基于PCA神經網絡的葡萄酒評價模型研究

劉穎 王云 苗宇雷 宋景帥 陳麗芳

摘要：利用主成分分析與RBF神經網絡相結合，建立葡萄酒質量評價預報模型，并進行訓練和仿真驗證。該模型運用SPSS軟件對葡萄酒中影響風味指標進行主成分分析，將多變量、非線性的原始數據進行降維，保留原始信息的主要信息，把原來若干個屬性變量綜合成幾個不相關主成分分量；再以計算結果作為RBF網絡的輸入數據，葡萄酒的感官評價得分作為網絡的輸出數據，建立葡萄酒主要理化指標與葡萄酒質量的關系模型。結果表明：該評價模型的建立，縮短了葡萄酒評價的周期，克服了品酒師聚集的困難；與傳統RBF網絡相比，大大簡化了網絡結構，提高了網絡的訓練速度和預報精度，為質量評價問題提供了一種的研究思路。

關鍵詞：主成分分析；RBF神經網絡；評價模型；理化指標

中圖分類號：TP183；O29 文獻標識碼：B 文章編號：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

葡萄酒成分復雜，其質量是氣味、口感、外觀等的綜合體現。主要依靠品酒專家進行品評，由其評分來確定葡萄酒的質量[1]。實際生活中，對葡萄酒的評價往往依賴于品酒師的經驗，易受到主觀因素的影響，而不能如實地反映葡萄酒的實際品質，因此，研究一種客觀評價葡萄酒的模型，實現葡萄酒質量的綜合、精準評價是非常必要的。本文即以葡萄酒理化指標和品酒師給出的質量評價數據作為研究背景[2]，通過主成分分析，對影響葡萄酒品質的因素進行計算、優化及處理，獲得預處理后的結果，再結合RBF神經網絡完成建模設計。該模型借助神經網絡強大的自適應性、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與葡萄酒質量的評價模型。經過主成分分析，將主成分分析結果作為RBF神經網絡的輸入，將品酒員給出的評分作為輸出（期望輸出），進行訓練并通過仿真給出驗證。該模型有效解決了傳統的多元線性回歸預報模型中多因素復雜性、預報精度低以及非線性等的問題，對酒品評價的科學性及酒品生產過程的可控性都具有十分重要的現實意義及實用價值。

1 評價模型構建

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

1.2 RBF神經網絡

RBF網絡能夠逼近任意的非線性函數，可以處理系統內的難以解析的規律性，具有良好的泛化能力，并有很快的學習收斂速度，已成功應用于非線性函數逼近、數據分類預測、信息處理、系統建模等[6-8]。

RBF神經網絡結構是一種三層前向網絡，包含有一個輸入層，一個隱含層和一個輸出層的三層結構。如圖1所示。隱含層是由一組徑向基函數組成，徑向基函數一般是高斯函數。RBF網絡有2種模型：正規化網絡和廣義網絡。正規化網絡的隱單元就是訓練樣本，所以正規化網絡中隱單元的個數與訓練樣本的個數也即相同。正規化網絡的訓練樣本Xi與“基函數”φ（Xk ， Xi）是一一對應的，當N很大時，網絡的實現復雜，且在求解網絡的權值時容易產生病態問題。解決這一問題的方法是：減少隱含層神經元的個數。廣義網絡就是隱含層數目小于輸入樣本的個數的網絡，因此本文采用廣義網絡建模。

3 結束語

本文建立了基于主成分分析的葡萄酒質量預報模型，數據預處理部分采用主成分分析法，將多個相關的變量綜合成少數幾個的互不相關的變量，解決了輸入參數的相關性問題，并利用真實數據進行仿真驗證，證明該模型有很高的預報精度。該評價模型研究為處理其他領域的非線性問題處理提供了很好的思路，具有一定的理論價值和應用價值。

參考文獻：

[1]齊亞娥，曹志強，劉婭楠，等. 基于理化指標統計分析的葡萄酒質量評價模型 [J]. 河西學院學報， 2013， 29（5）：58-65.

[2] 編務組. 2012年全國大學生數學建模競賽A題數據[EB/OL].[2016-3-31].http：//www.mcm.edu.cn/html_cn/block/c61dfec317d7a5bd9b2b8efed81c8af3.html.

[3]王金甲，尹濤，李靜，等.基于物理化學性質的葡萄酒質量的可視化評價研究[J].燕山大學學報，2010，34（2）：133-137.

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

[5] 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.

[6]彭顯剛，胡松峰，呂大勇. 基于RBF神經網絡的短期負荷預測方法綜述[J]. 電力系統保護與控制， 2011， 39（17）：144-148.

[7]周維華. RBF神經網絡隱層結構與參數優化研究[D]. 上海：華東理工大學，2014.

[8]儲兵，吳陳，楊習貝. 基于RBF神經網絡與粗糙集的數據挖掘算法[J]. 計算機技術與發展， 2013， 23（7）：87-91.