《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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。