一种基于粒子群优化模糊神经网络的白酒口味识别评价方法

1.本发明属于智能学习领域，涉及一种基于粒子群优化模糊神经网络的白酒口味识别评价方法。


背景技术：

2.白酒的香型随着各种生产过程中的区别，形成了多种多样的白酒口味，如浓香型、酱香型、清香型等。作为检验白酒质量最为关键的一环，对白酒口味与等级的判别的标准，直接影响了白酒口味等级评价的客观程度。检测技术的发展使得白酒微量成分的测定越来越精准，从微量成分含量入手采用各种技术识别白酒的口味与等级，也是现阶段关于白酒的一大研究热点。
3.白酒主要由乙醇和水组成，其他微量成分仅占白酒成分的2％左右，在已有的研究中，有观点提出白酒的独特香型正是由酯类、酸类、醇类等各种微量成分的含量来综合决定的，因此可以用微量成分的数量与含量来综合评价白酒的香型与等级。基于此，涌现出各种基于白酒微量成分的识别评价方法，如通过主成分分析法进行酒质评价，通过对浓香型白酒色谱成分进行分析，可以对相近级别的浓香型白酒进行排名，基于偏最小二乘回归方法实现白酒的浓香型、酱香型、清香型几种香型的识别等。
4.然而现阶段的方法都是从某一角度入手，应用的范围较为局限。实际白酒理化指标具有模糊性，随机性，不可预测性的问题，理化指标过多且对最终等级的影响也没有明确的定义。针对这些问题，可以使用模糊神经网络来表达模糊推理规则，单独使用模糊推理不能实现自学习自适应的功能，模型适应程度低，而神经网络不能单独用来表达基于规则的模糊知识。模糊神经网络的使用有助于完成白酒香型识别与等级评价中的数学分析与标准统一化过程。偏最小二乘回归方法是机器学习中一种经典的回归方法，应用于寻找成分与口味、等级的关系的过程中，提供类似于主成分分析的方法，可以用来整理出微量成分中与输出相关性较大的辅助变量。在神经网络权值的优化过程中，较为常见的是采用bp算法对其进行训练优化，但bp算法容易陷入局部最优解，采用粒子群算法使用局部领域粒子群可以跳出局部最优，达到优化网络权值的目的。
5.本发明中提出一种通过偏最小二乘回归方法选择回归系数较高的辅助变量，利用模糊神经网络建立相关变量与香型之间的判定模型，再划分数据集，选择特定香型下的辅助变量，利用模糊神经网络建立相关变量与等级之间的判定模型，针对白酒的香型与等级判别提供了一种基于数值的新思路。采用粒子群算法对神经网络参数进行优化，也体现了网络的自学习能力。


技术实现要素：

6.有鉴于此，本发明的目的在于提供一种基于粒子群优化模糊神经网络的白酒口味识别评价方法，通过气相色谱法测得白酒的理化指标，用偏最小二乘回归方法将其中回归系数较大的辅助变量提取出来作为模糊神经网络的输入，输出为白酒的香型与等级。有助
于提升白酒香型等级识别与评价过程的客观程度，避免偶然误差。
7.为达到上述目的，本发明提供如下技术方案：
8.一种基于粒子群优化模糊神经网络的白酒口味识别评价方法，该方法包括以下步骤：
9.s1：获取实验数据；
10.通过气相色谱法测得多组不同香型等级的白酒理化指标，设每种香型各有5个等级：i,ii,iii,iv,v，暂取浓香型yn、酱香型yj、清香型yq、凤香型yf四种香型，每一香型5个等级的白酒均取典型酒样，每种典型酒样重复采样六次，多次采样避免偶然误差；四种类型的酒样按等级分别标记为yn(w-u),yj(w-u),yq(w-u),yf(w-u)，w＝i,ii,
…
,v对应五个等级，u＝1,
…
,6对应六次采样；
11.取得的微量成分含量包含甲酸、乙酸、丙酸、丁酸、异戊酸、己酸、乳酸、总酸、总酯、乙醛、乙缩醛、正丙醇、异丁醇、异戊醇、乙酸乙酯、丁酸乙酯、乳酸乙酯和己酸乙酯，共计m种微量成分，对应的理化指标记为(r1,r2,
…
,rm)；
12.s2：数据预处理，选择与香型有关的辅助变量；
13.将s1中采样的数据划分为按香型区分的四类数据形式，再用偏最小二乘回归方法选取对香型分类影响较大的辅助变量，即回归系数较大的几种微量成分含量；自变量为理化指标(r1,r2,
…
,rm)，只针对香型判别，因变量y根据香型取为浓香型y＝0，酱香型y＝1，清香型y＝2，凤香型y＝3，即
[0014][0015]
取回归系数较大的几个辅助变量，去除相关性较小的几个变量，最终用于香型识别的变量为(r1,
…
,rn)，共计n种微量成分含量；用于香型识别的理化指标(r1,
…
,rn)筛选出来后，与赋值的因变量y对应即为预处理后的白酒数据；
[0016]
s3：模糊神经网络训练识别白酒香型；
[0017]
s31：t-s模糊神经网络；
[0018]
在t-s模糊逻辑系统中，用if和then的语句形式来叙述一条规则：
[0019][0020]
式中rv表示规则集中的第v条规则，表示这条规则中的模糊集合，c均为这条规则中的常数，即系统的输出由输入的线性组合来表示，转化为数值上的对应关系；
[0021]
神经网络结构由前件网络和后件网络组成，前件部分是经典模糊理论中的if部分即前提，后件部分是经典模糊理论中的结论部分即then部分，本方法利用多输入单输出系统miso，每个后件子网络产生一个输出，对于单输出系统，后件网络中只有一个网络；设输入变量为x＝[x1,
…
,xn]，共计n个输入量，规则共有p条，输出变量为y，即白酒对应的香型；
[0022]
t-s模糊神经网络拓扑结构为：
[0023]
(1)前件网络
[0024]
第一层：输入层，每个节点代表一个输入变量xi,i＝1,
…
,n，即筛选出的白酒微量
成分含量ri；
[0025]
第二层：模糊化层，接收第一层网络传递的输入变量，计算输入变量对应的模糊集合的隶属度函数；选取高斯函数为该t-s模糊神经网络的隶属度函数，即：
[0026][0027]
式中为第i个辅助变量的第j个隶属度函数，c
ij
与b
ij
为实数常数，分别表示隶属度函数中的均值与方差，即对应于高斯函数的中心和宽度；
[0028]
第三层：规则层，每个节点对应一条模糊规则，共计p条模糊规则；计算权重的方式有取最小值和连乘两种，对输出的各个隶属度用连乘的形式进行模糊计算，得到每一条规则的适用程度，用θj来表示，
[0029][0030]
式中j对应第j条规则，n为输入变量的个数，p为规则数；
[0031]
第四层：去模糊化层，即对每条规则的适用程度进行归一化运算，输出归一化后的数据
[0032][0033]
(2)后件网络
[0034]
第一层：输入层，其中第零个输入量不是白酒的微量成分含量，而是常数值x0＝1，用于表征模糊规则中的常数项；其余每个节点代表一个输入变量xi，即白酒的微量成分含量；
[0035]
第二层：中间层，也称模糊规则层，用于匹配模糊规则，每个节点匹配一条规则，一共有p个节点，每条规则匹配对应的加权参数，计算式如下：
[0036][0037]
式中，x0＝1，yj对应模糊规则的第j个推论部分，为神经网络的加权参数；
[0038]
第三层：输出层，结合前件网络的输出表征每条规则的适用程度，进而计算整个系统最终的输出部分，即白酒对应的香型y，多输入单输出系统，最后只有一个输出y；
[0039][0040]
采用粒子群算法pso对网络参数隶属度函数中心和宽度c
ij
,b
ij
进行优化修正，粒子群算法在求解最优化问题中，通过粒子间信息的交互来使得粒子的值趋向于群体最优粒子；
[0041]
误差函数定义为：
[0042][0043]
式中yg为期望的模型输出香型数值，y为模糊神经网络实际的输出香型数值；
[0044]
s32：网络训练过程
[0045]
归一化操作如下：
[0046][0047]
通过归一化处理使得变量范围为x∈[0,1]，消除较大的数量上的误差；初始化各项参数：模糊神经网络系统的隶属度函数中的均值与方差，即隶属度函数的中心和宽度c
ij
,b
ij
，以及各项权重系数均初始化取(0,1)内的随机数；规则数按照p＝2n 1进行计算；
[0048]
将输入输出对应，取数据集中的70％为训练数据，30％为测试数据，将模型用matlab编程实现，数据导入后对网络进行训练，用误差函数来评估网络的训练效果；
[0049]
采用粒子群算法pso进行修正，满足终止条件完成优化修正；
[0050]
s4：数据预处理，选择特定香型下与等级有关的辅助变量；
[0051]
将s1中取得的浓香型白酒的数据划分出来，并按照浓香型白酒的等级对数据进行分类；
[0052]
选择特定香型下对等级划分影响最大的微量成分含量，作为辅助变量输入模糊神经网络；
[0053]
选取变量后确定输入变量的数目q，网络输入为(x1,
…
,xq)对应选择的辅助变量(r1,
…
,rq)，规则数按照p＝2q 1进行计算，输出为白酒对应香型下的等级，记为y，分为五个等级；每一等级随机采样六次，随机赋该等级数字附近的随机值；
[0054]
对于划分为等级i的其他浓香型酒样，任意选择其中一次采样赋y值为1，其他五次赋值为1 rand(-0.2,0)，rand()代表在区间范围内随机取值；规定最终y的数值与等级的对应关系为：
[0055]
浓香型白酒等级：
[0056]
s5：模糊神经网络训练评价特定香型下白酒的等级
[0057]
等级划分对应的数据集输入变量为x＝[x1,
…
,xq]，共计q个输入量，规则共有p条，输出变量为y，即对应香型下白酒的等级；初始化：模糊神经网络系统的隶属度函数中的c
ij
,b
ij
，以及各项权重系数均取(0,1)内的随机数；
[0058]
与s4中的描述一致表征每条规则的适用程度，yj对应模糊规则的推论部分，该多输入单输出系统的输出为特定香型下对应的等级y；
[0059][0060]
学习算法中误差函数定义为：
[0061][0062]
式中yg为期望的模型输出等级数值，y为模糊神经网络实际的输出等级数值；
[0063]
采用粒子群算法pso进行修正，优化t-s模糊神经网络，预设较小的误差阈值εn，用来表示误差收敛到较小值完成训练；
[0064]
将输入输出对应，取数据集中的70％为训练数据，30％为测试数据，将模型用matlab编程实现，数据导入后对网络进行训练，用误差函数来评估网络的训练效果；
[0065]
重复s4和s5，完成其他香型的白酒等级评价网络训练；
[0066]
(1)将s1中取得的酱香型白酒的数据划分出来，并按照酱香型白酒的等级对数据进行分类；进行数据预处理，完成酱香型白酒等级评价网络训练；
[0067]
(2)将s1中取得的清香型白酒的数据划分出来，并按照清香型白酒的等级对数据进行分类；进行数据预处理，完成清香型白酒等级评价网络训练；
[0068]
(3)将s1中取得的凤香型白酒的数据划分出来，并按照凤香型白酒的等级对数据进行分类；进行数据预处理，完成凤香型白酒等级评价网络训练；
[0069]
构建白酒香型等级一体化评价框架，将待识别白酒的相关微量成分信息输入，通过香型识别网络识别香型，再转入等级评价模型输出等级信息。
[0070]
可选的，所述粒子群算法pso用于优化模糊神经网络；先给每个粒子随机初始化值，再通过迭代更新求解最优值；将t-s模糊神经网络后件网络的加权参数、隶属度函数的中心和宽度作为粒子，算法中的适应值为预测误差e；粒子通过自身与周围粒子的经验更新自身的速度，通过跟踪个体最优值lb与全局最优值gb跟踪自身的位置，为避免陷入局部最优，全局最优值只采用粒子局部领域内的最优值db；
[0071]
pso算法求解流程如下：
[0072]
1)d维空间内粒子随机初始化
[0073]
2)计算适应值，即t-s模糊神经网络的训练误差
[0074]
3)更新个体粒子的最优值与群体粒子的最优值；更新粒子的速度v与位置p；更新公式为：
[0075]vi,h 1
＝ω*v
i,h
c1*r1*(l
i,h-p
i,h
) c2*r2*(d
i,h-p
i,h
)
[0076]
p
i,h 1
＝p
i,h
v
i,h 1
[0077]
式中为第i个粒子在h次迭代时刻的速度，为第i个粒子在h次迭代时刻的位置，对应后件网络的加权参数，为第i个粒子在第h次迭代时刻的个体最优值，为第h次迭代时刻第i个粒子的局部领域最优值；c1,c2为常数，r1,r2∈[0,1]为随机生成的常数，ω为惯性权重；
[0078]
4)判断是否满足终止条件，即粒子群算法迭代次数达到最大值；
[0079]
通过粒子群算法修正网络参数，达到优化t-s模糊神经网络的作用，加快收敛速度，减少过程中的振荡。
[0080]
本发明的有益效果在于：
[0081]
(1)现有技术针对的只是某一方面的识别，如偏最小二乘回归方法识别白酒香型，用主成分分析法进行酒质评价等，本发明中提出的方法可以根据白酒的微量成分含量实现香型识别和等级划分两项任务。
[0082]
(2)由于评价等级间存在非线性关系，因此分级评价存在着不完善与指标差异过大的问题，应用模糊神经网络有助于克服这一混淆问题，在理化指标多种多样的情况下实
现统一的等级划分。
[0083]
(3)人工品评的方式存在较大的主观误差和偶然因素，用理化指标的方法对白酒进行识别评价，方法更为客观严谨，可以公正地识别评价白酒的香型与等级。
[0084]
(4)用模糊神经网络的框架代替人工品评，提升了白酒识别评价的效率，操作上也较为简便，只需将待识别白酒的理化指标输入，即可通过模糊神经网络输出识别的香型与对应的等级。用粒子群算法进行优化，使得网络有更好的自适应能力和鲁棒性。
[0085]
(5)从微量成分的角度用数值来分析白酒的香型与等级，有助于白酒行业建立统一的识别评价标准，完善评价指标。
[0086]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0087]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0088]
图1为酒厂的操作方案；
[0089]
图2为本发明设计流程图；
[0090]
图3为t-s模糊神经网络结构；
[0091]
图4为区分香型网络训练操作流程图；
[0092]
图5为网络训练流程图；
[0093]
图6为训练操作流程图。
具体实施方式
[0094]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0095]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0096]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术
人员而言，可以根据具体情况理解上述术语的具体含义。
[0097]
本发明针对通过白酒理化指标确定香型等级评估的过程，设计了一种利用模糊神经网络建立相关理化指标与白酒香型等级关系的模型，对白酒香型识别与等级划分具有参考价值，用理化指标来评价的方法也较为客观。理化指标自变量较多、相关性较高、不确定性强，因此可以先用偏最小二乘回归方法对数据先进行处理，再使用模糊神经网络进行训练，利用模糊神经网络的模糊推理能力和自学习能力，实现理化指标下对白酒香型与等级的识别评价。
[0098]
本发明针对酒厂的操作方案如图1所示。图中(r1,r2,
…
,rm)为检测白酒的理化指标，即微量成分含量，m为微量成分的总数量。为实现上述目标，本发明中的具体设计流程如图2所示，包括以下五个步骤：
[0099]
s1：获取实验数据。
[0100]
通过气相色谱法测得多组不同香型等级的白酒理化指标，即白酒的微量成分含量。为便于描述，这里设每种香型各有5个等级(i,ii,iii,iv,v)，暂取浓香型yn、酱香型yj、清香型yq、凤香型yf四种香型，为保证数据量，每一香型5个等级的白酒均取典型酒样，每种典型酒样重复采样六次，多次采样避免偶然误差。四种类型的酒样按等级分别标记为yn(w-u),yj(w-u),yq(w-u),yf(w-u)，w＝i,ii,
…
,v对应五个等级，u＝1,
…
,6对应六次采样。
[0101]
取得的微量成分含量包含甲酸、乙酸、丙酸、丁酸、异戊酸、己酸、乳酸、总酸、总酯、乙醛、乙缩醛、正丙醇、异丁醇、异戊醇、乙酸乙酯、丁酸乙酯、乳酸乙酯、己酸乙酯等共计m种微量成分，对应的理化指标记为(r1,r2,
…
,rm)。
[0102]
s2：数据预处理，选择与香型有关的辅助变量。
[0103]
偏最小二乘回归方法是机器学习中一类典型的回归分析方法，综合了多元线性回归、主成分回归、最小二乘的功能。可以在样本量少、相关性高、自变量多的数据中筛选出自变量中对因变量影响较大的几种相关变量。
[0104]
本发明中的数据预处理过程，先将s1中采样的数据划分为按香型区分的四类数据形式。再用偏最小二乘回归方法选取对香型分类影响较大的辅助变量，即回归系数较大的几种微量成分含量。自变量为理化指标(r1,r2,
…
,rm)，由于只针对香型的判别，因变量y可根据香型取为浓香型y＝0，酱香型y＝1，清香型y＝2，凤香型y＝3，即
[0105][0106]
取回归系数较大的几个辅助变量，去除相关性较小的几个变量，最终用于香型识别的变量为(r1,
…
,rn)，共计n种微量成分含量。用于香型识别的理化指标(r1,
…
,rn)筛选出来后，与赋值的因变量y对应即为预处理后的白酒数据。
[0107]
s3：模糊神经网络训练识别白酒香型。
[0108]
s31：t-s模糊神经网络。
[0109]
模糊推理类似于人的思考过程，适用于具有模糊性和不确定性的问题。绝大多数知识都有模糊性和不确定性的特点，白酒的香型识别与等级划分也有这样的特点。
[0110]
模糊推理由论域、元素、集合组成。论域：推理过程中所讨论的全部对象。元素：在
论域里面得对象。集合：由元素组成的有某种确定的，可以区别的特征的全体。通常用隶属度来描述一个元素对一个集合的隶属程度。模糊规则的一般形式为if-then语句，在后续t-s模糊逻辑系统中会做具体阐述。
[0111]
神经网络具有自学习和自适应的特点，在参数更新修正方面有较大的优势。模糊神经网络集合了模糊推理与神经网络的优点，比单纯的逻辑推理和神经网络更具优势，可以基于先验知识来描述白酒等级评价中理化指标与等级评价之间的非线性关系，完善评价指标。本发明中选用t-s模糊神经网络，是复杂非线性系统进行模糊建模的一种典型机制，构成各条规则的线性组合。
[0112]
在t-s模糊逻辑系统中，用if和then的语句形式来叙述一条规则：
[0113][0114]
式中rv表示规则集中的第v条规则，表示这条规则中的模糊集合，c均为这条规则中的常数。即系统的输出可以由输入的线性组合来表示，转化为数值上的对应关系。
[0115]
神经网络结构由前件网络和后件网络组成，前件部分是经典模糊理论中的if部分即前提，后件部分是经典模糊理论中的结论部分即then部分。本发明中系统为多输入单输出系统(miso)，每个后件子网络产生一个输出，因此对于单输出系统，后件网络中只有一个网络。设输入变量为x＝[x1,
…
,xn]，共计n个输入量，规则共有p条，输出变量为y，即白酒对应的香型。
[0116]
t-s模糊神经网络拓扑结构如图3所示。
[0117]
(1)前件网络(特征网络)
[0118]
第一层：输入层，每个节点代表一个输入变量xi(i＝1,
…
,n)，即筛选出的白酒微量成分含量ri。
[0119]
第二层：模糊化层，接收第一层网络传递的输入变量，计算输入变量对应的模糊集合的隶属度函数。选取高斯函数为该t-s模糊神经网络的隶属度函数，即
[0120][0121]
式中为第i个辅助变量的第j个隶属度函数，c
ij
与b
ij
为实数常数，分别表示隶属度函数中的均值与方差，即对应于高斯函数的中心和宽度。
[0122]
第三层：规则层，每个节点对应一条模糊规则，共计p条模糊规则。计算权重的方式有取最小值和连乘两种，本发明中对输出的各个隶属度用连乘的形式进行模糊计算，得到每一条规则的适用程度，用θj来表示，
[0123][0124]
式中j对应第j条规则，n为输入变量的个数，p为规则数。
[0125]
第四层：去模糊化层，即对每条规则的适用程度进行归一化运算，输出归一化后的数据
[0126]
[0127]
(2)后件网络(功能网络)
[0128]
第一层：输入层，其中第零个输入量不是白酒的微量成分含量，而是常数值x0＝1，用于表征模糊规则中的常数项。其余每个节点代表一个输入变量xi(i＝1,
…
,n)，即白酒的微量成分含量
[0129]
第二层：中间层，也称模糊规则层，用于匹配模糊规则，每个节点匹配一条规则，因此一共有p个节点，每条规则匹配对应的加权参数，计算式如下：
[0130][0131]
式中，x0＝1，yj对应模糊规则的第j个推论部分，为神经网络的加权参数。
[0132]
第三层：输出层，结合前件网络的输出表征每条规则的适用程度，进而计算整个系统最终的输出部分，即白酒对应的香型y，多输入单输出系统，因此最后只有一个输出y。
[0133][0134]
采用粒子群算法(pso)对网络参数隶属度函数中心和宽度c
ij
,b
ij
进行优化修正，粒子群算法在求解最优化问题中，可以通过粒子间信息的交互来使得粒子的值趋向于群体最优粒子。
[0135]
误差函数定义为：
[0136][0137]
式中yg为期望的模型输出香型数值，y为模糊神经网络实际的输出香型数值。
[0138]
在本问题中，粒子群(pso)算法用于优化模糊神经网络。先给每个粒子随机初始化值，再通过迭代更新求解最优值。将t-s模糊神经网络后件网络的加权参数、隶属度函数的中心和宽度作为粒子，算法中的适应值为预测误差e。粒子通过自身与周围粒子的经验更新自身的速度，通过跟踪个体最优值lb与全局最优值gb跟踪自身的位置，为避免陷入局部最优，全局最优值只采用粒子局部领域内的最优值db。
[0139]
pso算法求解流程如下：
[0140]
1)d维空间内粒子随机初始化
[0141]
2)计算适应值，即t-s模糊神经网络的训练误差
[0142]
3)更新个体粒子的最优值与群体粒子的最优值；更新粒子的速度v与位置p。更新公式为：
[0143]vi,h 1
＝ω*v
i,h
c1*r1*(l
i,h-p
i,h
) c2*r2*(d
i,h-p
i,h
)
[0144]
p
i,h 1
＝p
i,h
v
i,h 1
[0145]
式中为第i个粒子在h次迭代时刻的速度，为第i个粒子在h次迭代时刻的位置，对应后件网络的加权参数，为第i个粒子在第h次迭代时刻的个体最优值，为第h次迭代时刻第i个粒子的局部领域最优值。c1,c2为常数，r1,r2∈[0,1]为随机生成的常数，ω为惯性权重。
[0146]
4)判断是否满足终止条件(粒子群算法迭代次数达到最大值)
[0147]
通过粒子群算法修正网络参数，可以达到优化t-s模糊神经网络的作用，加快收敛速度，减少过程中的振荡。
[0148]
s32：网络训练过程
[0149]
因为白酒微量成分含量存在较大差异，因此先对数据进行归一化处理，避免网络拟合过程中预测误差过大。归一化操作如下：
[0150][0151]
通过归一化处理使得变量范围为x∈[0,1]，消除较大的数量上的误差。初始化各项参数：模糊神经网络系统的隶属度函数中的均值与方差，即隶属度函数的中心和宽度c
ij
,b
ij
，以及各项权重系数均初始化取(0,1)内的随机数；规则数按照p＝2n 1进行计算。
[0152]
将输入输出对应，取数据集中的70％为训练数据，30％为测试数据，将模型用matlab编程实现，数据导入后即可对网络进行训练，用误差函数来评估网络的训练效果。具体操作流程表示为图4。
[0153]
采用粒子群(pso)算法进行修正，优化t-s模糊神经网络的流程如图5所示，满足终止条件即可完成优化修正。由于粒子群算法对餐食较为敏感，参数ω、c1、c2不能直接随机生成，而是参照资料预先设置适合的参数。图中num表示输入训练的样本数，ε为预设的较小阈值，用来表示误差收敛到较小值即可完成训练。
[0154]
s4：数据预处理，选择特定香型下与等级有关的辅助变量
[0155]
将s1中取得的浓香型白酒的数据划分出来，并按照浓香型白酒的等级对数据进行分类。
[0156]
不同白酒香型对应的辅助变量与输出各不相同，以一种香型浓香型为例，根据前面的偏最小二乘回归方法选择在浓香型中对等级评判影响最大的几种辅助变量，需要与s2有所区别的是，s2是通过偏最小二乘回归方法确定与香型有关的变量，而s4是在某一特定香型下确定与白酒等级有关的变量，即选择特定香型下对等级划分影响最大的几种微量成分含量，作为辅助变量输入模糊神经网络。
[0157]
选取变量后即可确定输入变量的数目q，网络输入为(x1,
…
,xq)对应选择的辅助变量(r1,
…
,rq)，规则数按照p＝2q 1进行计算，输出为白酒对应香型下的等级，记为y，按照前文的定义，分为五个等级。每一等级随机采样六次，随机赋该等级数字附近的随机值。以划分为等级i的其他浓香型酒样为例，任意选择其中一次采样赋y值为1，其他五次赋值为1 rand(-0.2,0)，rand()代表在区间范围内随机取值。为保证模型训练效果，在神经网络的训练数据中，也可同时多取其他满足等级划分的酒样，赋值过程一致。规定最终y的数值与等级的对应关系为(以浓香型为例)
[0158]
浓香型白酒等级：
[0159]
s5：模糊神经网络训练评价特定香型下白酒的等级
[0160]
模糊神经网络的设置与s4中相类似，需要注意区分的是等级划分对应的数据集与
香型识别对应的数据集标注方式不同，输入变量为x＝[x1,
…
,xq]，共计q个输入量，规则共有p条，输出变量为y，即对应香型下白酒的等级。初始化：模糊神经网络系统的隶属度函数中的c
ij
,b
ij
，以及各项权重系数均取(0,1)内的随机数。
[0161]
网络中的定义除变量与规则外与s4中的基本一致，此处不再赘述。与s4中的描述一致表征每条规则的适用程度，yj对应模糊规则的推论部分，即可该多输入单输出系统的输出为特定香型下对应的等级y。
[0162][0163]
学习算法中误差函数定义为
[0164][0165]
式中yg为期望的模型输出等级数值，y为模糊神经网络实际的输出等级数值。
[0166]
采用粒子群(pso)算法进行修正，优化t-s模糊神经网络，预设较小的误差阈值εn，用来表示误差收敛到较小值即可完成训练。优化修正流程与图5类似。
[0167]
将输入输出对应，取数据集中的70％为训练数据，30％为测试数据，将模型用matlab编程实现，数据导入后即可对网络进行训练，用误差函数来评估网络的训练效果。具体操作流程可表示为图6。
[0168]
重复s4和s5，完成其他香型的白酒等级评价网络训练。
[0169]
(1)将s1中取得的酱香型白酒的数据划分出来，并按照酱香型白酒的等级对数据进行分类。进行数据预处理，完成酱香型白酒等级评价网络训练。
[0170]
(2)将s1中取得的清香型白酒的数据划分出来，并按照清香型白酒的等级对数据进行分类。进行数据预处理，完成清香型白酒等级评价网络训练。
[0171]
(3)将s1中取得的凤香型白酒的数据划分出来，并按照凤香型白酒的等级对数据进行分类。进行数据预处理，完成凤香型白酒等级评价网络训练。
[0172]
综合香型识别与等级评价的模型，借助模糊神经网络这一基本推理体系，即可构建白酒香型等级一体化评价框架。只需要将待识别白酒的相关微量成分信息输入，即可通过香型识别网络识别香型，再转入等级评价模型输出等级信息。
[0173]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。