劉穎 王云 苗宇雷 宋景帥 陳麗芳

摘要：利用主成分分析與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立葡萄酒質(zhì)量評(píng)價(jià)預(yù)報(bào)模型，并進(jìn)行訓(xùn)練和仿真驗(yàn)證。該模型運(yùn)用SPSS軟件對(duì)葡萄酒中影響風(fēng)味指標(biāo)進(jìn)行主成分分析，將多變量、非線性的原始數(shù)據(jù)進(jìn)行降維，保留原始信息的主要信息，把原來(lái)若干個(gè)屬性變量綜合成幾個(gè)不相關(guān)主成分分量；再以計(jì)算結(jié)果作為RBF網(wǎng)絡(luò)的輸入數(shù)據(jù)，葡萄酒的感官評(píng)價(jià)得分作為網(wǎng)絡(luò)的輸出數(shù)據(jù)，建立葡萄酒主要理化指標(biāo)與葡萄酒質(zhì)量的關(guān)系模型。結(jié)果表明：該評(píng)價(jià)模型的建立，縮短了葡萄酒評(píng)價(jià)的周期，克服了品酒師聚集的困難；與傳統(tǒng)RBF網(wǎng)絡(luò)相比，大大簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)，提高了網(wǎng)絡(luò)的訓(xùn)練速度和預(yù)報(bào)精度，為質(zhì)量評(píng)價(jià)問(wèn)題提供了一種的研究思路。

關(guān)鍵詞：主成分分析；RBF神經(jīng)網(wǎng)絡(luò)；評(píng)價(jià)模型；理化指標(biāo)

中圖分類號(hào)：TP183；O29 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：2095-2163（2016）02-

Research of the wine evaluation model based on PCA & neural network

LIU Ying1， WANG Yun2， MIAO Yulei1，SONG Jingshuai1，CHEN Lifang2

（1Yi-sheng innovation Education Base， North China University of Science and Technology， Tangshan Hebei 063009；

2 Science College， North China University of Science and Technology， Tangshan Hebei 063009）

Abstract： Using the principal component analysis combined with RBF neural network， to set up the wine quality forecast model， meanwhile， training and simulating it. By using the SPSS software， realize principal component analysis on the wine flavor indexes， which reducing the multivariable and nonlinear dimension of primary data， retaining the original information of the main information， associating with the original several attribute variables to be synthesized into a few principal components. The calculation results are regarded as input of RBF network， the wine sensory evaluation score as the output of the network， to set up the main physical and chemical indicators with the wine quality relationship model.The results show that， the evaluation model， has shorten the Wine evaluation period， overcome the difficulty of wine taster gathering. Compared with the traditional RBF network， simplify the network structure， improve the network training speed and prediction accuracy， at the same time， provide a research way for quality evaluation.

Keywords：PCA；RBF neural network；Evaluate model；physical and chemical indicators

0 引言

葡萄酒成分復(fù)雜，其質(zhì)量是氣味、口感、外觀等的綜合體現(xiàn)。主要依靠品酒專家進(jìn)行品評(píng)，由其評(píng)分來(lái)確定葡萄酒的質(zhì)量[1]。實(shí)際生活中，對(duì)葡萄酒的評(píng)價(jià)往往依賴于品酒師的經(jīng)驗(yàn)，易受到主觀因素的影響，而不能如實(shí)地反映葡萄酒的實(shí)際品質(zhì)，因此，研究一種客觀評(píng)價(jià)葡萄酒的模型，實(shí)現(xiàn)葡萄酒質(zhì)量的綜合、精準(zhǔn)評(píng)價(jià)是非常必要的。本文即以葡萄酒理化指標(biāo)和品酒師給出的質(zhì)量評(píng)價(jià)數(shù)據(jù)作為研究背景[2]，通過(guò)主成分分析，對(duì)影響葡萄酒品質(zhì)的因素進(jìn)行計(jì)算、優(yōu)化及處理，獲得預(yù)處理后的結(jié)果，再結(jié)合RBF神經(jīng)網(wǎng)絡(luò)完成建模設(shè)計(jì)。該模型借助神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自適應(yīng)性、非線性逼近能力、良好的泛化能力和記憶能力[3]，建立葡萄酒的理化指標(biāo)與葡萄酒質(zhì)量的評(píng)價(jià)模型。經(jīng)過(guò)主成分分析，將主成分分析結(jié)果作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，將品酒員給出的評(píng)分作為輸出（期望輸出），進(jìn)行訓(xùn)練并通過(guò)仿真給出驗(yàn)證。該模型有效解決了傳統(tǒng)的多元線性回歸預(yù)報(bào)模型中多因素復(fù)雜性、預(yù)報(bào)精度低以及非線性等的問(wèn)題，對(duì)酒品評(píng)價(jià)的科學(xué)性及酒品生產(chǎn)過(guò)程的可控性都具有十分重要的現(xiàn)實(shí)意義及實(shí)用價(jià)值。

1 評(píng)價(jià)模型構(gòu)建

其中， 為第i列向量除以第i個(gè)特征根的開根后就得到第i 個(gè)主成分Fi的主成分的變量系數(shù)向量[5]。且 和 不相關(guān)，即 。

1.2 RBF神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)能夠逼近任意的非線性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線性函數(shù)逼近、數(shù)據(jù)分類預(yù)測(cè)、信息處理、系統(tǒng)建模等[6-8]。

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是一種三層前向網(wǎng)絡(luò)，包含有一個(gè)輸入層，一個(gè)隱含層和一個(gè)輸出層的三層結(jié)構(gòu)。如圖1所示。隱含層是由一組徑向基函數(shù)組成，徑向基函數(shù)一般是高斯函數(shù)。RBF網(wǎng)絡(luò)有2種模型：正規(guī)化網(wǎng)絡(luò)和廣義網(wǎng)絡(luò)。正規(guī)化網(wǎng)絡(luò)的隱單元就是訓(xùn)練樣本，所以正規(guī)化網(wǎng)絡(luò)中隱單元的個(gè)數(shù)與訓(xùn)練樣本的個(gè)數(shù)也即相同。正規(guī)化網(wǎng)絡(luò)的訓(xùn)練樣本Xi與“基函數(shù)”φ（Xk ， Xi）是一一對(duì)應(yīng)的，當(dāng)N很大時(shí)，網(wǎng)絡(luò)的實(shí)現(xiàn)復(fù)雜，且在求解網(wǎng)絡(luò)的權(quán)值時(shí)容易產(chǎn)生病態(tài)問(wèn)題。解決這一問(wèn)題的方法是：減少隱含層神經(jīng)元的個(gè)數(shù)。廣義網(wǎng)絡(luò)就是隱含層數(shù)目小于輸入樣本的個(gè)數(shù)的網(wǎng)絡(luò)，因此本文采用廣義網(wǎng)絡(luò)建模。

3 結(jié)束語(yǔ)

本文建立了基于主成分分析的葡萄酒質(zhì)量預(yù)報(bào)模型，數(shù)據(jù)預(yù)處理部分采用主成分分析法，將多個(gè)相關(guān)的變量綜合成少數(shù)幾個(gè)的互不相關(guān)的變量，解決了輸入?yún)?shù)的相關(guān)性問(wèn)題，并利用真實(shí)數(shù)據(jù)進(jìn)行仿真驗(yàn)證，證明該模型有很高的預(yù)報(bào)精度。該評(píng)價(jià)模型研究為處理其他領(lǐng)域的非線性問(wèn)題處理提供了很好的思路，具有一定的理論價(jià)值和應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]齊亞娥，曹志強(qiáng)，劉婭楠，等. 基于理化指標(biāo)統(tǒng)計(jì)分析的葡萄酒質(zhì)量評(píng)價(jià)模型 [J]. 河西學(xué)院學(xué)報(bào)， 2013， 29（5）：58-65.

[2] 編務(wù)組. 2012年全國(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽A題數(shù)據(jù)[EB/OL].[2016-3-31].http：//www.mcm.edu.cn/html_cn/block/c61dfec317d7a5bd9b2b8efed81c8af3.html.

[3]王金甲，尹濤，李靜，等.基于物理化學(xué)性質(zhì)的葡萄酒質(zhì)量的可視化評(píng)價(jià)研究[J].燕山大學(xué)學(xué)報(bào)，2010，34（2）：133-137.

[4]于貞，姜愛莉. 主成分分析研究酚類物質(zhì)對(duì)葡萄酒品質(zhì)的影響[J] .釀酒科技，2011（6）：P107-109，112.

[5] 李運(yùn)，李記明，姜忠軍.統(tǒng)計(jì)分析在葡萄酒質(zhì)量評(píng)價(jià)中的應(yīng)用[J].釀酒科技，2009（4）：79-82.

[6]彭顯剛，胡松峰，呂大勇. 基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法綜述[J]. 電力系統(tǒng)保護(hù)與控制， 2011， 39（17）：144-148.

[7]周維華. RBF神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)與參數(shù)優(yōu)化研究[D]. 上海：華東理工大學(xué)，2014.

[8]儲(chǔ)兵，吳陳，楊習(xí)貝. 基于RBF神經(jīng)網(wǎng)絡(luò)與粗糙集的數(shù)據(jù)挖掘算法[J]. 計(jì)算機(jī)技術(shù)與發(fā)展， 2013， 23（7）：87-91.