CN107292387A - 一种基于bp识别蜂蜜质量的方法 - Google Patents

一种基于bp识别蜂蜜质量的方法 Download PDF

Info

Publication number
CN107292387A
CN107292387A CN201710400124.2A CN201710400124A CN107292387A CN 107292387 A CN107292387 A CN 107292387A CN 201710400124 A CN201710400124 A CN 201710400124A CN 107292387 A CN107292387 A CN 107292387A
Authority
CN
China
Prior art keywords
data
output
hidden layer
neuron
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710400124.2A
Other languages
English (en)
Inventor
汪薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710400124.2A priority Critical patent/CN107292387A/zh
Publication of CN107292387A publication Critical patent/CN107292387A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于BP识别蜂蜜质量的方法，网络初始化：将蜂蜜的图片进行像素取点，取得该图的RGB图像数据，同时进行归一化处理，并将数据输入BP网络完成网络初始化，同时设定误差函数e，给定计算精度值ε和最大学习次数M；将数据归一化到[‑1,1]区间，得到Iris数据；通过学习和对权值的调整，得出各个节点的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)，同时计算得到全局的误差值，因此确定好整个BP网络设置后，再进行数据测试；如果输入的数据按照以上学习的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)得不到相对应的全局误差值E，我们就可以认为这组数据与正常的数据不匹配。本发明的有益效果为：通过BP神经网络算法来实现蜂蜜质量检测，准确性好，而且效率更高，实现了自动检测的目的。

Description

一种基于BP识别蜂蜜质量的方法
技术领域
本发明涉及蜂蜜质量检测领域，主要是一种基于BP识别蜂蜜质量的方法。
背景技术
目前蜂蜜质量一般只能靠人工来实现，通过目测、闻味道来检测一块蜂蜜质量的好坏。其不足在于：检测不准确，而且人工操作，效率不高。
发明内容
本发明的目的在于克服现有技术存在的不足，而提供一种基于BP识别蜂蜜质量的方法。
本发明的目的是通过如下技术方案来完成的。这种基于BP识别蜂蜜质量的方法，该方法包括如下步骤：
第一步，网络初始化：将蜂蜜的图片进行像素取点，取得该图的RGB图像数据，同时进行归一化处理，并将数据输入BP网络完成网络初始化，同时设定误差函数e，给定计算精度值ε和最大学习次数M；
y＝2*(x-min)/(max-min)-1
这条公式将数据归一化到[-1,1]区间，得到Iris数据；
第二步,随机选取第k个输入样本及对应期望输出：
d0(k)＝(d1(k),d2(k),...,dq(k),)
x(k)＝(x1(k),x2(k),...xn(k))
第三步，计算隐含层各神经元的输入和输出：
第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)a；
第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；
第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)；
第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权；
第八步，计算全局误差
第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习；
通过以上的学习和对权值的调整，得出各个节点的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)，同时计算得到全局的误差值，因此确定好整个BP网络设置后，再进行数据测试；如果输入的数据按照以上学习的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)得不到相对应的全局误差值E，我们就可以认为这组数据与正常的数据不匹配。
更进一步的，将Iris数据集分为100组，每组各75个样本，每组中每种图片有25个样本，其中一组作为以上程序的训练样本，另外一组作为检验样本，为了方便训练，将3类分别编号为1，2，3；使用这些数据训练一个4输入，分别对应4个特征，3输出的前向网络，分别对应该样本属于某一品种的可能性大小，设置训练参数e＝0.01，M＝100，ε＝0.01。
本发明的有益效果为：通过BP神经网络算法来实现蜂蜜质量检测，准确性好，而且效率更高，实现了自动检测的目的。
附图说明
图1为BP算法的信号流向图。
图2为蜂蜜质量好的图。
图3为本发明的训练曲线示意图。
具体实施方式
下面将结合附图对本发明做详细的介绍：
BP神经网络算法是一种有监督式的学习算法，其主要思想是：输入学习样本，使用反向传播算法对网络的权值和偏差进行反复的调整训练，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。具体步骤如下：
(1)初始化，随机给定各连接权[w],[v]及阀值θi，rt。
设定w1＝{16.3795 5.2873 -5.1517 -1.2917 0.9802 -3.2833 -0.3474 5.94882.2175 -2.6289 1.2639}
v1＝{-3.3628 1.1942 -11.3182 9.4958 -11.6694 -4.0900 -16.8200 -4.16067.9779 -1.3289 5.0356}
θ1＝{-9.3618 0.4042 3.9510}
rt＝{4.9943 5.7593 -0.4679}
(2)由给定的输入输出模式对计算隐层、输出层各单元输出；BP算法的信号流向图如图1所示。
(3)计算新的连接权及阀值，计算公式如下：
(4)选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
本发明所述的这种基于BP识别蜂蜜质量的方法，该方法包括如下步骤：
第一步，网络初始化：给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M。
将图2的图片进行像素取点，取该图的RGB图像数据，同时进行归一化处理，并将数据输入BP网络完成网络初始化，同时设定误差函数e，给定计算精度值ε和最大学习次数M。
取得RGB图像数据(归一化处理后)，y＝2*(x-min)/(max-min)-1
这条公式将数据归一化到[-1,1]区间。可得到数据：
将Iris数据集分为100组，每组各75个样本，每组中每种图片有25个样本。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将3类分别编号为1，2，3。
使用这些数据训练一个4输入(分别对应4个特征)，3输出(分别对应该样本属于某一品种的可能性大小)的前向网络。
设置训练参数e＝0.01；M＝100；ε＝0.01。
第二步,随机选取第k个输入样本及对应期望输出：
d0(k)＝(d1(k),d2(k),...,dq(k),)
x(k)＝(x1(k),x2(k),...xn(k))
第三步，计算隐含层各神经元的输入和输出：
识别率稳定在95％左右，训练100次左右达到收敛，训练曲线如图3所示。
第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)a。
第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)。
第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)。
第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权。
第八步，计算全局误差
第九步，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。
通过以上的学习和对权值的调整，我们可以得出各个节点的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)，同时计算得到全局的误差值，因此确定好整个BP网络设置后，再进行数据测试。如果输入的数据按照以上学习的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)得不到相对应的全局误差值E，我们就可以认为这组数据与正常的数据不匹配。
可以理解的是，对本领域技术人员来说，对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。

Claims (2)

1.一种基于BP识别蜂蜜质量的方法，其特征在于：该方法包括如下步骤：
第一步，网络初始化：将蜂蜜的图片进行像素取点，取得该图的RGB图像数据，同时进行归一化处理，并将数据输入BP网络完成网络初始化，同时设定误差函数e，给定计算精度值ε和最大学习次数M；
y＝2*(x-min)/(max-min)-1
这条公式将数据归一化到[-1,1]区间，得到Iris数据；
第二步,随机选取第k个输入样本及对应期望输出：
d0(k)＝(d1(k),d2(k),...,dq(k),)
x(k)＝(x1(k),x2(k),...xn(k))
第三步，计算隐含层各神经元的输入和输出：
第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)a；
第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；
第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)；
第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权；
第八步，计算全局误差
第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习；
通过以上的学习和对权值的调整，得出各个节点的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)，同时计算得到全局的误差值，因此确定好整个BP网络设置后，再进行数据测试；如果输入的数据按照以上学习的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)得不到相对应的全局误差值E，我们就可以认为这组数据与正常的数据不匹配。
2.根据权利要求1所述的基于BP识别蜂蜜质量的方法，其特征在于：将Iris数据集分为100组，每组各75个样本，每组中每种图片有25个样本，其中一组作为以上程序的训练样本，另外一组作为检验样本，为了方便训练，将3类分别编号为1，2，3；使用这些数据训练一个4输入，分别对应4个特征，3输出的前向网络，分别对应该样本属于某一品种的可能性大小，设置训练参数e＝0.01，M＝100，ε＝0.01。
CN201710400124.2A 2017-05-31 2017-05-31 一种基于bp识别蜂蜜质量的方法 Pending CN107292387A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710400124.2A CN107292387A (zh) 2017-05-31 2017-05-31 一种基于bp识别蜂蜜质量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710400124.2A CN107292387A (zh) 2017-05-31 2017-05-31 一种基于bp识别蜂蜜质量的方法

Publications (1)

Publication Number Publication Date
CN107292387A true CN107292387A (zh) 2017-10-24

Family

ID=60094853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710400124.2A Pending CN107292387A (zh) 2017-05-31 2017-05-31 一种基于bp识别蜂蜜质量的方法

Country Status (1)

Country Link
CN (1) CN107292387A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409501A (zh) * 2018-09-25 2019-03-01 北京工业大学 一种仿脑的具有遗忘特性的神经网络优化方法
CN111401652A (zh) * 2020-03-24 2020-07-10 汉谷云智(武汉)科技有限公司 一种基于co在线检测的锅炉优化方法及系统
CN111967799A (zh) * 2020-09-08 2020-11-20 中国电子科技集团公司第九研究所 集总参数表贴环行器物料及工艺问题识别方法
CN112215265A (zh) * 2020-09-24 2021-01-12 北京市市政工程设计研究总院有限公司 客运枢纽班次与客流定量关系确定方法和装置
CN113807000A (zh) * 2020-07-23 2021-12-17 广东毓秀科技有限公司 基于数据驱动的ups电池剩余寿命预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040002928A1 (en) * 2002-06-27 2004-01-01 Industrial Technology Research Institute Pattern recognition method for reducing classification errors
CN1945602A (zh) * 2006-07-07 2007-04-11 华中科技大学 一种基于人工神经网络的特征选择方法
CN103149878A (zh) * 2011-12-06 2013-06-12 中国科学院沈阳计算技术研究所有限公司 多智能体结构的数控机床故障诊断系统的自适应学习机制
CN103559538A (zh) * 2013-11-12 2014-02-05 上海电机学院 Bp神经网络结构优化方法
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN104809069A (zh) * 2015-05-11 2015-07-29 中国电力科学研究院 一种基于集成神经网络的源代码漏洞检测方法
CN105808454A (zh) * 2014-12-31 2016-07-27 北京东土科技股份有限公司 一种多端口访问共享缓存的方法及装置
CN106599417A (zh) * 2016-11-30 2017-04-26 中国电力科学研究院 一种基于人工神经网络的城市电网馈线负荷构成辨识方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040002928A1 (en) * 2002-06-27 2004-01-01 Industrial Technology Research Institute Pattern recognition method for reducing classification errors
CN1945602A (zh) * 2006-07-07 2007-04-11 华中科技大学 一种基于人工神经网络的特征选择方法
CN103149878A (zh) * 2011-12-06 2013-06-12 中国科学院沈阳计算技术研究所有限公司 多智能体结构的数控机床故障诊断系统的自适应学习机制
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN103559538A (zh) * 2013-11-12 2014-02-05 上海电机学院 Bp神经网络结构优化方法
CN105808454A (zh) * 2014-12-31 2016-07-27 北京东土科技股份有限公司 一种多端口访问共享缓存的方法及装置
CN104809069A (zh) * 2015-05-11 2015-07-29 中国电力科学研究院 一种基于集成神经网络的源代码漏洞检测方法
CN106599417A (zh) * 2016-11-30 2017-04-26 中国电力科学研究院 一种基于人工神经网络的城市电网馈线负荷构成辨识方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
HEAAD: "神经网络编程入门", 《HTTPS://WWW.CNBLOGS.COM/HEAAD/ARCHIVE/2011/03/07/1976443.HTML》 *
KASPAR RUOFF 等: "Quantitative determination of physical and chemical measurands in honey by near-infrared spectrometry", 《EUR FOOD RES TECHNOL》 *
WANGLUO: "BP神经网络及matlab实现", 《HTTPS://WWW.CNBLOGS.COM/WANGDUO/P/5405730.HTML》 *
宋宇辰 等: "基于BP神经网络的资源型城市可持续发展指标预测", 《西安财经学院学报》 *
屠振华 等: "基于近红外光谱技术的蜂蜜掺假识别", 《农业工程学报》 *
樊振宇: "BP神经网络模型与学习算法", 《软件导刊》 *
裴高璞 等: "蜂蜜质量市场动态及掺假检测方法现状分析", 《食品科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409501A (zh) * 2018-09-25 2019-03-01 北京工业大学 一种仿脑的具有遗忘特性的神经网络优化方法
CN111401652A (zh) * 2020-03-24 2020-07-10 汉谷云智(武汉)科技有限公司 一种基于co在线检测的锅炉优化方法及系统
CN113807000A (zh) * 2020-07-23 2021-12-17 广东毓秀科技有限公司 基于数据驱动的ups电池剩余寿命预测方法
CN111967799A (zh) * 2020-09-08 2020-11-20 中国电子科技集团公司第九研究所 集总参数表贴环行器物料及工艺问题识别方法
CN112215265A (zh) * 2020-09-24 2021-01-12 北京市市政工程设计研究总院有限公司 客运枢纽班次与客流定量关系确定方法和装置
CN112215265B (zh) * 2020-09-24 2023-07-11 北京市市政工程设计研究总院有限公司 客运枢纽班次与客流定量关系确定方法和装置

Similar Documents

Publication Publication Date Title
CN107292387A (zh) 一种基于bp识别蜂蜜质量的方法
CN106960446B (zh) 一种面向无人艇应用的水面目标检测跟踪一体化方法
CN105631880B (zh) 车道线分割方法和装置
CN105046277B (zh) 特征显著性在图像质量评价中的鲁棒机理研究方法
CN105430385B (zh) 一种图像传感器坏点检测和校正的方法及装置
CN107316035A (zh) 基于深度学习神经网络的对象识别方法及装置
CN112200771B (zh) 一种高度测量方法、装置、设备和介质
CN108491404A (zh) 一种基于bp神经网络的状态估计不良数据辨识方法
CN110472611A (zh) 人物属性识别的方法、装置、电子设备及可读存储介质
CN107274378B (zh) 一种融合记忆cnn的图像模糊类型识别及参数整定方法
CN108768907A (zh) 一种基于瞬时特征统计量和bp神经网络的调制识别方法
CN107392314A (zh) 一种基于确定性丢弃连接的深层卷积神经网络方法
CN114693983B (zh) 基于图像-实例对齐网络的训练方法和跨域目标检测方法
CN104268524A (zh) 一种基于动态调整训练目标的卷积神经网络的图像识别方法
CN109102885B (zh) 基于卷积神经网络与随机森林组合的白内障自动分级方法
CN110633643A (zh) 一种面向智慧社区的异常行为检测方法及系统
WO2014201971A1 (zh) 在线训练的目标检测方法及装置
CN106127729A (zh) 一种基于梯度的图像噪声水平估计方法
CN106991428A (zh) 基于自适应池化模型的害虫图像识别方法
CN109740721A (zh) 麦穗计数方法及装置
CN108550163A (zh) 一种复杂背景场景中运动目标检测方法
CN104778696B (zh) 一种基于视通路方位敏感的图像边缘分级检测方法
CN107729794A (zh) 火焰检测方法、火焰检测装置和电子设备
CN114529484B (zh) 针对成像中直流分量变化的深度学习样本增强方法
CN106780446A (zh) 一种无参考混合失真图像质量评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171024