技術特征：

1.一種基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡算法的茶葉儲存時間分類方法，其特征在于：通過電子鼻采集茶葉香氣的特征數(shù)據(jù)，利用果蠅優(yōu)化算法得到廣義回歸神經(jīng)網(wǎng)絡的最佳平滑因子σ值，獲取最佳廣義回歸神經(jīng)網(wǎng)絡，構建茶葉儲存時間的廣義回歸神經(jīng)網(wǎng)絡算法分類模型，從而預測茶葉的存儲時間分類。

2.根據(jù)權利要求1所述的基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡算法的茶葉儲存時間分類方法，其特征在于電子鼻采集的茶葉香氣的特征數(shù)據(jù)包括：氫氣，甲基烷烴，無機硫化物，羰基類和醇類，有機硫化物，長鏈烷烴指標值。

3.根據(jù)權利要求2所述的基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡算法的茶葉儲存時間分類方法，其特征在于電子鼻采集的茶葉香氣的特征數(shù)據(jù)還包括：芳香苯，氮氧化合物，芳香氨類，芳香烷烴。

4.根據(jù)權利要求1-3任一所述的基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡算法的茶葉儲存時間分類方法，其特征在于包括以下步驟：

步驟1：準備茶葉樣品，利用PEN3型電子鼻采集茶葉香氣的特征數(shù)據(jù)；

步驟2：構建樣本集，對茶葉香氣的特征數(shù)據(jù)進行歸一化處理；

步驟3：確定廣義回歸神經(jīng)網(wǎng)絡的網(wǎng)絡結構；

步驟4：利用果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡，進行模型訓練，輸出優(yōu)化后的廣義回歸神經(jīng)網(wǎng)絡的最佳平滑因子σ值；

步驟5：由電子鼻檢測茶葉的測試集樣本數(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)絡預測茶葉的儲存時間分類。

5.根據(jù)權利要求4所述的基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡算法的茶葉儲存時間分類方法，其特征在于，步驟2中歸一化處理計算公式為：

P′＝(P-P_min)/(P_max-P_min)

其中，P′、P、P_max、P_min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。

6.根據(jù)權利要求4所述的基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡算法的茶葉儲存時間分類方法，其特征在于廣義回歸神經(jīng)網(wǎng)絡的網(wǎng)絡結構包括：

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)，為選擇的茶葉香氣特征數(shù)據(jù)類別量；

模式層，模式層神經(jīng)網(wǎng)絡數(shù)目等于樣本中輸入向量的維數(shù)，為選擇的茶葉香氣特征數(shù)據(jù)類別量；

求和層，求和層是對所有模式層的神經(jīng)元進行加權求和；

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)，即茶葉儲存時間。

7.根據(jù)權利要求4所述的基于果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡算法的茶葉儲存時間分類方法，其特征在于，所述步驟4包括：

步驟4.1用于茶葉儲存時間分類的廣義回歸神經(jīng)網(wǎng)絡算法，主要由下式確定分類規(guī)則：

Y′即為輸入為X條件下，Y的預測輸出：

$Y^{\′}=E\left(y/X\right)=\frac{{\∫}_{-\mathrm{\∞}}^{\∝}yf\left(X,y\right)dy}{{\∫}_{-\mathrm{\∞}}^{\mathrm{\∞}}f\left(X,y\right)dy}$

函數(shù)f(X，y)定義為：

$f(X,y)=\frac{1}{n{\left(2\mathrm{\π}\right)}^{\frac{p+1}{2}}{\mathrm{\σ}}^{p+1}}\underset{i=1}{\overset{n}{\Σ}}\exp \[-\frac{{\left(X-X_i\right)}^T\left(X-X_i\right)}{2{\mathrm{\σ}}^2}\]\exp \[-\frac{{\left(X-Y_i\right)}^2}{2{\mathrm{\σ}}^2}\]$

式中：X_i，Y_i分別表示第i個訓練輸入向量和相應的輸出；n為樣本容量；p為隨機變量x的維數(shù)；σ為光滑因子。相應的回歸估計為：

$\stackrel{\‾}{y}=E\left(y/X\right)=\frac{{\mathrm{\Σ}}_{i=1}^t{y}_i{h}_i}{{\mathrm{\Σ}}_{i=1}^t{h}_i}$

其中，h_i表示高斯徑向基函數(shù)，其表達式為：

$h_i=\exp \[-\frac{d_i^2}{2{\mathrm{\σ}}^2}\]$

表示向量X和向量X_i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)絡得到最優(yōu)平滑因子：

所述步驟4.2包括：

步驟4.2.1參數(shù)初始化，設置果蠅種群個數(shù)、最大迭代數(shù)、果蠅初始位置；隨機果蠅初始位置：

$\left\{\begin{array}{c}{X}_{axis}=rand\left(\right)\\ Y_{axis}=rand\left(\right)\end{array}\right.$

步驟4.2.2賦予果蠅個體搜尋食物的隨機飛行方向與距離：

$\left\{\begin{array}{c}X\left(i\right)=X_{axis}+2*rand\left(\right)-1\\ Y\left(i\right)=Y_{axis}+2*rand\left(\right)-1\end{array}\right.$

步驟4.2.3估計果蠅位置與原點之間的距離D(i)，求出味道濃度判定值S(i)：

$\left\{\begin{array}{c}D\left(i\right)=\left(X\left(i\right)^2+Y\left(i\right)^2\right)^0.5\\ S\left(i\right)=1/D\left(i\right)\end{array}\right.$

步驟4.2.4構造個體適應度函數(shù)；

步驟4.2.5根據(jù)果蠅算法結束條件，得到最優(yōu)廣義回歸神經(jīng)網(wǎng)絡的平滑因子σ值。