1BP神经网络在红酒分类中的应用
使用bp神经网络实现红酒分类
十三个特征，建立十三个输入 神经元。 葡萄酒分成三类，建立三个输 出神经元；对输出进行编码， 第一类编码为100，第二类010， 第三类001. 由于一层隐藏层足以拟合各种 分类面，我们将其设计为一层。 隐藏层内部节点个数，按照 （3*输入层个数）设计。
建 立 神 经 网 络 模 型
使用BP神经网络实现红酒分类
——第8组：
问 题 提 出
葡萄酒化学成分复杂 葡萄酒的质量是各种化学成分的综合反映 通常检测的方法有 感官评定和常规的理化指标检测 感官评定虽然在生产中也有较多的应用 但是评测周期长 影响因素多 主观性强 重复性差 且无法快速检测
使用BP神经网络 对标准化且具有一致评判 标准的数据进行训练 将来分类时仅仅使用理化 指标进行评估
将178个样本，分为118个样 本进行训练，60个样本进行 测试。60个测试样本分别有 20个来自3个类别葡萄酒。 说 明
程序还可以进行的改进
由于样本有 13维，我们 可以采用维 规约技术进 行优化数据 样本
我们还可以运 用局部学习率 自适应调整， 使得学习率最 优化。
BP
样本被分到第二类的模拟结构图
输入，输出结点和 结点间权值，结点阈值 使用数组实现。 样本数据和测试数 据使用Study_Data[N]与 Test_Data[TestN] 结构体 数组实现。 权值阈值使用(-1,1) 间的随机数产生。 激活函数使用 Sigmoid函数：
Err_m[N]存储每个样本的均方 误差，当所有样本的均方误差 和小于0.01时，停止训练。 Study变量统计迭代次数，当迭 代次数到达10000次，停止训 练。 每个样本采用梯度下降法修正 权值。 学习因子决定着权值更新幅度。 我们经过反复试验，将学习因 子设定为0.8。 我们采用的优化方法是加入动 量项。取值在(0,1)之间，代表 是否侧重前一代权值改变。本 程序将动量因子设定为0.9。
基于BP神经网络的葡萄干分级技术的研究
２０ ０ ７年 １ 月 １
农 机 化 研 究
第 １ 期 １
基于 Ｂ Ｐ神 经 网 络 的 葡 萄 干 分 级 技 术 的 研 究
唐 晶磊 ，景 旭 ，何 东健
（ 北 农 林 科 技 大 学 信 息 工 程 学 院 ，陕 西 杨 凌 ７ ２ ０ 西 １ １ ０）
０ 引 言
葡 萄 干 具 有 丰 富 的 营养 价 值 ，备 受 现 代 人 的青
模 型 如 图 １所 示 。
Ｐ
Ｐ２
睐 。 提 高 葡 萄 干 产 后 处 理 水 平 是 提 高 水 果 产 值 的主 要 方 法 之 一 ，葡 萄 干 分 级 可 大 大 提 高 其 附 加 值 。随
着 我 国农 业 自动 化 的 发 展 ，要 求 对 葡 萄 于品 质 进 行 大批 量 实 时 检测 ，而 利 用 计 算 机 视 觉进 行 葡 萄 干 分
图 １ 单 个 人 工 神 经 兀 模 型
Ｐ，
级 具 有 很 大 的优 越 性 ，将 会 有 力 地 促 进 我 国葡 萄 干
进 行 权 值训 练 的 多 层 网络 。
１２ １ Ｂ ．． Ｐ网络 模 型 与结 构
一
神 经 元 是 组 成 神 经 网络 的基 本 单 位 ，通 过 相 互 连 接 形 成 人 工 神 经 网络 。其 主要 结 构 单元 是 信 号 的
个 具 有 ｒ 输 入 和 一 个 隐含 层 的 Ｂ 神 经 网 络 个 Ｐ
权 值 ， 以适 应 周 围环 境 的要 求 。
１１ 神 经 元 模 型 ．
Ｂ Ｐ网 络 属 于 反 向 网络 。 向传 播 是 为 了解 决 前 反 向 多 层 神 经 网 络 权 值 修 正 算 法 一 误 差 反 向 传 播 法
酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响
问题四分析：
该问需要分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标评价葡萄酒的质量。
在第二问将葡萄酒的等级进行划分和第三问将葡萄酒和葡萄的理化指标进行筛选的基础之上，再次运用BP神经网络算法模拟酿酒过程建立关于葡萄酒质量评价的模型，从而得出葡萄与葡萄酒的理化指标对葡萄酒质量的内在关系。
基于BP神经网络的葡萄酒质量评价的模型：
与第二问相同，为了得到关于葡萄酒质量与葡萄酒和葡萄的理化指标是否存在关系，我们建立BP神经网络的综合评价模型，在此模型中，输入层为已经在第三问遴选过的葡萄和葡萄酒的指标以及经过简化处理的芳香类的物质，输出指标为第二问基础上的3个不同等级的葡萄酒。
隐含层是神经网络的工具箱决定。
在模拟过程中，我们选择前23个指标进行训练，后4个指标进行检验，运用MATLAB神经网络工具箱进行操作，得到相应的误差分析为：
从结果可以看出，二分之一的的训练样本的误差都在[0.03282，0.0693],而样本检验的最大误差达至0.2152。
由于神经网络的构建原理是在原有的数据基础之上所做的预测，能够使到信号沿着误差最小的方向传播，因此，训练样本越多结
果会越准确，而在本题中，由于训练的样本和检验样本都比较少，所以有些结果会出现较大的误差，但就总体而言，训练结果较好。
基于机器学习算法的红葡萄酒质量评价模型研究
基于机器学习算法的红葡萄酒质量评价模型研究红葡萄酒是指采用红葡萄酿制而成的葡萄酒，其酿制过程中需要进行多个环节的控制，如选材、发酵、陈酿等，而其中一个非常重要的环节就是质量评价。
酒类行业一直以来都在探索如何通过科技手段来提高红葡萄酒的质量，机器学习算法作为其中的一个重要工具也开始受到了越来越多的关注。
本文将从机器学习算法的角度，探讨基于机器学习算法的红葡萄酒质量评价模型的研究。
一、机器学习算法简介机器学习是人工智能的一个分支，它的主要任务是通过训练数据集让机器能够自动学习并表现出某种行为或任务的能力。
机器学习算法可以分为监督学习、无监督学习、半监督学习、强化学习等几种，其中监督学习是应用最广泛的算法之一。
监督学习主要是基于已有的有标签数据集进行训练，让机器能够自动学习并对未知数据进行分类或预测等任务。
二、基于机器学习算法的红葡萄酒质量评价模型研究红葡萄酒质量评价是根据各种目标和指标来综合评价葡萄酒的质量，包括外观、香气、口感等各个方面。
传统的评价方法主要是依靠人工鉴定，但是这种方法有很多缺点，例如标准不统一、可靠性差、评价效率低等。
随着科技的发展，基于机器学习算法的红葡萄酒质量评价模型开始逐渐被应用于酒类行业中。
在基于机器学习算法的红葡萄酒质量评价模型中，主要是通过先给出一些红葡萄酒的质量数据集作为训练集，利用监督学习算法进行训练，然后通过训练出来的模型对新的红葡萄酒进行评价。
在数据集的选取上，一般需要考虑到数据的多样性、数量和质量等因素。
如何有效地选取数据集是机器学习中非常重要的一个环节。
在选择机器学习算法的时候，要根据任务的具体需求来进行选择。
例如，如果需要对红葡萄酒的外观进行评价，可以采用基于图像处理的机器学习算法，如卷积神经网络（CNN）等。
如果需要对红葡萄酒的香气进行评价，可以采用基于自然语言处理（NLP）的机器学习算法，如深度学习等。
三、机器学习算法在红葡萄酒质量评价中的应用案例随着机器学习算法的不断发展，它在红葡萄酒质量评价中的应用也越来越广泛。
基于机器学习的红酒品质分析技术研究
基于机器学习的红酒品质分析技术研究红酒一直是人们选购时的重要饮品之一。
由于红酒品牌、生产年份、产地、等级等因素的复杂性，人们很难在挑选时做出准确的决定。
同时，在红酒的生产、存放和管理过程中，也存在着一系列的问题，如酒质的不稳定、存放环境的不合规、防伪措施的不完善等。
因此，基于机器学习的红酒品质分析技术研究成为当下的重要焦点。
1. 红酒的品质评估方法在传统红酒品质评估中，专业人员通过品尝红酒的香气、清晰度、色泽、口感等指标进行评估。
这种方法需要专业的品鉴师进行，费用昂贵，并且存在主观性的问题。
随着科技的发展，红酒品质评估的方法也在不断创新。
除了传统的口感品鉴外，科学家们开始利用现代化技术对红酒进行分析评估。
这些技术包括光谱分析、气相色谱-质谱联用分析、感官分析和化学感官分析等。
但是，这些方法也同样耗费时间和成本高昂。
2. 机器学习在红酒品质分析中的应用机器学习基于大量数据的处理和分析，可以实现对红酒品质的准确评估。
通过利用机器学习算法，可以处理并纠正口感品鉴的主观偏差，提高评估的准确性。
机器学习算法包括支持向量机、人工神经网络、决策树、朴素贝叶斯等。
这些算法可根据特征提取、样本分类和模型训练等步骤，将来自不同生产酒厂、年份、地区、酿造手法等的储存数据进行匹配分类和预测。
例如，针对红酒的气味、口感和颜色等特征，可以利用机器学习算法提取出不同特征值的影响因素，进而建立数学模型和算法模型，最终得出对待评估红酒的品质评估结果。
同时，基于机器学习的红酒品质分析技术还可以辅助红酒生产过程中的质量管理和监控，实现红酒生产质量的稳定和标准化。
3. 基于机器学习的红酒品质分析技术的局限性尽管基于机器学习的红酒品质分析技术具有高效、高准确度的特点和优势，在实际应用时，还存在一些限制和困难。
首先，机器学习需要大量的数据，才能进行比较准确的预测和分析。
而目前，在红酒品质分析方面关于红酒品质的数据还不够充分和精确。
其次，红酒综合品质评估包括多个指标，而且对红酒品质的评估包括感官评估和化学分析两个方面。
基于改进的遗传算法优化BP神经网络并用于红酒质量等级分类
０ 引 言
如何对红酒的质量进行快速准确分类对企业的生产有积极 的意义。目前常用的检测主要包括气相色谱法和化学成分分析 方法。这些方法耗时、费力、低效。因此，研究一种快速高效 的红酒分类方法就显得很重要［１］。这里利用传感器阵列传回 的 红酒多种物理化学参数，结合人 工 智 能 中 的 ＢＰ 神 经 网 络 理 论 进行机器学习，然后 将 其 用 于 红 酒 质 量 分 类；ＢＰ 神 经 网 络 作 为一种模式识别技术，它具有强大的自适应、自学习及联想记 忆等优点，对于一些模糊的、非线性的问题能够很好地构建和 逼近 ， ［１１］ 文献 ［３］ 就是对该性能的一种应用。然而神经网络 具有易陷入局部最优，收敛速度慢等缺陷。而遗传算法作为一 种基于自然选择与 进 化 机 制 的 功 能 强 大 的 随 机 收 索 算 法，ＧＡ 的操作不需要规划对象的先验性知识，只需要计算个体的适应 度 值 并 作 出 筛 选 ， ［４５］ 具 有 良 好 的 全 局 收 索 效 果 。 这 里 就 利 用 遗传算法对神经网络的权值和阈值进行寻优，并利用变学习率 的学习方式以改善网络的收敛速度。基此提高红酒质量的分类 效率。
基于改进的遗传算法优化 犅犘 神经网络并用于 红酒质量等级分类
毕艳亮，宁 芊，雷印杰，王 伟
（四川大学 电子信息学院，成都 ６１００６５）
摘要：针对以往的红酒生产过程中，红酒质量分类过程复杂且低效，因此研究一种高效可靠的智能分类识别方法很有必要；这里在 红酒的多种物理化学成份测定的基础上，使用人工智能理论中的神经网络构建分类模型，实现对红酒质量的高效分类；并用改进的遗传 算法对 ＢＰ 神经网络中的缺陷做了一定的优化；对比传统 ＢＰ 网络分类效果，结果表明，改进后的神经网络收敛速度更快，各 个 质 量 等 级 的 分 类 正 确 率 均 提 高 了 １０％ 左 右 ； 对 红 酒 加 工 企 业 具 有 积 极 的 实 际 参 考 价 值 。
基于BP神经网络的葡萄酒质量评价
中图分类 号： Ｔ Ｐ １ ８ ３
文献标识码 ： Ａ
文章编号 ： １ ６ ７ ４ － ０ ９ ８ Ｘ（ ２ ０ １ ３ ） ０ ６（ ｃ ） － ０ ２ １ ７ － ０ ２
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｈｏ ｗ ｔ ｏ ｅ ｖ ａ ｌ ｕ ａ ｔ ｅ ｔ ｈ ｅ ｑ ｕ ａ ｌ ｉ ｔ ｙ ｏ ｆ ｔ ｈ ｅ ｗｉ ｎ ｅ ａ ｎ ｄ ｗｈ ｅ ｔ ｈｅ ｒ ｔ ｈ ｅ ｉ ｎ ｄ ｅ ｘ ｅ ｓ ｏ ｆ ｗ ｉ ｎ ｅ ｒ ｅ ｆ ｌ ｅ ｃ ｔ ｔ ｈ ｅ ｑ ｕ ａ ｌ ｉ ｔ ｙ ｏ ｆ ｗｉ ｎ ｅ， ａ ｒ ｅ ｔ ｗｏ
等。 该 文 源 于 一 个 日常 生活 的 需 求 ， 如 何 从 葡 萄 酒 的成 分 中判 断 葡 萄 酒的 质量
下 面 简 单 介绍 Ｂ Ｐ 神 经 网络 基 本 数学 原 ２ 实验
理。
由于 葡 萄 酒 的 理 化 指 标 种 类 较 多， 统 计 学 方 法 不足 以 完 全 揭 示 理 化 指 标 与 葡 萄
摘 要 ： 在 日常生活 中， 如何 判定葡萄酒的质量，以及葡萄酒的理化指标是否能反映葡萄酒质量， 对 于特定人 群， 如由于应酬接 待而对 葡萄酒有 较 高需求量 的人 群， 有较 高的实用性 。 蕾文主要采 用了Ｂ Ｐ 神经网络 的方法， 对研究葡萄酒理化 指标与葡萄酒质量之 间相互关系的问题 进行 了深 入探讨， 得 出如下结论 ： 采用神 经网络模型， 能实现根据理化指标对酒的质量进行 预溯 。 关键 词 ： 理化指标 葡萄酒质量 Ｂ Ｐ 神经网络
ｐ ｒ ａ ｃ ｔ ｉ ｃ ａ ｌ ｉ ｓ ｓ ｕ ｅ ｓ ｆ ｏ ｒ ｓ ｐ ｅ ｃ ｉ ｆ ｉ ｃ ｇ ｒ ｏ ｕ ｐ ｏ ｆ ｐ ｅ ｏ ｐ ｌ ｅ ｗ ｈ ｏ ｗｏ ｕ ｌ ｄ ｂ ｅ ｉ ｎ ｄ ｅ ｍａ ｎ ｄ ｏ ｆ ｗｉ ｎ ｅ ｆ ｒ ｅ ｑ ｕ ｅ ｎ ｔ ｌ ｙ ． Ｔｈ ｅ ｒ ｅ ｆ ｏ ｒ ｅ ， ｔ ａ ｃ ｋｌ ｉ ｎ ｇ ｓ ｕ ｃ ｈ ｉ ｓ ｓ ｕ ｅ ｓ ｗ ｏ ｕ ｌ ｄ
优质酿酒葡萄筛选神经网络模型的构建与应用
优质酿酒葡萄筛选神经网络模型的构建与应用吴玉媱;张静;赵长青;穆盛东;贺世雄;邹伟【摘要】In this study, the correlations between wine grape and physiochemical indexes of grape wine/grape wine quality were investigated. And wine quality was predicted based on the physiochemical indexes of wine grape, so as to screen quality wine grape. Firstly, comprehensive score of wine was treated according to principal components analysis and confidence interval to decrease the subjective error. Then, a BP neural network was constructed to obtain the network relationship between wine grape and physiochemical indexes of grape wine as well as the net-work relationship between wine physiochemical indexes and wine comprehensive score. And the feasibility of such network model was proved by data testing. Furthermore, the physiochemical indexes of new grape were inputted in the model for the prediction of the quality of wine to judge whether the selected grape was suitable for wine production. Finally, the screening model of wine grape was obtained.%研究了酿酒葡萄与葡萄酒理化指标、葡萄酒质量之间的关系，再根据葡萄理化指标预测葡萄酒品质，从而筛选优质酿酒葡萄品种。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
BP神经网络在红酒分类中的应用
信息学院研15李晨露1043115259
摘要：红酒被标榜为高档生活的象征，其酿造过程相当考究，同时红酒的成分也十分复杂，红酒的成分相当复杂，是经自然发酵酿造出来的果酒，含有最多的是葡萄果汁，占80%以上，其次是经葡萄里面的糖份自然发酵而成的酒精，一般在10%至30%，剩余的物质超过1000种，比较重要的有300多种。
红酒其他重要的成分有酒酸，果性，矿物质和单宁酸等。
虽然这些物质所占的比例不高，却是酒质优劣的决定性因素。
红酒生产之后，往往要经过品质鉴定，才能确定红酒的级别，本实验采集了红酒品质鉴定的数据，通过BP 神经网络，建立一个红酒品鉴的网络，达到品鉴效果的准确度。
关键字：神经网络BP网络
一、BP网络简介
BP网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
BP网络的学习属于有监督学习，需要一组已知目标输出的学习样本集。
训练时先使用随即值作为权值，输入学习样本得到网络的输出。
然后根据输出值与目标输出计算误差，再由误差根据某种准则逐层修改权值，使误差减小。
如此反复，直到误差不再下降，网络就训练完成了。
它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
BP神经网络模型结构包括输入层（input）、隐藏层（hide layer）和输出层（output），下图就是一个简单的BP网络模型：
图1BP网络模型
二、建立BP神经网络
BP网络的设计主要包括网络层数、输入层节点数、隐含层节点数、输出层节点数及传输函数、训练方法、训练参数的设置等几个方面。
1、网络层数
BP网络可以包含一或者多个隐含层，但是对于大部分应用场合，一个隐含层就可以满足需要，但如果样本较多，可以增加隐含层数来减小网络规模。
2、输入层节点数
输入层节点取决于输入向量的维数，应从实际数据中抽象出模型，形成输入和输出空间。
则该实验中的输入向量为13*178维。
3、隐含层节点数
这里对于网络的影响最大，较多的隐含层节点数会带来更好的效果，但是会影响训练的时间。
但是现在依然没有很好的公式来确定合理的神经元节点个数，这也是BP神经网络的一个瓶颈问题，目前也只是给出一个估计值。
为了训练的效果更好，该实验中选择隐含层为10.
4、输出层神经元个数
该数值是由实际问题抽象出的模型决定的，比如最后结果是N种类别，则输出可以采用N个神经元，例如该实验中，最后结果是3类，那我们就用100、010、001来表示某样本输入哪个类别。
5、传递函数
一般隐含层使用sigmoid函数，而输出层使用线性函数。
三、网络建立与求解
1、数据解释与读入
共采集了178个红酒数据作为输入数据，如下，该实验中，红酒共分为3类，分别是a、b和c，如下图：
图2红酒数据解释
第一列是红酒的种类，其后13个数据分别就是该类红酒的属性值，但是读入matlab中之前要对数据进行格式转换，主要是取除去第一列的属性值，并且要去掉逗号。
2、网络建立
BP网络形式为13个输入节点，10个隐藏层节点，输出结果为3个数据，选择140个数据来学习，剩下的进行训练。
3、训练过程和结果
测试数据为140个红酒数据，训练数据为38个，总共进行了10次实验，结果如下：
图3BP网络建立
图4匹配结果
四、程序代码
clear all;
fid=fopen('wine_data.txt');%
C=textscan(fid,'%s%f%s%f%s%f%s%f%s%f%s%f%s%f%s%f%s%f%s%f%s%f%s %f%s%f%s','Delimiter');%
fclose(fid);
P=[C{2}C{4}C{6}C{8}C{10}C{12}C{14}C{16}C{18}C{20}C{22}C{24} C{26}];
a=strncmpi(C{1},'a',1);
b=strncmpi(C{1},'b',1);
c=strncmpi(C{1},'c',1);
M=double([a b c]);
P=P';
M=M';
P1=P(:,1:140);
M1=M(:,1:140);
P2=P(:,141:178);
M2=M(:,141:178);
net=newff(minmax(P1),minmax(M1),10);
net.trainParam.show=50;
net.trainParam.epochs=2000;
net.trainParam.goal=1e-3;
[net]=train(net,P1,M1);
out=sim(net,P2);
[y_out,I_out]=max(out);%I_out为输出out最大值所在的行号
[y_t,I_t]=max(M2);
diff=I_out-I_t;
co=length(find(diff==0));%find方法返回满足条件的个数
fprintf('Percentage Correct classification:%f%\n',co/38); plot(diff)。