基于GA-BP神经网络对葡萄酒质量评估的研究
发布时间：2021-08-21 01:52
随着近些年葡萄酒消费在中国逐渐流行,国内葡萄酒市场所面临的问题也接踵而至,特别是对于葡萄酒质量评价方面。由于目前主流的评价方法更多依靠人工品尝,而对于葡萄酒的理化数据关注较少,尚不存在一个统一有效的葡萄酒质量评估模型。由于缺少对葡萄酒理化指标方面的评估方案,研究一套科学合理的酒类质量评价模型势在必得。目前酒类行业中普遍使用质谱仪来检测葡萄酒中的各项化学成分,但是此方式无法分析成分含量对于整体质量的影响。当前主流使用的评估模型是层次分析法和多元逻辑回归,但是都有其本身的缺陷。针对以上方法无法准确反映葡萄酒质量的问题,本文提出基于遗传算法和BP神经网络的改进模型,探讨GA-BP模型在葡萄酒质量评估上的可行性。该模型以BP神经网络为基础,通过确定BP网络的拓扑结构,将葡萄酒样本集数据输入到网络中训练,运用训练完成的网络模型对葡萄酒样本进行质量评估。为了提升传统BP神经网络中神经元激活函数对网络映射能力和网络收敛速度,本文提出了具有独立超参数的KReLU和LogReLU激活函数,然后利用葡萄酒样本集训练网络来得到最优的超参数值,以确定一个合理的隐含层神经元激活函数。为了克服传统BP网络收敛慢,...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
三层神经网络结构图
图 2-3 step 函数与其导数图形Figure 2-3 function Step and its derivative graph. Identity 函数。Identity 函数定义为： ( ) = (2-数及其导数图像如图 2-4 所示，从激活函数角度看输入值等于输出值以只适合描述线性的映射关系，而对于表达非线性映射关系方面不强此此函数无法作为隐含层神经元的激活函数，不过仍然可以作为输出经元上的激活函数。
图 2-3 step 函数与其导数图形Figure 2-3 function Step and its derivative graphIdentity 函数。Identity 函数定义为： ( ) = (及其导数图像如图 2-4 所示，从激活函数角度看输入值等于输出只适合描述线性的映射关系，而对于表达非线性映射关系方面不此函数无法作为隐含层神经元的激活函数，不过仍然可以作为输元上的激活函数。
本文编号：3354649
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
三层神经网络结构图
图 2-3 step 函数与其导数图形Figure 2-3 function Step and its derivative graph. Identity 函数。Identity 函数定义为： ( ) = (2-数及其导数图像如图 2-4 所示，从激活函数角度看输入值等于输出值以只适合描述线性的映射关系，而对于表达非线性映射关系方面不强此此函数无法作为隐含层神经元的激活函数，不过仍然可以作为输出经元上的激活函数。
图 2-3 step 函数与其导数图形Figure 2-3 function Step and its derivative graphIdentity 函数。Identity 函数定义为： ( ) = (及其导数图像如图 2-4 所示，从激活函数角度看输入值等于输出只适合描述线性的映射关系，而对于表达非线性映射关系方面不此函数无法作为隐含层神经元的激活函数，不过仍然可以作为输元上的激活函数。
本文编号：3354649
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3354649.html
