2012年数学建模A题思路和方法.docVIP

基于BP神经网络的红葡萄酒品质鉴定方法 引 言 红葡萄酒是很多人喜欢的一种酒品，其酒香甘醇，营养价值丰富。但是红葡萄酒的品质鉴定往往需要专业的葡萄酒鉴定专家来进行，由于从业人员数量的限制和人工鉴定速度的限制，给红葡萄酒品质鉴定工作带来了一定的限制。 红葡萄酒鉴定 红葡萄酒的人工鉴定，比较简单的方法是采用“三部曲”的方法。第一步是观察“裙子”，指将酒倒入透明的无色玻璃酒杯以观察色泽。看它是否清澈透明，鲜艳夺目。好的白葡萄酒应当是金黄色的或者是浅黄色的；好的红葡萄酒应当是红宝石色，石榴红色或者琥珀色。第二步是检验“鼻子”，主要指酒散发出的酒香。首先要缓缓地将杯中的酒“摇醒”，使它散发香味。如果是一、二年的新酒，因酒龄不长，能嗅出鲜果或花的清香，如玫瑰香、苹果香、樱桃香等的葡萄酒就是好酒。如果是刺激、强烈或闭塞则酒质较差。如果是陈酿，应当有浓香，如蜜香、榛子香、香草等。第三步观察“嘴巴”，指试口感。首先要对酒进行整体评价，是醇厚还是精美。好酒的口感应当是醇厚的，浓郁的，结实的，平衡的，优美的，余味悠长的，而不是瘦弱的，平淡的，没有特点的和短暂的。其次要鉴定是柔和还是生硬，好酒应当是圆润的，柔顺的，可口的而不是酸涩的、生硬的和辛辣的。最后是感觉酒性：好酒应当是有力的，醉人的，丰满的，强烈的，而不是平缓的，冷淡的、无力的。 BP神经网络模型 3.1 BP网络介绍 人工神经网络（artificial neural networks,ANN）系统是20世纪40年代后出现的，它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。 BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)，下图即为一个简单的BP网络模型[1]。 图1 BP网络模型 3.2 模型特点 （1）非线性映射能力：神经网络能以任意精度逼近任何非线性连续函数。在建模过程中的许多问题正是具有高度的非线性[2]。 （2）并行分布处理方式：在神经网络中信息是分布储存和并行处理的，这使它具有很强的容错性和很快的处理速度。 （3）自学习和自适应能力：神经网络在训练时，能从输入、输出的数据中提取出规律性的知识，记忆于网络的权值中，并具有泛化能力，即将这组权值应用于一般情形的能力。神经网络的学习也可以在线进行[5]。 （4）数据融合的能力：神经网络可以同时处理定量信息和定性信息，因此它可以利用传统的工程技术（数值运算）和人工智能技术（符号处理）[5]。 （5）多变量系统：神经网络的输入和输出变量的数目是任意的，对单变量系统与多变量系统提供了一种通用的描述方式，不必考虑各子系统间的解耦问题[5]。 3.3 BP算法步骤 初始化 依据实际问题（输入变量和输出变量的个数）给出网络连接结构，随机的设置所以连接权值为任意小[3]。 提供训练样本 如果输入变量为个，输出变量为个，则每个训练样本形式为。这里是输入为时的期望输出。 计算实际输出 利用非线性函数 （1） 逐级计算各层节点（不包括输入层）的输入值，令最后的输出为[3]。 权值调整[4] 用递归方法从输出节点开始返回到隐层节点，按下式调整权值 （2） 这里是上层第节点的输出。若是输出层节点，则，若是隐层节点，则，其中是节点所在层次的下层次的所有节点。有时为了收敛速度快些，可增加一个冲量项，是权值变得平滑些[3]，即 （3） （5）返回第二步，重复执行，直到达到满意飞误差。 模型建立与求解 4.1 数据解释 对于红葡萄酒品质的鉴定，功采集了11个指标数据作为输入数据。本文中，红葡萄酒品质功分为8类，及从1类到8类，类的数量越大，品质越好。表1为对11个指标的解释。 表1 输入数据介绍 编号属性名1固定酸度2挥发性酸度3柠檬酸4剩余糖分5氯化物6自由二氧化硫7总二氧化硫8密度9PH值10硫酸盐