使用bp神经网络实现红酒分类研讨.pptVIP

使用BP神经网络实现红酒分类 ——第8组： 问题提出 葡萄酒化学成分复杂 葡萄酒的质量是各种化学成分的综合反映 通常检测的方法有 感官评定和常规的理化指标检测 感官评定虽然在生产中也有较多的应用 但是评测周期长 影响因素多 主观性强 重复性差 且无法快速检测 使用BP神经网络 对标准化且具有一致评判标准的数据进行训练 将来分类时仅仅使用理化指标进行评估 不带有人为主观因素 数据源来自UCI数据库中的wine数据包,该数据包含意大利在不同地点所生产的三种葡萄酒的资料,特性如下:样本共178个,特征共13个,都是由化学分析所得到的数值,没有未知量 数据首先进行归一化处理 数据处理 葡萄酒检测的不同理化指标会在一定程度上影响葡萄酒的分类。使用SPSS软件初步分析理化指标和分类之间的关系。 十三个特征，建立十三个输入神经元。 葡萄酒分成三类，建立三个输出神经元；对输出进行编码，第一类编码为100，第二类010，第三类001. 由于一层隐藏层足以拟合各种分类面，我们将其设计为一层。 隐藏层内部节点个数，按照（3*输入层个数）设计。 建立BP神经网络模型 样本被分到第二类的模拟结构图 输入，输出结点和结点间权值，结点阈值使用数组实现。 样本数据和测试数据使用Study_Data[N]与Test_Data[TestN] 结构体数组实现。 权值阈值使用(-1,1)间的随机数产生。 激活函数使用Sigmoid函数： Err_m[N]存储每个样本的均方误差，当所有样本的均方误差和小于0.01时，停止训练。 Study变量统计迭代次数，当迭代次数到达10000次，停止训练。 每个样本采用梯度下降法修正权值。 学习因子决定着权值更新幅度。我们经过反复试验，将学习因子设定为0.8。 我们采用的优化方法是加入动量项。取值在(0,1)之间，代表是否侧重前一代权值改变。本程序将动量因子设定为0.9。 将178个样本，分为118个样本进行训练，60个样本进行测试。60个测试样本分别有20个来自3个类别葡萄酒。 现场运行程序，观察分类错误率。 程序运行与结果说明 由于样本有13维，我们可以采用维规约技术进行优化数据样本 程序还可以进行的改进 我们还可以运用局部学习率自适应调整，使得学习率最优化。 设计一个局部学习率自适应调整函数。 对网络中的每个权值使用独自的学习率，以便为每个权值找到最优学习率。 ——第8组 * *