《基于BP神經(jīng)網(wǎng)絡(luò)的葡萄酒品質(zhì)預(yù)測(cè)算法研究》12000字（論文）

基于BP神經(jīng)網(wǎng)絡(luò)的葡萄酒品質(zhì)預(yù)測(cè)算法研究摘要紅酒的質(zhì)量檢測(cè)會(huì)受到評(píng)酒員的自身喜好和習(xí)慣等因素的影響，評(píng)測(cè)會(huì)有一定的主觀性和不確定性，這就會(huì)對(duì)紅酒的評(píng)級(jí)有著一定的影響，所以需要有一種客觀的方法給出紅酒的品質(zhì)。因此，本文提出了基于神經(jīng)網(wǎng)絡(luò)算法的紅葡萄酒品質(zhì)預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)算法能排除人為的主觀性，客觀的給出紅酒的品質(zhì)，從而能更準(zhǔn)確的給出紅酒的評(píng)級(jí)，滿足大眾的需求，大眾能根據(jù)算法給出的品質(zhì)，更客觀的選擇紅酒。首先，明確了11個(gè)理化指標(biāo)對(duì)紅酒的影響，通過(guò)相關(guān)分析確定了影響紅酒的11個(gè)理化指標(biāo)與紅酒品質(zhì)的關(guān)系是非線性的，并將各個(gè)理化指標(biāo)用最小二乘法擬合化；其次，在這11個(gè)理化指標(biāo)的基礎(chǔ)上，運(yùn)用6種神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)和比較，實(shí)現(xiàn)運(yùn)用紅酒的理化指標(biāo)對(duì)紅酒的品質(zhì)進(jìn)行預(yù)測(cè)的功能；最后對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高預(yù)測(cè)的準(zhǔn)確率，使算法的準(zhǔn)確率最終接近80%。在預(yù)測(cè)實(shí)驗(yàn)當(dāng)中發(fā)現(xiàn)，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果最好，預(yù)測(cè)準(zhǔn)確率達(dá)到了100%，BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)優(yōu)化后，在隱層節(jié)點(diǎn)數(shù)為8個(gè)，隱層層數(shù)為6層的時(shí)候預(yù)測(cè)效果最好。最終得出，通過(guò)神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對(duì)紅葡萄酒品質(zhì)進(jìn)行預(yù)測(cè)。關(guān)鍵詞：紅酒品質(zhì)預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；最小二乘法；理化指標(biāo)；目錄1緒論 51.1目的意義 51.2國(guó)內(nèi)外研究現(xiàn)狀 51.3研究?jī)?nèi)容 62紅葡萄酒的理化指標(biāo) 72.1理化指標(biāo)對(duì)紅葡萄酒的影響 72.2理化指標(biāo)與紅葡萄酒品質(zhì)的關(guān)系 83基于多種神經(jīng)網(wǎng)絡(luò)模型的建立及對(duì)紅葡萄酒的預(yù)測(cè) 123.1神經(jīng)網(wǎng)絡(luò)的輸入和輸出 123.26種神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 123.3紅葡萄酒品質(zhì)預(yù)測(cè)實(shí)驗(yàn)結(jié)果與分析 134BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)優(yōu)化 164.1樣本歸一化進(jìn)行優(yōu)化 164.2BP神經(jīng)網(wǎng)絡(luò)改變隱層節(jié)點(diǎn)進(jìn)行優(yōu)化 174.3BP神經(jīng)網(wǎng)絡(luò)改變隱層層數(shù)進(jìn)行優(yōu)化 204.4BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)優(yōu)化的結(jié)果 225結(jié)束語(yǔ) 235.1結(jié)論 23參考文獻(xiàn) 24附錄 271緒論1.1目的意義隨著國(guó)家的日益強(qiáng)大，人民的生活質(zhì)量有了明顯的提升，國(guó)民不僅僅只局限于白酒這一傳統(tǒng)酒類，紅酒也逐漸走進(jìn)大眾的視野，所以怎么樣評(píng)選紅酒的優(yōu)劣成為現(xiàn)在的一個(gè)熱門話題。一般來(lái)說(shuō)，紅酒的優(yōu)劣是通過(guò)一些有評(píng)酒經(jīng)驗(yàn)的評(píng)酒員來(lái)對(duì)紅酒進(jìn)行評(píng)級(jí)，每一位評(píng)酒員根據(jù)紅酒的味道，顏色，香味等指標(biāo)進(jìn)行打分，最后累加得到紅酒的總分，從而確定這款紅酒的品質(zhì)。由于受到評(píng)酒員的自身喜好和習(xí)慣等因素的影響，評(píng)測(cè)會(huì)有一定的主觀性和不確定性，這就會(huì)對(duì)紅酒的評(píng)級(jí)有著一定的影響。因此，我們可以通過(guò)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行紅酒品質(zhì)的預(yù)測(cè)，排除人為的主觀性。通過(guò)使用神經(jīng)網(wǎng)絡(luò)算法能夠客觀的給出紅酒的品質(zhì)，滿足大眾的需求，大眾能根據(jù)神經(jīng)網(wǎng)絡(luò)算法給出的品質(zhì)，更客觀的選擇紅酒。1.2國(guó)內(nèi)外研究現(xiàn)狀為了將紅酒質(zhì)量鑒定變得更加科學(xué)可靠，國(guó)外有非常多的研究人員運(yùn)用紅酒的理化指標(biāo)結(jié)合現(xiàn)代的知識(shí)理論對(duì)紅酒品質(zhì)進(jìn)行質(zhì)量預(yù)測(cè)。在1999年，Ebeler等人員對(duì)紅酒的各種理化的指標(biāo)進(jìn)行了評(píng)估并且運(yùn)用感官對(duì)紅酒進(jìn)行品質(zhì)鑒定[1]。2003年，Legin等設(shè)計(jì)出電子舌，進(jìn)行葡萄酒味覺的電子測(cè)定[2]；通過(guò)技術(shù)的革新，人們能夠得到紅酒的指標(biāo)越來(lái)越多，同年，Diaz等人利用多元分析和人工神經(jīng)網(wǎng)絡(luò)對(duì)紅酒進(jìn)行了鑒別[3]。在2009年，Cortez等人員使用支持向量機(jī)的方法對(duì)紅酒的品質(zhì)進(jìn)行預(yù)測(cè)，所用的樣本量越來(lái)越多，達(dá)到了1000多，理化指標(biāo)達(dá)到了10個(gè)[4]。2010年，Legin等人運(yùn)用電子舌獲得有機(jī)酸和酚類化合物信息，然后運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行種類的分辨[5]。在2011年，Kennison等通過(guò)對(duì)葡萄的煙味研究，采用統(tǒng)計(jì)的各種數(shù)據(jù)方法，評(píng)估煙昧與葡萄酒品質(zhì)之間的關(guān)系[6]。2014年，Hosu等人通過(guò)人工神經(jīng)網(wǎng)絡(luò)揭示了葡萄酒品種與抗氧化活性相關(guān)的總酚，類黃酮，花色苷和單寧含量的濃度之間的關(guān)系[7]。2018年，伊莎貝爾等人利用酶的參數(shù)和礦物含量在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上對(duì)紅酒進(jìn)行了分類[8]。2021年，CosmeFernanda等人利用花青素譜中的單品種紅酒進(jìn)行鑒別，并運(yùn)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，最后利用最小二乘法、決策樹分析比較[9]。相比于國(guó)外，我國(guó)對(duì)于紅酒品質(zhì)預(yù)測(cè)的相關(guān)研究起步比較晚，在2009年，李運(yùn)等人運(yùn)用統(tǒng)計(jì)的方法對(duì)紅酒的質(zhì)量進(jìn)行了評(píng)估[10]。在2010年，徐海濤提出改進(jìn)的近似支持向量機(jī)在紅酒質(zhì)量鑒定中的應(yīng)用，他對(duì)近似支持向量機(jī)算法進(jìn)行了改善，使運(yùn)算耗時(shí)相對(duì)較少且分類精度基本達(dá)到原始算法[11]。2012年，劉延玲提出新的Hopfield神經(jīng)網(wǎng)絡(luò)分類器在紅酒質(zhì)量評(píng)價(jià)中的應(yīng)用，她重新構(gòu)建了新的Hopfield神經(jīng)網(wǎng)絡(luò)分類器模型，通過(guò)紅酒的理化性質(zhì)指標(biāo)和感官的評(píng)價(jià)對(duì)紅酒進(jìn)行品質(zhì)分類，該模型的結(jié)構(gòu)相對(duì)來(lái)說(shuō)比較簡(jiǎn)單，分類所需要的時(shí)間比較短，能得到比較好的分類效果[12]。2014年，曾祥燕等人提出基于PCA和BP神經(jīng)網(wǎng)絡(luò)的紅酒品質(zhì)預(yù)測(cè)模型，他們運(yùn)用PCA將紅酒33個(gè)理化指標(biāo)減少為9個(gè)，在運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，簡(jiǎn)化了網(wǎng)絡(luò)結(jié)構(gòu)，使網(wǎng)絡(luò)收斂速度變得更快，誤差也能達(dá)到要求[13]。同在2014年，袁少州等人對(duì)葡萄酒影響因素進(jìn)行了分析，得出可以用理化指標(biāo)來(lái)葡萄酒的質(zhì)量進(jìn)行評(píng)價(jià)[14]。2015年，吳玉媱等人，利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)紅葡萄酒的篩選[15]。2016年，李恩來(lái)提出基于支持向量機(jī)方法的紅酒質(zhì)量預(yù)測(cè)研究，他回顧了前人對(duì)紅酒預(yù)測(cè)的研究，認(rèn)為預(yù)測(cè)誤差太大滿足不了當(dāng)下市場(chǎng)需求，于是他對(duì)基于支持向量機(jī)方法這一方法的進(jìn)行了改進(jìn)，經(jīng)過(guò)改進(jìn)后誤差僅僅在10%左右[16]。2017年，賈柳君利用近紅外光譜分析技術(shù)對(duì)紅葡萄酒釀造過(guò)程中關(guān)鍵參數(shù)進(jìn)行了研究[17]。2018年，于靜對(duì)葡萄酒質(zhì)量識(shí)別方法進(jìn)行了研究[18]，同年，孫逸菲等人利用XGBoost算法對(duì)葡萄酒品質(zhì)進(jìn)行預(yù)測(cè)[19]。2019年，劉攀利用RBF神經(jīng)網(wǎng)絡(luò)和樸素貝葉斯分類相結(jié)合的機(jī)器學(xué)習(xí)理論構(gòu)建分類模型,實(shí)現(xiàn)紅葡萄酒質(zhì)量的有效分類[20]。1.3研究?jī)?nèi)容本文主要研究以下內(nèi)容：1、探究固定酸度、揮發(fā)酸度、檸檬酸、殘余糖分、氯化物、游離二氧化硫、總二氧化硫、密度、酸堿度、硫酸鹽、酒精這11種理化指標(biāo)對(duì)紅酒的品質(zhì)的影響。2、基于紅酒理化指標(biāo)對(duì)應(yīng)的感官品質(zhì)樣本，運(yùn)用不同的神經(jīng)網(wǎng)絡(luò)對(duì)紅酒品質(zhì)因素進(jìn)行預(yù)測(cè)，并進(jìn)行比較。3、對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，探究在不同神經(jīng)節(jié)點(diǎn)，不同隱層層數(shù)，數(shù)據(jù)是否歸一化對(duì)誤差的影響，運(yùn)用ROC曲線進(jìn)行評(píng)價(jià)預(yù)測(cè)結(jié)果的好壞。2紅葡萄酒的理化指標(biāo)2.1理化指標(biāo)對(duì)紅葡萄酒的影響紅酒的理化因素對(duì)紅酒的味道，顏色，存儲(chǔ)時(shí)間有著不同的影響和作用，下面進(jìn)行理化指標(biāo)的一一介紹。固定酸度對(duì)于紅酒品質(zhì)的影響主要是在人口中的味道，在口腔中感知主要由舌頭兩側(cè)感知，促進(jìn)口中唾液的分泌，主要起到平衡口感的作用。在紅酒中，固定酸度主要是由酒石酸、檸檬酸和蘋果酸構(gòu)成。固定酸度不僅能提升紅酒本身的風(fēng)味，還可以抑制有害的微生物的繁殖，從而保護(hù)紅酒的風(fēng)味，并且增加紅酒儲(chǔ)存的時(shí)間。揮發(fā)酸度會(huì)影響人所聞到的紅酒的香味，香味是人通過(guò)嗅覺器官感受到舒適的氣味，氣味進(jìn)入鼻腔進(jìn)而影響人的甜度感知。揮發(fā)酸度主要是紅酒在乳酸菌發(fā)酵和酒精發(fā)酵過(guò)程中產(chǎn)生的少量產(chǎn)物，少量的揮發(fā)酸度能增加紅酒的香味與口感的層次。如果揮發(fā)酸度的濃度超過(guò)了一定的量，就會(huì)破壞紅酒的口感。揮發(fā)酸度主要是由醋酸菌產(chǎn)生，濃度過(guò)高說(shuō)明醋酸菌的數(shù)量比較多，會(huì)將紅酒中的酒精轉(zhuǎn)化成尖酸的醋酸。檸檬酸影響紅酒的香味與味道，能平衡口感，輔助熟成，紅酒中的酸味一部份來(lái)自于葡萄中的檸檬酸，一部份來(lái)自于發(fā)酵的乳酸，所以檸檬酸影響紅酒的酸度進(jìn)而影響紅酒品質(zhì)。紅酒中檸檬酸的含量過(guò)低，紅酒會(huì)變得渾濁且無(wú)味，檸檬酸的含量過(guò)高，會(huì)導(dǎo)致紅酒酸度過(guò)高，變得酸澀且難以下咽。合適的檸檬酸含量會(huì)喚醒味覺，讓人感覺清爽。殘余糖分對(duì)紅酒的味道影響十分的大，是紅酒風(fēng)味的重要組成部分，并且殘余糖分可以抑制部分微生物的活動(dòng)，糖分的含量高，能使紅酒更好的保存。殘余糖分根據(jù)含量含糖量不同可以分為干型、半干型、半甜型和甜型。干型紅酒口感更加柔順，層次更加復(fù)雜，酒體更加強(qiáng)勁。半干型紅酒會(huì)有明顯的甜味，也會(huì)聞到明顯的果香味。半甜型紅酒的層次會(huì)少很多，且口感會(huì)多變。甜型紅酒具有甘甜，爽順的口味，擁有良好的酒香和果香。氯化物在紅酒中主要是以鉀鹽的形式所存在，能平衡紅酒中的各種風(fēng)味，讓紅酒的口感變得更加柔順。紅酒中的鉀鹽主要是葡萄中的有機(jī)酸酒石酸遇到葡萄中的鉀離子產(chǎn)生化學(xué)反應(yīng)，就會(huì)產(chǎn)生酸性酒石酸鉀的一種鹽類物質(zhì)。游離二氧化硫能夠抑制氧化酶的活動(dòng)，保持紅酒的口感?？偠趸?qū)t酒有抗氧化作用，能防止紅酒中易氧化的物質(zhì)被氧化掉，從而保持紅酒的口感。在紅酒的釀造過(guò)程中，二氧化硫能夠高效的將有害細(xì)菌及非必要的酵母菌隔絕開來(lái)，阻止紅酒與酒缸中的氧氣進(jìn)行接觸，抑制了與空氣中的化學(xué)反應(yīng)，這就保持了紅酒風(fēng)味的新鮮度和純凈度。二氧化硫起到很好的保護(hù)的作用，若是沒有二氧化硫紅酒的保存時(shí)間就會(huì)大大的降低，風(fēng)味很容易就會(huì)發(fā)生變化并且發(fā)生醋化的幾率將會(huì)增加。在發(fā)酵的過(guò)程中，微生物將果糖轉(zhuǎn)化成酒精后密度會(huì)有所降低。酸堿度能保持紅酒的顏色和穩(wěn)定性，抑制細(xì)菌的繁殖和細(xì)菌的發(fā)酵，酸堿度合適，會(huì)給紅酒增添活力，能使紅酒的風(fēng)味更加突出，酸在人體口腔中有著直接明顯的感受。在紅酒當(dāng)中，適度的酸堿度能起到平衡口感的作用。如果酸度過(guò)高，紅酒在人的口中的感覺就會(huì)顯得過(guò)于尖酸。如果酸度過(guò)于低，紅酒就會(huì)讓人感覺松弛無(wú)力，毫無(wú)活力，缺少清爽的感覺。酸度過(guò)低的紅酒品嘗起來(lái)會(huì)感覺到十分的厚重，沒有魅力。硫酸鹽有著提取色素保持紅酒風(fēng)味的作用，能夠使紅酒的釀造和儲(chǔ)藏順利進(jìn)行，從而提高紅酒的質(zhì)量。硫酸鹽是紅酒發(fā)酵過(guò)程中的天然副產(chǎn)品，對(duì)于紅酒來(lái)說(shuō)，是非常有利的。硫酸鹽防止了紅酒的氧化，保持了紅酒豐富的口感，另一方面，在紅酒發(fā)酵的過(guò)程當(dāng)中，硫酸鹽還是提取色素的角色，將葡萄中的色素提取出來(lái)，使紅酒的顏色變得更加艷麗。硫酸亞在紅酒的貯藏和生產(chǎn)中有著無(wú)可比擬的地位，它有抗氧化、選擇、澄清、溶解的作用，正確利用硫酸鹽能提高紅酒的質(zhì)量。酒精影響紅酒的酒色和口感，酒精含量越高酒的顏色越重，果香味濃重；酒精含量越低，酒的顏色越淡，果香味沒那么濃重。葡萄的果肉在發(fā)酵的過(guò)程中，在酵母活動(dòng)的作用下，果肉中的糖分就會(huì)轉(zhuǎn)化為酒精，這是紅酒中酒精的重要來(lái)源。2.2理化指標(biāo)與紅葡萄酒品質(zhì)的關(guān)系通過(guò)品酒師給紅酒打分，將紅酒分為3，4，5，6，7，8這六個(gè)品質(zhì)等級(jí)，品質(zhì)大于5的紅酒為好酒，品質(zhì)小于5的紅酒為差酒。為了了解理化指標(biāo)與品質(zhì)之間的關(guān)系，將樣本根據(jù)品質(zhì)等級(jí)分類，再將含量分為十個(gè)范圍，統(tǒng)計(jì)每個(gè)范圍內(nèi)樣本的數(shù)量，以樣本數(shù)量為Y軸，理化因素在紅酒中的含量范圍作為X軸，好酒和差酒分別作出兩條曲線。如圖2.1可知，隨著固定酸度濃度的增加，好酒和差酒的樣本數(shù)量先增加后減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以固定酸度與品質(zhì)的關(guān)系是非線性關(guān)系。為了確定固定酸度含量與品質(zhì)的線性關(guān)系，我們可以運(yùn)用最小二乘法將曲線擬合，觀察二者之間的關(guān)系，擬合圖如圖2.2所示，由圖可知，固定酸度與品質(zhì)是正相關(guān)關(guān)系，后文的理化指標(biāo)擬合圖放在附錄當(dāng)中。圖2.1固定酸度與品質(zhì)關(guān)系圖圖2.2固定酸度擬合圖如圖2.3可知，隨著揮發(fā)酸度濃度的增加，好酒和差酒的樣本數(shù)量先增加后減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以揮發(fā)酸度與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.1所示，由圖可知，揮發(fā)酸度與品質(zhì)是負(fù)相關(guān)關(guān)系。圖2.3揮發(fā)酸度與品質(zhì)關(guān)系圖圖2.4檸檬酸與品質(zhì)關(guān)系圖如圖2.4可知，隨著揮發(fā)酸度濃度的增加，好酒和差酒的樣本數(shù)量逐漸減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以檸檬酸與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.2所示，由圖可知，檸檬酸與品質(zhì)是正相關(guān)關(guān)系。如圖2.5可知，隨著殘余糖分濃度的增加，好酒和差酒的樣本數(shù)量都逐漸減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以殘余糖分與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.3所示，由圖可知，殘余糖分與品質(zhì)是正相關(guān)關(guān)系。圖2.5殘余糖分與品質(zhì)關(guān)系圖圖2.6氯化物與品質(zhì)關(guān)系圖如圖2.6可知，隨著氯化物濃度的增加，好酒和差酒的樣本數(shù)量先增加后減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以氯化物與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.4所示，由圖可知，氯化物與品質(zhì)是負(fù)相關(guān)關(guān)系。如圖2.7可知，隨著游離二氧化硫濃度的增加，好酒和差酒的樣本數(shù)量先增加后減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以游離二氧化硫與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.5所示，由圖可知，游離二氧化硫與品質(zhì)是負(fù)相關(guān)關(guān)系。圖2.7游離二氧化硫與品質(zhì)關(guān)系圖圖2.8總二氧化硫與品質(zhì)關(guān)系圖如圖2.8可知，隨著總二氧化硫濃度的增加，好酒和差酒的樣本數(shù)量逐漸減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以總二氧化硫與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.6所示，由圖可知，總二氧化硫與品質(zhì)是負(fù)相關(guān)關(guān)系。如圖2.9可知，隨著密度的增大，好酒和差酒的樣本數(shù)量先增加后減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以密度與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.7所示，由圖可知，密度與品質(zhì)是負(fù)相關(guān)關(guān)系。圖2.9密度與品質(zhì)關(guān)系圖圖2.10酸堿度與品質(zhì)關(guān)系圖如圖2.10可知，隨著酸堿度的增大，好酒和差酒的樣本數(shù)量先增加后減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以酸堿度與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.8所示，由圖可知，酸堿度與品質(zhì)是負(fù)相關(guān)關(guān)系。如圖2.11可知，隨著硫酸鹽濃度的增加，好酒和差酒的樣本數(shù)量先增加后減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以硫酸鹽與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.9所示，由圖可知，硫酸鹽與品質(zhì)是正相關(guān)關(guān)系。圖2.11硫酸鹽與品質(zhì)關(guān)系圖圖2.12酒精與品質(zhì)關(guān)系圖如圖2.12可知，隨著酒精濃度的增加，好酒和差酒的樣本數(shù)量先增加后減少，每一個(gè)含量范圍內(nèi)都出現(xiàn)好酒和差酒的樣本，所以酒精與品質(zhì)的關(guān)系是非線性關(guān)系。用最小二乘法將品質(zhì)與含量的曲線擬合，擬合圖附錄圖5.10所示，由圖可知，酒精與品質(zhì)是負(fù)相關(guān)關(guān)系。3基于多種神經(jīng)網(wǎng)絡(luò)模型的建立及對(duì)紅葡萄酒的預(yù)測(cè)3.1神經(jīng)網(wǎng)絡(luò)的輸入和輸出輸入層主要是數(shù)據(jù)的流入，神經(jīng)元接收大量非線性輸入信息，需要根據(jù)情況而進(jìn)行設(shè)定，輸入層的神經(jīng)元的數(shù)量會(huì)等于等待處理的數(shù)據(jù)中輸入變量的數(shù)量，一般會(huì)選擇主要影響結(jié)果的因素來(lái)作為輸入層的神經(jīng)節(jié)點(diǎn)。品酒師給紅酒打分，將紅酒分為3，4，5，6，7，8幾個(gè)品質(zhì)，經(jīng)過(guò)研究發(fā)現(xiàn)，固定酸度、揮發(fā)酸度、檸檬酸、殘余糖分、氯化物、游離二氧化硫、總二氧化硫、密度、酸堿度、硫酸鹽、酒精都是影響紅酒品質(zhì)的因素，所以我們將他們作為輸入層的神經(jīng)節(jié)點(diǎn)，輸入層的神經(jīng)節(jié)點(diǎn)設(shè)置為11個(gè)，每一個(gè)影響因素對(duì)應(yīng)一個(gè)神經(jīng)節(jié)點(diǎn)。輸出層的神經(jīng)節(jié)點(diǎn)的數(shù)量應(yīng)該等于每一個(gè)輸入量關(guān)聯(lián)的輸出的數(shù)量作為輸出。在本次預(yù)測(cè)中，我們將紅酒品質(zhì)大于5的作為好酒，小于5的作為差酒，紅酒的品質(zhì)是由11個(gè)因素共同影響，因此，11個(gè)輸入神經(jīng)節(jié)點(diǎn)只用對(duì)應(yīng)一個(gè)輸出神經(jīng)節(jié)點(diǎn)就能達(dá)到預(yù)測(cè)目的，所以輸出層神經(jīng)節(jié)點(diǎn)只用選取一個(gè)。經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)，輸出結(jié)果會(huì)有0和1兩個(gè)結(jié)果，0代表預(yù)測(cè)結(jié)果為差酒，1代表預(yù)測(cè)結(jié)果為好酒。3.26種神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)通過(guò)三個(gè)部分構(gòu)成，分別是輸出層、輸入層和隱層，在各部分之間存在著大量節(jié)點(diǎn)，節(jié)點(diǎn)與節(jié)點(diǎn)連接就構(gòu)成了BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種多層數(shù)向前傳遞信息的網(wǎng)絡(luò)模型，最主要的特征是通過(guò)信號(hào)向下一個(gè)節(jié)點(diǎn)輸送信息，將實(shí)際的結(jié)果和預(yù)測(cè)的輸出作比較，若產(chǎn)生偏差，則偏差又會(huì)傳送回上一層。信號(hào)在向前傳送的過(guò)程中，會(huì)經(jīng)過(guò)輸入層，隱層和輸出層三個(gè)部分的處理。在這三個(gè)部分中，在同一層的神經(jīng)節(jié)點(diǎn)只會(huì)影響自己所連接的下一個(gè)神經(jīng)節(jié)點(diǎn)。RBF神經(jīng)網(wǎng)絡(luò)是三層神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層、輸出層構(gòu)成。輸入層和隱層的關(guān)系是非線性關(guān)系，隱層和輸出層的關(guān)系是線性關(guān)系。概率神經(jīng)網(wǎng)絡(luò)是四層神經(jīng)網(wǎng)絡(luò)。其中，輸入層接受的是輸入的數(shù)據(jù)，神經(jīng)元的個(gè)數(shù)與輸入的樣本量相等，隱層是徑向基所構(gòu)成的，每一個(gè)神經(jīng)元都會(huì)對(duì)應(yīng)一個(gè)樣本數(shù)據(jù)。求和層中的神經(jīng)元只與隱含層中神經(jīng)元有連接，而與其他的神經(jīng)元是沒有連接。Elman神經(jīng)網(wǎng)絡(luò)是一種反饋型神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層、關(guān)聯(lián)層、，輸出層構(gòu)成。輸入層、輸出層和隱層的連接是對(duì)數(shù)據(jù)進(jìn)行前饋傳播。輸入層會(huì)把信號(hào)進(jìn)行傳輸，輸出層會(huì)對(duì)上層所傳來(lái)的數(shù)據(jù)進(jìn)行加權(quán)輸出。在隱含層中有兩種結(jié)構(gòu)，一種是普通隱含層，一種是關(guān)聯(lián)層。關(guān)聯(lián)層的主要作用會(huì)對(duì)當(dāng)時(shí)的狀態(tài)進(jìn)行反饋。廣義回歸神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相似，由輸入層、隱含層、加和層、輸出層構(gòu)成。加和層的節(jié)點(diǎn)會(huì)有兩種類型，一種為會(huì)計(jì)算隱含層中節(jié)點(diǎn)的和，被稱為分母單元，另一種為隱含層節(jié)點(diǎn)的加權(quán)和，被稱為分子單元，加權(quán)的權(quán)值為在訓(xùn)練的過(guò)程中所期待的輸出數(shù)據(jù)。感知器神經(jīng)網(wǎng)絡(luò)是單層人工神經(jīng)網(wǎng)絡(luò)，僅僅由輸入層和輸出層構(gòu)成，在神經(jīng)網(wǎng)絡(luò)當(dāng)中是最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)。3.3紅葡萄酒品質(zhì)預(yù)測(cè)實(shí)驗(yàn)結(jié)果與分析通過(guò)改變神經(jīng)網(wǎng)絡(luò)的類型，利用RBF神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、Elman遞歸網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)、感知器網(wǎng)絡(luò)來(lái)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行誤差對(duì)比，統(tǒng)計(jì)好酒變?yōu)椴罹频臄?shù)量，差酒變?yōu)楹镁频臄?shù)量，好酒預(yù)測(cè)成好酒的數(shù)量，差酒預(yù)測(cè)成差酒的數(shù)量，預(yù)測(cè)正確的數(shù)量，誤差的總數(shù)及預(yù)測(cè)正確率作出表4。對(duì)于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果我們可以運(yùn)用ROC曲線來(lái)進(jìn)行模型性能的評(píng)估。ROC的全稱是“受試者工作特征”，可以用來(lái)評(píng)價(jià)分類分類效果的好壞。本次實(shí)驗(yàn)是預(yù)測(cè)紅酒的好壞，將紅酒分為好酒和差酒，所以可以運(yùn)用ROC曲線來(lái)進(jìn)行評(píng)價(jià)。ROC曲線最重要的兩個(gè)公式如下： （3-1） （3-1）在ROC曲線當(dāng)中，每一個(gè)點(diǎn)以為橫坐標(biāo)，以為縱坐標(biāo)。在公式當(dāng)中，指的是將正例預(yù)測(cè)成正例，在本次實(shí)驗(yàn)中是指將好酒預(yù)測(cè)成好酒；指的是將正例錯(cuò)誤預(yù)測(cè)成負(fù)例，在本次實(shí)驗(yàn)中是指將好酒預(yù)測(cè)成差酒；指的是將負(fù)例錯(cuò)誤的預(yù)測(cè)為正例，在實(shí)驗(yàn)中是指將差酒預(yù)測(cè)成好酒；指的是將負(fù)例正確的預(yù)測(cè)為負(fù)例，在實(shí)驗(yàn)中是指將差酒預(yù)測(cè)成差酒。運(yùn)用公式（3-1）、公式（3-2）就可以將ROC曲線畫出，曲線與坐標(biāo)軸所圍成的不規(guī)則圖形的面積叫做AUC，AUC主要是用來(lái)衡量模型的泛化能力，AUC的值越接近于1越好，AUC能夠直觀的說(shuō)明性能的好壞。將表4中不同的神經(jīng)網(wǎng)絡(luò)作出ROC曲線如圖4.1并統(tǒng)計(jì)各曲線對(duì)應(yīng)的AUC的值。由表1和圖4.1可以看出，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果最好，RBF神經(jīng)網(wǎng)絡(luò)能夠?qū)敵鰧?shí)現(xiàn)完全逼近，它在神經(jīng)網(wǎng)絡(luò)當(dāng)中是唯一具有最好逼近特性的神經(jīng)網(wǎng)絡(luò)，并且不會(huì)出現(xiàn)在某處有極小問(wèn)題，預(yù)測(cè)正確率達(dá)到了100%,AUC的值也達(dá)到了0.9987，十分接近于1，所用的函數(shù)主要是為了設(shè)計(jì)快速和無(wú)誤差的徑向基網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)相比有幾點(diǎn)不同，前者是對(duì)數(shù)據(jù)的某個(gè)部分進(jìn)行逼近而后者是總體上進(jìn)行逼近，RBF神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行計(jì)算的速度要比BP神經(jīng)網(wǎng)絡(luò)的速度要快，而且它們的網(wǎng)絡(luò)層次的數(shù)量不同，RBF神經(jīng)網(wǎng)絡(luò)只有3層，而BP神經(jīng)網(wǎng)絡(luò)對(duì)于層數(shù)沒有限制，二者之間神經(jīng)元類別也不同，RBF神經(jīng)網(wǎng)絡(luò)是徑向基函數(shù)，BP神經(jīng)網(wǎng)絡(luò)則是Sigmoid函數(shù)。在幾種神經(jīng)網(wǎng)絡(luò)當(dāng)中，對(duì)紅酒預(yù)測(cè)預(yù)測(cè)正確率最低的是概率神經(jīng)網(wǎng)絡(luò)，正確率只有53.47%，AUC的值為0.5570，這主要是樣本數(shù)據(jù)不夠而影響概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)正確率，在相同的樣本量的條件下，概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)正確率沒有其他神經(jīng)網(wǎng)絡(luò)的正確率高，如果樣本量充足，概率神經(jīng)網(wǎng)絡(luò)能夠收斂到貝葉斯分類器當(dāng)中，不會(huì)有BP神經(jīng)網(wǎng)絡(luò)的某部分出現(xiàn)極小值的問(wèn)題。Elman神經(jīng)網(wǎng)絡(luò)在本次預(yù)測(cè)中表現(xiàn)不是很好，預(yù)測(cè)正確率只有69.04％，AUC的值為0.6999，這主要是訓(xùn)練參數(shù)設(shè)置問(wèn)題，若將訓(xùn)練參數(shù)變小，預(yù)測(cè)正確率將會(huì)大幅度提升。Elman神經(jīng)網(wǎng)絡(luò)同BP神經(jīng)網(wǎng)絡(luò)一樣，算法都是基于梯度下降的方法，在訓(xùn)練參數(shù)設(shè)置過(guò)大的情況下，會(huì)出現(xiàn)訓(xùn)練時(shí)間增加和局部陷入極小點(diǎn)的現(xiàn)象，所以經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)也很難達(dá)到最優(yōu)。廣義回歸神經(jīng)網(wǎng)絡(luò)在本次預(yù)測(cè)中表現(xiàn)良好，預(yù)測(cè)正確率達(dá)到97.12%，AUC的值為0.9687，它對(duì)非線性數(shù)據(jù)會(huì)有很強(qiáng)的映射。在樣本數(shù)據(jù)比較少時(shí)，它要比RBF神經(jīng)網(wǎng)絡(luò)的性能更優(yōu)秀。在本次實(shí)驗(yàn)中，廣義回歸神經(jīng)網(wǎng)絡(luò)表現(xiàn)沒有RBF神經(jīng)網(wǎng)絡(luò)表現(xiàn)好的原因主要是因?yàn)楸敬螌?shí)驗(yàn)樣本數(shù)據(jù)比較優(yōu)秀，如果數(shù)據(jù)的樣本的精確度比較差的話，廣義回歸神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)表現(xiàn)就會(huì)比RBF神經(jīng)網(wǎng)絡(luò)的表現(xiàn)要好。在本次實(shí)驗(yàn)中，感知器神經(jīng)網(wǎng)絡(luò)表現(xiàn)也不是很好，預(yù)測(cè)正確率只有65.22%，AUC的值為0.6715，造成正確率比較低的原因主要是輸入的樣本存在奇異樣本，感知器神經(jīng)網(wǎng)絡(luò)需要花很長(zhǎng)的時(shí)間來(lái)處理這個(gè)奇異樣本，而且對(duì)輸出的結(jié)果也會(huì)造成一定程度的影響，所以本次實(shí)驗(yàn)中的預(yù)測(cè)正確率偏低。本次實(shí)驗(yàn)中，BP神經(jīng)網(wǎng)絡(luò)采用一層隱層，7個(gè)隱層節(jié)點(diǎn)進(jìn)行實(shí)驗(yàn)，預(yù)測(cè)正確率只有74%，AUC的值為0.7832，達(dá)不到高正確率主要是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)需要的參數(shù)比較多，沒有一種有效得出參數(shù)設(shè)置的方法，會(huì)導(dǎo)致算法不穩(wěn)定，而且該網(wǎng)絡(luò)對(duì)于樣本依賴性很強(qiáng)，與樣本有一定的關(guān)系，因此BP神經(jīng)網(wǎng)絡(luò)達(dá)不到高預(yù)測(cè)正確率。表1不同神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)誤差不同的神經(jīng)網(wǎng)絡(luò)將好酒錯(cuò)判為差酒的數(shù)量將差酒錯(cuò)判為好酒的數(shù)量將好酒判為好酒的數(shù)量將差酒判為差酒的數(shù)量預(yù)測(cè)正確的數(shù)量誤差的總數(shù)預(yù)測(cè)正確率AUCBP218182637562119940074..98%0.7832RBF0085574415990100%0.9987概率0744855085574453.47%0.5570Elman270225585519110449569.04%0.6999回歸252183072315534697.12%0.9687感知器117439738305104355665.22%0.6715圖3.1不同神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)的ROC曲線圖4BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)優(yōu)化從6種神經(jīng)網(wǎng)絡(luò)對(duì)紅酒品質(zhì)的預(yù)測(cè)的結(jié)果可以得出，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)正確率最高，但是在解決相同精度要求的問(wèn)題時(shí)，BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是要比RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)要簡(jiǎn)單，如果樣本數(shù)目不斷增多的話，RBF神經(jīng)網(wǎng)絡(luò)就會(huì)變得很復(fù)雜，運(yùn)算量也會(huì)變得大。因此，我們可以對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，從樣本，BP神經(jīng)網(wǎng)絡(luò)的隱層層數(shù)，神經(jīng)節(jié)點(diǎn)入手，來(lái)提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)正確率。4.1樣本歸一化進(jìn)行優(yōu)化沒有處理過(guò)的數(shù)據(jù)經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)計(jì)算之后，預(yù)測(cè)誤差和實(shí)際還是有一定的差距，所以我們可以通過(guò)數(shù)據(jù)的歸一化提升神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精準(zhǔn)度。數(shù)據(jù)歸一化的具體作用是將數(shù)據(jù)變成統(tǒng)一樣本的統(tǒng)計(jì)分布性。神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)是通過(guò)對(duì)樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)概率進(jìn)行預(yù)測(cè)及對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并且sigmoid函數(shù)的取值范圍是在0到1之間的，神經(jīng)網(wǎng)絡(luò)的輸出值也會(huì)在0與1之間，因此需要對(duì)樣本的輸入進(jìn)行歸一化。歸一化的目的是統(tǒng)一在0-1之間統(tǒng)計(jì)樣本的概率分布，當(dāng)輸入的值都為正時(shí)，與第一隱含層節(jié)點(diǎn)相連的權(quán)值就會(huì)同時(shí)發(fā)生改變，進(jìn)而導(dǎo)致學(xué)習(xí)的速度變慢。若在數(shù)據(jù)當(dāng)中經(jīng)常有奇異的樣本數(shù)據(jù)，奇異的樣本數(shù)據(jù)會(huì)使神經(jīng)網(wǎng)絡(luò)訓(xùn)練的時(shí)間變長(zhǎng)，就會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)無(wú)法收斂。因此為了避免這個(gè)狀況以及為了數(shù)據(jù)處理的方便性，提高神經(jīng)網(wǎng)絡(luò)的處理數(shù)據(jù)的能力，可以將輸入信號(hào)通過(guò)歸一化處理，讓樣本的輸入信號(hào)的平均值接近于0或者和其均方差相比變得很小。相同的兩個(gè)樣本，一個(gè)經(jīng)過(guò)歸一化處理，一個(gè)未經(jīng)過(guò)歸一化處理，在隱層隱層層數(shù)為1，節(jié)點(diǎn)數(shù)都為7的條件下，通過(guò)Matlab仿真，統(tǒng)計(jì)好酒變?yōu)椴罹频臄?shù)量，差酒變?yōu)楹镁频臄?shù)量，預(yù)測(cè)正確的數(shù)量，誤差的總數(shù)作出表2，并畫出ROC圖，如圖5.1。由表可知，樣本是否進(jìn)行歸一化對(duì)實(shí)驗(yàn)結(jié)果還是具有一定的影響，進(jìn)行歸一化的樣本誤差的總數(shù)為384個(gè)，未進(jìn)行歸一化的樣本誤差總數(shù)為390個(gè)。進(jìn)行歸一化的樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的誤差要比沒有歸一化的誤差要小，這主要是因?yàn)闅w一化樣本消除了樣本數(shù)據(jù)中的奇異樣本，將樣本數(shù)據(jù)的大小都化為0到1之間，消除了奇異樣本數(shù)據(jù)所產(chǎn)生的不好的影響。將歸一化樣本和未處理樣本進(jìn)行訓(xùn)練時(shí)間對(duì)比，在隱層層數(shù)為兩層，神經(jīng)節(jié)點(diǎn)數(shù)為30的條件下，歸一化樣本訓(xùn)練時(shí)間為4s,未處理樣本訓(xùn)練時(shí)間為5s，歸一化樣本訓(xùn)練時(shí)間要比未處理樣本訓(xùn)練時(shí)間要少，歸一化后的訓(xùn)練速度要比未處理樣本的要快得多。表2數(shù)據(jù)是否歸一化誤差對(duì)比是否歸一化將好酒錯(cuò)判為差酒的數(shù)量將差酒錯(cuò)判為好酒的數(shù)量將好酒判為好酒的數(shù)量將差酒判為差酒的數(shù)量預(yù)測(cè)正確的數(shù)量誤差的總數(shù)正確率AUC是190194695550121538475.98%0.7588否225165660579120939075.60%0.7972圖4.1數(shù)據(jù)歸一化與不歸一化對(duì)應(yīng)的ROC曲線圖4.2BP神經(jīng)網(wǎng)絡(luò)改變隱層節(jié)點(diǎn)進(jìn)行優(yōu)化在神經(jīng)網(wǎng)絡(luò)當(dāng)中，數(shù)據(jù)需要進(jìn)行非線性的分離的時(shí)候需要有隱藏層，而且一層隱層就可以將任意的非線性的關(guān)系進(jìn)行映射，訓(xùn)練的時(shí)間相對(duì)于其他層數(shù)來(lái)說(shuō)會(huì)短，并且所要求的精度也會(huì)達(dá)到要求，所以選擇一層隱層。隱層的神經(jīng)元通常通過(guò)以下公式進(jìn)行計(jì)算： （4-1）公式中h表示隱層節(jié)點(diǎn)數(shù)；n表示輸入層的節(jié)點(diǎn)數(shù)；m表示輸出層的節(jié)點(diǎn)數(shù)；a表示調(diào)節(jié)參數(shù)，取值為1～10之間的任意值。通過(guò)改變a的值來(lái)不斷獲得隱層節(jié)點(diǎn)數(shù)h，再經(jīng)過(guò)相同的樣本訓(xùn)練，所獲得的數(shù)據(jù)誤差最小的就為最小網(wǎng)絡(luò)誤差隱層節(jié)點(diǎn)的數(shù)量。在隱層層數(shù)為一層且樣本輸入相同的條件下，通過(guò)常用公式（3）可以確定隱層節(jié)點(diǎn)數(shù)的選擇范圍在4到13，經(jīng)過(guò)Matlab仿真，統(tǒng)計(jì)好酒變?yōu)椴罹频臄?shù)量，差酒變?yōu)楹镁频臄?shù)量，預(yù)測(cè)正確的數(shù)量，誤差的總數(shù)作出表3，并畫出ROC曲線如圖5.3。由表3可知，在隱層節(jié)點(diǎn)數(shù)為8個(gè)的時(shí)候，預(yù)測(cè)效果最好，誤差的總數(shù)為332個(gè)，將好酒預(yù)測(cè)成差酒的個(gè)數(shù)為160個(gè)，將差酒預(yù)測(cè)成好酒的個(gè)數(shù)為172個(gè)，好酒預(yù)測(cè)成好酒的個(gè)數(shù)為695個(gè)，差酒預(yù)測(cè)成差酒的個(gè)數(shù)為572個(gè)。為了更直觀的看出誤差的變化趨勢(shì)，以隱層節(jié)點(diǎn)數(shù)作為橫坐標(biāo)，對(duì)應(yīng)的誤差總數(shù)作為縱坐標(biāo)作出不同隱層對(duì)應(yīng)的誤差變化圖，如圖5.2。由圖可知，隨著隱層節(jié)點(diǎn)數(shù)的不斷增加，誤差總數(shù)的是不斷波動(dòng)的，在4到7個(gè)隱層節(jié)點(diǎn)之間誤差上下波動(dòng)，而在隱層節(jié)點(diǎn)數(shù)為8的時(shí)候，誤差總數(shù)最小，達(dá)到峰谷，之后在8到9節(jié)點(diǎn)之間誤差有一個(gè)大幅度上漲，誤差上漲到389個(gè)，之后在節(jié)點(diǎn)數(shù)為9和11的時(shí)候有一定幅度的下降，到11個(gè)節(jié)點(diǎn)時(shí)誤差下降到350個(gè)，在11到13個(gè)節(jié)點(diǎn)之間，誤差又有一定的上漲，最終誤差為378個(gè)。出現(xiàn)這樣的結(jié)果，主要是因?yàn)殡[層節(jié)點(diǎn)數(shù)對(duì)于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)來(lái)說(shuō)是一個(gè)十分重要的參數(shù)，對(duì)于神經(jīng)網(wǎng)絡(luò)的性能影響非常的大。如果隱含層的節(jié)點(diǎn)數(shù)太少了，誤差的反向傳播過(guò)程和前向傳播過(guò)程都會(huì)有一定程度的影響，會(huì)讓神經(jīng)網(wǎng)絡(luò)無(wú)法學(xué)習(xí)，如果隱層節(jié)點(diǎn)數(shù)太多，雖然會(huì)在一定程度上讓系統(tǒng)誤差變小，但是這樣會(huì)增加神經(jīng)網(wǎng)絡(luò)的進(jìn)行預(yù)測(cè)時(shí)間，會(huì)讓訓(xùn)練陷入局部而不進(jìn)行下一步，這是“過(guò)擬合”的重要原因。所以，只有選擇合適的隱層節(jié)點(diǎn)數(shù)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果和速度才會(huì)達(dá)到最好，在本次預(yù)測(cè)當(dāng)中，隱層節(jié)點(diǎn)數(shù)為8的時(shí)候最合適表3不同隱層節(jié)點(diǎn)數(shù)對(duì)應(yīng)的誤差隱層節(jié)點(diǎn)數(shù)將好酒錯(cuò)判為差酒的數(shù)量將差酒錯(cuò)判為好酒的數(shù)量將好酒判為好酒的數(shù)量將差酒判為差酒的數(shù)量預(yù)測(cè)正確的數(shù)量誤差的總數(shù)正確率AUC4236165619579119840174.92%0.75565178181677563124035977.54%0.77276224172631520120339675.23%0.75477220153635591122637376.67%0.76258160172695572126733279.23%0.78839221168634576121038975.67%0.756010204173651571122237776.42%0.763811200150655594124935078.11%0.781312183195672549122137876.36%0.759913199179656565122137876.36%0.7600圖4.2不同隱層節(jié)點(diǎn)對(duì)應(yīng)的誤差變化圖圖4.3不同隱層節(jié)點(diǎn)對(duì)應(yīng)的ROC曲線圖4.3BP神經(jīng)網(wǎng)絡(luò)改變隱層層數(shù)進(jìn)行優(yōu)化在隱層節(jié)點(diǎn)數(shù)都為7個(gè)且樣本輸入相同的條件下，通過(guò)更改隱層層數(shù)，經(jīng)過(guò)Matlab仿真，統(tǒng)計(jì)好酒變?yōu)椴罹频臄?shù)量，差酒變?yōu)楹镁频臄?shù)量，好酒預(yù)測(cè)成好酒的數(shù)量，差酒預(yù)測(cè)成差酒的數(shù)量，預(yù)測(cè)正確的數(shù)量，誤差的總數(shù)作出表4，并畫出ROC曲線如圖5.5。為了更直觀的看誤差的變化趨勢(shì)，以隱層數(shù)作為橫坐標(biāo)，對(duì)應(yīng)的誤差總數(shù)作為縱坐標(biāo)作出不同隱層對(duì)應(yīng)的誤差變化圖，如圖5.4。由圖5.4和表4易知，在隱層層數(shù)為6層的條件下，誤差總數(shù)達(dá)到最小，為339個(gè)誤差。在達(dá)到誤差最小值對(duì)應(yīng)的層數(shù)之前，1層隱層到2層隱層之間的誤差是下降的，在2層隱層一直到5層隱層之間，誤差總數(shù)都是逐級(jí)遞增，誤差個(gè)數(shù)達(dá)到405個(gè)，而到隱層數(shù)為6的時(shí)候，誤差個(gè)數(shù)急劇下降，到達(dá)峰谷，繼續(xù)增加隱層的層數(shù)，誤差的總數(shù)會(huì)不斷的上漲，增加到10層隱層時(shí)，誤差達(dá)到了408個(gè)。一般認(rèn)為，通過(guò)增加隱層的層數(shù)可以減少BP神經(jīng)網(wǎng)絡(luò)所產(chǎn)生的誤差，能夠提高預(yù)測(cè)的精確度，但是增加隱層層數(shù)會(huì)讓神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)變得復(fù)雜，訓(xùn)練時(shí)間就會(huì)變得更長(zhǎng)也會(huì)帶來(lái)“過(guò)擬合”的問(wèn)題。從本次的實(shí)驗(yàn)數(shù)據(jù)來(lái)看，一味的增加隱層的層數(shù)并不會(huì)使誤差的總數(shù)一直變小，它會(huì)出現(xiàn)很大的波動(dòng)，所用的時(shí)間也會(huì)變長(zhǎng)。表4不同隱層層數(shù)對(duì)應(yīng)誤差隱層層數(shù)將好酒錯(cuò)判為差酒的數(shù)量將差酒錯(cuò)判為好酒的數(shù)量將好酒判為好酒的數(shù)量將差酒判為差酒的數(shù)量預(yù)測(cè)正確的數(shù)量誤差的總數(shù)正確率AUC1202170653574122737276.73%0.76342162186693558125134878.23%0.77813175177680567124735277.98%0.77994177203678541121938076.23%0.76255255150600594119440574.67%0.75016156183699561126033978.79%0.78797205180650564121438575.92%0.75878223184632560119240774.54%0.74759232162623582120539475.35%0.758910221187634557119140874.48%0.7474圖4.4不同隱層對(duì)應(yīng)的誤差變化圖圖4.5不同隱層層數(shù)對(duì)應(yīng)的ROC曲線圖4.4BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)優(yōu)化的結(jié)果經(jīng)過(guò)以上優(yōu)化實(shí)驗(yàn)可以看出，歸一化處理的樣本要比沒有進(jìn)行歸一化處理的樣本預(yù)測(cè)準(zhǔn)確率要高，隱層節(jié)點(diǎn)數(shù)選擇8個(gè)節(jié)點(diǎn)，隱層層數(shù)選擇為6層的時(shí)候預(yù)測(cè)效果會(huì)變得更好。因此，將BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為神經(jīng)節(jié)點(diǎn)為8個(gè)，隱層層數(shù)為6層，用歸一化的樣本數(shù)據(jù)來(lái)進(jìn)行實(shí)驗(yàn)，與沒有經(jīng)過(guò)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比作出表5，并且畫出ROC曲線圖，如圖5.6。由圖表可知，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)有了明顯的提升，誤差數(shù)相較于未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)少了68個(gè)，預(yù)測(cè)正確率接近于80%，AUC也比未優(yōu)化的大0.0079。表5優(yōu)化前后誤差對(duì)比是否優(yōu)化將好酒判為差酒的數(shù)量將差酒判為好酒的數(shù)量將好酒判為好酒的數(shù)量將差酒判為差酒的數(shù)量預(yù)測(cè)正確的數(shù)量誤差的總數(shù)預(yù)測(cè)正確率AUC是159173696571126733279.23%0.7911否218182637562119940074.98%0.7832圖4.6BP神經(jīng)網(wǎng)絡(luò)優(yōu)化前后對(duì)應(yīng)的ROC曲線圖5結(jié)束語(yǔ)5.1結(jié)論通過(guò)以上研究我們可以得出結(jié)論，品質(zhì)不隨著理化指標(biāo)的含量增多而呈線性關(guān)系，11個(gè)紅酒的理化指標(biāo)和紅酒的品質(zhì)是非線性關(guān)系，因此能夠運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)紅酒的品質(zhì)進(jìn)行預(yù)測(cè)。在利用11個(gè)理化指標(biāo)的基礎(chǔ)上，使用多種神經(jīng)網(wǎng)絡(luò)對(duì)紅酒品質(zhì)進(jìn)行預(yù)測(cè)，其中RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果最優(yōu)。通過(guò)對(duì)樣本數(shù)據(jù)歸一化，改變隱層層數(shù)和神經(jīng)節(jié)點(diǎn)能夠優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果，使BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果有了一定的提升，使最終的預(yù)測(cè)正確率接近80%。5.2展望本文主要通過(guò)運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)紅酒品質(zhì)進(jìn)行預(yù)測(cè)，探究了隱層節(jié)點(diǎn)和隱層層數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的影響，對(duì)比分析了各種神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果，但是使用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果不是很理想，誤差還是比較大，希望未來(lái)隨著算法研究的深入，提出BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置的簡(jiǎn)單有效的方法，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果會(huì)有很大的提升參考文獻(xiàn)Ebeler,S.E.LinkingFlavorChemistrytoSensoryAnalysisofWine[J].FlavorChemistry—ThirtyYearsofProgress,KluwerAcademicPublishers,Dordrecht,1999，409-422.ALegin，ARudnitskaya，LLuvova，eta1．EvaluationofItalianwinebytheelectronictongue：recognition，quantitativeanalysisandcorrelationwithhumansensoryperception[J].AnalyticaChimicaActa,2003,484(1)：33—34．DiazC,CondeJE,EstevezD,OliveroSJP,TrujilloJPP.ApplicationofmultivariateanalysisandartificialneuralnetworksforthedifferentiationofredwinesfromtheCanaryIslandsaccordingtotheislandoforigin[J].JournalofAgriculturalandFoodChemistry,2003,51(15):5.CortezP，CerdeiraA，AlmeidaF，eta1．Modelingwinepreferencesbydataminingfromphysicoehemicalproperties[J].DecisionSupportSystems,2009，47(4)：547—553.udnitskayaA，RochaSM，LeginA，eta1．Evaluationofthefeasibilityoftheelectronictongueasarapidanalyticaltoolforwineagepredictionandquantificationoftheorganicacidsandphenoliccom—pounds．Thecase—studyofMadeirawine[J].Analytieachimicaacta,2010，662(1)：82.KRKennison，KLWilkinson，APPollnitz，eta1．Theefectofsmokeapplicationtofield—grownMerlotgrapevinesatkeyphenologicalgrowthstagesonwinesensoryandchemicalproperties[J].AustralianJournalofGra