[發(fā)明專利]一種基于reABC?SVM的葡萄酒質(zhì)量鑒別方法

在審

• 申請?zhí)枺?/td>: 201710330490.5
• 申請日: 2017-05-11
• 公開（公告）號: CN107145911A
• 公開（公告）日: 2017-09-08
• 發(fā)明（設(shè)計(jì)）人: 程凡;張雪鋒;王勁松;邱劍鋒;尹凱;黃少聰
• 申請（專利權(quán)）人: 安徽大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 安徽省合肥新安專利代理有限責(zé)任公司34101
• 代理人: 陸麗莉,何梅生

技術(shù)領(lǐng)域

本發(fā)明設(shè)計(jì)葡萄酒質(zhì)量鑒別領(lǐng)域，具體是一種基于reABC-SVM的葡萄酒質(zhì)量分類方法。

技術(shù)背景

葡萄酒中含有豐富的營養(yǎng)物質(zhì),至今多達(dá)600種以上的物質(zhì)被測定出來。葡萄具有的營養(yǎng)和醫(yī)療作用很早就被認(rèn)識，葡萄酒因其特殊的營養(yǎng)價(jià)值和較好的保健效果，越來越受到廣大消費(fèi)者的歡迎。那么如何準(zhǔn)確的對葡萄酒質(zhì)量進(jìn)行鑒別就顯得尤為重要。對于傳統(tǒng)的葡萄酒鑒別方法，通常是靠評酒員的主觀評價(jià)，這種評價(jià)方法首先不具備普遍性，并且絕對依賴于評酒員。其次，在工作量大大增加后，評酒員的瓶酒準(zhǔn)確性可能會出現(xiàn)很大的誤差，這樣可能會造成災(zāi)難性的后果。所以需要更精確的鑒別工具。

目前一般都通過交叉驗(yàn)證試算的方法，或者梯度下降法確定，不僅效率較低且穩(wěn)定性不高。而且對于葡萄酒質(zhì)量分類問題，如果使用目前普遍的方法，更容易陷入局部最優(yōu)。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)的不足之處，本發(fā)明提供一種基于reABC-SVM的葡萄酒質(zhì)量鑒別方法，以期能利用改進(jìn)ABC算法對SVM參數(shù)進(jìn)行優(yōu)化，從而得到最合適的分類模型實(shí)現(xiàn)對葡萄酒質(zhì)量好壞的分類，進(jìn)而解決葡萄酒質(zhì)量鑒別問題。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案包括以下步驟：

本發(fā)明一種基于reABC-SVM的葡萄酒質(zhì)量鑒別方法的特點(diǎn)是按如下步驟進(jìn)行：

步驟1：獲取N個(gè)葡萄酒的特征向量集合構(gòu)成訓(xùn)練樣本集，記為V＝[V₁,V₂,…,V_i,…,V_N]，其中V_i為第i個(gè)葡萄酒的特征向量，并有為第i個(gè)葡萄酒的第j個(gè)特征值，y_i為第i個(gè)葡萄酒的質(zhì)量，且y_i＝1表示第i個(gè)葡萄酒的質(zhì)量為優(yōu)，y_i＝0表示第i個(gè)葡萄酒的質(zhì)量為劣；1≤i≤N，1≤j≤n；

步驟2：基于所述訓(xùn)練樣本集V，利用改進(jìn)的人工蜂群優(yōu)化算法對支持向量機(jī)的懲罰系數(shù)C和RBF核函數(shù)的參數(shù)g進(jìn)行動態(tài)調(diào)整，從而建立葡萄酒質(zhì)量鑒別的最優(yōu)分類模型；

步驟2.0：利用式(1)對訓(xùn)練樣本集V進(jìn)行歸一化，得到歸一化后的訓(xùn)練樣本集V′＝[V′₁,V′₂,…,V′_i,…,V′_N]，并有

式(1)中，為第i個(gè)葡萄酒的特征向量V_i中的最小特征值，為第i個(gè)葡萄酒的特征向量V_i中的最大特征值；

步驟2.1：定義種群大小為M、最大迭代次數(shù)為Len、當(dāng)前迭代次數(shù)為t，蜜源放棄限制為Limit，計(jì)數(shù)器為lim，蜜蜂個(gè)體集合為E；初始化t＝0、E為空集；

步驟2.2：初始化lim＝0；

由第m個(gè)懲罰系數(shù)C_m和第m個(gè)參數(shù)g_m構(gòu)成第m個(gè)蜜蜂個(gè)體G_m，從而由M個(gè)蜜蜂個(gè)體構(gòu)成蜜蜂種群；并在所設(shè)置的范圍內(nèi)隨機(jī)初始化所述蜜蜂種群作為第t代種群；

步驟2.3：利用所述第t代種群中的第m個(gè)蜜蜂個(gè)體和所述歸一化后的訓(xùn)練樣本集對SVM分類器進(jìn)行訓(xùn)練，得到第t代種群的第m個(gè)分類模型，從而得到第t代種群的M個(gè)分類模型；

步驟2.4、利用所述第t代種群的M個(gè)分類模型對所述歸一化后的訓(xùn)練樣本集V′進(jìn)行分類，得到第t代種群的M個(gè)分類模型的分類精度，記為表示第t代種群的第m個(gè)分類精度，1≤m≤M；

步驟2.5、從第t代種群的M個(gè)分類精度A^t中選取最大值所對應(yīng)的蜜蜂個(gè)體作為第t+1代種群的中心，記為F^t+1；

步驟2.6、令m＝1；

步驟2.7、在第t+1代種群的中心F^t+1的鄰域內(nèi)生成第t代種群的第m個(gè)新蜜蜂個(gè)體，記為用新蜜蜂個(gè)體和所述歸一化后的訓(xùn)練樣本集V′對SVM分類器進(jìn)行訓(xùn)練，從而得到第t代種群的第m個(gè)新蜜蜂個(gè)體的分類模型；

用所述第t代種群的第m個(gè)新蜜蜂個(gè)體的分類模型對所述歸一化后的訓(xùn)練樣本集V′進(jìn)行分類，得到第t代種群的第m個(gè)新蜜蜂個(gè)體的分類精度比較是否成立，若成立，則將第t代種群中的第m個(gè)蜜蜂個(gè)體作為第t+1代種群的第m個(gè)蜜蜂個(gè)體，若不成立，則將新蜜蜂個(gè)體作為第t+1代種群的第m個(gè)蜜蜂個(gè)體；

步驟2.8、將m+1賦值給m，判斷m＞M是否成立，若成立，則執(zhí)行步驟2.9，否則，返回步驟2.7；