利用主成分分析与RBF神经网络相结合,建立葡萄酒质量评价预报模型,并进行训练和仿真验证。该模型运用SPSS软件对葡萄酒中影响风味指标进行主成分分析,将多变量、非线性的原始数据进行降维,保留原始信息的主要信息,把原来若干个属性变量综合成几个不相关主成分分量;再以计算结果作为RBF网络的输入数据,葡萄酒的感官评价得分作为网络的输出数据,建立葡萄酒主要理化指标与葡萄酒质量的关系模型。结果表明:该评价模型的建立,缩短了葡萄酒评价的周期,克服了品酒师聚集的困难;与传统RBF网络相比,大大简化了网络结构,提高了网络的训练速度和预报精度,为质量评价问题提供了一种的研究思路。列向量除以第i个特征根的开根后就得到第i个主成分Fi的主成分的变量系数向量［5］。且Fi和Fj不相关，即cov(Fi，Fj)=0。1．2ＲBF神经网络ＲBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、数据分类预测、信息处理、系统建模等［6－8］。ＲBF神经网络结构是一种三层前向网络，评价模型研究-数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机包含有一个输入层，一个隐含层和一个输出层的三层结构。如图1所示。图1ＲBF网络图Fi隐含层是由一组径向基函数组成，径向基函数一般是高斯函数。ＲBF网络有2种模型:正规化网络和广义网络。正规化网络的隐单元就是训练样本，所以正规化网络中隐单元的个数与训练样本的个数也即相同。正规化网络的训练样本Xi与“基函数”φ(Xk，Xi)是一一对应的，当N很大时，网络的实现复杂，且在求解网络的权值时容易产生病态问题。解决这一问题的方法是:减少隐含层神经元的个数本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name。广义网络就是隐含层数目小于输入样本的个数的网络，因此本文采用广义网络建模。将ＲBF作为隐含层神经元的基，构成隐层空间，将输入矢量直接映射到隐层空间。当ＲBF的中心确定后，这种映射的关系也就随即确定了。而隐层空间到输出层空间的映射是线性的，即网络的输出是隐层神经元输出的线性加权和，此处的权则为网络的可调参数。当网络输入为训练样本Xk时，网络第j个输出神经元的实际输出为:ykj(X)当“基函数”为高斯函数时:建立ＲBF网络对葡萄酒质量进行仿真训练，网络的训练图如图3所示。训练20步就达到了最小值，收敛速度比较快。充分展现了其简单高效的优点。图3ＲBF训练过程图同时完成网络训练后，对6组数据进行验证。6组数据的预测结果如图4所示。从图4可以直观地看出预测的效果，预测的准确率达到90%以上。图4葡萄酒预测相对误差图葡萄酒预测的相对误差具体数值如表4所示。从表4可看出最好的预测结果达到98．89%。预测结果的准确度很高。表4葡萄酒预测相对误差值Ta对误差束语本文建立了基于主成分分析的葡萄酒质量预报模型，数据预处理部分采用主成分分析法，将多个相关的变量综合成少数几个互不相关的变量，解决了输入参数的相关性问题，并利用真实数据进行仿真验证，证明该模型有很高的预报精度。该评价模型研究为处理其他领域的非线性问题处理提供了很好的思路，具有一定的理论价值和应用价值于理化指标统计分析的葡萄酒质量评评价模型研究-数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name