BP神经网络在红酒分类中的应用.docxVIP

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 HYPERLINK /doc/3770660.html \t /doc/_blank 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， HYPERLINK /dochtml \t /doc/_blank 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 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1 BP网络模型 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。 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。 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。 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. 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。 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 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。 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。 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3 BP网络建立 图4 匹配结果 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