得出,LSTM模型预测的风险等级和实际检测值转换的风险等级比较接近,11月份平均误差为0.13,12月份平均误差为0.18。贝叶斯网络模型对于有规律的连续型数据可以得到较好的结果,但是当数据出现较大波动时其预测结果会出现较大误差,其中11月份预测平均误差为0.5,12月份误差较大平均误差为1.25。因此,相对于贝叶斯网络模型而言,LSTM模型更适合于时间序列的食品风险预测。
图表编号 | XD00147939800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.20 |
作者 | 陈锂、邹礼华、孟可欣、陈翔、尹佳、董曼、郭鹏程、文红 |
绘制单位 | 湖北省食品质量安全监督检验研究院湖北省食品质量安全检测工程技术研究中心、武汉理工大学计算机科学与技术学院、武汉理工大学信息工程学院、武汉理工大学计算机科学与技术学院、湖北省食品质量安全监督检验研究院湖北省食品质量安全检测工程技术研究中心、湖北省食品质量安全监督检验研究院湖北省食品质量安全检测工程技术研究中心、湖北省食品质量安全监督检验研究院湖北省食品质量安全检测工程技术研究中心、湖北省食品质量安全监督检验研究院湖北省食品质量安全检测工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |