灰關聯(lián)神經(jīng)網(wǎng)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(xiāng) 453007)

1 引言

葡萄酒是由新鮮葡萄或葡萄汁經(jīng)過酒精發(fā)酵而得到的一種飲料。其質(zhì)量的優(yōu)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(zhì)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(fā)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(zhì)的鑒定主要依賴于品酒師的專業(yè)水平，而品酒師的感官又是很難用理化數(shù)據(jù)精確闡明的，葡萄酒品質(zhì)受品酒師的主觀影響難免產(chǎn)生誤差。另外葡萄酒最終的質(zhì)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(shù)據(jù)的研究分析，加以人工品酒師的專業(yè)評判，必定可以相輔相成。

針對葡萄酒的理化數(shù)據(jù)，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(zhì)量之間的明確關系。文獻［3］結(jié)合多圖分析、支持向量機和神經(jīng)網(wǎng)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(yōu)勢。

在UCI數(shù)據(jù)庫［4］中提供的葡萄酒數(shù)據(jù)有178組，葡萄酒分為3個等級，受13種成分的影響。數(shù)據(jù)分析上通?？刹捎蒙窠?jīng)網(wǎng)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(zhì)量，因此可以首先對數(shù)據(jù)進行關聯(lián)分析，將處理后的數(shù)據(jù)應用于神經(jīng)網(wǎng)絡，提出了灰關聯(lián)分組神經(jīng)網(wǎng)絡模型，實驗表明，與經(jīng)典神經(jīng)網(wǎng)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(jīng)典神經(jīng)網(wǎng)絡訓練過程中出現(xiàn)的不穩(wěn)定情況。

2 灰關聯(lián)神經(jīng)網(wǎng)絡算法模型

通過將灰關聯(lián)理論與神經(jīng)網(wǎng)絡相結(jié)合，對葡萄酒質(zhì)量進行分析。算法結(jié)構(gòu)如圖1所示。

圖1 灰關聯(lián)神經(jīng)網(wǎng)絡

算法首先將數(shù)據(jù)按灰關聯(lián)度分析，充分體現(xiàn)出數(shù)據(jù)之間的相互影響，然后根據(jù)具體的數(shù)據(jù)環(huán)境通過人為干預加強或弱化某些因子，從而使得結(jié)果更合理。

2.1 多因子灰關聯(lián)分析

灰關聯(lián)分析是分析研究各因素之間關聯(lián)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(lián)分析確定各個因子(葡萄酒成分)的關聯(lián)程度。

假設數(shù)據(jù)因子集為 X={xi|i=1，2，...，l}，如果各個因子數(shù)列滿足下列條件，則稱X為灰關聯(lián)因子集:

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

(2)數(shù)列xi之間具有可接近性，即非平等性;

(3)數(shù)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(lián)因子集中的一個因子xi(1≤i≤l)為參考數(shù)列，以任意因子xj∈X且xj≠xi為比較數(shù)列，則二者間的絕對差為:

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

其中常數(shù)α為分辨率系數(shù)，于是有xj對xi的灰關聯(lián)度為:

鑒于數(shù)據(jù)庫中提供的數(shù)據(jù)相對比較平穩(wěn)，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(jié)果。以葡萄酒數(shù)據(jù)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(zhì)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(lián)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(qū)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(zhì)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(lián)因子集中的參考數(shù)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(shù)據(jù)得出與Total phenols關聯(lián)密切的成分，如表1所示。

表1 其他成分與Total phenols的灰關聯(lián)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(gòu)成。原數(shù)據(jù)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(lián)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(gòu)成。原數(shù)據(jù)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(zhì)量由各成分決定，通過數(shù)據(jù)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(zhì)量中所占比例分別為ω1、ω2、ω3，則葡萄酒最終質(zhì)量可以由以下公式確定:

表2 其他成分與Malic acid的灰關聯(lián)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(zhì)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(shù)據(jù)進行歸一化處理，以消除量綱之間的影響。

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

(3)將數(shù)據(jù)引入BP神經(jīng)網(wǎng)絡進行訓練和測試。

4 仿真數(shù)據(jù)對比分析

構(gòu)建的BP神經(jīng)網(wǎng)絡采用4層架構(gòu)，輸入層為數(shù)據(jù)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(zhì)量等級(數(shù)據(jù)需歸一化)。網(wǎng)絡誤差設為0.001。在MATLAB下執(zhí)行該算法10次，將數(shù)據(jù)［4］中2/3數(shù)據(jù)進行訓練，1/3數(shù)據(jù)進行仿真測試。表3給出了文中方法與經(jīng)典神經(jīng)網(wǎng)絡，即直接使用歸一化數(shù)據(jù)而沒有進行成分關聯(lián)分析的神經(jīng)網(wǎng)絡的對比結(jié)果。

表3 灰關聯(lián)神經(jīng)網(wǎng)絡和經(jīng)典神經(jīng)網(wǎng)絡數(shù)據(jù)對比

從上表可以看出，文中提出的灰關聯(lián)神經(jīng)網(wǎng)絡性能和經(jīng)典神經(jīng)網(wǎng)絡相比，各方面都有了很大提高，特別是在網(wǎng)絡訓練時間上，避免了經(jīng)典神經(jīng)網(wǎng)絡出現(xiàn)的不穩(wěn)定現(xiàn)象(多次實驗發(fā)現(xiàn)，網(wǎng)絡約有10%的不穩(wěn)定性，即會出現(xiàn)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(jié) 束 語

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

［1］尹春麗，丁春暉.昌黎原產(chǎn)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(tǒng)計分析在葡萄酒質(zhì)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(zhì)的葡萄酒質(zhì)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(jīng)網(wǎng)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(yōu)化［J］.微電子學與計算機，2011，28(10):164 －167，172.

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