基于GA-BP神經(jīng)網(wǎng)絡的產(chǎn)品質(zhì)量安全風險預警研究?

林宗繆 唐 浩

（上海市質(zhì)量監(jiān)督檢驗技術(shù)研究院 上海201114）

1 引言

近年來，因網(wǎng)絡媒體發(fā)展，各種產(chǎn)品質(zhì)量安全問題引起廣泛的輿論討論。例如：校園毒跑道、毒地板、毒校服等。一次次產(chǎn)品質(zhì)量安全事件都給我們的質(zhì)量監(jiān)管部門敲響了警鐘——如何更科學有效地監(jiān)管產(chǎn)品質(zhì)量安全？產(chǎn)品檢驗檢測機構(gòu)每年積累了海量的產(chǎn)品質(zhì)量檢測數(shù)據(jù)，大量的產(chǎn)品質(zhì)量信息包含在其中。如何利用質(zhì)量檢測數(shù)據(jù)進行數(shù)據(jù)挖掘去預測產(chǎn)品質(zhì)量風險具有重要的社會意義。

傳統(tǒng)的數(shù)據(jù)挖掘方法面對質(zhì)檢大數(shù)據(jù)時，效率低下，無法及時有效地獲取預警結(jié)果。需要建立一種有效的數(shù)據(jù)挖掘模型對產(chǎn)品檢測數(shù)據(jù)進行分析，利用質(zhì)檢大數(shù)據(jù)為產(chǎn)品安全動態(tài)檢測提供支持，為產(chǎn)品風險監(jiān)測和預警提供決策依據(jù)。由于產(chǎn)品安全檢測數(shù)據(jù)信息量比較大，更新快，每日產(chǎn)生的大量產(chǎn)品檢測數(shù)據(jù)需要進行挖掘，因此對質(zhì)量風險模型提出了并行化、非線性化的要求。

人工神經(jīng)網(wǎng)絡ANN是一種模擬生物神經(jīng)網(wǎng)絡的計算模型。ANN通過反復訓練逼近目標函數(shù)，具有并行處理、離散性和自學習特點。這種算法可以對大數(shù)據(jù)進行大規(guī)模非線性運算，適合建立學習與預測模型［1~3］。BP反向傳播神經(jīng)算法是一種常用的訓練人工神經(jīng)網(wǎng)絡的方法，BP算法非常適合進行機器學習和訓練模型。但BP算法在擬合非線性函數(shù)時容易收斂局部最優(yōu)而非全局最優(yōu)且收斂速度慢，而遺傳算法可以解決非線性和多維空間尋優(yōu)問題［4~5］。本文基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡提出一種產(chǎn)品質(zhì)量風險預警模型，對產(chǎn)品質(zhì)量安全進行有效的預測。

2 學習算法

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡算法是一種基于誤差反向傳播的多層感知器，通過反向誤差算法調(diào)整權(quán)值向量，很好地解決了非線性問題［6~8］。BP三層網(wǎng)絡拓撲如圖2所示。

圖2 遺傳算法流程圖

輸入向量為X=(x1，x2，…，xn)，隱層輸出向量為H=(h1，h2，…，hm)，輸出層向量為Y=(y1，y2，…，yk)，期望輸出向量為D=(d1，d2，…，dk)，輸入層到隱層之間的權(quán)值矩陣用V表示：V=(v11，v12，…，vnm)，隱層到輸出層之間的權(quán)值矩陣用W表示為W=(w11，w12，…，wmk)。激活函數(shù)f（x）為Sigmoid函數(shù)

圖1 BP三層網(wǎng)絡結(jié)構(gòu)圖

BP算法以網(wǎng)絡誤差為目標函數(shù)、采用梯度下降法來計算目標函數(shù)的最小值［9~10］。誤差反向傳播是將誤差隱層逐層求導梯度下降，計算修正權(quán)值。通過反復學習，權(quán)值不斷調(diào)整，誤差最終調(diào)整到可接受的范圍，達到預期目標。

2.2 遺傳算法

遺傳算法（Genetic Algorithm）是模擬自然界的生物進化過程，在全局中求最優(yōu)值的算法。首先隨機初始化一個群體，用適應度函數(shù)評估每個個體的適應度［11~13］。用選擇函數(shù)擇優(yōu)選擇，再進行交叉產(chǎn)生子代，對子代進行變異，重復循環(huán)直到求出最優(yōu)解。遺傳算法使適應度高的個體有較大機會產(chǎn)生后代，后代就會越來越多，而適應度函數(shù)是最優(yōu)值求解目標函數(shù)的正相關(guān)函數(shù)，因此經(jīng)過逐代的遺傳優(yōu)化求得最優(yōu)解。

2.3 GA-BP算法

BP神經(jīng)網(wǎng)絡算法求值時存在局部最優(yōu)和收斂速度慢的缺陷，可以通過遺傳算法對BP神經(jīng)網(wǎng)絡算法的初始權(quán)值和閾值進行優(yōu)化。GA-BP神經(jīng)網(wǎng)絡算法具有更優(yōu)的目標值預測性，具體流程如下：隨機生成初始一個種群，種群里的個體對應BP神經(jīng)網(wǎng)絡的初始權(quán)值和閾值，以BP網(wǎng)絡的輸出值與預期值的差值作為適應度函數(shù)，通過選擇、交叉、變異，重復循環(huán)求出最優(yōu)值，從而得出BP神經(jīng)網(wǎng)絡初始權(quán)值和閾值［14~15］。對優(yōu)化后的BP神經(jīng)網(wǎng)絡的進行正向反向訓練，建立預測模型。

變異操作：第m個個體的第l個基因xml進行變異操作方法如下：

xmax為基因xml的上界，xmin為基因xml的下界，k為當前迭代次數(shù)，Kmax為最大進化次數(shù)，r為［0，1］間的隨機數(shù)，λ為一個隨機數(shù)。

3 建立質(zhì)量風險預警模型

3.1 產(chǎn)品質(zhì)量風險預警模型

產(chǎn)品質(zhì)量風險預警模型采用定性和定量相結(jié)合的方法對產(chǎn)品進行綜合風險分析，評估步驟如下。

1）以不合格的檢測項目作為風險因子，將不合格率按20%為一級，劃分五個等級。根據(jù)表1，確定x值。

表1 風險因子發(fā)生的可能性（x）等級劃分及說明

2）將風險因子對風險的影響程度分為5個等級并對各等級賦值，如表2所示。

表2 風險因子的影響程度（y）說明

3）邀請來自產(chǎn)品質(zhì)量安全、風險評估領(lǐng)域的多名專家，依據(jù)專家分析和評估，給風險因子對風險發(fā)生的影響程度進行評估并按表4的說明打分，以平均分作為評級依據(jù)，確定y值。

4）依據(jù)專家分析和評估，確定m和n的值（m+n=1），將風險等級劃分為不同檔，定義風險等級與量化值（Z）之間的對應關(guān)系。

式中Z為風險等級值，m為風險因子可能性的權(quán)重值，n為風險因子影響程度的權(quán)重值，x為風險因子發(fā)生的可能性，y為風險因子的影響程度。

5）根據(jù)1）至4）步驟計算出風險等級值，按照風險因子發(fā)生的可能性和風險因子對風險造成的影響程度構(gòu)建風險等級劃分矩陣，如表3所示。

表3 風險等級劃分矩陣

6）選取最高風險等級值的風險因子，根據(jù)風險等級劃分矩陣，確定產(chǎn)品的風險評估的風險等級。

3.2 基于GA-BP訓練預警模型

基于GA-BP神經(jīng)網(wǎng)絡算法對產(chǎn)品質(zhì)量預警模型進行設計與訓練，確定輸入層向量、隱層節(jié)點數(shù)和權(quán)值、輸出層向量、激活函數(shù)。

1）輸入層向量。產(chǎn)品質(zhì)量風險預警需要輸入多種產(chǎn)品質(zhì)量檢測項目，而檢測項目對產(chǎn)品質(zhì)量的影響程度不同，因此提取影響產(chǎn)品質(zhì)量的關(guān)鍵檢測項目作為BP神經(jīng)網(wǎng)絡的輸入向量。

2）隱層設計。隱層設計為1層，4個節(jié)點數(shù)，節(jié)點分別對應專家的風險評價（風險因子發(fā)生的可能性值x、風險因子的影響程度y、風險因子可能性權(quán)重值m、風險因子影響程度權(quán)重值n）。

3）輸出層向量。質(zhì)量安全風險評估結(jié)論，3代表高危險，2代表中危險，1代表低危險，0代表無風險。

4）激活函數(shù)。選擇單極性S型Sigmoid函數(shù)。該函數(shù)是兩邊平坦，中間連續(xù)可微變化，適合作為激活函數(shù)。

4 實驗結(jié)果與分析

智能門鎖是通過無線網(wǎng)絡、NFC、現(xiàn)代生物學或光學、遠程操控等技術(shù)，在產(chǎn)品安全性、用戶識別、管理性方面更加智能化簡便化的產(chǎn)品。智能門鎖存在數(shù)據(jù)泄密風險、重放攻擊、指紋破解、通訊安全等方面存在安全風險。我們基于上述的GA-BP神經(jīng)網(wǎng)絡風險預警模型對智能門鎖進行風險預警實驗。

我們從上海市質(zhì)檢院的風險監(jiān)測數(shù)據(jù)庫里采集了智能門鎖的風險監(jiān)測數(shù)據(jù)220個產(chǎn)品紀錄，共4620條檢測項目數(shù)據(jù)。抽取200個產(chǎn)品記錄做為訓練樣本，20個為預測樣本。輸入因素選擇防暴力開啟、RFID開鎖安全性、防破壞報警、敏感信息保護、數(shù)據(jù)加密傳輸、安全掃描、反編譯、網(wǎng)絡安全等21項檢測項目進行綜合評級。項目的檢測結(jié)果預處理為合格和不合格。檢測結(jié)果如表4所示。

表4 聯(lián)網(wǎng)智能門鎖項目檢測結(jié)果匯總分析表

算法參數(shù)的初始設置。GA-BP算法參數(shù)設置為輸入21，隱層節(jié)點數(shù)為4，輸出節(jié)點為1，遺傳種群規(guī)模為20，遺傳代數(shù)為40，交叉概率為0.5，變異概率為0.3。在Matlab上建立BP神經(jīng)網(wǎng)絡模型，編程實現(xiàn)基于GA-BP神經(jīng)網(wǎng)絡優(yōu)化模型。使用訓練樣本對模型進行訓練。

預測結(jié)果分析如圖3、圖4所示，基于遺傳基因算法的BP神經(jīng)網(wǎng)絡在訓練次數(shù)的收斂次數(shù)上有了較大的提高，GA-BP的收斂速度是BP的兩倍，提高了訓練速度。預測誤差上，GA-BP對產(chǎn)品質(zhì)量風險預警的準確度達到85%，相較于優(yōu)化前的BP模型的準確度75%，GA-BP神經(jīng)網(wǎng)絡也有具有明顯優(yōu)勢。因此本文提出的基于GA-BP神經(jīng)網(wǎng)絡產(chǎn)品質(zhì)量風險預警方法能更高地對產(chǎn)品風險進行預警。

圖3 GA-BP與BP訓練次數(shù)比較

圖4 GA-BP與BP預測誤差比較

5 結(jié)語

本文建立了一種基于GA-BP神經(jīng)網(wǎng)絡的產(chǎn)品質(zhì)量風險預警方法，將優(yōu)化的神經(jīng)網(wǎng)絡算法應用于產(chǎn)品質(zhì)量大數(shù)據(jù)的質(zhì)量風險預警中，通過實驗表明這種質(zhì)量預警模型收斂速度快，準確率高。優(yōu)化后的遺傳神經(jīng)網(wǎng)絡的準確率提高了10%，收斂速度提高了一倍。該方法有助于為產(chǎn)品質(zhì)量監(jiān)管部門提供質(zhì)量風險預警提示。