基于物理化学性质的葡萄酒质量的可视化评价研究

《基于物理化学性质的葡萄酒质量的可视化评价研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第34卷第2期燕山大学学报Vol.34No.22010年3月JournalofYanshanUniversityMar.2010文章编号：基于物理化学性质的葡萄酒质量的可视化评价研究王金甲1,2，尹涛2，李静1,3，洪文学1,*，马崇霄4（1.燕山大学电气工程学院，河北秦皇岛066004；2.燕山大学信息科学与工程学院，河北秦皇岛066004；3.燕山大学理学院，河北秦皇岛066004；4.河北科技师范学院机电工程学院，河北昌黎066000）摘要：提出了一种可视化的方法评价葡萄酒质量。葡萄酒数据来自于认证阶段的物理化学分析测试

2、，其中输入变量是11个，输出变量是葡萄酒质量，共得到1599个的红葡萄酒样本和4898个的白葡萄酒样本。结果表明该方法的效果优于传统的神经网络和支持向量机方法，并且具有可视化的优点。这对于改进酿酒品酒评价和葡萄酒生产都有重要意义，并且对根据消费者口味细分目标市场也很有帮助。关键词：评价；可视化；支持向量机；神经网络；多元数据图表示中图分类号：文献标识码：表示来可视化分类葡萄酒的新方法。实验结果证明0引言图表示方法不仅分类效果好，而且具有可视化的特葡萄酒是一种成分复杂的酒精饮料，不同产点。葡萄酒数据来自于UCI数据库。地、年份和

3、品种的葡萄酒成分不同。成分与葡萄酒的质量关系密切，是划分葡萄酒等级的重要依据。1葡萄酒数据的可视化质量评价[1]国内外普遍的是采用近红外光谱和三维荧光光[2]1.1葡萄酒数据谱等技术，它的缺点是需要复杂的化学计量学[1]葡萄酒数据包括1599个的红葡萄酒样本和知识，而且解释困难。而通过测量葡萄酒的物理化学性质进而评估其质量，应该是最有效的方法。4898个的白葡萄酒样本，输入变量包括客观的测理化实验室常规检验包括葡萄酒的密度，酒精或试(如pH值)，输出变量基于感觉数据(葡萄酒专pH值，而质量评价主要依靠专家的感官。应该强家提出的

4、至少3个评价的均值)。每位专家的葡萄调指出味道是最难理解的一种感官，因此葡萄酒质酒质量分级介于0(极坏的)和10(非常优秀)。极量分类是一项艰巨的任务。此外理化性质和感官分好的和极差的葡萄酒的样本都是少数，评价为中间析之间的关系很复杂，现在也不能完全理解。的葡萄酒样本最多。神经网络、支持向量机和图表示分类方法用于建模数据，分类准则为正确率。信息技术的进展使得搜集、存储和处理数据成为可能。数据挖掘、神经网络、模式识别、机器学根据理化测试得到的输入变量包括11个，分习等技术都能在葡萄酒分类中应用。复杂的模型容别是固定酸度（酒石酸）

5、，g/L，挥发酸（乙酸），易过拟合导致泛化能力减弱，模型太简单导致学习g/L，柠檬酸，g/L，残糖，g/L，氯（氯化钠），g/L，能力有限。神经网络、支持向量机两种方法均有参游离二氧化硫，mg/L，总二氧化硫，mg/L，密度，数可以调整，能获得令人满意的效果。g/mL，pH值，硫酸盐（硫酸钾），g/L，酒精度。基于感觉数据的输出变量是葡萄酒质量，评分为0采用了1599个红葡萄酒样本和4898个白葡[3]至10。红葡萄酒6类，分别评价为3至8；白葡萄酒样本用于口味质量评价。提出了多元数据图收稿日期：2009-12-18基金项目：

6、国家自然科学基金资助项目（60405035，60904100）作者简介：王金甲（1978-），男，河南商丘人，博士研究生，副教授，主要研究方向为信号处理和模式识别；*通信作者：洪文学（1953-），男，黑龙江依安人，教授，博士生导师，主要研究方向为信息融合、可视化模式识别和中医工程学，Email：hongwx@ysu.edu.cn。134燕山大学学报2010萄酒7类，分别评价为3至9。必然有差别。因此固定某种特征排序，再研究多元数据图表示问题更有意义。1.2质量评估方法[7-8]基于多元图的升维变换和特征选取思想如[4]神经网

7、络采用常见的BP神经网络方法，它下：一个特征矢量在某种固定特征排序下只对应一包括输入层，中间层和输出层，其中输入层的维数个星点图(或其它多元图)和它对应的图形特征，等于变量个数即11，中间层可调，输出层的维数那么一个特征矢量在所有特征排序下对应的星点等于类别数即红葡萄酒6类(评价为3至8)和白图(或其它多元图)的图形特征就十分丰富，将其葡萄酒7类(评价为3至9)。网络参数的初始值采和原始特征组合并从中选择出部分特征，可以猜测用随机初始化，选择20次中效果最好的那次初始选取特征分类性能较好。值。训练方法采用Matlab的lm算法

8、，它速度快效果好。迭代次数设为1万次，误差设为1×106。多维数据用图来表示，可能会形成有利于视觉上分类或聚类的很有特色的图形特征。这与传统的[5](supportvectormachines,SVM)支持向量机三大特征(物理特征、结构特征和数学特征)相对是Vapnik基于V