HACCP在蜂产品原料控制中的应用.ppt

1、HACCP在蜂产品原料控制中的应用通过两种聚类法科学确认了蜂产品原料氯霉素检验的关键限值，四川检验检疫局的食品检验所于2002年初发现，氯霉素(CAP )残留超过中国蜂产品全线退出欧盟市场，多目前，我国蜜蜂养殖业兽药残留监测体系仍在规范之中，加上蜜源种类多、分布广、放蜂环境复杂、养蜂人素质差异大等特点，蜂制品质量风险时常存在。 为了满足欧盟、美国、日本等国家兽药残留要求，顺利出口产品，需要将危害分析和关键控制点(hazardanalysiscriticalcontrolpoint，HACCP )理论与蜂产品生产实践紧密结合。 HACCP是确保食品安全的系统方法，是识别、预防、控制或减少食品安全

2、危害的有效手段。 关键控制点(CCP )是能够有效控制危害的加工点、步骤或程序。 密钥控制点可对于确定的危害在随后的步骤中具有对应的预防措施，且在该步骤中出现显着危害的可能性可被排除或减少到可接受的水平。 CAP是蜂产品中的禁药，该兽药残留是原料本身的危害，为了化学危害控制CAP在原料的检验中尤为重要。 用下表分析这个步骤。 蜂产品对原料检验环节的危害分析表明，重要的限制值是区分食品安全允许与不允许的界限。 重要限值的选择需要科学性和可操作性。 过于严格的话，要求在不影响食品安全危害的情况下采取纠正措施的松弛过度的话，会产生不安全的产品。 良好的密钥限制值直观、易于监测，只基于食品安全，只出现

3、少量废弃或处理过的产品即可采取补救措施，不能违反GMP或SSOP措施，也不能违反法规。 我们提出采用两种聚类法在重要控制点确立重要的限制值，对蜂产品出口的生产加工企业具有相当的参考价值和实际意义。 在各国氯霉素检测水平中，欧盟最严格，欧盟规定进口蜂产品中的CAP残留不得超过0.3ppb，其推荐方法为气质联用法(GC-MS )和液相串联质谱(LC-MS/MS )，它们灵敏度高，选择性好然而，由于设备费用昂贵，该方法现阶段难以推广应用于原料蜜的收购和筛选检测，企业只能采用ELISA法检测原料。 由于背景干扰的影响，有些不含CAP的产品在ELISA法中也出现了数值，实际合格的蜂产品大多被判定为不合格

4、，导致了加工企业和蜂农的经济损失。 因此本研究需要探讨的问题是，以ELISA法检验的极限值为原料检验的判定标准，使该数值下的蜂产品通过LC-MS/MS法(检验极限为0.3ppb )检验的结果全部合格，提高蜂产品的出口合格率。 研究方法根据88组国内蜂产品厂家ELISA法检测结果和相应的秦皇岛蜂产品实验室LC-MS/MS法检测结果的数据样本，我们首先用分层聚类方法分析了0.3ppb的标准，然后， 用基于相对先进的相似合成算法的聚类方法进一步分析了国内蜂产品厂家氯霉素含量标准，最后结合两种方法得到蜂产品商用ells，根据一个数据样本，本文的研究目标是88个数据样本，每个数据样本都是国内蜂产品厂家其

5、中，国内蜂产品厂家的检验结果是样品中氯霉素的具体含量，秦皇岛实验室检验对低于其检验标准的样品未给出具体的检验值，对高于其检验标准的样品给出了具体的检验值。表1目标样品数据一览表，为了便于描述，以下将国内蜂产品厂家检验结果合格、秦皇岛实验室检验结果不合格的样品简称为目标样品。 具体地说，目标样本数据如表1所示。基于2层聚类法的检查标准的分析、基于层次聚类法的检查标准的分析的想法是，将可能的检查标准加到88组实际数据样本上，基于层次聚类法的样本聚类， 当某些检验标准与最多的目标样品合为一时，其检验标准接近最合理的检验标准，我们可选择的检验标准分别为0.05、0.1、0.15、0.2、0.25、0.

6、3、0.35、0.4、0.45、0.5、0.55、0.0 为了使0.7的研究更加合理，我们将102组数据样本分别划分为2、3、4、5种，比较不同的聚类结果(参照表2 )，利用能够实现分层聚类分析的SPSS11.0软件对结果进行了分析。 对于表2样品的聚类，由表1可知，样品17、18、19的工厂检验值明显超过0.3，其合格预测样品的工厂检验值小。 因此，多类时的所有目标样本不能合并到一个类中，样本17、18、19对多类分析的参考价值比其他样本差。 由表2可知，如果将样本分为2、3、4种，则除样本17、18、19以外的目标样本全部分为第1种，如果将样本分为5个类别，则它们主要属于第2类。 让我们看

7、一下可能的检查标准0.050.7的分类。 样品分为2、3、4种，0.050.25的数据样品都在第一类，样品分为5种，主要集中在第二类。 与可能的检验标准0.30.7对应的样品的聚类结果和对象样品的聚类结果的差异很明显。 这表明合理的检查结果在0.250.3之间。 通过基于3相似合成算法的聚类方法来分析检验标准，分层聚类在方法上可能是不完整的，并且可能影响分析结果。 其不足包括班数的确定主观强烈。 在以上的分析中，只有将数据样本分成几个类别，才能最适当地反映出它们的相似度未知，从而只能通过建模者的主观判断进行试行错误的分析。层次聚类方法将所有数据样本作为学习集，从中寻找数据样本所反映的规则。 但

8、是，数据样本中包含的信息不仅反映共性规律，还反映个性特征。 以所有数据样本作为学习集获得的聚类结果可以准确地反映学习集的情形，然而聚类结果可能不适用于具有相同规则性的新添加的数据样本，即没有良好的推广能力。 如果是，基于分层聚类的分析结果的可靠性值得怀疑。 基于相似合成算法的聚类方法能够解决上述两个问题。 3.1基于相似合成算法的聚类方法概要，Lorence所提出的相似合成算法(Analog Complexing，以下简称AC ) 1是针对模糊对象预测、聚类和分类的序列模式识别方法，首先将AC算法在使用AC算法进行预测的情况下，一般要研究的进程必须满足以下假设： (1)系统用多维进程进行描述；

9、(2)多维进程的观察值多；(3)多维进程足够代表性，并且从基本的系统变量中提取数据该AC包括生成要选择的模式： 2 )选择的模式的变换3 )类似模式的选择。 3.1.1生成要选择的模式、3.1.2转换要选择的模式、以及依据操作原理，对于具有长度k的参考模式，在数据样本中可能存在一个或多个长度k的类似模式。 但是，由于系统是动态的，因此类似模式的平均值和标准方差会根据时期而不同。 因此，有必要用1个变换记述这些不同，将图案变换为相同的基准点，使得各图案能够进行比较。 即，为了下一步要进行的图案间相似性的尺度，必须寻找从所选择的图案向参照图案的变换。一般采取线性变换的是，3.1.3类似图案的选择、

10、图案类似度这样的步骤的主要目的是识别图案形状间的类似性，将其尺度称为图案类似度。 一般，第I个选择对象图案和参照图案间的距离，可以定义为能用距离测定图案间的类似度，如果将第I个图案和参照图案的类似度si定义为：则距离值明显越大图案类似度越小。 在类似图案的选择、图案类似度的计算后，可根据类似度的大小选择类似图案。 结合AC算法和数据分组处理(GMDH )方法，形成了一种基于AC算法的聚类方法。 该聚类方法的特征在于，根据模式(数据样本)之间的相似度，根据自组织数据挖掘的思想客观、自动地生成唯一的聚类结果。 为了说明该方法的工作原理，简要介绍GMDH的实现原理。 GMDH是一种自组织数据挖掘3方

11、法的核心算法，根据一定规则从由参考函数组成的初始模型(函数)集合生成新的中间候选模型(遗传，变异)，并且根据外推标准进行筛选此外，GMDH使用关于在创建中间模型的过程中未使用的数据(测试集上的数据)的新颖信息校正之外的参考值来评估和选择中间选择目标模型。 GMDH请求将样本集w划分为训练集a、测试集b、W=AB。 训练集a上的误差体现了模型模拟实际系统的能力，测试集b (也是已知数据，但在建模时不使用)上的偏差是模型在新水平上确认实际系统的模拟能力，也是模型普及能力的评价。 同时，在另一方面，不断地确认模型的新数据集合中的拟合能力，并且因而其推广能力被加强并且以这种方式选择的最终模型不被过拟合

12、，并且在固定噪声水平上达到模型的拟合精度与推广能力之间的最佳平衡最后，GMDH算法的停止规则由最优复杂度原理给出：当模型的复杂度逐渐增加时，模型的外部参考值有先减小后增大的过程，外部参考的最小值不能在对应于最优复杂度模型的一个滤波器阶段改善外部参考值，最优复杂度模型最佳复杂性原理保证了最终模型的唯一性。 通过将AC和GMDH进行组合，能够实现基于AC算法的聚类方法，其工作原理图1所示。图12的客观分簇分析示意图、1 .数据样本、2、3 .数据被分成a、B2部分、4、5 .分别在a、b上生成的分层分簇树，将计算分簇平衡基准BL=(k-k)/kmin的变量X2分割成Lamdam的其中N(negat

13、ive )低于平均水平，ZO(zero )表示接近平均水平，p(p )，并且X1和N-X2、ZO- X2、P- X2作为变量对102个样本进行聚类(将可能的检验准则分成数据样本) 假设0.3是合理的检验标准，工厂检验值为0.05、0.1、0.15、0.2、0.25的数据样品在秦皇岛检验中应合格，检验值为0.35、0.4、0.45、0.5、0.55、0.6。分别以0.050.7为检验标准，以将相似度超过95%的数据样本合并为一个的方法，实现基于AC聚类的知识管理软件分析的结果(参照表3 )，所有目标样本被分类为第2类(C2 )同时，如果可能的检验准则s小于0.2，则发现其中超过0.05-0.7个

14、样本被分类成目标样本的可能的检验准则s大于0.2，而小于0.05-0.7个样本也被分类成目标样本，可能会发生错误因此，在选择聚类基准超过相似度95%的情况下，0.2应该是适当的检查基准。以正确的聚类为前提，相似度越低，表示选择的检查标准越合理。 相似性超过95%意味着对数据样本具有非常显着的相似性。 进一步，在假设0.2为合理的检验标准的基础上，逐渐降低相似度标准进行聚类。 如果聚类结果(表4 )的相似度超过57%，则表示所有样本被正确分类的相似度小于57%，则所有样本被分类为一个样本，并发生错误。 这表明，如果数据样本之间存在接近6成的相似性，则将0.2作为检验标准是最合理的。 4结论以上分

15、析表明，蜂产品中ELISA法检测氯霉素的合理重要限值应在020.25 ppb之间。 现行的0.3 ppb的检查标准接近这个范围，但是成品有可能不能满足欧盟的正式要求和顾客退货。 在实际确定工厂检查标准时，也应该考虑(1)制造商和客户检查技术水平的整合性。 如果厂家的检验技术水平低于客户，检验标准的值可以适当降低，相反2 )标准过高，产品不合格率增加，生产成本增加过低，客户退回的产品增加，收入减少。 确定合适的检验标准，分析检验标准与生产成本、效益的关系。 这可以通过技术经济模式来实现。 3 )信息不对称。 由于制造商和顾客的检查标准等相关信息的机密性和市场变化的不确定性，双方只能根据行业经验在一定范围内确定自己的检查标准。 此外，原本不合格的产品也有可能引起，工厂检查合格，但客户检查不合格或者原本合格的产品，如果按照工厂检查标准就不合格，按照客户检查标准就合格。 两种情况都会给双方造成不同程度的损失。 制造商和顾客必须在信息不对称的合作/非合作游戏行为中寻求共同或个人利益的最大化。 此处所说的食品安全危害是指显着的危害，也需要说明各显着的危害必须由一个或多个CCP点控制。 其实，在整个食物链(From Farm to Fork )中控制蜂产品的兽残需要在养殖过程中加上具体的分析来