本發(fā)明涉及二維碼防偽預(yù)測技術(shù)領(lǐng)域,特別是涉及一種基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測裝置和方法。
背景技術(shù):
隨著社會生活水平的提高,人們對產(chǎn)品質(zhì)量的要求越來越高,對防偽技術(shù)應(yīng)用的需求也相應(yīng)增加。基于二維碼的防偽系統(tǒng)是目前國內(nèi)外廣泛應(yīng)用的防偽系統(tǒng),產(chǎn)品和二維碼綁定,用智能手機(jī)掃描二維碼,提示產(chǎn)品真?zhèn)吻闆r。同時,隨著智能手機(jī)的普及,大眾參與產(chǎn)品防偽將更加簡單,二維碼防偽系統(tǒng)的應(yīng)用將越來越廣泛。對于當(dāng)前的二維碼防偽系統(tǒng),首先,絕大部分防偽機(jī)制都是根據(jù)產(chǎn)品二維碼被掃次數(shù)判斷真?zhèn)危缟暾埼墨I(xiàn)CN20130617837.6中的二維碼防偽方法,二維碼第一次被掃就提示正品,否則提示假冒產(chǎn)品,這樣如果多個消費(fèi)者掃同一產(chǎn)品,對一個產(chǎn)品真?zhèn)闻袛噙^于絕對化;第二,為了防止產(chǎn)品二維碼多次被掃造成真?zhèn)握`判和被不法分子接觸并利用,二維碼置于產(chǎn)品內(nèi)部,這樣消費(fèi)者必須購買后才掃碼判斷產(chǎn)品真?zhèn)?,即使是假冒產(chǎn)品,也不能提前預(yù)知。如果把二維碼包裝在產(chǎn)品外部,消費(fèi)者即可先掃碼判斷真?zhèn)?,再決定買或者不買。對于這種防偽系統(tǒng),不法分子可先接觸到產(chǎn)品二維碼,如果二維碼被破解并偽造,防偽系統(tǒng)將很難判斷真?zhèn)巍?/p>
BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存儲大量的輸入-輸出模式映射關(guān)系,而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。在申請文獻(xiàn)CN201410464900.1中提及到利用BP神經(jīng)網(wǎng)絡(luò)來預(yù)測任務(wù)完成的時間,但在現(xiàn)有技術(shù)中,還未發(fā)現(xiàn)有利用BP神經(jīng)網(wǎng)絡(luò)來預(yù)測產(chǎn)品真?zhèn)蔚难b置與方法,因此,基于BP神經(jīng)網(wǎng)絡(luò),通過掃碼判斷產(chǎn)品真?zhèn)蔚姆椒ê脱b置還有待研發(fā)。
技術(shù)實(shí)現(xiàn)要素:
針對現(xiàn)有技術(shù)的不足,本發(fā)明的目的旨在提供一種基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測裝置和方法,結(jié)合防偽數(shù)據(jù)庫和BP神經(jīng)網(wǎng)絡(luò)算法,預(yù)測產(chǎn)品真?zhèn)蔚母怕?,對產(chǎn)品真?zhèn)芜M(jìn)行定量判斷。
為實(shí)現(xiàn)上述目的,本發(fā)明采用如下技術(shù)方案:
基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測裝置,包括按信號流向依次連接的數(shù)據(jù)存取模塊、掃碼模塊、數(shù)據(jù)分析模塊、學(xué)習(xí)訓(xùn)練模塊和算法應(yīng)用模塊;所述BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成;
數(shù)據(jù)存取模塊,用于存取產(chǎn)品數(shù)據(jù)建立防偽數(shù)據(jù)庫;
掃碼模塊,用于獲取掃碼數(shù)據(jù);
數(shù)據(jù)分析模塊,用于調(diào)用防偽數(shù)據(jù)庫對掃碼獲得的數(shù)據(jù)進(jìn)行處理分析,獲得產(chǎn)品的屬性特征值;
學(xué)習(xí)訓(xùn)練模塊,由實(shí)際產(chǎn)品真?zhèn)吻闆r所獲得的特征值數(shù)據(jù)作為網(wǎng)絡(luò)輸入,產(chǎn)品造假概率作為輸出,在輸入的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值,以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出,從而構(gòu)建出BP神經(jīng)網(wǎng)絡(luò)算法;
算法應(yīng)用模塊,使用BP神經(jīng)網(wǎng)絡(luò)算法對掃碼產(chǎn)品進(jìn)行防偽預(yù)測。
作為本發(fā)明的一種優(yōu)化,所述數(shù)據(jù)存取模塊用于將企業(yè)的加工產(chǎn)品質(zhì)量信息、經(jīng)銷商信息、零售商信息、消費(fèi)者掃碼驗證信息和包裝二維碼信息均進(jìn)行存儲并建立防偽數(shù)據(jù)庫。
作為本發(fā)明的一種優(yōu)化,所述產(chǎn)品屬性特征值包括掃碼信息一致x1、掃碼指定地點(diǎn)一致x2、知名度x3、造假利益x4、風(fēng)險代價x5;掃碼產(chǎn)品的信息與防偽數(shù)據(jù)庫對應(yīng)的信息是否完全相同構(gòu)成掃碼信息一致x1;掃碼地點(diǎn)與指定銷售地點(diǎn)的變動構(gòu)成掃碼指定地點(diǎn)一致x2;所述知名度x3由生活水平不同導(dǎo)致對產(chǎn)品的質(zhì)量要求存在差異構(gòu)成;根據(jù)不同區(qū)域?qū)Ξa(chǎn)品造假的處罰程度不同,造假風(fēng)險程度不同,構(gòu)成造假利益x4;因不同品牌產(chǎn)品生產(chǎn)成本不同,產(chǎn)品利潤高低不同構(gòu)成風(fēng)險代價x5。
作為本發(fā)明的一種優(yōu)化,所述數(shù)據(jù)分析模塊利用S型函數(shù)將掃碼獲得的數(shù)據(jù)結(jié)合防偽數(shù)據(jù)庫進(jìn)行歸一化處理,將掃碼獲得的值轉(zhuǎn)換成[0,1]區(qū)間內(nèi),用于為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)提供原始數(shù)據(jù);其中S型函數(shù)公式為:
輸入
net=x1w1+x2w2+…+xnwn
輸出
其中xn為第n個輸入信號;Wn為權(quán)系數(shù)。
作為本發(fā)明的一種優(yōu)化,所述學(xué)習(xí)訓(xùn)練模塊是根據(jù)輸入信號Xi通過中間節(jié)點(diǎn)作為輸出節(jié)點(diǎn),經(jīng)過非線形變換,產(chǎn)生輸出信號Zk,網(wǎng)絡(luò)訓(xùn)練的每個樣本包括輸入向量X和期望輸出量d,網(wǎng)絡(luò)輸出值Z與期望輸出值d之間的偏差,通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的連接權(quán)值Wij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接強(qiáng)度Tjk以及閾值,使誤差沿梯度方向下降,經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練,確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù),即權(quán)值和閾值,訓(xùn)練即結(jié)束。
基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測方法,其特征在于,包括:
步驟1:建立現(xiàn)有防偽數(shù)據(jù)庫;
步驟2:掃碼獲得產(chǎn)品信息;
步驟3:結(jié)合防偽數(shù)據(jù)庫和掃碼信息,獲得產(chǎn)品屬性特征值;
步驟4:BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練;
步驟5:使用BP神經(jīng)網(wǎng)絡(luò)算法對掃碼產(chǎn)品進(jìn)行防偽預(yù)測。
作為本發(fā)明的一種優(yōu)化,所述步驟3中所述的產(chǎn)品屬性特征值由掃碼數(shù)據(jù)結(jié)合防偽數(shù)據(jù)庫對輸入數(shù)據(jù)進(jìn)行歸一化處理,經(jīng)過計算后獲得數(shù)值在[0,1]區(qū)間中的產(chǎn)品屬性特征值。
作為本發(fā)明的一種優(yōu)化,所述步驟4中的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程的具體算法如下:
(1)給網(wǎng)絡(luò)賦一組隨機(jī)初始權(quán)值,其值在0到1之間;
(2)將輸入數(shù)據(jù)歸一化處理,并根據(jù)實(shí)際確定期望輸出信號d1;
(3)根據(jù)公式計算逐層的實(shí)際輸出值,公式如下:
式中
Xi-輸入層第i個節(jié)點(diǎn)的輸出值;
Yj-隱含層第j個節(jié)點(diǎn)的輸出值;
Wij-輸入層第i個節(jié)點(diǎn)到隱含層第j個節(jié)點(diǎn)的權(quán)系數(shù);
Wjk-隱含層第j個節(jié)點(diǎn)到輸出層第k個節(jié)點(diǎn)的權(quán)系數(shù);
θj-隱含層第j個節(jié)點(diǎn)的內(nèi)部閾值;
θ1-輸出層第1個節(jié)點(diǎn)的內(nèi)部閾值;
Z1-輸出層第1個節(jié)點(diǎn)的實(shí)際輸出值;
輸入層有N個輸入節(jié)點(diǎn),隱含層有M個中間層節(jié)點(diǎn),輸出層有1個輸出節(jié)點(diǎn)。
(4)從輸出層開始,加入動量α,其中0<α<1,反向調(diào)整權(quán)值,其調(diào)整公式如下:
Wjk+ηδkYj→Wjk
Wij+ηδjXi→Wij
δj=Y(jié)j(1-Yj)·δ1·Wjk
式中δ1=(d1-Z1)·Z1·(1-Z1)。
(5)計算總的誤差E,即d1和Z1之間的誤差值,若E≤ε,其中ε為預(yù)先設(shè)定的學(xué)習(xí)結(jié)束的絕對誤差,學(xué)習(xí)停止,否則轉(zhuǎn)到步驟(3)中重新計算。
作為本發(fā)明的一種優(yōu)化,若步長η較小則學(xué)習(xí)速度較慢,而η較大會引起網(wǎng)絡(luò)出現(xiàn)擺動,則在步驟(4)中加入一個動量α,其中0<α<1,即
Wjk+ηδkYj+α·ΔWjk→Wjk
Wij+ηδjXi+α·ΔWij→Wij
式中ΔWjk-連續(xù)兩次Wjk之差;
ΔWij-連續(xù)兩次Wij之差。
本發(fā)明的有益效果在于:
本發(fā)明從多個方面更新防偽數(shù)據(jù)庫數(shù)據(jù),使得預(yù)測效果更有說服力;由于BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力,使得預(yù)測結(jié)果相對準(zhǔn)確;防偽數(shù)據(jù)庫和BP神經(jīng)網(wǎng)絡(luò)算法結(jié)合,預(yù)測產(chǎn)品真?zhèn)蔚母怕?,對產(chǎn)品真?zhèn)闻袛啾苊饨^對化,進(jìn)行定量判斷,在一定程度上避免產(chǎn)品真?zhèn)蔚恼`判;二維碼防偽預(yù)測裝置能實(shí)現(xiàn)讓消費(fèi)者先掃碼判斷真?zhèn)?,再決定是否購買,滿足消費(fèi)者購物心理需求,促進(jìn)購買意愿。
附圖說明
圖1為本發(fā)明基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測裝置的流程示意圖;
圖2為本發(fā)明的BP神經(jīng)網(wǎng)絡(luò)模型圖;
圖3為本發(fā)明基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測方法的流程示意圖。
具體實(shí)施方式
下面,結(jié)合附圖以及具體實(shí)施方式,對本發(fā)明做進(jìn)一步描述:
實(shí)施例1
如圖1和2所示,本發(fā)明提供了一種基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測裝置,包括按信號流向依次連接的數(shù)據(jù)存取模塊、掃碼模塊、數(shù)據(jù)分析模塊、學(xué)習(xí)訓(xùn)練模塊和算法應(yīng)用模塊;所述BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成。
數(shù)據(jù)存取模塊,所述數(shù)據(jù)存取模塊用于將企業(yè)的加工產(chǎn)品質(zhì)量信息、經(jīng)銷商信息、零售商信息、消費(fèi)者掃碼驗證信息和包裝二維碼信息均進(jìn)行存儲并建立防偽數(shù)據(jù)庫,通過多方面時刻更新擴(kuò)大防偽數(shù)據(jù)庫,使得預(yù)測產(chǎn)品造假的概率更加準(zhǔn)確。企業(yè)加工產(chǎn)品,把檢驗合格的產(chǎn)品信息進(jìn)行標(biāo)志,對標(biāo)志信息進(jìn)行加密形成產(chǎn)品二維碼,經(jīng)匹配包裝碼后供應(yīng)給經(jīng)銷商,同時把標(biāo)志信息和產(chǎn)品二維碼等信息存儲在防偽數(shù)據(jù)庫中;經(jīng)銷商收到產(chǎn)品后,對產(chǎn)品進(jìn)行收貨驗證,驗證產(chǎn)品包裝碼信息符合經(jīng)銷商訂單的,把經(jīng)銷商信息和更新后的包裝碼信息錄入防偽數(shù)據(jù)庫中;同理,零售商在驗證產(chǎn)品時同時存入二維碼信息和零售商信息,更新擴(kuò)大防偽數(shù)據(jù)庫內(nèi)容。
掃碼模塊,所述掃碼模塊還包括掃碼裝置,掃碼裝置與掃碼模塊信號連通,用于通過掃碼裝置掃碼獲得信息,用于對經(jīng)掃碼裝置掃碼后獲取的數(shù)據(jù)進(jìn)行采集和存儲。掃碼裝置在對二維碼進(jìn)行掃描后,掃碼模塊將掃碼獲得的模擬信號轉(zhuǎn)換成數(shù)字信號,便于計算機(jī)分析儲存掃碼信息。
數(shù)據(jù)分析模塊,在所述數(shù)據(jù)分析模塊中調(diào)用防偽數(shù)據(jù)庫對掃碼獲得的數(shù)據(jù)進(jìn)行處理分析,在產(chǎn)品數(shù)據(jù)庫中提取相關(guān)數(shù)據(jù),掃碼信息和防偽數(shù)據(jù)庫在數(shù)據(jù)分析模塊中進(jìn)行比對,最終獲得掃碼信息一致、掃碼掃碼指定地點(diǎn)一致、知名度、造假利益和風(fēng)險代價的產(chǎn)品屬性特征值,為建立BP神經(jīng)網(wǎng)絡(luò)提供訓(xùn)練數(shù)據(jù);所述數(shù)據(jù)分析模塊利用S型函數(shù)將掃碼獲得的數(shù)據(jù)結(jié)合防偽數(shù)據(jù)庫進(jìn)行歸一化處理,將掃碼獲得的值轉(zhuǎn)換成[0,1]區(qū)間內(nèi),用于為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)提供原始數(shù)據(jù);其中S型函數(shù)公式為:
輸入
net=x1w1+x2w2+…+xnwn
輸出
其中xn為第n個輸入信號;Wn為權(quán)系數(shù)。
所述學(xué)習(xí)訓(xùn)練模塊是根據(jù)輸入信號Xi通過中間節(jié)點(diǎn)作為輸出節(jié)點(diǎn),經(jīng)過非線形變換,產(chǎn)生輸出信號Zk,網(wǎng)絡(luò)訓(xùn)練的每個樣本包括輸入向量X和期望輸出量d,網(wǎng)絡(luò)輸出值Z與期望輸出值d之間的偏差,通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的連接權(quán)值Wij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接強(qiáng)度Tjk以及閾值,使誤差沿梯度方向下降,經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練,確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù),即權(quán)值和閾值,訓(xùn)練即結(jié)束;在本發(fā)明中BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程是通過模擬產(chǎn)品是否造假的實(shí)際情況所獲取的產(chǎn)品屬性特征值作為BP神經(jīng)網(wǎng)絡(luò)輸入,產(chǎn)品造假概率作為輸出,通過優(yōu)化修正輸入層、隱含層和輸出層的權(quán)系數(shù)來實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練;即將產(chǎn)品的特征值掃碼信息一致x1、指定地點(diǎn)一致x2、知名度x3、造假利益x4和風(fēng)險代價x5作為BP神經(jīng)網(wǎng)絡(luò)輸入,目標(biāo)期望輸出d作為BP神經(jīng)網(wǎng)絡(luò)輸出,BP神經(jīng)網(wǎng)絡(luò)自行開始學(xué)習(xí)訓(xùn)練;根據(jù)多組實(shí)際產(chǎn)品真?zhèn)吻闆r數(shù)據(jù)來對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使得BP神經(jīng)網(wǎng)絡(luò)的建立更加準(zhǔn)確。其中所述輸出產(chǎn)品造假概率設(shè)定為數(shù)據(jù)“0”或數(shù)據(jù)“1”;數(shù)據(jù)“0”代表造假概率為0%,數(shù)據(jù)“1”代表造假概率為100%,便于消費(fèi)者觀看查詢結(jié)果。
本發(fā)明通過提供的20組特征值數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò),此表格中的數(shù)據(jù)為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù),該數(shù)據(jù)為掃碼數(shù)據(jù)結(jié)合防偽數(shù)據(jù)庫,經(jīng)過S型函數(shù)的計算把掃碼獲得的值裝換成產(chǎn)品屬性特征值。此表格表頭中包含掃碼信息一致x1、掃碼指定地點(diǎn)一致x2、知名度x3、造假利益x4、風(fēng)險代價x5和期望輸出d,表格每一行數(shù)據(jù)代表每組產(chǎn)品的是否造假的實(shí)際情況數(shù)據(jù);應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法,對已發(fā)生的產(chǎn)品造假情況進(jìn)行模擬訓(xùn)練,建立用于計算造假概率的BP神經(jīng)網(wǎng)絡(luò)模型,表格如下所示:
其中,在模擬數(shù)據(jù)中,把掃碼信息一致作為主要屬性特征,如果產(chǎn)品掃碼信息與防偽數(shù)據(jù)庫存儲的信息不能完全一致,則特征值較大,輸出造假概率也比較大。
算法應(yīng)用模塊,用于利用BP神經(jīng)網(wǎng)絡(luò)算法對產(chǎn)品進(jìn)行防偽預(yù)測。建立了用于計算產(chǎn)品真?zhèn)胃怕实腂P神經(jīng)網(wǎng)絡(luò)后,在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上消費(fèi)者只需通過掃碼裝置對產(chǎn)品二維碼進(jìn)行掃描就能直接獲得產(chǎn)品的真?zhèn)胃怕?,?shù)據(jù)“0”代表造假概率為0%,數(shù)據(jù)“1”代表造假概率為100%,該方法簡單直接,根據(jù)掃描結(jié)果了解產(chǎn)品的真?zhèn)吻闆r后再決定是否購買。
實(shí)施例2
如圖3所示,本發(fā)明的基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測方法,處理過程包括四個步驟,具體實(shí)現(xiàn)步驟如下:
步驟1:建立現(xiàn)有防偽數(shù)據(jù)庫;用于在防偽數(shù)據(jù)庫中存取產(chǎn)品數(shù)據(jù);企業(yè)加工產(chǎn)品質(zhì)量信息、經(jīng)銷商信息、零售商信息、消費(fèi)者掃碼驗證信息和包裝二維碼等信息通過數(shù)據(jù)存取模塊存儲在防偽數(shù)據(jù)庫中,并配合掃碼信息將數(shù)據(jù)轉(zhuǎn)換成BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需的產(chǎn)品屬性特征值,利于對數(shù)據(jù)進(jìn)行統(tǒng)一存儲,方便存取數(shù)據(jù)。
步驟2:掃描獲得產(chǎn)品信息;通過掃描裝置對產(chǎn)品二維碼進(jìn)行掃描,掃碼后通過掃描模塊把模擬信號轉(zhuǎn)換成數(shù)字信號,從而獲得產(chǎn)品的信息。
步驟3:結(jié)合防偽數(shù)據(jù)庫和掃碼信息,獲得產(chǎn)品屬性特征值;掃碼后的信息經(jīng)轉(zhuǎn)換成數(shù)字信號數(shù)據(jù)后,跟防偽數(shù)據(jù)庫中的產(chǎn)品數(shù)據(jù)進(jìn)行比對,分別把產(chǎn)品屬性特征值通過掃碼信息一致x1、指定地點(diǎn)一致x2、知名度x3、造假利益x4和風(fēng)險代價x5五個方面體現(xiàn)出來,并根據(jù)實(shí)際情況分別給五個產(chǎn)品屬性特征值以[0,1]之間數(shù)字進(jìn)行賦值。其中,掃碼產(chǎn)品的信息與防偽數(shù)據(jù)庫對應(yīng)的信息是否完全相同構(gòu)成掃碼信息一致;掃碼地點(diǎn)與制定銷售地點(diǎn)的變動構(gòu)成指定地點(diǎn)一致;所述知名度由生活水平不同導(dǎo)致對產(chǎn)品的質(zhì)量要求存在差異構(gòu)成;根據(jù)不同區(qū)域?qū)Ξa(chǎn)品造假的處罰程度不同,造假風(fēng)險程度不同,構(gòu)成造假利益;因不同品牌產(chǎn)品生產(chǎn)成本不同,產(chǎn)品利潤高低不同構(gòu)成風(fēng)險代價,通過該五個產(chǎn)品屬性特征值來對產(chǎn)品進(jìn)行真?zhèn)晤A(yù)測,使得預(yù)測結(jié)果更加準(zhǔn)確;其中所述的產(chǎn)品屬性特征值由掃碼數(shù)據(jù)結(jié)合防偽數(shù)據(jù)庫對輸入數(shù)據(jù)進(jìn)行歸一化處理,經(jīng)過計算后獲得數(shù)值在[0,1]區(qū)間中的產(chǎn)品屬性特征值。
步驟4:BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練;其中,所述BP神經(jīng)網(wǎng)絡(luò)包括:輸入層,訓(xùn)練數(shù)據(jù)被輸入到所述輸入層中;輸出層,從所述輸出層生成輸出;以及隱含層,所述隱含層與輸入層和輸出層相互連接。用于根據(jù)多組產(chǎn)品屬性特征值訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),得到訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò);BP神經(jīng)網(wǎng)絡(luò)利用產(chǎn)品是否真?zhèn)蔚膶?shí)際情況數(shù)據(jù),通過學(xué)習(xí)訓(xùn)練模塊建立能用于計算造假概率的BP神經(jīng)網(wǎng)絡(luò),BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力,使得預(yù)測結(jié)果相對準(zhǔn)確。
所述BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程的具體算法如下:
(1)給網(wǎng)絡(luò)賦一組隨機(jī)初始權(quán)值,其值在0到1之間;
(2)將輸入數(shù)據(jù)歸一化處理,并根據(jù)實(shí)際確定期望輸出信號d1;
(3)根據(jù)公式計算逐層的實(shí)際輸出值,公式如下:
式中
Xi-輸入層第i個節(jié)點(diǎn)的輸出值;
Yj-隱含層第j個節(jié)點(diǎn)的輸出值;
Wij-輸入層第i個節(jié)點(diǎn)到隱含層第j個節(jié)點(diǎn)的權(quán)系數(shù);
Wjk-隱含層第j個節(jié)點(diǎn)到輸出層第k個節(jié)點(diǎn)的權(quán)系數(shù);
θj-隱含層第j個節(jié)點(diǎn)的內(nèi)部閾值;
θ1-輸出層第1個節(jié)點(diǎn)的內(nèi)部閾值;
Z1-輸出層第1個節(jié)點(diǎn)的實(shí)際輸出值;
輸入層有N個輸入節(jié)點(diǎn),隱含層有M個中間層節(jié)點(diǎn),輸出層有1個輸出節(jié)點(diǎn)。
(4)從輸出層開始,加入動量α,其中0<α<1,反向調(diào)整權(quán)值,其調(diào)整公式如下:
Wjk+ηδkYj→Wjk
Wij+ηδjXi→Wij
δj=Y(jié)j(1-Yj)·δ1·Wjk
式中δ1=(d1-Z1)·Z1·(1-Z1)。
(5)計算總的誤差E,即d1和Z1之間的誤差值,若E≤ε,其中ε為預(yù)先設(shè)定的學(xué)習(xí)結(jié)束的絕對誤差,學(xué)習(xí)停止,否則轉(zhuǎn)到步驟(3)中重新計算。
其中若步長η較小則學(xué)習(xí)速度較慢,而η較大會引起網(wǎng)絡(luò)出現(xiàn)擺動,則在步驟(4)中加入一個動量α,其中0<α<1,即
Wjk+ηδkYj+α·ΔWjk→Wjk
Wij+ηδjXi+α·ΔWij→Wij
式中ΔWjk-連續(xù)兩次Wjk之差;
ΔWij-連續(xù)兩次Wij之差。
步驟5:使用BP神經(jīng)網(wǎng)絡(luò)算法對掃碼產(chǎn)品進(jìn)行防偽預(yù)測;建立了用于計算產(chǎn)品真?zhèn)胃怕实腂P神經(jīng)網(wǎng)絡(luò)后,消費(fèi)者只需通過掃碼裝置對產(chǎn)品二維碼進(jìn)行掃描則給BP神經(jīng)網(wǎng)絡(luò)提供輸入信號x1,經(jīng)過計算后在輸出層中產(chǎn)生輸出信號Z,就能直接獲得產(chǎn)品的真?zhèn)胃怕剩辉摲椒ê唵沃苯?,根?jù)掃描結(jié)果了解產(chǎn)品的真?zhèn)吻闆r后再決定是否購買。
本發(fā)明設(shè)計的防偽系統(tǒng),將防偽數(shù)據(jù)庫和BP神經(jīng)網(wǎng)絡(luò)算法結(jié)合,在理論和實(shí)踐上都具有很大的價值,不僅能對產(chǎn)品真?zhèn)蔚母怕蔬M(jìn)行預(yù)測,對產(chǎn)品真?zhèn)闻袛啾苊饨^對化,進(jìn)行定量判斷,在一定程度上避免產(chǎn)品真?zhèn)蔚恼`判;同時將二維碼置于產(chǎn)品外部,能夠讓消費(fèi)者先掃碼判斷真?zhèn)危贈Q定是否購買,這樣能夠解決消費(fèi)者必須先購買產(chǎn)品才能掃碼的缺陷,另外,購物前驗證產(chǎn)品真?zhèn)危瑵M足消費(fèi)者購物心理需求,促進(jìn)購買意愿,在實(shí)際應(yīng)用中有很大的價值。
對本領(lǐng)域的技術(shù)人員來說,可根據(jù)以上描述的技術(shù)方案以及構(gòu)思,做出其它各種相應(yīng)的改變以及形變,而所有的這些改變以及形變都應(yīng)該屬于本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。