[發(fā)明專利]一種啤酒口味的軟測量方法

無效

• 申請?zhí)枺?/td>: 201010180653.4
• 申請日: 2010-05-21
• 公開（公告）號: CN101872387A
• 公開（公告）日: 2010-10-27
• 發(fā)明（設(shè)計）人: 葛銘;李春富;鄭小青;魏江;鄭松
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 杜軍

1.一種啤酒口味的軟測量方法，其特征在于該方法的具體步驟是：

步驟(1)基于啤酒生產(chǎn)過程數(shù)據(jù)庫，采用非線性部分最小二乘方法，建立啤酒口味軟測量模型，具體方法是：

Ⅰ.通過數(shù)據(jù)采集裝置采集過程運行數(shù)據(jù)，將采集的過程運行數(shù)據(jù)作為數(shù)據(jù)驅(qū)動的樣本集合，表示為{x(i)，y(i)}；其中

x(i)表示第i組輸入數(shù)據(jù)，為所有影響啤酒口味的因素：包括各原料組分的質(zhì)量百分含量，以及生產(chǎn)操作中的溫度、壓力、反應(yīng)時間；

y(i)表示第i組輸出數(shù)據(jù)，為構(gòu)成啤酒風(fēng)味的指標(biāo)：包括苦味、酒花香味、口感和殺口力；

將輸入數(shù)據(jù)構(gòu)成輸入矩陣X、將輸出數(shù)據(jù)構(gòu)成輸出矩陣Y；

Ⅱ.基于輸入輸出數(shù)據(jù)建立非線性部分最小二乘模型；步驟如下：

對矩陣X和Y進(jìn)行歸一化處理，使之均值為0，方差為1；然后將輸入矩陣進(jìn)行列擴(kuò)展，擴(kuò)展項為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的隱節(jié)點輸出矩陣G和元素全為1的列向量1，其中G的每一行對應(yīng)一個輸入向量作用下的隱節(jié)點的輸出，隱節(jié)點的偏置項系數(shù)為1；對如下增廣輸入矩陣和輸出矩陣進(jìn)行部分最小二乘回歸：

{[1?X?G]，Y}，得到的非線性部分最小二乘模型表示為：

Y^=XA+GH+1bT=1XGbTAH=XEβ]]>

式中X_E表示增廣輸入矩陣，A和H分別為對應(yīng)原始輸入向量和對應(yīng)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱節(jié)點輸出向量的權(quán)值系數(shù)矩陣，b為輸出偏置向量，T表示轉(zhuǎn)置；

非線性部分最小二乘模型中的未知參數(shù)為隱節(jié)點中心向量c、相應(yīng)寬度向量σ、權(quán)值系數(shù)矩陣A與H、模型偏置向量b，這些參數(shù)按如下步驟確定：

①用k-means聚類算法對輸入數(shù)據(jù)進(jìn)行聚類，得到隱節(jié)點中心c；

②采用p近鄰規(guī)則計算隱節(jié)點寬度：

σj=1pΣi=1p||ci-cj||2,j=1,···,N]]>

其中N為隱節(jié)點中心的個數(shù)，c_i為距離第j個隱節(jié)點中心最近的p個隱節(jié)點中心；

③采用部分最小二乘回歸確定權(quán)值系數(shù)矩陣A、H和偏置向量b：

根據(jù)得到的隱節(jié)點中心和寬度計算隱節(jié)點輸出矩陣G，然后對輸入矩陣進(jìn)行擴(kuò)展，得到增廣輸入矩陣[1?X?G]；對數(shù)據(jù)對{[1?X?G]，Y}進(jìn)行部分最小二乘回歸，得到部分最小二乘模型參數(shù)矩陣{T，W，P，B，Q}；提取特征變量個數(shù)等于增廣輸入矩陣[1?X?G]的秩，而最終用于預(yù)測的模型所保留的特征向量個數(shù)a采用交叉校驗法確定，得到的參數(shù)矩陣記為{Ta，Wa，Pa，Ba，Qa}，由它們計算出部分最小二乘回歸系數(shù)矩陣β，從而得到A，H和b；

步驟(2)對于新的批次，應(yīng)用已經(jīng)建立的非線性部分最小二乘模型對啤酒口味進(jìn)行預(yù)估分析，為生產(chǎn)操作提供指導(dǎo)：將新批次的組分配比系數(shù)及生產(chǎn)條件參數(shù)傳送給非線性部分最小二乘模型，預(yù)估出該批次的啤酒口味指標(biāo)；

步驟(3)當(dāng)新的批次結(jié)束后，利用新數(shù)據(jù)結(jié)合原來的非線性部分最小二乘模型，采用遞推算法對模型進(jìn)行更新，從而使模型可以不斷采納新的信息，適應(yīng)過程的變化；具體步驟如下：

a.記新得到的批次的輸入輸出數(shù)據(jù)分別為X1和Y1，且不含異常點；首先采用與步驟(1)中一樣的方法對新數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理；

b.判斷是否增加新的隱節(jié)點：

如果新數(shù)據(jù)X1與現(xiàn)有的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱節(jié)點中心的距離大于設(shè)定值，則加入新的隱節(jié)點；記新的隱節(jié)點中心矩陣為C_gnew，相應(yīng)的寬度向量為σ_gnew，對原有的隱節(jié)點中心矩陣C_g、相應(yīng)的寬度向量σ_g和負(fù)荷矩陣P進(jìn)行如下擴(kuò)展：

Cg=CgCgnew,σg=σgσgnew,P=P0]]>

如果X1與現(xiàn)有的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)隱節(jié)點中心的距離小于等于設(shè)定值，C_g、σ_g和P保持不變；

c.將X1擴(kuò)展為X_E1＝[1?X1?G1]，其中G1為隱節(jié)點對于X1的輸出矩陣，令對數(shù)據(jù)對{X_E，Y}進(jìn)行部分最小二乘回歸，得到新的非線性部分最小二乘模型：然后按照步驟(1)中步驟③的方法計算權(quán)值系數(shù)矩陣A、H和偏置向量b；

d.得到新的模型后，返回步驟(2)，將其用于新獲得的批次的數(shù)據(jù)。