论文部分内容阅读
支持向量机（Support Vector Machine,简称:SVM）是人工智能科学的前沿技术,基于HACCP体系的农产品安全生产智能化决策研究在国内外尚处于起步阶段。本文首次采用人工智能技术解决农产品生产过程中的关键控制点发现问题,创新性地将SVM方法应用于危害分析与关键控制点发现（Hazard Analysis and Critical Control Points,简称:HACCP）体系的关键控制点发现问题研究,并在SVM算法改良与优化方面进行了一些研究工作,提出了遗传算法优化SVM模型和增量SVM模型,为HACCP关键控制点的智能发现提供了一些有价值的研究成果。本文的主要研究内容与创新点包括:1.首次采用SVM方法进行HACCP关键控制点智能发现研究。采用加权SVM方法构建支持向量分类机模型,并对关键控制点分类试验结果进行了分析与评价。（第3章）2.针对SVM模型的参数选取问题进行了创新性的研究工作,提出了一种遗传算法优化的SVM方法。SVM核函数参数和误差惩罚因子C的选取由于没有明确的理论指导,多数是通过人工试验选取,往往产生局部最优解问题。本文采用遗传算法获得全局最优的核函数参数和误差惩罚因子C,并在鲜切蔬菜加工领域的关键控制点发现进行了试验验证。（第4章）3.针对新增样本导致SVM训练速度下降问题,提出了一种增量学习型SVM方法。采用条件正定核函数简化计算核空间中两个样本间的距离,进而选择相对边界向量集合作为初始样本训练集,然后再实现增量样本学习。在保证算法精度的同时,提高了模型的训练速度,并进行了实例验证。（第5章）4.采用模糊故障树方法和人工神经网络方法进行关键控制点分类试验,并与SVM方法的试验结果进行对比评价,讨论了各种分类模型的评价方法。（第6章）本文采用SVM技术解决HACCP关键控制点发现问题,为突破农产品生产智能化控制作出了探索性的贡献,同时也丰富和拓展了支持向量机方法的应用范围。本文研究成果集成应用于国内第一个具有自主知识产权的HACCP管理软件easyHACCP?,成为该软件产品的主要亮点之一。