CN101872433A - 一种基于神经网络技术的啤酒口味预估方法 - Google Patents

Abstract

本发明涉及一种基于神经网络技术的啤酒口味预估方法。现有的啤酒风味鉴定方法需要人工确定。本发明方法首先获取各原料种类的啤酒生产中试记录；其次根据各种指标参数对啤酒风味进行模糊综合评判，计算出每批次记录的啤酒风味指数；然后根据每批次的组分质量百分比和口味指数T训练啤酒口味的神经网络模型；最后应用已训练好的神经网络模型进行啤酒口味预估分析。本发明方法自动化程度高、使得啤酒风味的评定更佳客观化。

Description

一种基于神经网络技术的啤酒口味预估方法

技术领域

本发明属于信息与控制技术领域，涉及自动化技术，特别是涉及一种啤酒口味的预估方法。

背景技术

啤酒质量是由啤酒口味、色泽、泡持性、酒体清亮无混浊所共同体现。啤酒的泡沫、色泽和浊度可以通过各种化学或物理方法来测定，然而啤酒的口味指标不能通过仪表直接测定，仅有经过培训和经历的品酒人员才能够评价这些参数。啤酒风味主要受到啤酒原料组分影响，而风味的不可直接测量给建立原料组分与风味的模型带来很大的难度。到目前为止，还没有这方面的数学模型研究，啤酒风味的鉴定仍旧需要人工确定，给啤酒生产及新工艺研发增长了中试周期。

发明内容

本发明的目标是针对啤酒生产中缺乏原料组分与风味关系模型指导的难题，提出一种具有适用性较强的啤酒口味预估方法。

本发明的技术方案是利用模糊综合评判技术，将啤酒口味指标进行量化处理，再通过训练多层前向神经网络来建立原料组分与啤酒风味之间的数学模型，通过该模型进行啤酒口味预估评判，能够为工艺人员提供工艺设计方面的帮助。

本发明方法的具体步骤是：

步骤1、获取各原料种类的啤酒生产中试记录，所述的中试记录包括成品的苦味、酒花香味、口感、杀口力及各原料组分的质量百分含量；

步骤2、根据各种指标参数对啤酒风味进行模糊综合评判，计算出每批次记录的啤酒风味指数；具体步骤为：

步骤a、确定因素集U和评价集V。

U＝{苦味，酒花香味，口感，杀口力}，V＝{4，3，2，1}。

根据语言变量的隶属度函数表，确定U中各因素对评价集V的隶属度。如表1所示。

步骤b、依此用V对U中诸因素进行评价，得到模糊关系矩阵R，记

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{14}\\ r_{21}& r_{22}& \·\·\·& r_{24}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ r_{41}& r_{42}& \·\·\·& r_{44}\end{array}\right]$

式中，r_ij为因素u_i对评价等级v_j的隶属度，且0≤r_ij≤1；矩阵R中第i行R_i＝(r_i1，r_i2，…，r_i4)为第i个评价因素u_i的单因素评判，它是评判集V上的模糊子集；

步骤c、模糊变换，B＝W⊕R，得到综合评判结果B＝(b₁，b₂，…，b₄)，其中W＝(w₁，w₂，…，w₄)表示各因素的权重集，

步骤d、根据加权隶属度原则，计算啤酒口味指数T：T＝B·V

表1表示语言变量的隶属度函数

步骤3、根据每批次的组分质量百分比和口味指数T训练啤酒口味的神经网络模型；

啤酒产品口味与啤酒原料组分之间非线性关系非常复杂，采用前馈神经网络(BP网络，n个输入神经元，2n个隐层神经元，1个输出神经元)，其中，n表示原料的种类数。输入神经元的输入为备选原料的质量百分比，输出神经元的输出值为啤酒口味指数。

步骤4、应用已训练好的神经网络模型进行啤酒口味预估分析。将拟预估的原料的质量百分比传送给模型的输入神经元，模型即能预估出该配方的啤酒口味指数。

本发明相比于现有技术具有以下有益效果：本发明能够改变啤酒风味鉴定需要人工确定的现状，为工艺人员提供工艺设计方面的辅助，使得结果更佳客观。

附图说明

图1为本发明方法中所采用的前馈神经网络结构示意图。

具体实施方式

以下将结合附图对本发明作进一步说明。

一种基于神经网络技术的啤酒口味预估方法，包括如下步骤：

步骤1、获取各原料种类的啤酒生产中试记录，中试记录包括成品的苦味、酒花香味、口感、杀口力及各原料组分的质量百分含量；

步骤2、根据各种指标参数对啤酒风味进行模糊综合评判，计算出每批次记录的啤酒风味指数；具体步骤为：

模糊综合评判是应用模糊变换原理和最大隶属度原则，考虑与评价事物相关的各因素，对其所做的综合评价。具体实现如下：

步骤a、确定因素集U和评价集V。

U＝{苦味，酒花香味，口感，杀口力}，V＝{4，3，2，1}。

根据语言变量的隶属度函数表，确定U中各因素对评价集V的隶属度。如表1所示。

步骤b、依此用V对U中诸因素进行评价，得到模糊关系矩阵R，记

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \·\·\·& r_{14}\\ r_{21}& r_{22}& \·\·\·& r_{24}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ r_{41}& r_{42}& \·\·\·& r_{44}\end{array}\right]$

式中，r_ij为因素u_i对评价等级v_j的隶属度，且0≤r_ij≤1；矩阵R中第i行R_i＝(r_i1，r_i2，…，r_i4)为第i个评价因素u_i的单因素评判，它是评判集V上的模糊子集；

步骤c、模糊变换，B＝W⊕R，得到综合评判结果B＝(b₁，b₂，…，b₄)，其中W＝(w₁，w₂，…，w₄)表示各因素的权重集，

步骤d、根据加权隶属度原则，计算啤酒口味指数T：T＝B·V

表1表示语言变量的隶属度函数

步骤3、根据每批次的组分质量百分比和口味指数T训练啤酒口味的神经网络模型；

啤酒产品口味与啤酒原料组分之间非线性关系非常复杂，采用前馈神经网络(BP网络，n个输入神经元，2n个隐层神经元，1个输出神经元)，其中，n表示原料的种类数，网络结构如图1所示。输入神经元的输入为备选原料的质量百分比，输出神经元的输出值为啤酒口味指数。

步骤4、应用已训练好的神经网络模型进行啤酒口味预估分析。将拟预估的原料的质量百分比传送给模型的输入神经元，模型即能预估出该配方的啤酒口味指数。

Claims (1)

1.一种基于神经网络技术的啤酒口味预估方法，其特征在于该方法包括如下步骤：

步骤1、获取各原料种类的啤酒生产中试记录，所述的中试记录包括成品的苦味、酒花香味、口感、杀口力及各原料组分的质量百分含量；

步骤2、根据各种指标参数对啤酒风味进行模糊综合评判，计算出每批次记录的啤酒风味指数，具体步骤为：

步骤a、确定因素集U和评价集V；

U＝{苦味，酒花香味，口感，杀口力}，V＝{4，3，2，1}；

根据语言变量的隶属度函数表，确定U中各因素对评价集V的隶属度；

步骤b、用V对U中诸因素进行评价，得到模糊关系矩阵R

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{14}\\ r_{21}& r_{22}& ...& r_{24}\\ ...& ...& ...& ...\\ r_{41}& r_{42}& ...& r_{44}\end{array}\right]$

式中，r_ij为因素u_i对评价等级v_j的隶属度，且0≤r_ij≤1；矩阵R中第i行R_i＝(r_i1，r_i2，...，r_i4)为第i个评价因素u_i的单因素评判，它是评判集V上的模糊子集；

步骤c、模糊变换，B＝W⊕R，得到综合评判结果B＝(b₁，b₂，...，b₄)，其中W＝(w₁，w₂，...，w₄)表示各因素的权重集，

步骤d、根据加权隶属度原则，计算啤酒口味指数T：T＝B·V

步骤3、根据每批次的组分质量百分比和口味指数T训练啤酒口味的神经网络模型；

步骤4、应用已训练好的神经网络模型进行啤酒口味预估分析；将拟预估的原料的质量百分比传送给模型的输入神经元，模型即能预估出该配方的啤酒口味指数。

Images