haccp在蜂產(chǎn)品原料控制中的應(yīng)用(ppt45)-haccp(參考版)
2024-08-22 08:47本頁面
【正文】 當(dāng)然可以尋求外援，也可以利用其他科學(xué)研究的成果，但企業(yè)根據(jù)自己的實(shí)際情況所做的實(shí)驗(yàn)數(shù)據(jù)、分析結(jié)果等尤為重要。 ? 這一特點(diǎn)正適于解決諸如蜂產(chǎn)品原料驗(yàn)收中氯霉素關(guān)鍵限值的問題，是 HACCP應(yīng)用的一個(gè)好的實(shí)例，也為我們用數(shù)理學(xué)方法解決在檢驗(yàn)監(jiān)管中這一類問題打開了思路。其實(shí)，在整個(gè)食物鏈（ From Farm to Fork）中控制蜂產(chǎn)品獸殘還需要在養(yǎng)殖環(huán)節(jié)中加以具體分析加以控制，這里不再贅述。生產(chǎn)商與客戶應(yīng)該在信息不對稱的合作 /不合作博弈行為中尋求共同或個(gè)體利益的最大化。這又可能造成本來是不合格的產(chǎn)品，工廠檢驗(yàn)合格但客戶檢驗(yàn)不合格；或本來合格的產(chǎn)品，如果按工廠檢驗(yàn)標(biāo)準(zhǔn)則不合格，按客戶檢驗(yàn)標(biāo)準(zhǔn)合格。 3）信息的不對稱性。 確定合適的檢驗(yàn)標(biāo)準(zhǔn) ， 要分析檢驗(yàn)標(biāo)準(zhǔn)與生產(chǎn)成本 、 利潤之間的關(guān)系 。 實(shí)際確定工廠檢驗(yàn)標(biāo)準(zhǔn)時(shí) ， 還應(yīng)該考慮： 1） 生產(chǎn)商與客戶檢驗(yàn)技術(shù)水平的一致性 。 4 結(jié)論 以上分析表明 ， 在蜂產(chǎn)品中用 ELISA法檢測氯霉素的合理的關(guān)鍵限值應(yīng)該在 02－ ppb之間 。 ? 聚類結(jié)果（表 4）表明當(dāng)相似度大于 57%時(shí)，所有樣本均被正確分類；當(dāng)相似度小于 57%時(shí)，所有樣本被分成一類，出現(xiàn)錯(cuò)誤。相似度大于 95%意味著要求數(shù)據(jù)樣本表現(xiàn)出非常明顯的相似性。因此，當(dāng)選取聚類標(biāo)準(zhǔn)是相似度大于 95%時(shí)， 。 ? 分別假設(shè) － ，按照相似度超過 95%的數(shù)據(jù)樣本聚為一類的辦法，用能實(shí)現(xiàn)基于 AC聚類的 KnowledgeMiner軟件分析，結(jié)果（見表 3）顯示所有目標(biāo)樣本都被分在第 2類（ C2），其余合格樣本都在第一類（C1），這說明了基于 AC的聚類方法的有效性。然后以 X1和 NX2,ZO X2,P X2為變量，對 102個(gè)樣本聚類（將可能的檢驗(yàn)標(biāo)準(zhǔn)加入數(shù)據(jù)樣本時(shí)作如下處理：假設(shè) S代表合理的檢驗(yàn)標(biāo)準(zhǔn)，那么氯霉素含量小于 S的產(chǎn)品不應(yīng)該是目標(biāo)樣本。 將 AC與 GMDH結(jié)合 ， 可以實(shí)現(xiàn)基于 AC算法的聚類方法 ， 其工作原理如圖 1所示 。 ? 最后 ， GMDH算法的停止法則由最優(yōu)復(fù)雜度原理給出：當(dāng)模型的復(fù)雜度逐漸增加時(shí) ， 模型的外準(zhǔn)則值有一個(gè)先減小再增大的過程 ， 外準(zhǔn)則的最小值對應(yīng)了最優(yōu)復(fù)雜度模型；如果在一個(gè)篩選階段不能再改善外準(zhǔn)則值 ， 最優(yōu)復(fù)雜度模型找到了 ， 算法過程就結(jié)束 。 ? 這樣 ， 一方面由于模型在新數(shù)據(jù)集上的擬合能力的不斷確認(rèn) , 其推廣能力將加強(qiáng) ， 這樣選出的最終模型不會(huì)過擬合 ， 體現(xiàn)了在一定噪聲水平下模型擬合精度與推廣能力之間的最優(yōu)平衡 [4]。 ? GMDH要求 將樣本集 W 分為訓(xùn)練集 A、測試集 B, W = A∪ B。 ? GMDH 是 自 組 織 數(shù) 據(jù) 挖 掘 （ SelfOrganizing Data Mining） [3]方法的核心算法 ， 它從參考函數(shù)構(gòu)成的初始模型 （ 函數(shù) ）集合出發(fā) ， 按一定的法則產(chǎn)生新的中間候選模型 （ 遺傳 、 變異 ） ， 再經(jīng)過外準(zhǔn)則篩選 （選擇 ） ， 重復(fù)這樣一個(gè)遺傳 、 變異 、 選擇和進(jìn)化的過程 ， 使中間待選模型的復(fù)雜度 （plexity） 不斷增加 ， 直至得到最優(yōu)復(fù)雜度模型 。這種聚類方法的特點(diǎn)在于，根據(jù)模式（數(shù)據(jù)樣本）之間的相似度，按照自組織數(shù)據(jù)挖掘的思想
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1