使用bp神经网络实现红酒分类

十三个特征，建立十三个输入 神经元。 葡萄酒分成三类，建立三个输 出神经元；对输出进行编码， 第一类编码为100，第二类010， 第三类001. 由于一层隐藏层足以拟合各种 分类面，我们将其设计为一层。 隐藏层内部节点个数，按照 （3*输入层个数）设计。
建 立 神 经 网 络 模 型
使用BP神经网络实现红酒分类
——第8组：
问 题 提 出
葡萄酒化学成分复杂 葡萄酒的质量是各种化学成分的综合反映 通常检测的方法有 感官评定和常规的理化指标检测 感官评定虽然在生产中也有较多的应用 但是评测周期长 影响因素多 主观性强 重复性差 且无法快速检测
使用BP神经网络 对标准化且具有一致评判 标准的数据进行训练 将来分类时仅仅使用理化 指标进行评估
将178个样本，分为118个样 本进行训练，60个样本进行 测试。60个测试样本分别有 20个来自3个类别葡萄酒。 说 明
程序还可以进行的改进
由于样本有 13维，我们 可以采用维 规约技术进 行优化数据 样本
我们还可以运 用局部学习率 自适应调整， 使得学习率最 优化。
BP
样本被分到第二类的模拟结构图
输入，输出结点和 结点间权值，结点阈值 使用数组实现。 样本数据和测试数 据使用Study_Data[N]与 Test_Data[TestN] 结构体 数组实现。 权值阈值使用(-1,1) 间的随机数产生。 激活函数使用 Sigmoid函数：
Err_m[N]存储每个样本的均方 误差，当所有样本的均方误差 和小于0.01时，停止训练。 Study变量统计迭代次数，当迭 代次数到达10000次，停止训 练。 每个样本采用梯度下降法修正 权值。 学习因子决定着权值更新幅度。 我们经过反复试验，将学习因 子设定为0.8。 我们采用的优化方法是加入动 量项。取值在(0,1)之间，代表 是否侧重前一代权值改变。本 程序将动量因子设定为0.9。
葡萄酒化学成分复杂葡萄酒的质量是各种化学成分的综合反映通常检测的方法有感官评定和常规的理化指标检测感官评定虽然在生产中也有较多的应用但是评测周期长影响因素多主观性强重复性差且无法快速检测使用bp神经网络对标准化且具有一致评判标准的数据进行训练将来分类时仅仅使用理化指标进行评估不带有人为主观因素数据源来自uci数据库中的wine数据包该数据包含意大利在不同地点所生产的三种葡萄酒的资料特性如下
设计一个局部学习率自 适应调整函数。
对网络中的每个权值使 用独自的学习率，以便 为每个权值找到最优学 习率。
——第8组
不带有人为主观因素
数据处理
数据源来自UCI数据库中的wine数据包,该数据 包含意大利在不同地点所生产的三种葡萄酒的 资料,特性如下:样本共178个,特征共13个,都是 由化学分析所得到的数值,没有未知量 数据首先进行归一化处理
葡萄酒检测的不同理化指标会在一定程度上影 响葡萄酒的分类。使用SPSS软件初步分析理化 指标和分类之间的关系。