陈硕峰，石怀明，郭承湘，刘康康，陈宁江,4

(1.广西大学 计算机与电子信息学院， 广西 南宁 530004；2.广西壮族自治区食品药品安全信息与监控中心， 广西 南宁 530029；3.广西中医药大学校长办公室、发展规划处、网络和信息化管理办公室(合署), 广西 南宁 530200;4.广西高校并行与分布式计算技术重点实验室， 广西 南宁 530004)

0 引言

食品安全问题一直是国家重点关注对象，近年来跟随着国家的食品安全监管战略的实施，各个食品监督管理部门都建设了业务管理系统，实现信息化监管，随着食品监管工作的信息化、智能化，工作效率也日益提升，积累的数据也越来越多[1]。但这些积累下来的食品监管数据面临着数据混乱冗杂、整合利用程度低、挖掘不充分等问题，利用率很低[2]，大多数还处于信息记录、备案阶段，只有少量的数据应用到分析图表上,食品检测数据并没有得到充分的利用，也未能有效地利用现有数据来提高发现食品潜在风险的机率。

本文针对食品监管数据中的隐藏信息提出了一种加权粒子群算法的极限学习机模型(加权PSO-ELM)，利用现有数据实现对食品检测的预测。本文研究对象为某省食品药品监督管理局的食品日常抽检数据，结合抽检数据的分布不平衡的规律，该模型基于加权极限学习机[3]进行分类预测，同时针对极限学习机(extreme learning machine, ELM)算法的参数使用粒子群算法(partical swarm optimization, PSO)进行优化。考虑到实际食品抽样中正负样本不平衡，即抽检结果为合格的数据量过多而结果为不合格的数据量过少，这会导致对人们关注的不合格样本预测结果不够理想的问题，因此，使用一种加权处理方法，提高对抽样结果为不合格的少数样本预测结果的准确度。……