未来，在研究引进技术适用性的基础上，自主创新的研究将会逐步出现。标准体系，严格的标准是保证冷链物流作业专业性的必要条件，各国政府都在积极制定严格的标准和监管制度[20]。目前发达国家已拥有冷链物流设备设施、信息系统、应用技术等一系列完善的标准体系。同时还细分有国际标准、国家标准、行业标准和企业标准

（一）主要内容：

BP算法是一种比较成熟的有指导的训练方法，是一个单向传播的多层前馈网络。它包含输入层、隐含层、输出层。

在网络训练阶段，根据给定的训练模式，按照“模式的顺传播”→“误差逆传播”→“记忆训练”→“学习收敛”4个过程进行网络权值的训练。

在网络的工作阶段，根据训练好的网络权值及给定的输入向量，按照“模式顺传播”方式求得与输入向量相对应的输出向量的解答。

主要框架

Net：网络具体实现

Config：网络参数设置

Utils：工具类、数据加载、激活函数

main：网络具体应用

1.BP网络的训练分解

基于C#实现基本神经网络，训练一个BP神经网络，调整网络的权重和偏置这两个参数，BP神经网络的训练过程主要分两部分：前向传输，逐层波浪式的传递输出值；逆向反馈，反向逐层调整权重和偏置。

前向传输训练网络前，需要随机初始化权重和偏置，对每一个权重取的一个随机实数，每一个偏置取的一个随机实数，之后就开始进行前向传输。神经网络的训练是由多趟迭代完成的，每一趟迭代都使用训练集的所有记录，而每一次训练网络只使用一条记录。

2. 逆向反馈

逆向反馈从最后一层即输出层开始，训练神经网络分类的目的往往是希望最后一层的输出能够描述数据记录的类别，比如对于一个二分类的问题，我们常常用两个神经单元作为输出层，如果输出层的第一个神经单元的输出值比第二个神经单元大，我们认为这个数据记录属于第一类，否则属于第二类。

3. 训练终止条件

每一轮训练都使用数据集的所有记录，但什么时候停止，停止条件有下面两种：

设置最大迭代次数，比如使用数据集迭代10000次后停止训练，计算训练集在网络上的预测准确率，达到一定门限值后停止训练.

4.研究内容：步骤：S1：根据蔬菜冷链物流监测数据构建预警模型；S2：建立预警指标体系；S3：预警指标归一化； S4：模型训练及预测；S5：预警结果分类及警情程度判定。

5.模型训练及预测；利用Matlab神经网络工具箱中前向神经网络函数Feedforwardnet创建BP网络，使 用Levenberg－Marquardt算法对应的训练函数Trainlm进行网络训练。

6.分析模型存在问题：由于果蔬冷链物流的预警涉及整个供应链，涵盖的范围广，受供应链环境复杂等诸多因素的影响，造成果蔬产品损伤的原因有所不同。传统的时间序列、回归分析等在解决预警问题时，要求对系统结构已知或变量间关系明确，而实际问题中变量间的关系往往是模糊的，因此导致预测结果误差较大。

7.解决问题与优势:针对上述问题，采集的果蔬冷链物流监测数据为基础，建立果蔬安全预警模型，运用BP神经网络进行预测处理，实现在危害来临前的安全预警。有益效果：该基于BP神经网络的蔬菜冷链物流系统，通过对整个供应链中蔬菜风险状况信息进行采集和汇总，经过数据处理后进行分析和评价，并预测蔬菜风险趋势的发展变化，最后根据危害风险的风险及其程度来决策是否应该发出警报，以及发出何种警报，及时发现可能存在的危害，以便采取恰当应对措施，最大程度地避免或降低危害的影响程度，为提高蔬菜风险预警的准确性，将神经网络算法应用于蔬菜冷链物流风险预警系统中，并将PSO应用于BP神经网络的训练中，对BP网络进行优化，能学习和存贮大量的输入－输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，它的学习规则是使用梯度下降法，通过反向传播不断调整网络的权值和阈值，使网络的误差平方下降到预期结果，影响蔬菜风险的因素和变化机理在一些情况下是模糊的，由于神经网络算法在处理问题时，无需建立确定的数学模型，只需把已知的数据输入神经网络中，因此，在处理蔬菜产品的风险预警问题时，具有一定优势，并能准确地对蔬菜冷链物流进行及时预警。