技術(shù)特征：

1.基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)裝置，其特征在于，包括按信號(hào)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(kù)；

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(kù)對(duì)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(duì)掃碼產(chǎn)品進(jìn)行防偽預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)裝置，其特征在于，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(yàn)證信息和包裝二維碼信息均進(jìn)行存儲(chǔ)并建立防偽數(shù)據(jù)庫(kù)。

3.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)裝置，其特征在于，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(xiǎn)代價(jià)x5；掃碼產(chǎn)品的信息與防偽數(shù)據(jù)庫(kù)對(duì)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(dòng)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(duì)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(xiǎn)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(rùn)高低不同構(gòu)成風(fēng)險(xiǎn)代價(jià)x5。

4.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)裝置，其特征在于，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(kù)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＝x₁，w₁+w₂，w₁w₂+…+x_nw_n

輸出

$y=f\left(net\right)=\frac{1}{1+e^{-net}}$

其中x_n為第n個(gè)輸入信號(hào)；W_n為權(quán)系數(shù)。

5.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)裝置，其特征在于，所述學(xué)習(xí)訓(xùn)練模塊是根據(jù)輸入信號(hào)X_i通過(guò)中間節(jié)點(diǎn)作為輸出節(jié)點(diǎn)，經(jīng)過(guò)非線形變換，產(chǎn)生輸出信號(hào)Z_k，網(wǎng)絡(luò)訓(xùn)練的每個(gè)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(guò)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(guò)反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)，即權(quán)值和閾值，訓(xùn)練即結(jié)束。

6.基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)方法，其特征在于，包括：

步驟1：建立現(xiàn)有防偽數(shù)據(jù)庫(kù)；

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(kù)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(duì)掃碼產(chǎn)品進(jìn)行防偽預(yù)測(cè)。

7.根據(jù)權(quán)利要求6所述的基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)方法，其特征在于，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(kù)對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理，經(jīng)過(guò)計(jì)算后獲得數(shù)值在[0,1]區(qū)間中的產(chǎn)品屬性特征值。

8.根據(jù)權(quán)利要求6所述的基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)方法，其特征在于，所述步驟4中的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過(guò)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(hào)d1；

(3)根據(jù)公式計(jì)算逐層的實(shí)際輸出值，公式如下：

$Y_j=f(\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}{W}_{ij}{X}_i-{\mathrm{\θ}}_j),j=0,1,...,M-1$

$Z_1=f(\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}{W}_{jk}{Y}_j-{\mathrm{\θ}}_1)$

式中

X_i-輸入層第i個(gè)節(jié)點(diǎn)的輸出值；

Y_j-隱含層第j個(gè)節(jié)點(diǎn)的輸出值；

W_ij-輸入層第i個(gè)節(jié)點(diǎn)到隱含層第j個(gè)節(jié)點(diǎn)的權(quán)系數(shù)；

W_jk-隱含層第j個(gè)節(jié)點(diǎn)到輸出層第k個(gè)節(jié)點(diǎn)的權(quán)系數(shù)；

θ_j-隱含層第j個(gè)節(jié)點(diǎn)的內(nèi)部閾值；

θ₁-輸出層第1個(gè)節(jié)點(diǎn)的內(nèi)部閾值；

Z₁-輸出層第1個(gè)節(jié)點(diǎn)的實(shí)際輸出值；

輸入層有N個(gè)輸入節(jié)點(diǎn)，隱含層有M個(gè)中間層節(jié)點(diǎn)，輸出層有1個(gè)輸出節(jié)點(diǎn)。

(4)從輸出層開始，加入動(dòng)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(jì)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(duì)誤差，學(xué)習(xí)停止，否則轉(zhuǎn)到步驟(3)中重新計(jì)算。

9.根據(jù)權(quán)利要求6或8所述的基于BP神經(jīng)網(wǎng)絡(luò)的二維碼防偽預(yù)測(cè)方法，其特征在于，若步長(zhǎng)η較小則學(xué)習(xí)速度較慢，而η較大會(huì)引起網(wǎng)絡(luò)出現(xiàn)擺動(dòng)，則在步驟(4)中加入一個(gè)動(dòng)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。