基于模糊递归小波神经网络的葡萄酒品质预测

周红标，柏小颖，卜 峰，应根旺

(淮阴工学院 自动化学院，江苏 淮安 223003)

基于模糊递归小波神经网络的葡萄酒品质预测

周红标，柏小颖，卜 峰，应根旺

(淮阴工学院 自动化学院，江苏 淮安 223003)

针对葡萄酒品质预测模型难以建立的问题，提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型;利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出，采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值;仿真实验时，首先利用Mackey-Glass混沌时间序列进行了性能测试，然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证;结果显示，与多层感知器、径向基函数神经网络等传统前馈神经网络相比，构建的模糊递归小波神经网络品质预测模型具有更高的预测精度，更加适合于葡萄酒的品质预测。

模糊递归小波神经网络；葡萄酒；品质预测

0 引言

葡萄酒是采用新鲜葡萄经发酵酿造而成的酒精饮料[1]，主要分红葡萄酒和白葡萄酒，曾经一度是贵族专享的奢侈品，如今越来越受到广大消费者的喜爱[2]。葡萄酒品质一直都是生产者、经营者和消费者关注的重点，对葡萄酒品质的鉴定不仅保证了消费者的权益，而且对酿酒过程的质量监控、工艺的改造升级都起着重要作用。传统的品质鉴别主要依靠品酒师人工品鉴[3]，鉴别结果不可避免地受到品酒师自身专业素养、身体状况、情绪及评酒环境的影响[4]。因此，如何更方便、更客观地对葡萄酒进行品质评价，就显得尤为迫切[5]。

Ebeler[6]等人率先对葡萄酒进行化学测定，进而结合感官评估完成品质鉴定。Legin[7]等人运用电子舌采集样品味觉信息，进而结合神经网络方法完成种类判别。Cortez[8]等人采用支持向量机对葡萄酒的物理化学指标进行分析，构建分类模型。吴瑞红[9]等人采用最小二乘支持向量机构建葡萄酒品质评判模型，取得100%的识别正确率。张浩彬[10]等人采用决策树等数据挖掘方法构建分类器，取得75.61%的识别正确率。曾祥燕[11]等人采用BP神经网络构建品质预测模型，模型绝对误差最大值为0.35，取得了较好的预测精度。

纵观上述方法，研究者主要利用神经网络或数据挖掘方法对葡萄酒样本进行分类研究，很少涉及到品质预测模型的研究[12]。此外，构建分类模型所用的神经网络也主要是传统的前馈网络。众所周知，神经网络主要分为前馈网络和反馈网络，前馈网络由于不存在递归关系，网络复杂度低，模型构建容易，但同时也存在动态性能差、预测精度低等缺陷[13]。本文采用模糊递归小波神经网络(fuzzy recurrent wavelet neural network, FRWNN)，分别利用葡萄酒的物理化学指标和品酒师评分作为模型输入和输出，构建葡萄酒品质预测模型。FRWNN将小波函数的多分辨率分析特性和递归神经网络动态信息表征能力集于一体，对未知函数的逼近能力更强，更能刻画模型输入输出之间的非线性映射关系。最后，将FRWNN预测模型与多层感知器(multilayer perceptron, MLP)、径向基函数神经网络(radial basis function neural network, RBFNN)和模糊神经网络(fuzzy neural network, FNN)等预测模型进行了对比分析。

1 模糊递归小波神经网络

模糊神经网络主要分TSK型和Mamdani型，由于TSK型模糊神经网络后件部分与输入成线性关系，其对输入数据的动态变化更加敏感，因此，本文选用TSK型模糊神经网络。为了提高系统的动态响应能力，递归神经网络和小波神经网络受到了许多研究者的关注，也有学者将递归和小波函数集成到模糊神经网络中，提出了多种模糊小波神经网络模型。本文采用了Ganjefar[14]等人提出的单隐含层模糊递归小波神经网络，其结构如图1所示。该FRWNN结构不仅保留了TSK模糊神经网络后件的简便性，而且通过加入具有时频局部化特征的小波函数和递归结构，提高了网络对动态信息的处理能力。

图1 模糊递归小波神经网络结构图

前件网络第一层为模糊神经网络输入层，该层有Nin个神经元，该层神经元直接与输入向量的各分量xi相连，其输出等于输入，即:

uAi=xi

(1)

其中:i=1,2,…,Nin，uAi是该层第i个神经元的输出。

前件网络第二层为模糊神经网络隶属函数层，由于每个输入神经元有Nr个隶属函数，因此，该层有Nin×Nr个神经元。一般采用高斯函数作为隶属函数，该层神经元的输出为隶属度值，即:

(2)

其中:i=1,2,…,Nin，j=1,2,…,Nr，cij和σij分别是第一层第i个神经元对应的第二层第j个神经元的高斯函数的中心和宽度，φAij是相应隶属函数层神经元的输出。

前件网络第三层为模糊神经网络规则化层，该层有Nr个神经元，主要对隶属函数层输出执行∏和归一化操作，神经元输出表示模糊规则激活强度，代表了规则的前件部分，规则层第j个神经元输出和归一化输出分别为：

(3)

(4)

后件网络第一层为递归小波神经网络输入层，该层有Nin个神经元，该层神经元直接与输入向量的各分量xi相连，其输出等于输入，即:

uBi=xi

(5)

其中:i=1,2,…,Nin，uBi是该层第i个神经元的输出。

后件网络第二层为递归小波神经网络小波层，由于每个输入神经元有Nr个小波神经元，因此，该层有Nin×Nr个神经元。本文选取墨西哥帽小波，该层的输出为:

(6)

其中:j=1,2,…,Nr，vij(k)=xi(k)+θij(k)vij(k-1)，tij、dij和θij分别为小波函数的平移因子、伸缩因子和自反馈因子。

后件网络第三层为递归小波神经网络乘积层，该层有Nr个神经元，主要是对小波层的输出进行相乘，该层的输出为:

(7)

其中:i=1,2,…,Nin，j=1,2,…,Nr。

最后，整个FRWNN的输出为:

(8)

其中:j=1,2,…,Nr，ψj=wjμBj，wj是乘积层与输出层之间的连接权值。

FRWNN需要学习的参数有6个，分别是cij、σij、tij、dij、θij和wj，参数学习一般采用梯度下降算法。定义目标函数如下：

(9)

其中:yd(k)和y(k)分别表示第k时刻的网络期望输出和实际输出。

参数的更新[13]公式如下：

(10)

(11)

(12)

(13)

(14)

(15)

其中:η为参数的学习率。

2 仿真实验

2.1 模型性能验证

本文性能验证实验选取的是Mackey-Glass混沌时间序列预测，其由公式(16)描述：

(16)

(17)

从图2和图3可以看出，所构建的FRWNN预测模型对Mackey-Glass时间序列的预测精度较高，预测误差主要在±0.01之间。FRWNN预测模型的RMSE均值和方差分别为0.0075和0.0007，APE均值和方差分别为0.0071和0.0003。相比MLP、RBF等前馈神经网络，FRWNN对动态信息的表征能力更强，预测精度更高，而且模型的稳定性更好，更适合于处理葡萄酒品质数据。

图2 Mackey-Glass预测结果

图3 Mackey-Glass预测误差

模型RMSEAPE耗时/秒FRWNN0.0075±0.00070.0071±0.000396.01FWNN0.0118±0.00130.0097±0.000885.15FNN0.0125±0.00220.0102±0.001977.26WNN0.0128±0.00180.0114±0.001376.04RBF0.0135±0.00250.0108±0.001065.06MLP0.0154±0.00310.0112±0.001545.11

2.2 葡萄酒品质预测

2.2.1 实验数据

本实验数据来自于UCI数据集，其主要由葡萄牙米尼奥大学Cortez等人收集，包含1599个红酒样本和4898个白酒样本[7]。采用常见的物理化学测试手段对样本进行分析，主要指标有非挥发性酸、挥发性酸、柠檬酸、残糖、氯化物、游离二氧化硫、总二氧化硫、浓度、pH、硫酸盐、酒精度，因此模型输入量有11个。样本输出为品酒师的品质打分，模型输出量为1个。样本属性统计情况见表2。

2.2.2 参数设置

根据样本的输入输出量的个数，构建11-25-1的FRWNN预测模型。这里25代表网络前件规则层神经元为25个，因此，前件隶属函数层有11×25=275个神经元，后件小波隐含层有275个神经元，后件小波输出层有25个神经元。网络学习率η取为0.01，前件隶属函数层中心、宽度，后件小波隐含层的以及递归系数初始化时均在[0,1]之间随机取值，网络的迭代步数设置为5000步。

表2 样本属性统计

2.2.3 结果分析

首先从白葡萄酒和红葡萄酒数据集中各自随机挑选500个样本，其中450个样本作为训练集，剩余50个样本作为测试集。图4和图5分别给出了白葡萄酒预测结果和预测误差。图6和图7分别给出了红葡萄酒预测结果和预测误差。

图4 白葡萄酒预测结果 图5 白葡萄酒预测误差

图6 红葡萄酒预测结果 图7 红葡萄酒预测误差

从图4到图7可以看出，构建的FRWNN预测模型能够较好地对葡萄酒进行品质预测，预测误差主要集中在±1之间。预测结果表明FRWNN预测模型能够模仿品酒师对样品进行打分，这有助于葡萄酒生产过程品质监控。为了更清晰地展示模型的预测性能，表3给出了葡萄酒测试集前5个样本的输入输出及模型预测结果，表4给出了FRWNN与其他预测模型的性能比较。

从表2可以看出，针对白葡萄酒的5个样本，预测模型输出和品酒师打分的主要部分(个位、十位)都一致，区别在于十分位和百分位，这也印证了模型的误差主要集中在±1之间。红葡萄酒1号样本预测误差较大，其余样本误差在±1之间。从表3可以看出，对于白葡萄酒，FRWNN预测模型的RMSE均值和方差分别为0.627和0.008，APE均值和方差分别为0.036和0.009。对于红葡萄酒，FRWNN预测模型的RMSE均值和方差分别为0.664和0.005，APE均值和方差分别为0.038和0.008。相比MLP、FNN和FWNN等预测模型，FRWNN的预测精度最高，而且模型的稳定性最好。当然，由于前件隶属函数层、后件小波隐含层的神经元个数较多，又存在动态递归连接结构，模型的训练耗时相对较长。

表3 FRWNN预测结果(仅列举测试集前5个样本)

表4 不同预测模型性能比较(30次求平均值)

3 结论

针对葡萄酒品质预测模型难以建立的问题，本文通过分析样品物理化学指标和品酒师打分之间的关系，利用模糊递归小波神经网络构建葡萄酒品质预测模型，通过梯度下降算法对模型参数进行自适应学习，以使模型能够获得较高的预测精度。利用UCI数据集中葡萄酒品质数据进行了实验验证，得到如下结论：相比前馈网络和传统的模糊神经网络，模糊递归小波神经网络能够更好地表征葡萄酒物理化学指标和品酒师打分之间的输入输出映射关系，模型预测精度有较大程度的提高，建模耗时也在可接受范围内。因此，该品质预测模型值得推广应用。

[1] Gambetta J M, Cozzolino D, Bastian S E P, et al. Towards the Creation of a Wine Quality Prediction Index: Correlation of Chardonnay Juice and Wine Compositions from Different Regions and Quality Levels[J]. Food Analytical Methods, 2016: 1-14.

[2] Vrhovsek U, Mattivi F, Waterhouse A L. Analysis of red wine phenolics: comparison of HPLC and spectrophotometric methods[J]. VITIS-Journal of Grapevine Research, 2015, 40(2): 87.

[3] 蒋鼎国,周红标,耿忠华.基于PSO-SVM的白酒品质鉴别电子鼻[J],中国酿造,2011,(11):149-152.

[4] 周红标,李 珊,储程链,等.基于STM32和LabVIEW的白酒电子舌的设计[J].计算机测量与控制,2014,22(3):866-868.

[5] 周红标,张宇林,丁友威,等.自适应概率神经网络及其在白酒电子鼻中的应用[J],智能系统学报,2013,8(2):177-181.

[6] Noble A C, Ebeler S E. Use of multivariate statistics in understanding wine flavor[J]. Food Reviews International, 2002, 18(1): 1-20.

[7] Rudnitskaya A, Rocha S M, Legin A, et al. Evaluation of the feasibility of the electronic tongue as a rapid analytical tool for wine age prediction and quantification of the organic acids and phenolic compounds. The case-study of Madeira wine[J]. Analytica chimica acta, 2010, 662(1): 82-89.

[8] Cortez P, Cerdeira A, Almeida F, et al. Modeling wine preferences by data mining from physicochemical properties[J]. Decision Support Systems, 2009, 47(4): 547-553.

[9] 吴瑞红,王亚丽,张环冲,等.一种基于最小二乘支持向量机的葡萄酒品质评判模型[J].华侨大学学报(自然科学版),2013,34(1):30-35.

[10] 张浩彬.数据挖掘方法在葡萄酒品质鉴定中的应用[D].广州:暨南大学,2014.

[11] 曾祥燕,赵良忠,孙文兵,等.基于PCA 和BP 神经网络的葡萄酒品质预测模[J].食品与机械,2014,30(1):40-44.

[12] Baykal H, Yildirim H K. Application of artificial neural networks (ANNs) in wine technology[J]. Critical reviews in food science and nutrition, 2013, 53(5): 415-421.

[13] Lin Y Y, Chang J Y, Lin C T. Identification and prediction of dynamic systems using an interactively recurrent self-evolving fuzzy neural network[J]. IEEE transactions on neural networks and learning systems, 2013, 24(2): 310-321.

[14] Ganjefar S, Tofighi M. Single-hidden-layer fuzzy recurrent wavelet neural network: applications to function approximation and system identification[J]. Information Sciences, 2015, 294: 269-285.

Quality Prediction of Wine Based on Fuzzy Recurrent Wavelet Neural Network

Zhou Hongbiao, Bai Xiaoying, Bu Feng, Ying Genwang

(Faculty of Automation, Huaiyin Institute of Technology, Huai’an 223003, China)

Due to the difficulty in establishing wine quality prediction model, the modeling method based on fuzzy recurrent wavelet neural network is developed in this paper. Physical and chemical indicators and taster scoring are used as the input and output of the model. The parameters of network,such as centers and widths of membership layer, translation and dilation factors of wavelet function, self-feedback weight factors, and weights of output layer, are trained online by gradient descent algorithm. In simulation experiments, Mackey-Glass chaotic time series is tested firstly, and then the wine quality data of UCI data set is used to verify the quality prediction model. The results show that prediction model based on fuzzy recurrent wavelet neural network has higher prediction accuracy, compared with traditional feedforward neural network.

fuzzy recurrent wavelet neural network；wine；quality prediction

2016-11-10；

2016-12-06。

淮安市科技支撑项目(HAG2014001)。

周红标(1980-)，男，江苏高邮人，硕士，讲师，主要从事农业数字化、神经网络设计方向的研究。

1671-4598(2017)04-0021-04

10.16526/j.cnki.11-4762/tp.2017.04.007

TP183

A