使用bp神经网络实现红酒分类资料

1、 使用BP神经网络实现(shxin)红酒分类第8组：共十五页问题(wnt)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(yn s)多主观性强 重复性差且无法快速检测共十五页使用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(zhbio)进行评估不带有人为主观因素共十五页数据源来自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(yngbn)共178个,特征共13个,都是由化学分析所得到的数值,没有未

2、知量数据首先进行归一化处理数据处理共十五页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(fnx)理化指标和分类之间的关系。共十五页十三个特征，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(ji din)个数，按照（3*输入层个数）设计。建立BP神经网络模型共十五页010样本(yngbn)被分到第二类的模拟结构图共十五页输入(shr)，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_Da

3、taN与Test_DataTestN 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：共十五页Err_mN存储每个样本的均方误差(wch)，当所有样本的均方误差(wch)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。共十五页将178个样本，分为118个样本进行训练，60个样本进行测试(csh)。6

4、0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(ji gu)说明共十五页由于样本有13维，我们可以采用维规约技术进行(jnxng)优化数据样本程序(chngx)还可以进行的改进共十五页共十五页我们还可以运用局部学习率自适应调整(tiozhng)，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(wnglu)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。共十五页第8组THE END共十五页内容摘要使用BP神经网络实现红酒分类。葡萄酒的质量是各种化学成分的综合反映。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。对输出进行编码，第一类编码为100，第二类010，第三类001.。隐藏层内部节点个数，按照（3*输入层个数）设计。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_DataN与Test_DataTestN 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：。Study