使用bp神经网络实现红酒分类

1、 使用使用BPBP神经网络实现红酒分类神经网络实现红酒分类第第8 8组：组：问题提出问题提出葡萄酒化学成分复杂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感官评定虽然在生产中也有较多的应用但是评测周期长但是评测周期长 影响因素多影响因素多主观性强主观性强 重复性差重复性差且无法快速检测且无法快速检测使用使用BP神经网络神经网络对标准化且具有一致评判对标准化且具有一致评判标准的数据进行训练标准的数据进行训练将来分类时仅仅使用理化将

2、来分类时仅仅使用理化指标进行评估指标进行评估不带有人为主观因素不带有人为主观因素l数据源来自数据源来自UCI数据库中的数据库中的wine数据包数据包,该数据该数据包含意大利在不同地点所生产的三种葡萄酒的包含意大利在不同地点所生产的三种葡萄酒的资料资料,特性如下特性如下:样本共样本共178个个,特征共特征共13个个,都是都是由化学分析所得到的数值由化学分析所得到的数值,没有未知量没有未知量l数据首先进行归一化处理数据首先进行归一化处理数据处理数据处理l 葡萄酒葡萄酒检测的检测的不同不同理化指标会在一定程度上理化指标会在一定程度上影影响响葡萄酒的葡萄酒的分类分类。使用使用SPSS软件初步分析理化软

3、件初步分析理化指标和分类之间的关系。指标和分类之间的关系。l 十三个特征，建立十三个输入十三个特征，建立十三个输入神经元。神经元。l 葡萄酒分成三类，建立三个输葡萄酒分成三类，建立三个输出神经元；对输出进行编码，出神经元；对输出进行编码，第一类编码为第一类编码为100，第二类，第二类010，第三类第三类001.l 由于一层隐藏层足以拟合各种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。分类面，我们将其设计为一层。l 隐藏层内部节点个数，按照隐藏层内部节点个数，按照（3*输入层个数）设计。输入层个数）设计。建立建立BP神经网络模型神经网络模型010样本被分到第二类的模拟结构图样本被分到第

4、二类的模拟结构图l输入，输出结点和输入，输出结点和结点间权值，结点阈值结点间权值，结点阈值使用数组实现。使用数组实现。l样本数据和测试数样本数据和测试数据使用据使用Study_DataN与与Test_DataTestN 结构体结构体数组实现。数组实现。l权值阈值使用权值阈值使用(-1,1)间的随机数产生。间的随机数产生。l激活函数使用激活函数使用Sigmoid函数：函数：l Err_mN存储每个样本的均方存储每个样本的均方误差，当所有样本的均方误差误差，当所有样本的均方误差和小于和小于0.01时，停止训练。时，停止训练。l Study变量统计迭代次数，当迭变量统计迭代次数，当迭代次数到达代次数

5、到达10000次，停止训次，停止训练。练。l 每个样本采用梯度下降法修正每个样本采用梯度下降法修正权值。权值。l 学习因子决定着权值更新幅度。学习因子决定着权值更新幅度。我们经过反复试验，将学习因我们经过反复试验，将学习因子设定为子设定为0.8。l 我们采用的优化方法是加入动我们采用的优化方法是加入动量项。取值在量项。取值在(0,1)之间，代表之间，代表是否侧重前一代权值改变。本是否侧重前一代权值改变。本程序将动量因子设定为程序将动量因子设定为0.9。l 将将178个样本，分为个样本，分为118个样个样本进行训练，本进行训练，60个样本进行个样本进行测试。测试。60个测试样本分别有个测试样本分别有20个来自个来自3个类别葡萄酒。个类别葡萄酒。l 现场运行程序，观察分类错现场运行程序，观察分类错误率。误率。程序运行与结果说明程序运行与结果说明由于样本有由于样本有13维，我们维，我们可以采用维可以采用维规约技术进规约技术进行优化数据行优化数据样本样本程序还可以进行的改进程序还可以进行的改进我们还可以运我们还可以运用局部学习率用局部学习率自适应调整，自适应调整，使得学习率最使得学习率最优化。优化。 设计一个局部学习率自设计一个局部学习