[发明专利]一种基于白酒基酒指纹图谱特征的分类方法

摘要

本发明提出了一种基酒指纹图谱特征的分类方法，本发明涉及食品领域、发酵领域、信息处理以及模式识别等相关领域。本发明的白酒基酒指纹图谱分类方法结合主成分分析和神经网络的方法对基酒指纹图谱进行分类。本发明首先通过主成分分析对基酒的“重要成分”进行筛选，然后将筛选后的“重要特征”用来进行神经网络权重训练，最后用真实的基酒图谱数据进行测试，实现对基酒进行分类。本发明能够较好地克服白酒基酒中图谱中冗余数据“不重要的”组分对分类结果的影响，大大减少了神经网络的输入量和分类的计算量，分类的结果更能体现了基酒的特征上的差异。

主权项

1.一种基于白酒基酒指纹图谱特征的分类方法，其特征在于，包括以下步骤：S1.获取n组基酒图谱数据获取n组白酒基酒样品的数据，设定其具有P个组分组成的白酒样本数据x＝(x1,x2,...,xp)；S2.对白酒成分进行归一化处理用表示第i个样本的第j个图谱数据，则n组白酒基酒样品的数据组成矩阵为求出每列的均值uj与标准差σj，j取值范围1≤j≤p，在上式矩阵中，每一个组分的数据标度相差很大，为消除由数据标度引起的权重计算差异，需要对图谱矩阵进行归一化处理，采用如下公式对上式矩阵的每一个元素进行标准化：其中，u_j与σ_j分别为的第j列的均值和标准差，于是，得到归一化的矩阵为X：数据矩阵X的协方差矩阵：矩阵中：求出矩阵S的特征值λi及相应的正交化单位特征向量ai＝(ai,1,ai,2,ai,3,…,a1,p)T，特征值由大到小排列λ1≥λ2≥...≥λm＞0，由特征向量组成的单位特征向量矩阵为：λi对应的单位特征向量ai是主成分Fi的关于原变量的系数，主成分Fi表示为：主成分Fi的贡献率通过特征值来反映信息量的贡献率大小，贡献率αi为：由于λ1≥λ2≥...≥λm则，Fi的贡献率大小关系为α1＞α2＞…＞αm；前几个主成分代表白酒的绝大部分信息，前q个主成分累计贡献率G(q)表示为：当累积贡献率大于85％时，认为能够足够反映原来变量的信息，对应q是抽取的前q个主成分；S3.PCA筛选基酒主要特征对成分参数的数据矩阵X进行主成分分析，求出主成分F1,F2,…,Fm，贡献率最小的主成分为Fm，Fm由白酒成分的表达式线性表示：Fm＝am1x1+am2x2+...+ampxp式中，am1,am2,...,amp为Fm的特征向量系数，找到该特征向量系数最大的系数am,g，g取值1～p之间的某一个值，am,g对应的白酒成分xg，xg理解为在这些成分对白酒特性最不重要的成分，直到每个样品的剩余的图谱成分数据个数为预先设定的值h为止；S4.基于BP神经网络的白酒基酒图谱分类将步骤2中筛选出的主要特征，用于作为BP的输入数量，训练出各个主要特征的权重参数，输入向量为：X＝[x1,x2,...,xm]，输出层为：Y＝[y1,y2,...,yn]，隐藏层为：H＝[h1,h2,...,hs]，其中，m,s,n分别对应输入层、输出层和隐藏层的神经元个数，设Wij为输出层第j个神经元到隐藏层第i个神经元之间的连接权重，bi为隐藏层第i个神经元的偏置，那么：hil＝f(netil)其中，netil为第l层第i个神经元的输入，f为神经元的激活函数，在BP神经网络中，选用Sigmod非线性激活函数；第二种为双曲正切函数；d(i)为对应输入x(i)的期望输出，BP算法则通过最优化各层神经元的输入，设权值以及偏置，使得神经网络的输出尽可能地接近期望输出，以达到训练的目的；对于给定的m个训练样本，其误差函数为：其中，为单个样本的训练误差，从而有BP算法每一个迭代按照以下方式对权值以及偏置进行更新：其中，利用步骤2中筛选后的特征，对已知特级、香型和类型等因素的酒样进行训练，来分配图谱中的各项组分特征对这些因素的权重系数，从而能够对新的图谱按照等级、香型和类型等因素进行分类的效果；S5.基酒图谱测试，测试分类结果将步骤4中每种类型的酒中的随机选出一组酒样用于测试，其他组用来训练，构建BP神经网络，设置训练速率、训练目标，测试酒的识别结果与实际是否吻合。