改进粒子群优化神经网络的葡萄酒质量识别

　　随着我国经济的崛起，葡萄酒业也搭上了我国经济崛起的快速列车。葡萄酒产业规模不断壮大，但葡萄酒质量评定却没跟上酒业发展的脚步。现今的葡萄酒质量评定方法远远落后于市场需求。针对这个问题，本文用PSO优化算法代替BP网络自身训练过程，建立PSO优化BP网络模型，进而对葡萄酒质量进行分类评定。经过实证与文献的对比，PSO优化算法的确能够有效的代替BP神经网络自身训练过程。

　　近年来，我国经济水平得到了飞跃的发展，人们的生活水平也随之提高。进而对养生的需求也越来越高。研究表明，适量的饮酒对人体机能起到很好的作用，能调节人体新陈代谢。而葡萄酒则是养生品之一，人们进而喜欢喝葡萄酒，市场对葡萄酒的需求量也随之越来越大。然而市场上葡萄酒的品质参差不齐，如何区分葡萄酒的质量，是现今许多消费者和生产厂家都急切盼望解决的问题，因此鉴别葡萄酒的品质就显得尤为重要。现今的鉴别方法常常是通过理化指标、感官指标来确定。而感官指标主要是通过聘请一批有资质的评酒员进行品评，用感官分析法来对葡萄酒进行等级分类。但这种方法易受到评酒人员嗜好、心理、经验等因素的影响，通常使得评定存在一定主观性和不确定性。因此对葡萄酒质量的评定更多的通过理化指标来确定。通过对葡萄酒的部分理化指标进行分析，建立相应的模型，进而区分出葡萄酒的品质。参考国内外的文献，有许多学者对葡萄酒等级的分类进行研究。

　　随着数据种类和数量的增加，一般的人工处理数据，就变得不现实。人工智能算法的提出，可以为广大人民解决许多问题，能大大的缩短处理时间和减少人力。而BP 神经网络是人工智能算法中被运用最多的神经网络模型之一。BP 神经网络是1986 年由Rumelhart 和McCelland 为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络。BP 网络能学习和存储大量的输入到输出模式映射关系，而无需提前揭示这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权重和阈值，使网络的误差平方和最小。数学理论已经证明，三层的BP 神经网络可以拟合任意的非线性函数。

　　BP 神经网络虽然具有以上的优点，但是具有一个明显的缺点，容易陷入局部极小值。传统的BP 神经网络为一种局部搜索的优化方法，它要解决的是一个复杂非线性化问题，网络的权值是通过沿局部改善的方向逐渐进行调整，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。加上BP 神经网络算法对初始网络权重非常敏感，以不同的权值初始化网络，其往往会收敛于不同的局部极小，这也是许多学者每次训练得到不同结果的根本原因。因此，针对BP 神经网络的该缺点，提出用粒子群优化算法优化BP 神经网络的权值与阈值。

　　粒子群优化（PSO）算法是近年来发展起来的一种新的进化算法。PSO 算法属于进化算法的一种，和遗传算法相似，它是从随机解出发，通过迭代寻找最优解，它是通过适应度来评价解的品质。它通过追随当前搜索到的最优解来寻找全局最优值。将BP 神经网络与PSO 算法结合，通过把BP 神经网络的权值与阈值看作PSO 算法里的粒子，经过迭代更新，寻找出全局最优的适应值，最后将最优适应值返回到BP 神经网络，作为BP 网络的初始权值。