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+…+x_nw_n

輸出

其中x_n為第n個輸入信號；W_n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X_i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Z_k，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W_ij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接強(qiáng)度T_jk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

X_i-輸入層第i個節(jié)點(diǎn)的輸出值；

Y_j-隱含層第j個節(jié)點(diǎn)的輸出值；

W_ij-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)；

W_jk-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)；

θ_j-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：

W_jk+ηδ_kY_j→W_jk

W_ij+ηδ_jX_i→W_ij

δ_j＝Y(jié)_j(1-Y_j)·δ₁·W_jk

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

W_jk+ηδ_kY_j+α·ΔW_jk→W_jk

W_ij+ηδ_jX_i+α·ΔW_ij→W_ij

式中ΔW_jk-連續(xù)兩次W_jk之差；

ΔW_ij-連續(xù)兩次W_ij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+…+x_nw_n

輸出

其中x_n為第n個輸入信號；W_n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X_i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Z_k，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W_ij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接強(qiáng)度T_jk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

X_i-輸入層第i個節(jié)點(diǎn)的輸出值；

Y_j-隱含層第j個節(jié)點(diǎn)的輸出值；

W_ij-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)；

W_jk-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)；

θ_j-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：

W_jk+ηδ_kY_j→W_jk

W_ij+ηδ_jX_i→W_ij

δ_j＝Y(jié)_j(1-Y_j)·δ₁·W_jk

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

W_jk+ηδ_kY_j+α·ΔW_jk→W_jk

W_ij+ηδ_jX_i+α·ΔW_ij→W_ij

式中ΔW_jk-連續(xù)兩次W_jk之差；

ΔW_ij-連續(xù)兩次W_ij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)。