CN106295801A - 一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法 - Google Patents

Abstract

本发明涉及一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法，旨在通过改进的广义回归神经网络解决茶叶储存时间分类问题，属于茶叶储存时间分类领域。其原理利用电子鼻传感器模拟人感官品评的功能和特征，采集不同时间不同传感器的特征值，构建样本集。利用果蝇算法优化广义回归神经网络，获得广义神经网络的平滑因子，进而构建毛峰茶叶储存时间的FOA‑GRNN分类模型和方法。本发明的有益效果在于将果蝇算法优化广义回归神经网络算法应用于毛峰茶叶数据中，提高预测毛峰茶叶储存时间分类的效率和准确度，为消费者提供茶叶储存时间分类的有效方法。

Description

一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时 间分类方法

技术领域

本发明涉及茶叶储存时间分类方法，具体是一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法。

背景技术

茶叶吸湿、吸味性强，很容易吸附空气中水分及异味，若储存方法稍有不当，新茶消失，陈味渐露。尤其是绿茶，因为存放时间越久，色泽和储存时间就越差。因此，在一定时期内合理储存茶叶是保证其质量不受影响的重要因素。业内判断茶叶的储存时间，一看是否发霉或出现陈味；二是看茶汤颜色；三是品滋味。这些方法都是因人而异的，不同的人很难得到一致的评价结果；甚至同一个人在不同的环境、不同的情绪时，对同一种气味也有不同的感受和评价。从而使得采用人的感官进行评价存在一定的局限性，为了减少评判的错误率，用机器模拟人的感官(如模拟人视觉的电子眼、模拟人的味觉的电子舌、模拟人的嗅觉的电子鼻等)进行食品品质评判已成为一种趋势。电子鼻作为一种新兴的感官分析技术，已经广泛应用于食品、烟草、医学、环境监测和爆炸物检测等领域。其中在新鲜度、成熟度判别、病害检测、品质监控、质量评价和安全检测中显示出独特优点，具有快速、无损、重复性好的优点。

电子鼻主要由气味取样操作器、气味传感器阵列和信号处理系统组成，是利用气味传感器阵列的响应曲线来识别气味。由于电子鼻得到的是样品中挥发出的气味信息，而不是样品中某成分的定量或定性结果。茶叶中含有萜烯类物质，具有吸湿性、吸附性、氧气性特点。新做好的茶叶往往带有“生青味”，经一段时间贮藏变化，可成为醇和可口的滋味。继续延长贮藏，滋味、储存时间逐渐变淡，最后成为缺乏刺激性、味软、淡薄的陈茶味。因此，电子鼻可以快速无损测定茶叶芳香苯、芳香烷烃等成分，从而对待测茶叶的储存时间进行客观评价。

绿茶的保质期在常温下一般为一年左右。影响茶叶品质的因素主要有温度、光线、湿度。如果存放方法得当，降低或消除这些因素，则茶叶可长时间保质。判断茶叶是否过期，主要有以下几个方面：看它是不是发霉，或出现陈味。这些传统的方法无法准确地对茶叶的储存时间进行分类。而广义回归神经网络(GRNN Generalized Regression NeuralNetworks)是径向基神经网络的一种，具有很强的非线性映射能力以及高度的容错性和鲁棒性，由Donald F.Specht在1991年提出的，GRNN在逼近能力和学习速度上较RBF网络有更强的优势，在样本数据较小时，具有良好的预测效果。现已被广泛应用于控制决策系统、能源、食物科学、金融、生物工程等诸多领域。

在对茶叶储存时间分类的问题上，已经有了典型判别分析法及神经网络方法等，但是在面对大量茶叶数据时，这些算法都存在准确率不高的问题，本专利针对这个问题，采用果蝇算法优化广义回归神经网络参数的方法，对茶叶的储存时间进行不同程度的分类，提高判断的准确率。

发明内容

本发明要解决的技术问题是提供一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法。

本发明是通过以下技术方案来实现的。

通过电子鼻采集茶叶香气数据，将检测到的芳香苯，氮氧化合物，芳香氨类，氢气，芳香烷烃，甲基烷烃，无机硫化物，羰基类和醇类，有机硫化物，长链烷烃指标的校正集数据作为输入样本，构建广义神经网络进行自分类。得到训练好的茶叶分类模型，并据此计算出茶叶预测集数据的分类准确率。该方法有效的解决了茶叶香气分类准确率不高的问题，提高茶叶的分类准确率。具体包括以下步骤：

步骤1：茶叶样品准备，确定茶叶检测的10个指标；

步骤2：建立样本集，采用10个不同金属氧化物传感器的电子鼻对毛峰茶样品进行检测，得到10个传感器特征值，采集不同时间下的检测指标值，构建样本集，对样本数据进行主成分分析，降低样本的维数，并对样本数据进行归一化处理；

步骤3：确定广义回归神经网络的网络结构；

步骤4：利用果蝇算法优化广义回归神经网络，进行模型训练，输出优化后的广义回归神经网络的最佳平滑因子σ值；

步骤5：由电子鼻检测茶叶的测试集样本数据作为输入，通过步骤4优化后的广义回归神经网络预测茶叶的储存时间分类。

本发明的有益效果：

本发明将果蝇算法优化广义回归神经网络参数应用于实际的茶叶数据中，对茶叶储存时间进行分类，效果较优，有效地提高了茶叶储存时间分类的准确率，为消费者提供茶叶储存时间分类的有效方法。本发明通过主成分分析的方法优化了电子鼻检测的指标数量，在不影响茶叶存储时间分类精确度的情况下，将检测的十个指标精简为六个，减小了实际检测的任务量。

附图说明

图1为毛峰茶叶样本集主成分分析的载荷图。

图2为毛峰茶叶储存时间的广义回归神经网络结构图。

图3为果蝇算法优化广义回归神经网络的毛峰茶叶储存时间分类方法的流程示意图。

图4为毛峰茶叶储存时间的果蝇算法飞行轨迹。

图5为毛峰茶叶储存时间的果蝇算法寻优过程。

图6为毛峰茶叶储存时间的FOA-GRNN算法的储存时间可视化结果。

图7为毛峰茶叶储存时间的GRNN算法的储存时间可视化结果。

具体实施方式

下面根据附图和实施例对本发明作进一步详细说明，以毛峰茶叶为例。

步骤1：确定毛峰茶叶检测指标：

步骤1.1毛峰茶叶样品的准备；

各个等级的毛峰茶叶分别准备70个重复样品，每个重复样品质量为5g，双层薄膜密封在500ml的烧杯中，静置于室温45min。

根据感官评审时的要求，茶、水比1：50，取5g茶叶用250ml水冲泡。泡茶用水为沸滚适度100℃的纯净水，冲泡时间为5min，然后将茶水滤出。将茶水和茶底分别在500ml的烧杯中密封、静置45min使得烧杯顶空富集茶叶挥发性成分的同时，水温也冷却至室温。由于茶水和茶底中水蒸气很多，所有检测时要放些硅胶，以减少水蒸气的影响。同样对每个等级的茶叶也各准备70个重复。

由于这部分的样品中水蒸气含量较多，虽然用硅胶预处理过，但水蒸气含量扔相对较大，所有要结合吸附/解吸附单元使用，对检测的挥发性成分进行富集、浓缩和清洁，以减少对传感器阵列的影响。把吸附/解吸附单元与电子鼻系统连接好，运行其配套气味指纹分析处理软件，首先检测吸附/解吸附单元是否连接好；然后设定系统各参数，即可开始检测。

步骤1.2毛峰茶叶指标检测；

电子鼻采用德国Airsense公司生产的PEN3型电子鼻，含有10个不同的金属氧化物传感器，电子鼻的原理是利用特定的金属氧化物和生物膜，根据挥发性物质分子接触引起膜电位微小的变化来判断是否有气味和气味的强弱，以特定的传感器和模式识别系统进行快速提供被测样品的全面信息，提示样品的隐含特征。传感器的输出为传感器接触挥发性气体的电导率与传感器经过活性炭过滤后纯净空气的电导率之比。得到10个传感器特征值。这种气敏传感器具有可靠性高、灵敏度好和重复性强等特点。

电子鼻PEN3的标准传感器阵列见表1。

表1 PEN3的标准传感器阵列

步骤2建立毛峰茶叶样本集：

步骤2.1毛峰茶叶样本数据获取；

由电子鼻检测到毛峰茶数据的部分数据的详细信息情况见表2。其中，1到10传感器记录在不同时间下，传感器接触挥发性气体的电导率与传感器经过活性炭过滤后纯净空气的电导率之比，储存时间是感官审评的陈化程度值。不同等级茶叶样品每隔15天做一次检测，连续检测75天，即0，15，30，45，60，75天各检测一次。该数据集包括452个样本，10个样本属性，6个类别。

表2 毛峰茶数据情况

步骤2.2主成分分析

对该样本集进行主成分分析，得到6个主成分，其载荷图如图1所示，提取的6个主成分分别为：氢气，甲基烷烃，无机硫化物，羰基类和醇类，有机硫化物，长链烷烃指标值。

步骤2.3毛峰茶叶归一化处理；

为了使分类更准确，对样本数据进行归一化处理。使所有的样本数据都归一为[0，1]之间，对于输出向量通过反归一化处理，得到原值。采用的数据归一化处理计算公式为：

P′＝(P-P_min)/(P_max-P_min)

式中，P′、P、P_max、P_min分别为归一化后样本数据，原始样本数据，原始样本数据的最大值和最小值。

步骤2.4毛峰茶叶样本划分；

对样本数据按照校正集和测试集4:1进行划分，校正集作为FOA-GRNN模型的构建，测试集结果作为模型的评价标准。

步骤3：确定广义回归神经网络的网络结构，毛峰茶叶储存时间的广义回归神经网络结构图如图2所示。包括：

步骤3.1输入层；

输入层神经元数目等于样本中输入向量的维数。为主成分分析得到的6个指标的含量。各神经元是简单的分布单元，直接将输入变量传递给模式层。

步骤3.2模式层；

模式层神经网络数目等于样本中输入向量的维数，即为主成分分析得到的6个指标的含量。给神经元对应不同的样本，模式层神经元传递函数为：

$p_i=\exp \[-\frac{{(X-X_i)}^T(X-X_i)}{2{\mathrm{\σ}}^2}\],i=1,2,\mathrm{...},n$

式中，X为网络输入变量，X_i为第i个神经元对应的输入样本。

步骤3.3求和层；

求和层中使用两种类型神经元进行求和。

一类是它对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：

$S=\underset{i=1}{\overset{n}{\Σ}}{P}_i$

另一类是对所有模式层的神经元进行加权求和，传递函数为：

$S_D=\underset{i=1}{\overset{n}{\Σ}}{y}_{ij}{P}_i,j=1,2,\mathrm{...},k$

步骤3.4输出层；

输出层中神经元数目等于样本中输出向量的维数。即为茶叶储存时间。各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即：

$y_i-\frac{S_{Nj}}{S_D},j-1,2,\mathrm{...},k$

步骤4：利用果蝇算法优化广义回归神经网络，进行模型训练，输出优化后的广义回归神经网络的最佳平滑因子σ值。具体包括：

步骤4.1用于茶叶储存时间的分类的广义回归神经网络算法，

果蝇算法是根据果蝇利用自身嗅觉与视觉上的优势寻找食物的原理进行设计。先是利用嗅觉搜集漂浮在空中的各种气味，然后飞到食物附近利用敏锐的视觉发现食物和同伴聚集的位置，并往该方向飞去。果蝇搜索食物的过程就是从食物味道浓度小的地方不断向味道浓度大的地方靠近，直到找到食物。主要由下式确定分类规则：

Y′即为输入为X条件下，Y的预测输出：

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

函数f(X，y)定义为：

$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 \[-\frac{{(X-X_i)}^T(X-X_i)}{2{\mathrm{\σ}}^2}\]\exp \[-\frac{{(X-Y_i)}^2}{2{\mathrm{\σ}}^2}\]$

式中：X_i，Y_i分别表示第i个训练输入向量和相应的输出；n为样本容量；p为随机变量x的维数；σ为光滑因子。相应的回归估计为：

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

其中，h_i表示高斯径向基函数，其表达式为：

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

表示向量X和向量X_i之间的欧几里德距离的平法。

步骤4.2使用果蝇算法优化广义回归神经网络得到最优平滑因子。果蝇算法优化广义回归神经网络毛峰茶叶储存时间分类流程图如图3所示。上述步骤4.2包括：

步骤4.2.1参数初始化，设置果蝇种群个数、最大迭代数、和果蝇初始位置；

本专利选择果蝇算法种群个数为20、最大迭代次数为100、随机果蝇初始位置：

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

步骤4.2.2赋予果蝇个体搜寻食物的随机飞行方向与距离：

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

步骤4.2.3估计果蝇位置与原点之间的距离D(i)，求出味道浓度判定值S(i)：

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

步骤4.2.4构造个体适应度函数；

将目标函数适当处理作为个体适应度函数。

步骤4.2.5根据果蝇算法算法结束条件，得到最优广义回归神经网络的平滑因子σ值。本实施例得到平滑因子σ＝0.1031。

步骤5毛峰茶叶的储存时间分类；

根据上述步骤，本实施例选用广义回归神经网络和果蝇算法优化广义回归神经网络对毛峰茶叶进行香气分类，果蝇的飞行轨迹如图4所示，寻优过程如图5所示；由训练结果可知，寻优过程在迭代的第5代收敛，此时的均方根误差值为0.055，果蝇种群的聚集位置为(8.341，4.953)，此时，最优的平滑因子σ值为0.1031。建模时间为215.23s，

表3显示了采用广义神经网络和果蝇算法优化广义回归神经网络算法对毛峰茶叶的储存时间分类对比结果，从表中可以看出，在建模时间上，广义神经网络具有相对更快的建模速度，只用了1.67s；在准确率上，果蝇算法优化广义回归神经网络的准确率相对高很多，与广义回归神经网络相比，高了15.58％。结果表明，果蝇算法优化广义回归神经网络对茶叶的储存时间的分类准确率更高。尤其是在面对要求高精度时，效果更显著。

表3 分类结果对比

茶叶数据集包含6个类别属性：“0”、“15”、“30”、“45”、“60”、“75”。分别表示毛峰茶叶的保鲜期可以达到0天、15天、30天、45天、60天以及75天。FOA-GRNN算法的储存时间可视化结果如图6所示。广义回归神经网络算法的储存时间可视化结果如图7所示。图中X轴表示测试集样本，Y轴表示类别标签，图中圆形表示实际测试集分类，星形表示预测测试集分类。

本发明利用果蝇算法的寻优精度高、收敛速度快、全局寻优能力强、易于实现等优点，将该方法应用于广义回归神经网络进行平滑因子σ的选取，进而构建FOA-GRNN毛峰茶叶储存时间分类模型，本发明不仅为消费者提供一种有效的茶叶储存时间分类方法，而且进一步提高了分类精度，得到较好的结果。

Claims (7)

1.一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法，其特征在于：通过电子鼻采集茶叶香气的特征数据，利用果蝇优化算法得到广义回归神经网络的最佳平滑因子σ值，获取最佳广义回归神经网络，构建茶叶储存时间的广义回归神经网络算法分类模型，从而预测茶叶的存储时间分类。

2.根据权利要求1所述的基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法，其特征在于电子鼻采集的茶叶香气的特征数据包括：氢气，甲基烷烃，无机硫化物，羰基类和醇类，有机硫化物，长链烷烃指标值。

3.根据权利要求2所述的基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法，其特征在于电子鼻采集的茶叶香气的特征数据还包括：芳香苯，氮氧化合物，芳香氨类，芳香烷烃。

4.根据权利要求1-3任一所述的基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法，其特征在于包括以下步骤：

步骤1：准备茶叶样品，利用PEN3型电子鼻采集茶叶香气的特征数据；

步骤2：构建样本集，对茶叶香气的特征数据进行归一化处理；

步骤3：确定广义回归神经网络的网络结构；

步骤4：利用果蝇算法优化广义回归神经网络，进行模型训练，输出优化后的广义回归神经网络的最佳平滑因子σ值；

步骤5：由电子鼻检测茶叶的测试集样本数据作为输入，通过步骤4优化后的广义回归神经网络预测茶叶的储存时间分类。

5.根据权利要求4所述的基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法，其特征在于，步骤2中归一化处理计算公式为：

P′＝(P-P_min)/(P_max-P_min)

其中，P′、P、P_max、P_min分别为归一化后样本数据，原始样本数据，原始样本数据的最大值和最小值。

6.根据权利要求4所述的基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法，其特征在于广义回归神经网络的网络结构包括：

输入层，输入层神经元数目等于样本中输入向量的维数，为选择的茶叶香气特征数据类别量；

模式层，模式层神经网络数目等于样本中输入向量的维数，为选择的茶叶香气特征数据类别量；

求和层，求和层是对所有模式层的神经元进行加权求和；

输出层，输出层中神经元数目等于样本中输出向量的维数，即茶叶储存时间。

7.根据权利要求4所述的基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法，其特征在于，所述步骤4包括：

步骤4.1用于茶叶储存时间分类的广义回归神经网络算法，主要由下式确定分类规则：

Y′即为输入为X条件下，Y的预测输出：

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

函数f(X，y)定义为：

$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分别表示第i个训练输入向量和相应的输出；n为样本容量；p为随机变量x的维数；σ为光滑因子。相应的回归估计为：

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

其中，h_i表示高斯径向基函数，其表达式为：

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

表示向量X和向量X_i之间的欧几里德距离的平法；

步骤4.2使用果蝇算法优化广义回归神经网络得到最优平滑因子：

所述步骤4.2包括：

步骤4.2.1参数初始化，设置果蝇种群个数、最大迭代数、果蝇初始位置；随机果蝇初始位置：

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

步骤4.2.2赋予果蝇个体搜寻食物的随机飞行方向与距离：

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

步骤4.2.3估计果蝇位置与原点之间的距离D(i)，求出味道浓度判定值S(i)：

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

步骤4.2.4构造个体适应度函数；

步骤4.2.5根据果蝇算法结束条件，得到最优广义回归神经网络的平滑因子σ值。