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

技术特征：
1.一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，其特征在于：该方法包括以下步骤：s1：获取实验数据；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y
n
、酱香型y
j
、清香型y
q
、凤香型y
f
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y
n
(w-u),y
j
(w-u),y
q
(w-u),y
f
(w-u)，w＝i,ii,
…
,v对应五个等级，u＝1,
…
,6对应六次采样；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,
…
,r
m
)；s2：数据预处理，选择与香型有关的辅助变量；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,
…
,r
m
)，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,
…
,r
n
)，共计n种微量成分含量；用于香型识别的理化指标(r1,
…
,r
n
)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；s3：模糊神经网络训练识别白酒香型；s31：t-s模糊神经网络；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：式中r
v
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；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,
…
,x
n
]，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；t-s模糊神经网络拓扑结构为：(1)前件网络第一层：输入层，每个节点代表一个输入变量x
i
,i＝1,
…
,n，即筛选出的白酒微量成分含量r
i
；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：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；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θ
j
来表示，式中j对应第j条规则，n为输入变量的个数，p为规则数；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(2)后件网络第一层：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x
i
，即白酒的微量成分含量；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：式中，x0＝1，y
j
对应模糊规则的第j个推论部分，为神经网络的加权参数；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；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；误差函数定义为：式中y
g
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；s32：网络训练过程归一化操作如下：
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；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；采用粒子群算法pso进行修正，满足终止条件完成优化修正；s4：数据预处理，选择特定香型下与等级有关的辅助变量；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；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；选取变量后确定输入变量的数目q，网络输入为(x1,
…
,x
q
)对应选择的辅助变量(r1,
…
,r
q
)，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；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：浓香型白酒等级：s5：模糊神经网络训练评价特定香型下白酒的等级等级划分对应的数据集输入变量为x＝[x1,
…
,x
q
]，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；与s4中的描述一致表征每条规则的适用程度，y
j
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；学习算法中误差函数定义为：式中y
g
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；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ε
n
，用来表示误差收敛到较小值完成训练；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；
重复s4和s5，完成其他香型的白酒等级评价网络训练；(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；(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；(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；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。2.根据权利要求1所述的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，其特征在于：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l
b
与全局最优值g
b
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d
b
；pso算法求解流程如下：1)d维空间内粒子随机初始化2)计算适应值，即t-s模糊神经网络的训练误差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：v
i,h 1
＝ω*v
i,h
c1*r1*(l
i,h-p
i,h
) c2*r2*(d
i,h-p
i,h
)p
i,h 1
＝p
i,h
v
i,h 1
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；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；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。

技术总结
本发明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，属于智能学习领域。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。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。完善评价指标。完善评价指标。


技术研发人员：陈刚 李泓杰 蒲嫦莉 任江洪 罗军 唐辉荣 王晓平 蒲文良
受保护的技术使用者：重庆大学
技术研发日：2023.05.16
技术公布日：2023/7/22