基于主成分分析与神经网络的葡萄酒品质评价.pdfVIP

第24卷 第 1期 广东石油化工学院学报 V01．24 No．1 2014年 2月 JournalofGuangdongUniversityofPetrochemicalTechnology February2014 基于主成分分析与神经网络的葡萄酒品质评价 吴淦洲。，梁海燕 (1．广东石油化工学院理学院，广东茂名 525000；2．茂名市高级技工学校 ，广东茂名 525000) 摘要：此文在主成分分析的基础上，运用人工神经网络对UCI数据库的葡萄酒数据建立了数学模型。仿真实验结果表明该 模型是行之有效的方法。 关键词：主成分分析；神经网络；品质评价 中图分类号：029 文献标识码：A 文章编号：2095—2562(2014)01—0056—03 O 引言 葡萄酒作为一种色香味俱佳的饮品，既能满足人们的感官享受，又具有相当高的营养和保健价值。对 葡萄酒品质的评价，一般通过评酒员对葡萄酒进行品尝后给其分类指标进行打分，由于主观感官打分受到 很多因素的影响，所以其准确性也受到了一定的影响。国内外对葡萄酒品质的评价主要有遗传神经网 络n]、模糊神经网络[2]、数据挖掘[3等算法，而主成分分析法是统计学中基于历史数据特点来发掘其规律 性的主要手段。本文首先用主成分分析法来筛选出4种主要特征来作为BP神经网络输入层的神经元，然 后建立神经网络模型来对葡萄酒品质进行评价。 l 模型构建与计算 本文的研究数据来 自于UCI机器学习数据库 (http：／／archive．ics．uci．edu／ml／datasets／Wine)，该数据库共 包括 178个样本，分成三类：第一类样本有59个；第二类样本有71个；第三类样本有48个。每个样本都含 有 13个特征向量，分别是：alcohol，malicacid，ash，alkaliniytofash，magnesium，totalphenols，flavanoids，non— flavanoidphenols，proanthocyanins，colorintensiyt，hue，OD290／OD315ofdilutedwines，proline。由于每个样本 均有 13个特征向量，数量较多，所以本文首先用主成分分析法去处理一下这 13个特征向量。主成分分析 的基本方法是通过构造原指标的适当的线性组合，以产生一系列互不相关的新综合指标，从中选出少数几 个新指标并使它们含有尽可能多的原指标带有的信息，从而使得用这几个新指标代替指标分析问题和解 决问题成为可能。综合指标是原来多个指标的线性组合 ，虽然这些线性综合指标不能直接观测到，但综合 指标间互不相关，又能反映多个指标的信息。主成分分析实际上是一种降维的方法。 1．1 主成分分析法 如果原指标为 ··，…， ，主成分分析后得到的新指标Y，Y：，…， 均是 。，：，…， 的线性组 合(m≥p)： Y=U Y (1) 其中 收稿 日期：2013—07—19；修回日期：2014—02—04 作者简介：吴淦洲(198O一)，男，广东茂名人，讲师，硕士，研究方向为复杂系统优化与建模。 第 1期 吴淦洲等：基于主成分分析与神经网络的葡萄酒品质评价 57 U= =(U。，U2，…， ) = (2) Y，Y，…， 称为主成分，其中Y。为第一主成分，Y为第二主成分，依此类推。 其具体计算步骤为： (1)指标数据的标准化 分析或评价中确定的各个指标，都有不同的量纲、不同的数量级，而不同的量纲、不同的数量级的数据 不能放在一起直接进行比较，也不能直接用于多元统计分析，需要对指标的数值进行标准化处理，以消除 其量纲数量级上的差异，使其具有可比性。 最为常用的方法则是标准化变换： = ( 1，2，…，凡；=1，2，…，m)