[发明专利]红酒原产地的预测方法、装置、计算机设备及存储介质

权利要求书

1.一种红酒原产地的预测方法，其特征在于，包括：

获取红酒中元素含量和\或稳定同位素比值数据和对应红酒的产地数据并一同作为样本集合，并将所述样本集合划分为训练集和测试集；

对所述训练集和所述测试集进行归一化处理；

利用深度神经网络对经过归一化处理的训练集进行学习；

搭建训练集各训练点的多维空间分布,并在所述多维空间分布中加入测试集中的测试点；

根据所述多维空间分布中的测试点和训练点的相互关系进行参数调优，从而构建红酒原产地预测模型；

获取目标红酒中元素含量和\或稳定同位素比值数据，并输入至所述红酒原产地预测模型中预测得到目标红酒的产地数据。

2.根据权利要求1所述的红酒原产地的预测方法，其特征在于，所述获取红酒中元素含量和\或稳定同位素比值数据和对应红酒的产地数据并一同作为样本集合，并将所述样本集合划分为训练集和测试集，包括：

将所述样本集合按训练集占比80％、测试集占比20％的比例进行划分；

从所述训练集中随机抽取20％的样本，作为验证集。

3.根据权利要求1所述的红酒原产地的预测方法，其特征在于，所述对所述训练集和所述测试集进行归一化处理，包括：

判断每一类型所述含量数据的总个数是否超过预设个数阈值；

若对应类型的元素含量或者稳定同位素比值数据的总个数超过预设个数阈值，则采用平均值除以标准偏差的方法对所述对应类型的元素含量或者稳定同位素比值数据进行归一化处理，公式如下：

式中，y为经过归一化处理后的值，x为原始元素含量或者稳定同位素比值数据，为元素含量或者稳定同位素比值数据数据平均值，s为元素含量或者稳定同位素比值数据的标准偏差，x_i为第i个元素含量或者稳定同位素比值数据，N为元素含量或者稳定同位素比值数据个数；

若对应类型的元素含量或者稳定同位素比值数据的总个数未超过预设个数阈值，则采用除以最大值的方法对所述对应类型的元素含量或者稳定同位素比值数据进行归一化处理，公式如下：

式中，y为经过归一化处理后的值，x为原始元素含量或者稳定同位素比值数据，x_max为元素含量或者稳定同位素比值数据中的最大值。

4.根据权利要求1所述的红酒原产地的预测方法，其特征在于，所述利用深度神经网络对经过归一化处理的训练集进行学习，包括：

将所述训练集中的样本输入至深度神经网络中；利用所述深度神经网络进行信息提取，并输出目标信息。

5.根据权利要求4所述的红酒原产地的预测方法，其特征在于，所述利用深度神经网络对经过归一化处理的训练集进行学习，还包括：

通过反向传播算法对所述深度神经网络进行优化训练，并对所述深度神经网络中的参数进行更新。

6.根据权利要求1所述的红酒原产地的预测方法，其特征在于，所述搭建训练集各训练点的多维空间分布,并在所述多维空间分布中加入测试集中的测试点，包括：

将所述训练集中的训练点输入至所述深度神经网络中，搭建所述训练点在多维空间的空间分布图；

将所述测试集中的一个测试点输入至所述深度神经网络中，通过所述深度神经网络模型自动为所述测试点匹配空间位置，并生成反映所述测试点与所述训练点之间的相互关系的模型特征图。

7.根据权利要求6所述的红酒原产地的预测方法，其特征在于，所述根据所述多维空间分布中的测试点和训练点的相互关系进行参数调优，从而构建红酒原产地预测模型，包括：

在所述模型特征图中获取距离所述测试点最近的多个训练点,并对所述测试点与所述最近的多个训练点的空间分布情况进行分析，并计算所述测试点和所述最近的多个训练点对应的权重的大小，从而构建红酒原产地预测模型。