隨著近些年葡萄酒消費(fèi)在中國(guó)逐漸流行,國(guó)內(nèi)葡萄酒市場(chǎng)所面臨的問(wèn)題也接踵而至,特別是對(duì)于葡萄酒質(zhì)量評(píng)價(jià)方面。由于目前主流的評(píng)價(jià)方法更多依靠人工品嘗,而對(duì)于葡萄酒的理化數(shù)據(jù)關(guān)注較少,尚不存在一個(gè)統(tǒng)一有效的葡萄酒質(zhì)量評(píng)估模型。由于缺少對(duì)葡萄酒理化指標(biāo)方面的評(píng)估方案,研究一套科學(xué)合理的酒類質(zhì)量評(píng)價(jià)模型勢(shì)在必得。目前酒類行業(yè)中普遍使用質(zhì)譜儀來(lái)檢測(cè)葡萄酒中的各項(xiàng)化學(xué)成分,但是此方式無(wú)法分析成分含量對(duì)于整體質(zhì)量的影響。當(dāng)前主流使用的評(píng)估模型是層次分析法和多元邏輯回歸,但是都有其本身的缺陷。針對(duì)以上方法無(wú)法準(zhǔn)確反映葡萄酒質(zhì)量的問(wèn)題,本文提出基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)模型,探討GA-BP模型在葡萄酒質(zhì)量評(píng)估上的可行性。該模型以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),通過(guò)確定BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),將葡萄酒樣本集數(shù)據(jù)輸入到網(wǎng)絡(luò)中訓(xùn)練,運(yùn)用訓(xùn)練完成的網(wǎng)絡(luò)模型對(duì)葡萄酒樣本進(jìn)行質(zhì)量評(píng)估。為了提升傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)中神經(jīng)元激活函數(shù)對(duì)網(wǎng)絡(luò)映射能力和網(wǎng)絡(luò)收斂速度,本文提出了具有獨(dú)立超參數(shù)的KReLU和LogReLU激活函數(shù),然后利用葡萄酒樣本集訓(xùn)練網(wǎng)絡(luò)來(lái)得到最優(yōu)的超參數(shù)值,以確定一個(gè)合理的隱含層神經(jīng)元激活函數(shù)。為了克服傳統(tǒng)BP網(wǎng)絡(luò)收斂慢,... 

【文章來(lái)源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖 2-3 step 函數(shù)與其導(dǎo)數(shù)圖形Figure 2-3 function Step and its derivative graph. Identity 函數(shù)。Identity 函數(shù)定義為： ( ) = (2-數(shù)及其導(dǎo)數(shù)圖像如圖 2-4 所示，從激活函數(shù)角度看輸入值等于輸出值以只適合描述線性的映射關(guān)系，而對(duì)于表達(dá)非線性映射關(guān)系方面不強(qiáng)此此函數(shù)無(wú)法作為隱含層神經(jīng)元的激活函數(shù)，不過(guò)仍然可以作為輸出經(jīng)元上的激活函數(shù)。

圖 2-3 step 函數(shù)與其導(dǎo)數(shù)圖形Figure 2-3 function Step and its derivative graphIdentity 函數(shù)。Identity 函數(shù)定義為： ( ) = (及其導(dǎo)數(shù)圖像如圖 2-4 所示，從激活函數(shù)角度看輸入值等于輸出只適合描述線性的映射關(guān)系，而對(duì)于表達(dá)非線性映射關(guān)系方面不此函數(shù)無(wú)法作為隱含層神經(jīng)元的激活函數(shù)，不過(guò)仍然可以作為輸元上的激活函數(shù)。


本文編號(hào)：3354649