基于PCA神经网络的葡萄酒评价模型研究

刘颖 王云 苗宇雷 宋景帅 陈丽芳

摘要：利用主成分分析与RBF神经网络相结合，建立葡萄酒质量评价预报模型，并进行训练和仿真验证。该模型运用SPSS软件对葡萄酒中影响风味指标进行主成分分析，将多变量、非线性的原始数据进行降维，保留原始信息的主要信息，把原来若干个属性变量综合成几个不相关主成分分量；再以计算结果作为RBF网络的输入数据，葡萄酒的感官评价得分作为网络的输出数据，建立葡萄酒主要理化指标与葡萄酒质量的关系模型。结果表明：该评价模型的建立，缩短了葡萄酒评价的周期，克服了品酒师聚集的困难；与传统RBF网络相比，大大简化了网络结构，提高了网络的训练速度和预报精度，为质量评价问题提供了一种的研究思路。

关键词：主成分分析；RBF神经网络；评价模型；理化指标

中图分类号：TP183；O29 文献标识码：B 文章编号：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

葡萄酒成分复杂，其质量是气味、口感、外观等的综合体现。主要依靠品酒专家进行品评，由其评分来确定葡萄酒的质量[1]。实际生活中，对葡萄酒的评价往往依赖于品酒师的经验，易受到主观因素的影响，而不能如实地反映葡萄酒的实际品质，因此，研究一种客观评价葡萄酒的模型，实现葡萄酒质量的综合、精准评价是非常必要的。本文即以葡萄酒理化指标和品酒师给出的质量评价数据作为研究背景[2]，通过主成分分析，对影响葡萄酒品质的因素进行计算、优化及处理，获得预处理后的结果，再结合RBF神经网络完成建模设计。该模型借助神经网络强大的自适应性、非线性逼近能力、良好的泛化能力和记忆能力[3]，建立葡萄酒的理化指标与葡萄酒质量的评价模型。经过主成分分析，将主成分分析结果作为RBF神经网络的输入，将品酒员给出的评分作为输出（期望输出），进行训练并通过仿真给出验证。该模型有效解决了传统的多元线性回归预报模型中多因素复杂性、预报精度低以及非线性等的问题，对酒品评价的科学性及酒品生产过程的可控性都具有十分重要的现实意义及实用价值。

1 评价模型构建

其中， 为第i列向量除以第i个特征根的开根后就得到第i 个主成分Fi的主成分的变量系数向量[5]。且 和 不相关，即 。

1.2 RBF神经网络

RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、数据分类预测、信息处理、系统建模等[6-8]。

RBF神经网络结构是一种三层前向网络，包含有一个输入层，一个隐含层和一个输出层的三层结构。如图1所示。隐含层是由一组径向基函数组成，径向基函数一般是高斯函数。RBF网络有2种模型：正规化网络和广义网络。正规化网络的隐单元就是训练样本，所以正规化网络中隐单元的个数与训练样本的个数也即相同。正规化网络的训练样本Xi与“基函数”φ（Xk ， Xi）是一一对应的，当N很大时，网络的实现复杂，且在求解网络的权值时容易产生病态问题。解决这一问题的方法是：减少隐含层神经元的个数。广义网络就是隐含层数目小于输入样本的个数的网络，因此本文采用广义网络建模。

3 结束语

本文建立了基于主成分分析的葡萄酒质量预报模型，数据预处理部分采用主成分分析法，将多个相关的变量综合成少数几个的互不相关的变量，解决了输入参数的相关性问题，并利用真实数据进行仿真验证，证明该模型有很高的预报精度。该评价模型研究为处理其他领域的非线性问题处理提供了很好的思路，具有一定的理论价值和应用价值。

参考文献：

[1]齐亚娥，曹志强，刘娅楠，等. 基于理化指标统计分析的葡萄酒质量评价模型 [J]. 河西学院学报， 2013， 29（5）：58-65.

[2] 编务组. 2012年全国大学生数学建模竞赛A题数据[EB/OL].[2016-3-31].http：//www.mcm.edu.cn/html_cn/block/c61dfec317d7a5bd9b2b8efed81c8af3.html.

[3]王金甲，尹涛，李静，等.基于物理化学性质的葡萄酒质量的可视化评价研究[J].燕山大学学报，2010，34（2）：133-137.

[4]于贞，姜爱莉. 主成分分析研究酚类物质对葡萄酒品质的影响[J] .酿酒科技，2011（6）：P107-109，112.

[5] 李运，李记明，姜忠军.统计分析在葡萄酒质量评价中的应用[J].酿酒科技，2009（4）：79-82.

[6]彭显刚，胡松峰，吕大勇. 基于RBF神经网络的短期负荷预测方法综述[J]. 电力系统保护与控制， 2011， 39（17）：144-148.

[7]周维华. RBF神经网络隐层结构与参数优化研究[D]. 上海：华东理工大学，2014.

[8]储兵，吴陈，杨习贝. 基于RBF神经网络与粗糙集的数据挖掘算法[J]. 计算机技术与发展， 2013， 23（7）：87-91.