Abstract Food safety is vital to the national economy and livelihood of people. Therefore, effective food safety warnings are helpful to the healthy and sustainable development of society. Focused on the early warning modeling for a certain scale of complex food safety inspection data, this paper proposes a novel early warning modeling method based on the deep radial basis function (DRBF) neural network that integrates an analytic hierarchy process (AHP). First, the AHP based on the entropy weight is used to obtain the risk fusion results of the inspection data as the expected output of the DRBF. Then, the DRBF model based on the autoencoder is used to build the early warning model, implementing feature learning to acquire the high-level representation of the food inspection data. Finally, the category data of sterilized milk from the food safety inspection data of a province in China is taken as a case study. Comparing the experimental results of the radial basis function (RBF) neural network, the back propagation (BP) neural network and the improved multilayer BP, the proposed DRBF model is found to have a better generalization ability and a better generalization effect for the complex food safety inspection data. Furthermore, the proposed early warning model is used to predict and analyze the risk of the inspection data from early September 2014. The results could be helpful for relevant departments to carry out early warning work and provide a scientific basis for guidance, thereby promoting the improvement of the food quality and reducing food risks.

中文翻译：

---

基于深度径向基函数神经网络集成层次分析法的预警建模与分析：食品安全案例研究

摘要 食品安全事关国计民生。因此，有效的食品安全警示有助于社会的健康可持续发展。针对一定规模的复杂食品安全检验数据的预警建模，本文提出了一种基于深度径向基函数（DRBF）神经网络并结合层次分析法（AHP）的新型预警建模方法。首先，利用基于熵权的层次分析法得到检测数据的风险融合结果作为DRBF的期望输出。然后，使用基于自编码器的 DRBF 模型构建预警模型，实施特征学习以获取食品检验数据的高级表示。最后，以我国某省食品安全检验数据中的灭菌乳品类数据为例。比较径向基函数（RBF）神经网络、反向传播（BP）神经网络和改进的多层BP的实验结果，发现所提出的DRBF模型对复杂食物具有更好的泛化能力和更好的泛化效果。安全检查数据。并利用提出的预警模型对2014年9月上旬的巡检数据进行风险预测分析，结果有助于相关部门开展预警工作，为指导提供科学依据，从而促进改进。食品质量和降低食品风险。比较径向基函数（RBF）神经网络、反向传播（BP）神经网络和改进的多层BP的实验结果，发现所提出的DRBF模型对复杂食物具有更好的泛化能力和更好的泛化效果。安全检查数据。并利用提出的预警模型对2014年9月上旬的巡检数据进行风险预测分析，结果有助于相关部门开展预警工作，为指导提供科学依据，从而促进改进。食品质量和降低食品风险。比较径向基函数（RBF）神经网络、反向传播（BP）神经网络和改进的多层BP的实验结果，发现所提出的DRBF模型对复杂食物具有更好的泛化能力和更好的泛化效果。安全检查数据。并利用所提出的预警模型对2014年9月上旬的巡检数据进行风险预测分析，结果有助于相关部门开展预警工作，为指导提供科学依据，从而促进改进。食品质量和降低食品风险。发现提出的DRBF模型对复杂的食品安全检验数据具有更好的泛化能力和更好的泛化效果。并利用提出的预警模型对2014年9月上旬的巡检数据进行风险预测分析，结果有助于相关部门开展预警工作，为指导提供科学依据，从而促进改进。食品质量和降低食品风险。发现提出的DRBF模型对复杂的食品安全检验数据具有更好的泛化能力和更好的泛化效果。并利用提出的预警模型对2014年9月上旬的巡检数据进行风险预测分析，结果有助于相关部门开展预警工作，为指导提供科学依据，从而促进改进。食品质量和降低食品风险。