本發(fā)明涉及茶葉儲(chǔ)存時(shí)間分類方法，具體是一種基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)算法的茶葉儲(chǔ)存時(shí)間分類方法。
背景技術(shù)：
：茶葉吸濕、吸味性強(qiáng)，很容易吸附空氣中水分及異味，若儲(chǔ)存方法稍有不當(dāng)，新茶消失，陳味漸露。尤其是綠茶，因?yàn)榇娣艜r(shí)間越久，色澤和儲(chǔ)存時(shí)間就越差。因此，在一定時(shí)期內(nèi)合理儲(chǔ)存茶葉是保證其質(zhì)量不受影響的重要因素。業(yè)內(nèi)判斷茶葉的儲(chǔ)存時(shí)間，一看是否發(fā)霉或出現(xiàn)陳味；二是看茶湯顏色；三是品滋味。這些方法都是因人而異的，不同的人很難得到一致的評(píng)價(jià)結(jié)果；甚至同一個(gè)人在不同的環(huán)境、不同的情緒時(shí)，對(duì)同一種氣味也有不同的感受和評(píng)價(jià)。從而使得采用人的感官進(jìn)行評(píng)價(jià)存在一定的局限性，為了減少評(píng)判的錯(cuò)誤率，用機(jī)器模擬人的感官(如模擬人視覺的電子眼、模擬人的味覺的電子舌、模擬人的嗅覺的電子鼻等)進(jìn)行食品品質(zhì)評(píng)判已成為一種趨勢(shì)。電子鼻作為一種新興的感官分析技術(shù)，已經(jīng)廣泛應(yīng)用于食品、煙草、醫(yī)學(xué)、環(huán)境監(jiān)測(cè)和爆炸物檢測(cè)等領(lǐng)域。其中在新鮮度、成熟度判別、病害檢測(cè)、品質(zhì)監(jiān)控、質(zhì)量評(píng)價(jià)和安全檢測(cè)中顯示出獨(dú)特優(yōu)點(diǎn)，具有快速、無損、重復(fù)性好的優(yōu)點(diǎn)。電子鼻主要由氣味取樣操作器、氣味傳感器陣列和信號(hào)處理系統(tǒng)組成，是利用氣味傳感器陣列的響應(yīng)曲線來識(shí)別氣味。由于電子鼻得到的是樣品中揮發(fā)出的氣味信息，而不是樣品中某成分的定量或定性結(jié)果。茶葉中含有萜烯類物質(zhì)，具有吸濕性、吸附性、氧氣性特點(diǎn)。新做好的茶葉往往帶有“生青味”，經(jīng)一段時(shí)間貯藏變化，可成為醇和可口的滋味。繼續(xù)延長貯藏，滋味、儲(chǔ)存時(shí)間逐漸變淡，最后成為缺乏刺激性、味軟、淡薄的陳茶味。因此，電子鼻可以快速無損測(cè)定茶葉芳香苯、芳香烷烴等成分，從而對(duì)待測(cè)茶葉的儲(chǔ)存時(shí)間進(jìn)行客觀評(píng)價(jià)。綠茶的保質(zhì)期在常溫下一般為一年左右。影響茶葉品質(zhì)的因素主要有溫度、光線、濕度。如果存放方法得當(dāng)，降低或消除這些因素，則茶葉可長時(shí)間保質(zhì)。判斷茶葉是否過期，主要有以下幾個(gè)方面：看它是不是發(fā)霉，或出現(xiàn)陳味。這些傳統(tǒng)的方法無法準(zhǔn)確地對(duì)茶葉的儲(chǔ)存時(shí)間進(jìn)行分類。而廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNNGeneralizedRegressionNeuralNetworks)是徑向基神經(jīng)網(wǎng)絡(luò)的一種，具有很強(qiáng)的非線性映射能力以及高度的容錯(cuò)性和魯棒性，由DonaldF.Specht在1991年提出的，GRNN在逼近能力和學(xué)習(xí)速度上較RBF網(wǎng)絡(luò)有更強(qiáng)的優(yōu)勢(shì)，在樣本數(shù)據(jù)較小時(shí)，具有良好的預(yù)測(cè)效果。現(xiàn)已被廣泛應(yīng)用于控制決策系統(tǒng)、能源、食物科學(xué)、金融、生物工程等諸多領(lǐng)域。在對(duì)茶葉儲(chǔ)存時(shí)間分類的問題上，已經(jīng)有了典型判別分析法及神經(jīng)網(wǎng)絡(luò)方法等，但是在面對(duì)大量茶葉數(shù)據(jù)時(shí)，這些算法都存在準(zhǔn)確率不高的問題，本專利針對(duì)這個(gè)問題，采用果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)參數(shù)的方法，對(duì)茶葉的儲(chǔ)存時(shí)間進(jìn)行不同程度的分類，提高判斷的準(zhǔn)確率。技術(shù)實(shí)現(xiàn)要素：本發(fā)明要解決的技術(shù)問題是提供一種基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)算法的茶葉儲(chǔ)存時(shí)間分類方法。本發(fā)明是通過以下技術(shù)方案來實(shí)現(xiàn)的。通過電子鼻采集茶葉香氣數(shù)據(jù)，將檢測(cè)到的芳香苯，氮氧化合物，芳香氨類，氫氣，芳香烷烴，甲基烷烴，無機(jī)硫化物，羰基類和醇類，有機(jī)硫化物，長鏈烷烴指標(biāo)的校正集數(shù)據(jù)作為輸入樣本，構(gòu)建廣義神經(jīng)網(wǎng)絡(luò)進(jìn)行自分類。得到訓(xùn)練好的茶葉分類模型，并據(jù)此計(jì)算出茶葉預(yù)測(cè)集數(shù)據(jù)的分類準(zhǔn)確率。該方法有效的解決了茶葉香氣分類準(zhǔn)確率不高的問題，提高茶葉的分類準(zhǔn)確率。具體包括以下步驟：步驟1：茶葉樣品準(zhǔn)備，確定茶葉檢測(cè)的10個(gè)指標(biāo)；步驟2：建立樣本集，采用10個(gè)不同金屬氧化物傳感器的電子鼻對(duì)毛峰茶樣品進(jìn)行檢測(cè)，得到10個(gè)傳感器特征值，采集不同時(shí)間下的檢測(cè)指標(biāo)值，構(gòu)建樣本集，對(duì)樣本數(shù)據(jù)進(jìn)行主成分分析，降低樣本的維數(shù)，并對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理；步驟3：確定廣義回歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)；步驟4：利用果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)，進(jìn)行模型訓(xùn)練，輸出優(yōu)化后的廣義回歸神經(jīng)網(wǎng)絡(luò)的最佳平滑因子σ值；步驟5：由電子鼻檢測(cè)茶葉的測(cè)試集樣本數(shù)據(jù)作為輸入，通過步驟4優(yōu)化后的廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)茶葉的儲(chǔ)存時(shí)間分類。本發(fā)明的有益效果：本發(fā)明將果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)參數(shù)應(yīng)用于實(shí)際的茶葉數(shù)據(jù)中，對(duì)茶葉儲(chǔ)存時(shí)間進(jìn)行分類，效果較優(yōu)，有效地提高了茶葉儲(chǔ)存時(shí)間分類的準(zhǔn)確率，為消費(fèi)者提供茶葉儲(chǔ)存時(shí)間分類的有效方法。本發(fā)明通過主成分分析的方法優(yōu)化了電子鼻檢測(cè)的指標(biāo)數(shù)量，在不影響茶葉存儲(chǔ)時(shí)間分類精確度的情況下，將檢測(cè)的十個(gè)指標(biāo)精簡為六個(gè)，減小了實(shí)際檢測(cè)的任務(wù)量。附圖說明圖1為毛峰茶葉樣本集主成分分析的載荷圖。圖2為毛峰茶葉儲(chǔ)存時(shí)間的廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。圖3為果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的毛峰茶葉儲(chǔ)存時(shí)間分類方法的流程示意圖。圖4為毛峰茶葉儲(chǔ)存時(shí)間的果蠅算法飛行軌跡。圖5為毛峰茶葉儲(chǔ)存時(shí)間的果蠅算法尋優(yōu)過程。圖6為毛峰茶葉儲(chǔ)存時(shí)間的FOA-GRNN算法的儲(chǔ)存時(shí)間可視化結(jié)果。圖7為毛峰茶葉儲(chǔ)存時(shí)間的GRNN算法的儲(chǔ)存時(shí)間可視化結(jié)果。具體實(shí)施方式下面根據(jù)附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說明，以毛峰茶葉為例。步驟1：確定毛峰茶葉檢測(cè)指標(biāo)：步驟1.1毛峰茶葉樣品的準(zhǔn)備；各個(gè)等級(jí)的毛峰茶葉分別準(zhǔn)備70個(gè)重復(fù)樣品，每個(gè)重復(fù)樣品質(zhì)量為5g，雙層薄膜密封在500ml的燒杯中，靜置于室溫45min。根據(jù)感官評(píng)審時(shí)的要求，茶、水比1：50，取5g茶葉用250ml水沖泡。泡茶用水為沸滾適度100℃的純凈水，沖泡時(shí)間為5min，然后將茶水濾出。將茶水和茶底分別在500ml的燒杯中密封、靜置45min使得燒杯頂空富集茶葉揮發(fā)性成分的同時(shí)，水溫也冷卻至室溫。由于茶水和茶底中水蒸氣很多，所有檢測(cè)時(shí)要放些硅膠，以減少水蒸氣的影響。同樣對(duì)每個(gè)等級(jí)的茶葉也各準(zhǔn)備70個(gè)重復(fù)。由于這部分的樣品中水蒸氣含量較多，雖然用硅膠預(yù)處理過，但水蒸氣含量扔相對(duì)較大，所有要結(jié)合吸附/解吸附單元使用，對(duì)檢測(cè)的揮發(fā)性成分進(jìn)行富集、濃縮和清潔，以減少對(duì)傳感器陣列的影響。把吸附/解吸附單元與電子鼻系統(tǒng)連接好，運(yùn)行其配套氣味指紋分析處理軟件，首先檢測(cè)吸附/解吸附單元是否連接好；然后設(shè)定系統(tǒng)各參數(shù)，即可開始檢測(cè)。步驟1.2毛峰茶葉指標(biāo)檢測(cè)；電子鼻采用德國Airsense公司生產(chǎn)的PEN3型電子鼻，含有10個(gè)不同的金屬氧化物傳感器，電子鼻的原理是利用特定的金屬氧化物和生物膜，根據(jù)揮發(fā)性物質(zhì)分子接觸引起膜電位微小的變化來判斷是否有氣味和氣味的強(qiáng)弱，以特定的傳感器和模式識(shí)別系統(tǒng)進(jìn)行快速提供被測(cè)樣品的全面信息，提示樣品的隱含特征。傳感器的輸出為傳感器接觸揮發(fā)性氣體的電導(dǎo)率與傳感器經(jīng)過活性炭過濾后純凈空氣的電導(dǎo)率之比。得到10個(gè)傳感器特征值。這種氣敏傳感器具有可靠性高、靈敏度好和重復(fù)性強(qiáng)等特點(diǎn)。電子鼻PEN3的標(biāo)準(zhǔn)傳感器陣列見表1。表1PEN3的標(biāo)準(zhǔn)傳感器陣列步驟2建立毛峰茶葉樣本集：步驟2.1毛峰茶葉樣本數(shù)據(jù)獲??；由電子鼻檢測(cè)到毛峰茶數(shù)據(jù)的部分?jǐn)?shù)據(jù)的詳細(xì)信息情況見表2。其中，1到10傳感器記錄在不同時(shí)間下，傳感器接觸揮發(fā)性氣體的電導(dǎo)率與傳感器經(jīng)過活性炭過濾后純凈空氣的電導(dǎo)率之比，儲(chǔ)存時(shí)間是感官審評(píng)的陳化程度值。不同等級(jí)茶葉樣品每隔15天做一次檢測(cè)，連續(xù)檢測(cè)75天，即0，15，30，45，60，75天各檢測(cè)一次。該數(shù)據(jù)集包括452個(gè)樣本，10個(gè)樣本屬性，6個(gè)類別。表2毛峰茶數(shù)據(jù)情況步驟2.2主成分分析對(duì)該樣本集進(jìn)行主成分分析，得到6個(gè)主成分，其載荷圖如圖1所示，提取的6個(gè)主成分分別為：氫氣，甲基烷烴，無機(jī)硫化物，羰基類和醇類，有機(jī)硫化物，長鏈烷烴指標(biāo)值。步驟2.3毛峰茶葉歸一化處理；為了使分類更準(zhǔn)確，對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。使所有的樣本數(shù)據(jù)都?xì)w一為[0，1]之間，對(duì)于輸出向量通過反歸一化處理，得到原值。采用的數(shù)據(jù)歸一化處理計(jì)算公式為：P′＝(P-Pmin)/(Pmax-Pmin)式中，P′、P、Pmax、Pmin分別為歸一化后樣本數(shù)據(jù)，原始樣本數(shù)據(jù)，原始樣本數(shù)據(jù)的最大值和最小值。步驟2.4毛峰茶葉樣本劃分；對(duì)樣本數(shù)據(jù)按照校正集和測(cè)試集4:1進(jìn)行劃分，校正集作為FOA-GRNN模型的構(gòu)建，測(cè)試集結(jié)果作為模型的評(píng)價(jià)標(biāo)準(zhǔn)。步驟3：確定廣義回歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，毛峰茶葉儲(chǔ)存時(shí)間的廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。包括：步驟3.1輸入層；輸入層神經(jīng)元數(shù)目等于樣本中輸入向量的維數(shù)。為主成分分析得到的6個(gè)指標(biāo)的含量。各神經(jīng)元是簡單的分布單元，直接將輸入變量傳遞給模式層。步驟3.2模式層；模式層神經(jīng)網(wǎng)絡(luò)數(shù)目等于樣本中輸入向量的維數(shù)，即為主成分分析得到的6個(gè)指標(biāo)的含量。給神經(jīng)元對(duì)應(yīng)不同的樣本，模式層神經(jīng)元傳遞函數(shù)為：pi=exp[-(X-Xi)T(X-Xi)2σ2],i=1,2,...,n]]>式中，X為網(wǎng)絡(luò)輸入變量，Xi為第i個(gè)神經(jīng)元對(duì)應(yīng)的輸入樣本。步驟3.3求和層；求和層中使用兩種類型神經(jīng)元進(jìn)行求和。一類是它對(duì)所有模式層神經(jīng)元的輸出進(jìn)行算術(shù)求和，其模式層與各神經(jīng)元的連接權(quán)值為1，傳遞函數(shù)為：S=Σi=1nPi]]>另一類是對(duì)所有模式層的神經(jīng)元進(jìn)行加權(quán)求和，傳遞函數(shù)為：SD=Σi=1nyijPi,j=1,2,...,k]]>步驟3.4輸出層；輸出層中神經(jīng)元數(shù)目等于樣本中輸出向量的維數(shù)。即為茶葉儲(chǔ)存時(shí)間。各神經(jīng)元將求和層的輸出相除，神經(jīng)元j的輸出對(duì)應(yīng)估計(jì)結(jié)果的第j個(gè)元素，即：yi-SNjSD,j-1,2,...,k]]>步驟4：利用果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)，進(jìn)行模型訓(xùn)練，輸出優(yōu)化后的廣義回歸神經(jīng)網(wǎng)絡(luò)的最佳平滑因子σ值。具體包括：步驟4.1用于茶葉儲(chǔ)存時(shí)間的分類的廣義回歸神經(jīng)網(wǎng)絡(luò)算法，果蠅算法是根據(jù)果蠅利用自身嗅覺與視覺上的優(yōu)勢(shì)尋找食物的原理進(jìn)行設(shè)計(jì)。先是利用嗅覺搜集漂浮在空中的各種氣味，然后飛到食物附近利用敏銳的視覺發(fā)現(xiàn)食物和同伴聚集的位置，并往該方向飛去。果蠅搜索食物的過程就是從食物味道濃度小的地方不斷向味道濃度大的地方靠近，直到找到食物。主要由下式確定分類規(guī)則：Y′即為輸入為X條件下，Y的預(yù)測(cè)輸出：Y′=E(y/X)=∫-∞∞yf(X,y)dy∫-∞∞f(X,y)dy]]>函數(shù)f(X，y)定義為：f(X,y)=1n(2π)p+12σp+1Σi=1nexp[-(X-Xi)T(X-Xi)2σ2]exp[-(X-Yi)22σ2]]]>式中：Xi，Yi分別表示第i個(gè)訓(xùn)練輸入向量和相應(yīng)的輸出；n為樣本容量；p為隨機(jī)變量x的維數(shù)；σ為光滑因子。相應(yīng)的回歸估計(jì)為：y=E(y/X)=Σi=1tyihiΣi=1thi]]>其中，hi表示高斯徑向基函數(shù)，其表達(dá)式為：hi=exp[-di22σ2]]]>表示向量X和向量Xi之間的歐幾里德距離的平法。步驟4.2使用果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)得到最優(yōu)平滑因子。果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)毛峰茶葉儲(chǔ)存時(shí)間分類流程圖如圖3所示。上述步驟4.2包括：步驟4.2.1參數(shù)初始化，設(shè)置果蠅種群個(gè)數(shù)、最大迭代數(shù)、和果蠅初始位置；本專利選擇果蠅算法種群個(gè)數(shù)為20、最大迭代次數(shù)為100、隨機(jī)果蠅初始位置：Xaxis=rand()Yaxis=rand()]]>步驟4.2.2賦予果蠅個(gè)體搜尋食物的隨機(jī)飛行方向與距離：X(i)=Xaxis+2*rand()-1Y(i)=Yaxis+2*rand()-1]]>步驟4.2.3估計(jì)果蠅位置與原點(diǎn)之間的距離D(i)，求出味道濃度判定值S(i)：D(i)=(X(i)^2+Y(i)^2)^0.5S(i)=1/D(i)]]>步驟4.2.4構(gòu)造個(gè)體適應(yīng)度函數(shù)；將目標(biāo)函數(shù)適當(dāng)處理作為個(gè)體適應(yīng)度函數(shù)。步驟4.2.5根據(jù)果蠅算法算法結(jié)束條件，得到最優(yōu)廣義回歸神經(jīng)網(wǎng)絡(luò)的平滑因子σ值。本實(shí)施例得到平滑因子σ＝0.1031。步驟5毛峰茶葉的儲(chǔ)存時(shí)間分類；根據(jù)上述步驟，本實(shí)施例選用廣義回歸神經(jīng)網(wǎng)絡(luò)和果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)對(duì)毛峰茶葉進(jìn)行香氣分類，果蠅的飛行軌跡如圖4所示，尋優(yōu)過程如圖5所示；由訓(xùn)練結(jié)果可知，尋優(yōu)過程在迭代的第5代收斂，此時(shí)的均方根誤差值為0.055，果蠅種群的聚集位置為(8.341，4.953)，此時(shí)，最優(yōu)的平滑因子σ值為0.1031。建模時(shí)間為215.23s，表3顯示了采用廣義神經(jīng)網(wǎng)絡(luò)和果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)算法對(duì)毛峰茶葉的儲(chǔ)存時(shí)間分類對(duì)比結(jié)果，從表中可以看出，在建模時(shí)間上，廣義神經(jīng)網(wǎng)絡(luò)具有相對(duì)更快的建模速度，只用了1.67s；在準(zhǔn)確率上，果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率相對(duì)高很多，與廣義回歸神經(jīng)網(wǎng)絡(luò)相比，高了15.58％。結(jié)果表明，果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)對(duì)茶葉的儲(chǔ)存時(shí)間的分類準(zhǔn)確率更高。尤其是在面對(duì)要求高精度時(shí)，效果更顯著。表3分類結(jié)果對(duì)比茶葉數(shù)據(jù)集包含6個(gè)類別屬性：“0”、“15”、“30”、“45”、“60”、“75”。分別表示毛峰茶葉的保鮮期可以達(dá)到0天、15天、30天、45天、60天以及75天。FOA-GRNN算法的儲(chǔ)存時(shí)間可視化結(jié)果如圖6所示。廣義回歸神經(jīng)網(wǎng)絡(luò)算法的儲(chǔ)存時(shí)間可視化結(jié)果如圖7所示。圖中X軸表示測(cè)試集樣本，Y軸表示類別標(biāo)簽，圖中圓形表示實(shí)際測(cè)試集分類，星形表示預(yù)測(cè)測(cè)試集分類。本發(fā)明利用果蠅算法的尋優(yōu)精度高、收斂速度快、全局尋優(yōu)能力強(qiáng)、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，將該方法應(yīng)用于廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行平滑因子σ的選取，進(jìn)而構(gòu)建FOA-GRNN毛峰茶葉儲(chǔ)存時(shí)間分類模型，本發(fā)明不僅為消費(fèi)者提供一種有效的茶葉儲(chǔ)存時(shí)間分類方法，而且進(jìn)一步提高了分類精度，得到較好的結(jié)果。當(dāng)前第1頁1 2 3