灰關聯神經網絡在葡萄酒評價中的應用*

于紅斌，齊 娜，趙永進

(河南師范大學計算機與信息工程學院，河南 新鄉 453007)

1 引言

葡萄酒是由新鮮葡萄或葡萄汁經過酒精發酵而得到的一種飲料。其質量的優劣主要通過感官品嘗和對一系列理化指標的分析來確定。好品質的葡萄酒必定外觀澄清透明、色澤自然悅目，具備葡萄的果香、發酵的酒香、陳釀的醇香，口感令人舒暢愉悅、各種香味細膩柔和，有層次感，余味綿長。這些品質的鑒定主要依賴于品酒師的專業水平，而品酒師的感官又是很難用理化數據精確闡明的，葡萄酒品質受品酒師的主觀影響難免產生誤差。另外葡萄酒最終的質量和葡萄酒中各種成分密切相關，通過對葡萄酒各種成分理化數據的研究分析，加以人工品酒師的專業評判，必定可以相輔相成。

針對葡萄酒的理化數據，可以采用近紅外光譜［7］和三維熒光光譜［1］等技術，然而這些技術需要復雜的化學計量學知識，解釋困難［1，7］。文獻［2］研究了葡萄酒各種成分之間的關系，但并沒有給出其與葡萄酒質量之間的明確關系。文獻［3］結合多圖分析、支持向量機和神經網絡多種方法提出了圖表示可視化分類方法，該方法依賴于其他多種方法，其在誤差和算法時間上并沒有明顯優勢。

在UCI數據庫［4］中提供的葡萄酒數據有178組，葡萄酒分為3個等級，受13種成分的影響。數據分析上通常可采用神經網絡、支持向量機和回歸分析等進行建模［5］。但葡萄酒的各成分不是孤立因素，這些成分相互作用，共同決定葡萄酒的最終質量，因此可以首先對數據進行關聯分析，將處理后的數據應用于神經網絡，提出了灰關聯分組神經網絡模型，實驗表明，與經典神經網絡相比，算法精確度和算法效率都有了較大提高，同時還避免了經典神經網絡訓練過程中出現的不穩定情況。

2 灰關聯神經網絡算法模型

通過將灰關聯理論與神經網絡相結合，對葡萄酒質量進行分析。算法結構如圖1所示。

圖1 灰關聯神經網絡

算法首先將數據按灰關聯度分析，充分體現出數據之間的相互影響，然后根據具體的數據環境通過人為干預加強或弱化某些因子，從而使得結果更合理。

2.1 多因子灰關聯分析

灰關聯分析是分析研究各因素之間關聯程度的一種有效方法，可分為單因子和多因子兩種情況。葡萄酒包含多種成分，可以通過灰關聯分析確定各個因子(葡萄酒成分)的關聯程度。

假設數據因子集為 X={xi|i=1，2，...，l}，如果各個因子數列滿足下列條件，則稱X為灰關聯因子集:

(1)數列xi的數據xi(k)之間具有數值可比性，即指定的xi(k)與xi(t)之間的數值是可以比較的，或相等、或接近、或同數量級等;

(2)數列xi之間具有可接近性，即非平等性;

(3)數列xi之間同級性，及同為正(極大值)極性，或負(極小值)極性，或適中極性。

以灰關聯因子集中的一個因子xi(1≤i≤l)為參考數列，以任意因子xj∈X且xj≠xi為比較數列，則二者間的絕對差為:

得到的差數列為 Δij=(Δij(1)，Δij(2)，...，Δij(n))，則比較數列xj對參考數列xi在第k點的灰關聯為:

其中常數α為分辨率系數，于是有xj對xi的灰關聯度為:

鑒于數據庫中提供的數據相對比較平穩，因此可以取 α 為 0.5［7］。

2.2 主成分確定

一般來說，因子集中各因子都不是孤立的，它們共同作用形成必然結果。以葡萄酒數據為例，葡萄酒的最終等級由13個主要成分決定，這些成分決定了葡萄酒的口感、香氣、色澤等，如葡萄酒中的總酚、檸檬酸、酒精度等對感官質量有顯著影響［3］，在葡萄酒的等級確定中占有重要位置。同時，各成分之間也會相互影響與制約，因此，需要分析成分之間的關聯性。要分析兩個或兩個以上變量之間的因果關系，通常會采用一些相關性分析方法，它不需要區分自變量和因變量，兩個或者多個變量之間是平等的關系，通過相關分析可以了解變量之間的關系密切程度。

在葡萄酒的感官質量上，Total phenols(總酚)作用尤其突出［3］。因此，可以將Total phenols做為灰關聯因子集中的參考數列，找出和Total phenols密切相關的成分形成第一主成分集合，通過公式(1－3)分析文獻［4］中的數據得出與Total phenols關聯密切的成分，如表1所示。

表1 其他成分與Total phenols的灰關聯度

由表1得出第一主成分集合，由Total phenols和表1中前4種成分構成。原數據集合剔除第一主成分后集合，剩下的成分中以Malic acid(蘋果酸)對葡萄酒的感官影響較大［2］，同樣通過公式(1－3)得出與其關聯度較大的幾個成分形成第二主成分集合，如表2所示。

由表2分析，形成葡萄酒的第二主成分集合，即由Malic acid和表2中前3種構成。原數據中不包含第一、二主成分集合的形成第三主成分集合，它們對葡萄酒的總體影響最小。

2.3 主成分評價

葡萄酒的質量由各成分決定，通過數據分析，可以將葡萄酒的成分分成3類，每一類在葡萄酒的最終質量中所占比例分別為ω1、ω2、ω3，則葡萄酒最終質量可以由以下公式確定:

表2 其他成分與Malic acid的灰關聯度

式中，C1為第i種主成分集合中的各成分，且ω1+ω2+ω3=1，Q 為葡萄酒質量，文獻［5］給定Q=1，2，3，式(4)中加號僅表示各成分的一種合成。

3 算法步驟

(1)將文獻［5］中數據進行歸一化處理，以消除量綱之間的影響。

(2)歸一化后數據按每種成分所屬主成分集合進行比例協調，即將歸一化后數據乘以其所占比例。設定葡萄酒三類主成分在最終質量中的所占比例為ω1=0.5、ω2=0.3、ω3=0.2。

(3)將數據引入BP神經網絡進行訓練和測試。

4 仿真數據對比分析

構建的BP神經網絡采用4層架構，輸入層為數據處理后的13種成分，隱層兩層，各有4個隱單元，輸出層1個單元，為葡萄酒質量等級(數據需歸一化)。網絡誤差設為0.001。在MATLAB下執行該算法10次，將數據［4］中2/3數據進行訓練，1/3數據進行仿真測試。表3給出了文中方法與經典神經網絡，即直接使用歸一化數據而沒有進行成分關聯分析的神經網絡的對比結果。

表3 灰關聯神經網絡和經典神經網絡數據對比

從上表可以看出，文中提出的灰關聯神經網絡性能和經典神經網絡相比，各方面都有了很大提高，特別是在網絡訓練時間上，避免了經典神經網絡出現的不穩定現象(多次實驗發現，網絡約有10%的不穩定性，即會出現需要較長時間訓練達到約定誤差的情況)，從而極大地縮短了訓練時間。

5 結 束 語

通過借鑒灰關聯分析理論，對葡萄酒的各個成分進行關聯度分析，將13種成分劃分為3組，每組數據根據實際生活中的感官質量加以約定，從而使得數據的現實意義更加突出，通過神經網絡測試表明，算法對葡萄酒的質量等級劃分預測有較好的效果。同時，這種關聯分析策略也增加了數據之間關系的透明度，避免了對數據的盲目引用而造成的網絡不穩定性。

［1］尹春麗，丁春暉.昌黎原產地干紅葡萄酒的三維熒光光譜特征研究［J］.分析測試學報，2008，27(6):641－643.

［2］李運，李記明，姜忠軍.統計分析在葡萄酒質量評價中的應用［J］.釀酒科技，2009(4):79－82.

［3］王金甲，尹濤，李靜，等.基于物理化學性質的葡萄酒質量的可視化評價研究［J］.燕山大學學報，2012，34(2):133－136.

［4］DONALD BREN SCHOOL OF INFORMATION AND COMPUTER DCIENCES，UNIVERSITY of CALIFORNIA.IRVINE，Center for Machine Learning and Intelligent Systems［DB/OL］:30 －Oct－199512:17［2013 －1 －9］http://archive.ics.uci.edu/ml/machine － learning －databases/wine.

［5］胡瑜，于寶堃，，許國，等.灰色神經網絡在城市用水量預測中的應用［J］.微電子學與計算機，2012，29(7):142 －145，149.

［6］王文莉，楊俊紅.基于灰色理論的鐵路客運量預測影響因素優化［J］.微電子學與計算機，2011，28(10):164 －167，172.

［7］于海燕.黃酒品質和酒齡的近紅外光譜分析方法研究［D］.杭州:浙江大學，2007.