本发明属于黄酒类别评价领域，具体涉及一种基于bp深度神经网络的黄酒综合类别判断方法。
背景技术：
：：直至目前，黄酒的类别评价主要通过总糖的含量并结合口感进行判别，但由于黄酒成分复杂，不仅总糖，其它总酸，酒精度及固形物等指标对黄酒的等影响较大，它是各种成分的综合反映；评酒师的感官品评受环境条件、主观因素、精神状态和身体状况的影响，其客观性不够，感官品评存在一定的模糊性和不确定性。如何避免这方面不利因素，我们建立黄酒分析数据相结合，通过人工智能自主训练，学习拟合，以获得分析数据与黄酒类别之间的显著的相关性，黄酒分析数据更客观，也更易于标准化。因此用人工神经网络进行黄酒类别评价是可行的，有着传统方法无可比拟的优势。也有利于推进黄酒行业的标准化、规范化生产，也有利于推广名优黄酒品牌，对于黄酒行业的发展意义重大。然而，黄酒成分十分复杂，其类别是各种成分的综合反映。对于人工神经网络而言，选择何种输入指标能够对黄酒类别进行判断，是目前尚未解决的技术难题之一。技术实现要素：本发明的目的在于克服现有技术的不足，并提供一种利用黄酒成份分析数据并结合bp深度神经网络对黄酒黄酒的综合类别进行判断。。本发明的发明构思是以大量的黄酒成分析数据作为基础，引入bp深度神经网络的人工智能模型，并基于基础数据对神经网络训练，然后用于进行黄酒的类别预测。本发明所采用的具体技术方案如下：一种基于bp深度神经网络的黄酒风味综合类别判断方法，用于根据黄酒成份判别黄酒风味所属的综合类别，其步骤如下：s1：建立神经网络的训练样本数据集和测试样本数据集，所述训练样本数据集和测试样本数据集中的每个样本包括输入变量数据和输出变量数据，所述输入变量为总糖、酒精度、总酸和除糖固形物，所述输出变量为黄酒风味的综合类别；s2：建立用于判断黄酒风味所属的综合类别的bp神经网络模型，模型的输入变量为总糖、酒精度，总酸和除糖固形物，输出变量为黄酒风味的综合类别；s3：将s1中的训练样本数据集输入s2中建立的bp神经网络模型中，对bp神经网络模型进行训练；s4：将s1中的测试样本数据集输入s3中训练完毕的bp神经网络模型中，对bp神经网络模型的预测准确性进行测试，测试结果满足精度要求后用于对黄酒风味综合类别进行判断；s5：将待预测黄酒的总糖、酒精度、总酸和除糖固形物数据作为输入变量，输入s4中通过测试的bp神经网络模型，并输出该黄酒所属的风味类别。作为优选，所述的bp神经网络模型采用sigmoid作为神经元的激活函数。作为优选，所述的bp神经网络模型采用类别交叉损失函数，模型的训练目标是最小化正确的黄酒风味类别的分布和预测黄酒风味类别的分布之间的类别交叉熵。作为优选，所述的bp神经网络模型采用softmax分类器来对输入的黄酒训练样本进行风味分类。作为优选，所述的bp神经网络模型采用随机梯度下降作为优化器对参数进行更新。作为优选，所述的bp神经网络模型中，隐层的层数为3层，每个隐层的节点数为64个。作为优选，所述黄酒风味的综合类别包括加饭酒和善酿酒，所述bp神经网络模型用于根据黄酒成份判别黄酒风味属于加饭酒还是善酿酒。本发明相对于现有技术而言，具有以下有益效果：本发明利用黄酒成份分析数据并结合bp深度神经网络对黄酒类别进行判断，由于人工神经网络容易处理不完整的、模糊不确定或规律性不明显的数据，因此用人工神经网络进行黄酒风味评价是可行的，能够克服其他评价方法的模糊性和不确定性，有着传统方法无可比拟的优势。本发明也有利于推进黄酒行业的标准化、规范化生产，也有利于推广名优黄酒品牌，对于黄酒行业的发展意义重大。附图说明图1为基于bp深度神经网络的黄酒风味综合类别判断方法流程图；图2为深度神经网络模型结构图；图3为每次迭代的模型准确率示意图。图4为每次迭代的模型损失变化示意图。具体实施方式下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中的基于bp深度神经网络的黄酒风味综合类别判断方法，用于根据黄酒成份判别黄酒风味所属的综合类别。该方法的具体步骤如图1所示，下面具体阐述s1～s5的实现方式：s1：建立神经网络的训练样本数据集和测试样本数据集，其中训练样本数据集和测试样本数据集中的每个样本包括输入变量数据和输出变量数据，输入变量为总糖、酒精度、总酸和除糖固形物，输出变量为黄酒风味的综合类别。训练样本数据集和测试样本数据集中的样本量均应当满足神经网络的样本要求，不能过少。s2：建立用于判断黄酒风味所属的综合类别的bp神经网络模型，模型的输入变量为总糖、酒精度，总酸和除糖固形物，输出变量为黄酒风味的综合类别。模型的相关参数设定如下：模型隐层的层数为3层，每个隐层的节点数为64个。使用sigmoid作为神经元的激活函数，其公式如下所示：sigmoid函数输入一个实值的数，然后将其压缩到0～1的范围内。特别地，大的负数被映射成0，大的正数被映射成1，其中0表示未被激活，1表示被激活。黄酒的风味评价可以看做是一个多分类的问题，因此我们采用类别交叉损失函数，模型的训练目标就是最小化正确的黄酒风味类别的分布和预测黄酒风味类别的分布之间的的类别交叉熵：公式中，lg(d)表示正确的黄酒风味类别的分布，l(d)表示的是预测的黄酒风味类别的分布，表示训练样本d属于第c类黄酒风味类别的概率真实值，lc(d)表示训练样本d属于第c类黄酒风味类别的概率预测值，t表示所有的黄酒训练样本，d表示所有黄酒训练样本中的其中一个，c表示黄酒风味类别的总数目，c表示其中的一种类别。分类器的选择：模型使用softmax分类器来对输入的黄酒训练样本进行风味评价分类。优化器的选择：模型选择了随机梯度下降(sgd)作为优化器。和原始的批梯度下降的一次用所有数据计算梯度相比，随机梯度下降每次更新时对每个样本进行梯度更新。对于很大的数据集来说，可能会有相似的样本，这样批梯度下降在计算梯度时会出现冗余，而随机梯度下降一次只进行一次更新，就没有冗余，而且比较快，并且可以新增样本。s3：将s1中的训练样本数据集输入s2中建立的bp神经网络模型中，对bp神经网络模型进行训练；s4：将s1中的测试样本数据集输入s3中训练完毕的bp神经网络模型中，对bp神经网络模型的预测准确性进行测试，测试结果满足精度要求后用于对黄酒风味综合类别进行判断，若测试不满足要求则需要进一步进行训练，直到通过测试。s5：将待预测黄酒的总糖、酒精度、总酸和除糖固形物数据作为输入变量，输入s4中通过测试的bp神经网络模型，并输出该黄酒所属的风味类别。下面基于上述方法，结合具体实例对本发明的效果进行进一步展示。实施例1bp神经网络1.1神经网络的定义神经网络是多层前馈神经网络，该网络的主要特征是在传输之前对信号，反向传播错误。在传输前，输出层的输入会逐层通过隐含层输入的信号。每一层的神经状况仅影响下一层的紧张状态。如果输出层被释放，然后转移到反向传播，根据预测误差来调整权值和阈值，从而使输出预测神经网络更接近期望输出。黄酒风味神经网络的构建，首先选择已知风味的黄酒检测出的挥发性物质，糖类，氨基酸及有机酸的含量作为神经网络人工智能计算的原始数据，如图1中的第一层数据x0，x1,x2,x3是输入数据，h01，h02，h03......h064及h11，h12，h13......h164及h21，h22，h23......h264是隐层的结点，而l1,l2代表网络运算后的输出，在此代表酒的风味，如醇厚，清爽、柔和。通过输入数据对模型进行不断的训练，学习，反馈，最后得出一个黄酒风味评测的bp神经网络模型，进而用于改良黄酒风味。2产品质量评价体系的构建2.1指标的选择黄酒是企业能过浸米——蒸饭——晾饭——落缸发酵——开耙——坛发酵——煎酒等工艺后生产的成品酒，目前主要以含糖量的多少判断黄酒的种类：1、干黄酒(元红酒)：总糖含量低于或等于15.0g/l。口味醇和、鲜爽、无异味。2、半干黄酒(加饭酒)：总糖含量在15.0g/l－40.0g/l。我国大多数高档黄酒，口味醇厚、柔和、鲜爽、无异味，均属此种类型。3、半甜黄酒(善酿酒)：总糖含量在40.1g/l－100g/l，口味醇厚、鲜甜爽口，酒体协调，无异味。4、甜黄酒(香雪酒)：总糖含量高于100.0g/l。口味鲜甜、醇厚，酒体协调，无异味。为保证酒质的稳定，黄酒的理化指标除了测定总糖，还需要检测其酒精度，总酸，除糖固形物，氧化钙，氨基酸态氮，色度，ph值挥发酯和菌落总数等指标，也正这些的综合效应构成每一类黄酒的独特的风味。由于数据来源厂家目前主要生产加饭酒和善酿酒，所有我们取这两类酒进行指标分析，确定输入输出变量如表1所示：表1指标变量2.2创建深度神经网络在本发明中，我们通过构建bp深度神经网络来对黄酒的风味进行评价，模型的结构如图1所示。2.3模型设置2.3.1隐层数量的选择深度神经网络中隐层的数量会对模型的的效果有着直接的影响。单隐层的网络，运行效率较高，但会降低模型拟合的准确性。多隐层的网络，可以提高网络的拟合能力和准确性，但是因为网络的复杂性增加，会增加网络的计算量，除此之外也有可能引起模拟的过拟合问题。本发明中，我们测试了不同的隐层层数对模型的影响来确定隐层的层数。最终如图1所示设定隐层的层数为3层，每个隐层的节点数为64个。2.3.2激活函数的选择在深度神经网络中，不同的激活函数。如果不用激励函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合。使用了激活函数后，将会在神经元中加入非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中。在本发明中，我们使用sigmoid作为神经元的激活函数，其公式如下所示：从上面的公式众，我们可以看出sigmoid函数输入一个实值的数，然后将其压缩到0～1的范围内。特别地，大的负数被映射成0，大的正数被映射成1，其中0表示未被激活，1表示被激活。2.3.3分类器的选择在通过多层的深度神经网络得到输入的黄酒样本的隐层表示hd＝(h21,h22,h23,...,h264)(d表示所有训练的黄酒样本中的其中一个)之后，我们可以看到这是一个离散型的数据。因此我们先使用一个全连接层，将黄酒样本的隐层表示转化为一个实值向量，该向量的维度和黄酒风味类别的数量是一样的，公式如下所示：其中，w(s)表示该全连接层的权重，b(s)表示该全连接层的偏置项。在这之后，我们使用softmax分类器来对输入的黄酒训练样本进行风味评价分类。公式如下所示：公式中c表示黄酒风味类别的总数目，c表示其中的一种类别。2.3.4损失函数的选择损失函数是设计深度神经网络中很重要的一个关键因素，是模型对数据拟合程度的反映，拟合的越差，损失函数的值就应该越大，同时我们还期望，损失函数在比较大时，它对应的梯度也要比较大，这样的话更新变量就可以更新的更快一点。在本发明中，黄酒的风味评价可以看做是一个多分类的问题，因此我们采用类别交叉损失函数，模型的训练目标就是最小化正确的黄酒风味类别的分布和预测黄酒风味类别的分布之间的的类别交叉熵：公式中，lg(d)表示正确的黄酒风味类别的分布，l(d)表示的是预测的黄酒风味类别的分布，t表示所有的黄酒训练样本，d表示所有黄酒训练样本中的其中一个，c表示黄酒风味类别的总数目，c表示其中的一种类别。2.3.5优化器的选择在本发明中，我们选择了随机梯度下降(sgd)作为优化器。和原始的批梯度下降的一次用所有数据计算梯度相比，随机梯度下降每次更新时对每个样本进行梯度更新。对于很大的数据集来说，可能会有相似的样本，这样批梯度下降在计算梯度时会出现冗余，而随机梯度下降一次只进行一次更新，就没有冗余，而且比较快，并且可以新增样本。通过随机梯度下降的参数更新如下：其中θ表示模型的所有参数，η表示学习率。在本发明中，学习率设为0.1。3.模型预测实验3.1数据集及模型设置在本发明中，使用由某企业所提供的黄酒生产过程检测实验数据，主要有每个样本的酒精、总酸、总糖以及除糖固形物作为模型的输入特征，同时数据中还给出了每个样本的黄酒所属类别。部分实验数据如表2所示。表2部份实验数据我们设置深度神经网络的隐层层数为三层，外加一层全连接层。总节点数为194个节点。数据集的具体统计信息如表3所示。表3神经网络训练的相关参数除此之外，我们设置模型的的学习率为0.1，动量设置为0.9。我们采用分类的准确率作为模型的评价标准。3.2实验环境3.2.1硬件环境本发明的使用的工作站硬件为：cpu为八核的inteli7-7770k，主频为3.6ghz。内存为16g，gpu为英伟达geforcegtx1080，显存为8gb。3.2.1实验工具本发明使用python3.6作为编程语言，使用tensorflow以及keras来建立实验所用的神经网络模型。3.3实验结果及分析3.3.1实验结果分析表4神经网络训练的准确率和损失值table4accuracyandlossoftrainingofneuralnetwork运行模型10次并汇报模型运行的结果，其结果如表4所示。从表格中可以看到模型的平均准确率高达96.31％，损失值只有0.2061，最高可达99.7％，接近完全预测正确；最低也有90％的预测准确率。该实验结果说明模型具有很好的拟合能力。除此之外该模型的训练数据是少于预测数据的，也就是说本发明可以使用少量的样本即可获得具有很好预测效果的模型。通过该模型可以通过少量的检测数据来准确地预测黄酒的风味类别。3.3.2模型分析在训练时，我们的深度神经网络模型进行了50次的迭代训练，每次迭代的模型的准确率以及模型损失变化分别如图3和4所示。从图中我们可以看出在迭代40次之后，模型的预测准确率以及模型的损失值都趋于稳定。从表4和图3可知，每次实验中模型的平均准确离达96.31％，证明了本发明所提基于bp神经网络的黄酒质量评价模型能够很好地评价预测精度。当前第1页12当前第1页12