CN111596007A - 一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法 - Google Patents

一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法 Download PDF

Info

Publication number
CN111596007A
CN111596007A CN202010402774.2A CN202010402774A CN111596007A CN 111596007 A CN111596007 A CN 111596007A CN 202010402774 A CN202010402774 A CN 202010402774A CN 111596007 A CN111596007 A CN 111596007A
Authority
CN
China
Prior art keywords
tea
neural network
parameters
brewing
taste
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
CN202010402774.2A
Other languages
English (en)
Inventor
李毓洲
姚兆燊
黎章毅
洪楷煌
刘宸跃
曾嘉琪
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010402774.2A priority Critical patent/CN111596007A/zh
Publication of CN111596007A publication Critical patent/CN111596007A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Tea And Coffee (AREA)

Abstract

本发明涉及一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，包括以下步骤：S1：收集喝茶爱好者泡茶的参数，构建样本集；S2：将样本集中的参数进行转换，统一限制在(0,1)区间内；S3：根据转换后的样本集建立BP神经网络预测模型，获得BP神经网络的权值和阈值；S4：运用BP神经网络的权值和阈值，通过BP神经网络预测模型，输出口感评价分数；S5：根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，对茶叶进行冲泡。本发明提供了一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，通过建立BP神经网络预测模型，得到口感评价分数，根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，准确地寻找茶叶品种的最佳冲泡方法。

Description

一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法
技术领域
本发明涉及神经网络领域，具体地，涉及一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法。
背景技术
目前国内对茶叶冲泡有个大致的最佳口感冲泡方法，但是不同喝茶品味的人和不同茶类品种是有不一样的要求，据研究可知，主要影响的参数有茶水比，温度，茶的品种，人喝茶的品味，冲泡时间。
对于过往神经网络利用在茶上的应用更多在于分辨茶叶种类，基本上没有对如何去冲泡茶叶可获得最佳茶感的研究，更多的是靠过去的经验总结；因此，如何实现冲泡茶叶最佳口感预设参数是本领域技术人员目前需要解决的技术问题。
发明内容
本发明为解决现在冲泡茶叶找寻最佳口感完全靠经验，没有固定参数的问题，提供一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法。
为实现以上发明目的，采用的技术方案是：
一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，包括以下步骤：
S1：收集喝茶爱好者泡茶的参数，构建样本集；
S2：将样本集中的参数进行转换，统一限制在(0,1)区间内；
S3：根据转换后的样本集建立BP神经网络预测模型，获得BP神经网络的权值和阈值；
S4：运用BP神经网络的权值和阈值，通过BP神经网络预测模型，输出口感评价分数；
S5：根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，对茶叶进行冲泡。
上述方案中，操作人员收集人们泡茶的参数，构建样本集，根据样本集建立 BP神经网络预测模型，得到口感评价分数，根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，准确地寻找茶叶品种的最佳冲泡方法。
在所述步骤S1中，所述样本集包括冲泡茶叶的时间、温度、茶水比。
所述冲泡茶叶的温度、茶水比通过传感器获取，所述冲泡茶叶的时间通过定时器进行获取。
在所述步骤S2中，根据变换公式,将输入参数限制在(0,1)区间内,保证各输入的参数有同等重要的地位。
所述变换公式为
Figure BDA0002490127860000021
其中，xi为输入的参数；ⅹmin为数据变化范围的最小值；xmax为数据变化范围的最大值；
Figure BDA0002490127860000022
为变换后的数据。
在所述步骤S3中，所述BP神经网络预测模型包括输入层、隐含层和输出层，还包括训练样本和检验样本；BP神经网络预测模型根据样本集中输入参数和输岀参数的个数确定BP神经网络预测模型输入层、隐含层和输出层的节点数，同时确定训练样本的个数和检验样本的个数；训练样本对BP神经网络预测模型进行训练，检验样本对BP神经网络预测模型进行检验，最终建立BP神经网络预测模型，之后获得BP神经网络的权值和阈值。
通过BP神经网络预测模型获取BP神经网络的权值和阈值的过程包括以下算法：输入层输入向量为X＝(x1，x2，…xn)T，输入层到隐含层的权值矩阵为 V＝(V1，V2，…Vn)；隐含层输出向量为Y＝(y1，y2，…ym)T，输入层与隐含层通过传递公式建立连接，隐含层到输出层之间的权值向量为W＝ (W1,W2，…Wm)，隐含层输岀向量为O＝(o)，O＝f(∑VX-x0)，期望输岀向量为 D＝(d)，D＝∑OW-y0，其中x0和y0为阈值。
所述传递公式为
Figure BDA0002490127860000023
在所述步骤S4中，包括以下步骤：选取(0,1)之间的随机数为BP神经网络中权值系数和阈值，随机选取样本数据进行训练，不断改善BP神经网络模型中的权值系数和阈值，使输出结果符合期望值，并用检验样本进行检验，如果检验不合格，继续改变权值系数和阈值，直到检验合格，输出口感评价分数。
在所述步骤S5中，根据样本集的误差范围数据，在泡茶或加茶的过程中利用PID神经网络，取其当前状态，目标状态，进行进一步调整，通过每次调整后输出口感评价分数，进行负反馈，完善其数据，确定茶叶最佳冲泡要求。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，操作人员收集人们泡茶的参数，构建样本集，根据样本集建立BP神经网络预测模型，得到口感评价分数，根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，准确地寻找茶叶品种的最佳冲泡方法。
附图说明
图1为该发明的方法流程图；
图2为该发明的BP神经网络预测模型图；
图3为该发明的用户泡茶流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1和图2所示，一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，包括以下步骤：
S1：收集喝茶爱好者泡茶的参数，构建样本集；
S2：将样本集中的参数进行转换，统一限制在(0,1)区间内；
S3：根据转换后的样本集建立BP神经网络预测模型，获得BP神经网络的权值和阈值；
S4：运用BP神经网络的权值和阈值，通过BP神经网络预测模型，输出口感评价分数；
S5：根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，对茶叶进行冲泡。
上述方案中，操作人员收集人们泡茶的参数，构建样本集，根据样本集建立 BP神经网络预测模型，得到口感评价分数，根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，准确地寻找茶叶品种的最佳冲泡方法。
在所述步骤S1中，所述样本集包括冲泡茶叶的时间、温度、茶水比。
所述冲泡茶叶的温度、茶水比通过传感器获取，所述冲泡茶叶的时间通过定时器进行获取。
在所述步骤S2中，根据变换公式,将输入参数限制在(0,1)区间内,保证各输入的参数有同等重要的地位。
所述变换公式为
Figure BDA0002490127860000041
其中，xi为输入的参数；ⅹmin为数据变化范围的最小值；xmax为数据变化范围的最大值；
Figure BDA0002490127860000042
为变换后的数据。
在所述步骤S3中，所述BP神经网络预测模型包括输入层、隐含层和输出层，还包括训练样本和检验样本；BP神经网络预测模型根据样本集中输入参数和输岀参数的个数确定BP神经网络预测模型输入层、隐含层和输出层的节点数，同时确定训练样本的个数和检验样本的个数；训练样本对BP神经网络预测模型进行训练，检验样本对BP神经网络预测模型进行检验，最终建立BP神经网络预测模型，之后获得BP神经网络的权值和阈值。
通过BP神经网络预测模型获取BP神经网络的权值和阈值的过程包括以下算法：输入层输入向量为X＝(x1，x2，…xn)T，输入层到隐含层的权值矩阵为 V＝(V1，V2，…Vn)；隐含层输出向量为Y＝(y1，y2，…ym)T，输入层与隐含层通过传递公式建立连接，隐含层到输出层之间的权值向量为W＝ (W1,W2，…Wm)，隐含层输岀向量为O＝(o)，O＝f(∑VX-x0)，期望输岀向量为 D＝(d)，D＝∑OW-y0，其中x0和y0为阈值。
所述传递公式为
Figure BDA0002490127860000043
在所述步骤S4中，包括以下步骤：选取(0,1)之间的随机数为BP神经网络中权值系数和阈值，随机选取样本数据进行训练，不断改善BP神经网络模型中的权值系数和阈值，使输出结果符合期望值，并用检验样本进行检验，如果检验不合格，继续改变权值系数和阈值，直到检验合格，输出口感评价分数。
在所述步骤S5中，根据样本集的误差范围数据，在泡茶或加茶的过程中利用PID神经网络，取其当前状态，目标状态，进行进一步调整，通过每次调整后输出口感评价分数，进行负反馈，完善其数据，确定茶叶最佳冲泡要求。
实施例2
如图3所示，用户在线输入冲泡茶叶参数，通过已经建立的BP神经网络预测模型，在线输出口感评价分数，若在重复对比中符合最高分数，则对系统进行参数预设；若不符合要求，则调整冲泡参数，确定某种冲泡方法的最佳评分直至符合要求，对系统进行参数预设。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，包括以下步骤：
S1：收集喝茶爱好者泡茶的参数，构建样本集；
S2：将样本集中的参数进行转换，统一限制在(0,1)区间内；
S3：根据转换后的样本集建立BP神经网络预测模型，获得BP神经网络的权值和阈值；
S4：运用BP神经网络的权值和阈值，通过BP神经网络预测模型，输出口感评价分数；
S5：根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，对茶叶进行冲泡。
2.根据权利要求1所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，在所述步骤S1中，所述样本集包括冲泡茶叶的时间、温度、茶水比。
3.根据权利要求2所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，所述冲泡茶叶的温度、茶水比通过传感器获取，所述冲泡茶叶的时间通过定时器进行获取。
4.根据权利要求2所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，在所述步骤S2中，根据变换公式,将输入参数限制在(0,1)区间内,保证各输入的参数有同等重要的地位。
5.根据权利要求4所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，所述变换公式为
Figure FDA0002490127850000011
其中，xi为输入的参数；ⅹmin为数据变化范围的最小值；xmax为数据变化范围的最大值；
Figure FDA0002490127850000012
为变换后的数据。
6.根据权利要求4所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，在所述步骤S3中，所述BP神经网络预测模型包括输入层、隐含层和输出层，还包括训练样本和检验样本；BP神经网络预测模型根据样本集中输入参数和输岀参数的个数确定BP神经网络预测模型输入层、隐含层和输出层的节点数，同时确定训练样本的个数和检验样本的个数；训练样本对BP神经网络预测模型进行训练，检验样本对BP神经网络预测模型进行检验，最终建立BP神经网络预测模型，之后获得BP神经网络的权值和阈值。
7.根据权利要求6所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，通过BP神经网络预测模型获取BP神经网络的权值和阈值的过程包括以下算法：输入层输入向量为X＝(x1，x2，…xn)T，输入层到隐含层的权值矩阵为V＝(V1，V2，…Vn)；隐含层输出向量为Y＝(y1，y2，…ym)T，输入层与隐含层通过传递公式建立连接，隐含层到输出层之间的权值向量为W＝(W1,W2，…Wm)，隐含层输岀向量为O＝(o)，O＝f(∑VX-x0)，期望输岀向量为D＝(d)，D＝∑OW-y0，其中x0和y0为阈值。
8.根据权利要求7所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，所述传递公式为
Figure FDA0002490127850000021
9.根据权利要求7所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，在所述步骤S4中，包括以下步骤：选取(0,1)之间的随机数为BP神经网络中权值系数和阈值，随机选取样本数据进行训练，不断改善BP神经网络模型中的权值系数和阈值，使输出结果符合期望值，并用检验样本进行检验，如果检验不合格，继续改变权值系数和阈值，直到检验合格，输出口感评价分数。
10.根据权利要求9所述的一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，其特征在于，在所述步骤S5中，根据样本集的误差范围数据，在泡茶或加茶的过程中利用PID神经网络，取其当前状态，目标状态，进行进一步调整，通过每次调整后输出口感评价分数，进行负反馈，完善其数据，确定茶叶最佳冲泡要求。
CN202010402774.2A 2020-05-13 2020-05-13 一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法 Pending CN111596007A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010402774.2A CN111596007A (zh) 2020-05-13 2020-05-13 一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010402774.2A CN111596007A (zh) 2020-05-13 2020-05-13 一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法

Publications (1)

Publication Number Publication Date
CN111596007A true CN111596007A (zh) 2020-08-28

Family

ID=72182182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010402774.2A Pending CN111596007A (zh) 2020-05-13 2020-05-13 一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法

Country Status (1)

Country Link
CN (1) CN111596007A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200918009A (en) * 2007-10-25 2009-05-01 Deng-Min Yang Tea-brewing machine
CN101793886A (zh) * 2010-03-24 2010-08-04 北京林业大学 一种基于bp神经网络预测发酵酸乳感官评定方法
US20120135119A1 (en) * 2010-11-30 2012-05-31 Wmf Wuerttembergische Metallwarenfabrik Ag Brewing process
CN102539326A (zh) * 2012-01-13 2012-07-04 江苏大学 茶叶汤色品质的量化评价方法
CN106295802A (zh) * 2016-08-01 2017-01-04 安徽农业大学 一种基于粒子群算法优化bp神经网络的茶叶存储时间分类方法
CN106308516A (zh) * 2015-06-18 2017-01-11 浙江绍兴苏泊尔生活电器有限公司 泡茶方法及装置
CN107490635A (zh) * 2017-08-09 2017-12-19 中国农业科学院茶叶研究所 茶汤中滋味特征成分浓度及茶叶可冲泡次数的预测方法
CN108665958A (zh) * 2018-04-13 2018-10-16 珠海格力电器股份有限公司 一种泡茶方法及装置
CN110024889A (zh) * 2019-04-18 2019-07-19 吕梁学院 小米和南瓜复合早茶粉
CN111125908A (zh) * 2019-12-24 2020-05-08 重庆科技学院 基于极限学习机的面包生产建模及决策参数优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW200918009A (en) * 2007-10-25 2009-05-01 Deng-Min Yang Tea-brewing machine
CN101793886A (zh) * 2010-03-24 2010-08-04 北京林业大学 一种基于bp神经网络预测发酵酸乳感官评定方法
US20120135119A1 (en) * 2010-11-30 2012-05-31 Wmf Wuerttembergische Metallwarenfabrik Ag Brewing process
CN102539326A (zh) * 2012-01-13 2012-07-04 江苏大学 茶叶汤色品质的量化评价方法
CN106308516A (zh) * 2015-06-18 2017-01-11 浙江绍兴苏泊尔生活电器有限公司 泡茶方法及装置
CN106295802A (zh) * 2016-08-01 2017-01-04 安徽农业大学 一种基于粒子群算法优化bp神经网络的茶叶存储时间分类方法
CN107490635A (zh) * 2017-08-09 2017-12-19 中国农业科学院茶叶研究所 茶汤中滋味特征成分浓度及茶叶可冲泡次数的预测方法
CN108665958A (zh) * 2018-04-13 2018-10-16 珠海格力电器股份有限公司 一种泡茶方法及装置
CN110024889A (zh) * 2019-04-18 2019-07-19 吕梁学院 小米和南瓜复合早茶粉
CN111125908A (zh) * 2019-12-24 2020-05-08 重庆科技学院 基于极限学习机的面包生产建模及决策参数优化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
O. TOMINAGA ET AL.: "Sensory Modeling of Coffee with a Fuzzy Neural Network", 《JOURNAL OF FOOD SCIENCE》 *
孙晶: "基于神经网络的智能泡茶机研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *
张霞 等: "冲泡条件对五峰毛尖茶品质的影响", 《湖北农业科学》 *
欧东新 编著: "《地球物理反演教程》", 31 August 2015, 地质出版社 *

Similar Documents

Publication Publication Date Title
CN104914720B (zh) 具有自动学习功能的电子鼻智能烘烤控制系统及控制方法
CN111160425A (zh) 一种基于神经网络的烤烟舒适性分类评价方法
CN106579532A (zh) 一种密集烤房烟叶烘烤工艺曲线的在线生成方法
CN110084149B (zh) 一种基于难样本四元组动态边界损失函数的人脸验证方法
CN107360775B (zh) 一种水肥一体化设备的施肥精度控制方法及其控制系统
CN107590460B (zh) 人脸分类方法、装置及智能终端
CN108181812A (zh) 一种基于bp神经网络的阀门定位器pi参数整定方法
CN114098284B (zh) 一种红外感应身高的高度调节方法及学习桌
CN111121239A (zh) 一种智能家电智能控制方法、控制系统、智能家电
CN107292387A (zh) 一种基于bp识别蜂蜜质量的方法
CN111596007A (zh) 一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法
CN110244557A (zh) 一种工业过程多阶惯性闭环系统的闭环建模方法
Sarino et al. Classification of coffee bean degree of roast using image processing and neural network
CN115938496A (zh) 基于XGBoost算法的质量预估方法
CN118211876A (zh) 一种茶叶生产加工智能质控与等级评估分类方法
CN113358647B (zh) 一种烟草烘烤数据预测监控模型建立方法
TWI708194B (zh) 咖啡豆烘焙度即時估測方法
CN114241221B (zh) 一种基于神经网络预测算法的控制系统
CN116183843A (zh) 一种番茄果实口感评价方法
CN113670917B (zh) 一种绿茶品质的分析方法和系统
CN112835299B (zh) 基于深度学习的智能烘烤控制系统
CN114938487A (zh) 基于声场景判别的助听器自验配方法
CN108595843B (zh) 一种动态自适应的众创设计方案数据寻优方法
CN112259107A (zh) 一种会议场景小样本条件下的声纹识别方法
CN118016218B (zh) 用于耐高温旋转接头材料性能数据智能分析方法

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: 20200828