本發(fā)明設(shè)計葡萄酒質(zhì)量鑒別領(lǐng)域，具體是一種基于reabc-svm的葡萄酒質(zhì)量分類方法。

技術(shù)背景

葡萄酒中含有豐富的營養(yǎng)物質(zhì),至今多達600種以上的物質(zhì)被測定出來。葡萄具有的營養(yǎng)和醫(yī)療作用很早就被認(rèn)識，葡萄酒因其特殊的營養(yǎng)價值和較好的保健效果，越來越受到廣大消費者的歡迎。那么如何準(zhǔn)確的對葡萄酒質(zhì)量進行鑒別就顯得尤為重要。對于傳統(tǒng)的葡萄酒鑒別方法，通常是靠評酒員的主觀評價，這種評價方法首先不具備普遍性，并且絕對依賴于評酒員。其次，在工作量大大增加后，評酒員的瓶酒準(zhǔn)確性可能會出現(xiàn)很大的誤差，這樣可能會造成災(zāi)難性的后果。所以需要更精確的鑒別工具。

目前一般都通過交叉驗證試算的方法，或者梯度下降法確定，不僅效率較低且穩(wěn)定性不高。而且對于葡萄酒質(zhì)量分類問題，如果使用目前普遍的方法，更容易陷入局部最優(yōu)。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)的不足之處，本發(fā)明提供一種基于reabc-svm的葡萄酒質(zhì)量鑒別方法，以期能利用改進abc算法對svm參數(shù)進行優(yōu)化，從而得到最合適的分類模型實現(xiàn)對葡萄酒質(zhì)量好壞的分類，進而解決葡萄酒質(zhì)量鑒別問題。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案包括以下步驟：

本發(fā)明一種基于reabc-svm的葡萄酒質(zhì)量鑒別方法的特點是按如下步驟進行：

步驟1：獲取n個葡萄酒的特征向量集合構(gòu)成訓(xùn)練樣本集，記為v＝[v1,v2,…,vi,…,vn]，其中vi為第i個葡萄酒的特征向量，并有為第i個葡萄酒的第j個特征值，yi為第i個葡萄酒的質(zhì)量，且yi＝1表示第i個葡萄酒的質(zhì)量為優(yōu)，yi＝0表示第i個葡萄酒的質(zhì)量為劣；1≤i≤n，1≤j≤n；

步驟2：基于所述訓(xùn)練樣本集v，利用改進的人工蜂群優(yōu)化算法對支持向量機的懲罰系數(shù)c和rbf核函數(shù)的參數(shù)g進行動態(tài)調(diào)整，從而建立葡萄酒質(zhì)量鑒別的最優(yōu)分類模型；

步驟2.0：利用式(1)對訓(xùn)練樣本集v進行歸一化，得到歸一化后的訓(xùn)練樣本集v′＝[v′1,v′2,…,v′i,…,v′n]，并有

式(1)中，為第i個葡萄酒的特征向量vi中的最小特征值，為第i個葡萄酒的特征向量vi中的最大特征值；

步驟2.1：定義種群大小為m、最大迭代次數(shù)為len、當(dāng)前迭代次數(shù)為t，蜜源放棄限制為limit，計數(shù)器為lim，蜜蜂個體集合為e；初始化t＝0、e為空集；

步驟2.2：初始化lim＝0；

由第m個懲罰系數(shù)cm和第m個參數(shù)gm構(gòu)成第m個蜜蜂個體gm，從而由m個蜜蜂個體構(gòu)成蜜蜂種群；并在所設(shè)置的范圍內(nèi)隨機初始化所述蜜蜂種群作為第t代種群；

步驟2.3：利用所述第t代種群中的第m個蜜蜂個體和所述歸一化后的訓(xùn)練樣本集對svm分類器進行訓(xùn)練，得到第t代種群的第m個分類模型，從而得到第t代種群的m個分類模型；

步驟2.4、利用所述第t代種群的m個分類模型對所述歸一化后的訓(xùn)練樣本集v′進行分類，得到第t代種群的m個分類模型的分類精度，記為表示第t代種群的第m個分類精度，1≤m≤m；

步驟2.5、從第t代種群的m個分類精度a^t中選取最大值所對應(yīng)的蜜蜂個體作為第t+1代種群的中心，記為f^t+1；

步驟2.6、令m＝1；

步驟2.7、在第t+1代種群的中心f^t+1的鄰域內(nèi)生成第t代種群的第m個新蜜蜂個體，記為用新蜜蜂個體和所述歸一化后的訓(xùn)練樣本集v′對svm分類器進行訓(xùn)練，從而得到第t代種群的第m個新蜜蜂個體的分類模型；

用所述第t代種群的第m個新蜜蜂個體的分類模型對所述歸一化后的訓(xùn)練樣本集v′進行分類，得到第t代種群的第m個新蜜蜂個體的分類精度比較是否成立，若成立，則將第t代種群中的第m個蜜蜂個體作為第t+1代種群的第m個蜜蜂個體，若不成立，則將新蜜蜂個體作為第t+1代種群的第m個蜜蜂個體；

步驟2.8、將m+1賦值給m，判斷m＞m是否成立，若成立，則執(zhí)行步驟2.9，否則，返回步驟2.7；

步驟2.9、根據(jù)步驟2.3和步驟2.4，得到第t+1代種群的m個分類精度，記為比較max(a^t+1)＞max(a^t)是否成立，若成立，則令lim＝0，否則，令lim+1賦值給lim；

步驟2.10、利用式(2)獲得第t+1代種群中第m個蜜蜂個體的被選概率從而得到第t+1代種群中m個蜜蜂個體的被選概率：

式(2)中，表示概率系數(shù)；

步驟2.11、定義變量k，并初始化k＝1；

步驟2.12、初始化m＝1；

步驟2.13、利用隨機數(shù)函數(shù)生成第m個隨機值rm；

步驟2.14、比較是否成立，若成立，則執(zhí)行步驟2.15；否則，執(zhí)行步驟2.17；

步驟2.15、以第t+1代種群中第m個蜜蜂個體為中心，并在鄰域內(nèi)隨機生成第t+1代種群的第m個新蜜蜂個體，記為用新蜜蜂個體和所述歸一化后的訓(xùn)練樣本集v′對svm分類器進行訓(xùn)練，從而得到第t+1代種群的第m個新蜜蜂個體的分類模型；

用所述第t+1代種群的第m個新蜜蜂個體的分類模型對所述歸一化后的訓(xùn)練樣本集v′進行分類，得到第t+1代種群的第m個新蜜蜂個體的分類精度比較是否成立，若成立，則將第t+1代種群中第m個蜜蜂個體作為第t+2代種群的第k個蜜蜂個體，若不成立，則將第t+1代種群的第m個新蜜蜂個體作為第t+2代種群的第k個蜜蜂個體；

步驟2.16、將k+1賦值給k，判斷k＝m是否成立，若成立，則表示已生成第t+2代種群的m個蜜蜂個體，執(zhí)行步驟2.18；否則，執(zhí)行步驟2.17；

步驟2.17、將m+1賦值給m后，判斷m＞m是否成立，若成立，則返回步驟2.12；否則返回步驟2.13；

步驟2.18、根據(jù)步驟2.3和步驟2.4，得到第t+2代種群的m個分類精度，記為比較max(a^t+2)＞max(a^t+1)是否成立；若成立，則令lim＝0，否則，令lim+1賦值給lim；

步驟2.19、判斷l(xiāng)im＞limit是否成立，若成立，則將max(a^t+2)對應(yīng)的蜜蜂個體存放到蜜蜂個體集合e中，并返回步驟2.2執(zhí)行，否則，執(zhí)行步驟2.20；

步驟2.20、將t+2賦值給t后，判斷t＞len是成立，若成立，則執(zhí)行步驟2.21；否則，執(zhí)行步驟2.5；

步驟2.21、將第len代種群和所述蜜蜂個體集合e合并為一個種群z，根據(jù)步驟2.3和步驟2.4得到種群z中所有蜜蜂個體的分類精度，并將分類精度最大的蜜蜂個體作為支持向量機的最優(yōu)輸入，利用所述最優(yōu)輸入和所述歸一化后的訓(xùn)練樣本集v′對svm分類器進行訓(xùn)練，從而得到葡萄酒質(zhì)量鑒別的最優(yōu)分類模型，以所述葡萄酒質(zhì)量鑒別的最優(yōu)分類模型實現(xiàn)對葡萄酒的質(zhì)量鑒別。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

1、本發(fā)明使用reabc-svm的葡萄酒質(zhì)量鑒別方法，通過改進人工蜂群優(yōu)化算法對支持向量機的懲罰因子和核函數(shù)參數(shù)進行動態(tài)調(diào)整，輸出最優(yōu)參數(shù)，利用最優(yōu)參數(shù)建立葡萄酒鑒別模型；從而使得模型具有泛化能力強，效果穩(wěn)定，分類精度高優(yōu)點。

2、由于在葡萄酒質(zhì)量分類問題中存在著參數(shù)效果大致呈梯度分布，即只有在當(dāng)前最優(yōu)個體附近才有可能生成更有個體，因此本發(fā)明中通過將傳統(tǒng)的算法中的新個體生成方式改為“從當(dāng)前最優(yōu)點生成種群”的方式，節(jié)省了搜索時間，增加了搜索能力。

3、本發(fā)明中通過設(shè)置蜜源放棄限制值來判斷種群迭代過程中是否陷入局部最優(yōu)，以及時放棄種群，避免了浪費搜索精力，幫助跳出局部最優(yōu)。

附圖說明

圖1是本發(fā)明方法流程圖。

具體實施方式

本實施例中，如圖1所示，一種基于reabc-svm的葡萄酒質(zhì)量鑒別方法，目的在于將改進人工蜂群支持向量機方法應(yīng)用于葡萄酒質(zhì)量鑒別中，具體的說，是按如下步驟進行：

步驟1：獲取n個葡萄酒的特征向量集合構(gòu)成訓(xùn)練樣本集，記為v＝[v1,v2,…,vi,…,vn]，其中vi為第i個葡萄酒的特征向量，并有為第i個葡萄酒的第j個特征值，yi為第i個葡萄酒的質(zhì)量，且yi＝1表示第i個葡萄酒的質(zhì)量為優(yōu)，yi＝0表示第i個葡萄酒的質(zhì)量為劣；1≤i≤n，1≤j≤n；

步驟2：基于所述訓(xùn)練樣本集v，利用改進的人工蜂群優(yōu)化算法對支持向量機的懲罰系數(shù)c和rbf核函數(shù)的參數(shù)g進行動態(tài)調(diào)整，從而建立葡萄酒質(zhì)量鑒別的最優(yōu)分類模型；

步驟2.0：利用式(1)對訓(xùn)練樣本集v進行歸一化，得到歸一化后的訓(xùn)練樣本集v′＝[v′1,v′2,…,v′i,…,v′n]，并有

式(1)中，為第i個葡萄酒的特征向量vi中的最小特征值，為第i個葡萄酒的特征向量vi中的最大特征值；

對訓(xùn)練樣本集進行歸一化，得到如圖所示的樣本集，對訓(xùn)練樣本進行歸一化，可以排除個別數(shù)據(jù)對整體數(shù)據(jù)的效果影響，使得到的分類模型產(chǎn)生更高的分類精度。

步驟2.1：定義種群大小為m、最大迭代次數(shù)為len、當(dāng)前迭代次數(shù)為t，蜜源放棄限制為limit，計數(shù)器為lim，蜜蜂個體集合為e；初始化t＝0、e為空集，此步驟為如圖所示step1。

步驟2.2：初始化lim＝0；

由第m個懲罰系數(shù)cm和第m個參數(shù)gm構(gòu)成第m個蜜蜂個體gm，從而由m個蜜蜂個體構(gòu)成蜜蜂種群；并在所設(shè)置的范圍內(nèi)隨機初始化所述蜜蜂種群作為第t代種群；

步驟2.3：利用所述第t代種群中的第m個蜜蜂個體和所述歸一化后的訓(xùn)練樣本集對svm分類器進行訓(xùn)練，得到第t代種群的第m個分類模型，從而得到第t代種群的m個分類模型；

步驟2.4、利用所述第t代種群的m個分類模型對所述歸一化后的訓(xùn)練樣本集v′進行分類，得到第t代種群的m個分類模型的分類精度，記為表示第t代種群的第m個分類精度，1≤m≤m；

以上步驟均為圖中step1的操作。

步驟2.5、從第t代種群的m個分類精度a^t中選取最大值所對應(yīng)的蜜蜂個體作為第t+1代種群的中心，記為f^t+1；

步驟2.6、令m＝1；

步驟2.7、在第t+1代種群的中心f^t+1的鄰域內(nèi)生成第t代種群的第m個新蜜蜂個體，記為用新蜜蜂個體和所述歸一化后的訓(xùn)練樣本集v′對svm分類器進行訓(xùn)練，從而得到第t代種群的第m個新蜜蜂個體的分類模型；

用所述第t代種群的第m個新蜜蜂個體的分類模型對所述歸一化后的訓(xùn)練樣本集v′進行分類，得到第t代種群的第m個新蜜蜂個體的分類精度比較是否成立，若成立，則將第t代種群中的第m個蜜蜂個體作為第t+1代種群的第m個蜜蜂個體，若不成立，則將新蜜蜂個體作為第t+1代種群的第m個蜜蜂個體；

因為要保持種群中個體的優(yōu)越性，所以每產(chǎn)生一個新個體，就要對其對應(yīng)的原個體比較進行替換，從而保持種群整體的優(yōu)越性，讓種群不斷進化。

步驟2.8、將m+1賦值給m，判斷m＞m是否成立，若成立，則執(zhí)行步驟2.9，否則，返回步驟2.7；

如果m>m成立，則代表已生成m個新個體，即種群已更新完成。步驟2.5，步驟2.6，步驟2.7，步驟2.8，即為圖1中的step2的操作。

步驟2.9、根據(jù)步驟2.3和步驟2.4，得到第t+1代種群的m個分類精度，記為比較max(a^t+1)＞max(a^t)是否成立，若成立，則令lim＝0，否則，令lim+1賦值給lim；

該步驟是在對種群是否進步進行判斷，即若max(a^t+1)＞max(a^t)成立，則認(rèn)為種群進步，否則，認(rèn)為種群沒有進步，即停滯。同時還要記錄下種群連續(xù)停滯次數(shù)，以配合后面判斷種群是否陷入局部最優(yōu)。

步驟2.10、利用式(2)獲得第t+1代種群中第m個蜜蜂個體的被選概率從而得到第t+1代種群中m個蜜蜂個體的被選概率：

式(2)中，表示概率系數(shù)；被選概率，既是每個個體被選擇在其附近生成新個體的概率。

步驟2.11、定義變量k，并初始化k＝1；

步驟2.12、初始化m＝1；

步驟2.13、利用隨機數(shù)函數(shù)生成第m個隨機值rm；

步驟2.14、比較是否成立，若成立，則執(zhí)行步驟2.15；否則，執(zhí)行步驟2.17；

步驟2.15、以第t+1代種群中第m個蜜蜂個體為中心，并在鄰域內(nèi)隨機生成第t+1代種群的第m個新蜜蜂個體，記為用新蜜蜂個體和所述歸一化后的訓(xùn)練樣本集v′對svm分類器進行訓(xùn)練，從而得到第t+1代種群的第m個新蜜蜂個體的分類模型；

用所述第t+1代種群的第m個新蜜蜂個體的分類模型對所述歸一化后的訓(xùn)練樣本集v′進行分類，得到第t+1代種群的第m個新蜜蜂個體的分類精度比較是否成立，若成立，則將第t+1代種群中第m個蜜蜂個體作為第t+2代種群的第k個蜜蜂個體，若不成立，則將第t+1代種群的第m個新蜜蜂個體作為第t+2代種群的第k個蜜蜂個體；

步驟2.16、將k+1賦值給k，判斷k＝m是否成立，若成立，則表示已生成第t+2代種群的m個蜜蜂個體，執(zhí)行步驟2.18；否則，執(zhí)行步驟2.17；

步驟2.17、將m+1賦值給m后，判斷m＞m是否成立，若成立，則返回步驟2.12；否則返回步驟2.13；

以上步驟2.10至步驟2.17為圖1中的step3的具體操作。首先按照個體的被選概率選擇個體，在其鄰域內(nèi)生成新個體，并對兩個個體的進行比較替換。由于按照式(2)計算被選概率，可以使種群中優(yōu)越的個體得到更多的被選擇地機會。避免浪費搜索時間。

對于第t代種群的生成方式，即以最優(yōu)個體為中心，在其鄰域內(nèi)產(chǎn)生心中群，在這里并不適用。其原因是，在產(chǎn)生第t代種群時，已經(jīng)保證全部個體都在最優(yōu)個體的鄰域內(nèi)，已經(jīng)保證種群整體的優(yōu)越性。如果繼續(xù)在此范圍內(nèi)搜索，種群將會陷入局部最優(yōu)，此時應(yīng)該擴大搜索范圍，在種群附近進行精確查找。

步驟2.18、根據(jù)步驟2.3和步驟2.4，得到第t+2代種群的m個分類精度，記為比較max(a^t+2)＞max(a^t+1)是否成立；若成立，則令lim＝0，否則，令lim+1賦值給lim；此步驟與步驟2.9相同，為記錄種群連續(xù)停滯次數(shù)。

步驟2.19、判斷l(xiāng)im＞limit是否成立，若成立，則將max(a^t+2)對應(yīng)的蜜蜂個體存放到蜜蜂個體集合e中，并返回步驟2.2執(zhí)行，否則，執(zhí)行步驟2.20；

如果lim＞limit成立，則說明種群一陷入局部最優(yōu)。在這種情況下，不應(yīng)該浪費搜索盡力讓種群繼續(xù)迭代更新，而是應(yīng)該放棄當(dāng)前種群，重新初始化種群。

步驟2.20、將t+2賦值給t后，判斷t＞len是成立，若成立，則執(zhí)行步驟2.21；否則，執(zhí)行步驟2.5；

步驟2.21、將第len代種群和所述蜜蜂個體集合e合并為一個種群z，根據(jù)步驟2.3和步驟2.4得到種群z中所有蜜蜂個體的分類精度，并將分類精度最大的蜜蜂個體作為支持向量機的最優(yōu)輸入，利用所述最優(yōu)輸入和所述歸一化后的訓(xùn)練樣本集v′對svm分類器進行訓(xùn)練，從而得到葡萄酒質(zhì)量鑒別的最優(yōu)分類模型，以所述葡萄酒質(zhì)量鑒別的最優(yōu)分類模型實現(xiàn)對葡萄酒的質(zhì)量鑒別。

以上步驟2.19，步驟2.20，步驟2.21即為圖1中的step4中的操作，由于在放棄種群時，不能確定下一次迭代完成的種群會比要被放棄的種群效果更優(yōu)越，所以在放棄種群時，要先記錄下其中的最優(yōu)個體。最后在種群e和最后一代種群中挑選最優(yōu)個體，作為最后的svm的參數(shù)，以保證得到最有分類模型。