基于支持向量機(jī)的葡萄酒品質(zhì)鑒定系統(tǒng)開發(fā)

柳維生，柴蘭娟

?

基于支持向量機(jī)的葡萄酒品質(zhì)鑒定系統(tǒng)開發(fā)

柳維生，柴蘭娟

（蘇州市立醫(yī)院（北區(qū)），江蘇 蘇州 215001）

為了改進(jìn)葡萄酒生產(chǎn)、幫助對葡萄酒品質(zhì)評估的建模和細(xì)分市場的口味。提出了基于支持向量機(jī)技術(shù)的葡萄酒品質(zhì)分類機(jī)制，該方法通過對影響葡萄酒品質(zhì)的硫酸鹽、酒精、殘?zhí)顷P(guān)鍵理化參數(shù)進(jìn)行分析，采用matlab的GUI編程技術(shù)和數(shù)據(jù)歸一化、PCA等多種數(shù)據(jù)處理手段，設(shè)計了支持該技術(shù)的品質(zhì)鑒定系統(tǒng),通過采用白色和紅色葡萄酒樣本對系統(tǒng)的算法思想進(jìn)行了驗證。

支持向量機(jī)；葡萄酒；品質(zhì)；GUI；鑒定系統(tǒng)

0 引言

葡萄酒一度被視為一種奢侈品，如今越來越多的葡萄酒享有更廣泛的消費者。酒認(rèn)證和質(zhì)量評價在防止非法摻假酒（以保障人類健康），保證葡萄酒市場的質(zhì)量起到了至關(guān)重要的作用。較好的品質(zhì)評定機(jī)制，可以有效的提高釀酒（通過確定最有影響力的因素）工藝，以及酒的品質(zhì)分層如優(yōu)質(zhì)品牌葡萄酒（可用于設(shè)置價格）。一般葡萄酒的認(rèn)證評估分理化和感官測試。理化測試習(xí)慣以酒的特點，如密度、酒精或pH值來決定，同時依靠感官檢驗，但是隨著葡萄酒市場的擴(kuò)大，這種評估很顯然不能大批量、精確的分類[1]。此外，理化和感官分析的關(guān)系是復(fù)雜的，還不完全清楚，因此葡萄酒分類是一項艱巨的任務(wù)。隨著信息技術(shù)的進(jìn)步，使我們能夠收集、儲存和葡萄酒品質(zhì)理化參數(shù)相關(guān)的高度復(fù)雜的數(shù)據(jù)集。應(yīng)用這些數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法進(jìn)行處理，可以很好可用于葡萄酒的評估、預(yù)測、分類等方面[2-5]。本文就是以支持向量機(jī)為基礎(chǔ)完成分類，結(jié)合matlab來設(shè)計一個葡萄酒品質(zhì)鑒定系統(tǒng)。

1 支持向量機(jī)介紹

支持向量機(jī)是由Vapnik領(lǐng)導(dǎo)的AT&TBell實驗室研究小組在1963年提出的一種新的非常有潛力的分類技術(shù)，SVM是一種基于統(tǒng)計學(xué)習(xí)理論的模式識別方法，能非常成功地處理回歸問題（時間序列分析）和模式識別（分類問題、判別分析）等諸多問題，并可推廣于預(yù)測和綜合評價等領(lǐng)域[6]。SVM算法能不能夠夠很好的實現(xiàn)其主要在核函數(shù)的選擇上，其本質(zhì)就是通過其建立的函數(shù)映射關(guān)系，將在低維度上難以劃分的空間向量，轉(zhuǎn)換為高維空間進(jìn)行劃分，通常區(qū)分以后，再通過反變換映射返回到低維度，進(jìn)行輸出，傳統(tǒng)算法上這會給計算帶來很大的困難，而在SVM中，核函數(shù)確能夠方便的解決這個問題，只要選取合適的參數(shù)，算法就能很好的對系統(tǒng)進(jìn)行改進(jìn)。

SVM的主要思想是建立一個超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。訓(xùn)練數(shù)據(jù)集到一給定的分割平面的最小距離為：

2 白葡萄酒品質(zhì)鑒定系統(tǒng)設(shè)計

2.1 系統(tǒng)功能框圖

系統(tǒng)采用matlab軟件GUI設(shè)計，包含數(shù)據(jù)錄入、數(shù)據(jù)預(yù)處理、用戶管理、SVM核函數(shù)選擇、幫助等模塊，其中數(shù)據(jù)錄入包含外部數(shù)據(jù)的導(dǎo)入、數(shù)據(jù)的導(dǎo)出、數(shù)據(jù)的輸入。數(shù)據(jù)預(yù)處理包含主元分析、數(shù)據(jù)歸一化等，SVM核函數(shù)選擇將以上四種核函數(shù)進(jìn)行變化選擇，測試系統(tǒng)的性能。

圖1 鑒定系統(tǒng)功能框圖

2.2 鑒定系統(tǒng)算法

通過用戶接口將葡萄酒檢測的理化參數(shù)數(shù)據(jù)輸入到系統(tǒng)中，通過一定的數(shù)據(jù)預(yù)處理，系統(tǒng)通過與經(jīng)訓(xùn)練樣本訓(xùn)練后成熟的模式進(jìn)行比較，對測試樣本給出判別，輸出葡萄酒的品質(zhì)等級。在設(shè)計中系統(tǒng)給出不同的核函數(shù)確定的分類器和多種模式庫。另外，一個好的分類器也不是一個好系統(tǒng)的唯一標(biāo)準(zhǔn)，參數(shù)的特征選擇、數(shù)據(jù)的處理等都對系統(tǒng)的總體性能有較大的影響[8-10]。因此設(shè)計中采用歸一化數(shù)據(jù)、主元分析等方法對系統(tǒng)進(jìn)行評估改善。下圖給出了鑒定系統(tǒng)的流程圖。

圖2 鑒定系統(tǒng)流程圖

3 算法仿真

3.1 葡萄酒數(shù)據(jù)

數(shù)據(jù)來自UCI，winequality樣本[11]，樣本采集自葡萄牙米尼奧（北西部）地區(qū)的白葡萄酒和紅葡萄酒，數(shù)據(jù)對4898白葡萄酒和1599個紅葡萄酒樣本進(jìn)行了評定，測試選擇輸入變量為：1.固定酸度 2.揮發(fā)酸3.檸檬酸 4.殘?zhí)?5.氯 6.游離二氧化硫 7.總二氧化硫8.密度9 .pH值 10.硫酸鹽 11.酒精十一個理化指標(biāo)，每個樣品，專家都進(jìn)行了感覺評估（使用盲口味），將葡萄酒等級從0（極壞的）到10（優(yōu)秀）個等級。下圖是樣本中數(shù)據(jù)品質(zhì)的直方圖。

圖3 白葡萄酒樣本品質(zhì)直方圖

圖4 紅葡萄酒樣本品質(zhì)直方圖

3.2 實驗進(jìn)行

算法仿真在臺灣林智仁開發(fā)的lib-svm工具箱中進(jìn)行，將白葡萄酒和紅葡萄酒的各種品質(zhì)的2/3樣本做訓(xùn)練樣本，另1/3做為測試樣本。分別選擇不同的核函數(shù)進(jìn)行測試，實驗表明，白葡萄酒的識別率不足50%，紅葡萄酒的識別率不足60%，正確率較低，為改善系統(tǒng)性能，對數(shù)據(jù)進(jìn)行兩種歸一化數(shù)據(jù)的處理[12-14]，系統(tǒng)改善不明顯，再將數(shù)據(jù)經(jīng)主元分析后，通過對白葡萄酒的特征選擇硫酸鹽、酒精、殘?zhí)堑?，對紅葡萄酒選擇硫酸鹽、pH、總二氧化硫含量等，重新訓(xùn)練系統(tǒng)，性能大大改善。以下是以RBF為核函數(shù)非線性支持向量機(jī)[15-16]對白葡萄酒3類、4類和紅葡萄酒3類、8類樣本進(jìn)行的仿真分析結(jié)果，兩類樣本點分別用加號和乘號表示。其分類正確率分別為98.62%和97.41%。

圖5 白葡萄酒測試數(shù)據(jù)分類圖

圖6 紅葡萄酒測試數(shù)據(jù)分類圖

4 系統(tǒng)的實現(xiàn)

系統(tǒng)開發(fā)是基于matlab中的GUI工具箱，Lib-SVM工具箱、圖像處理工具箱，并結(jié)合active控件。鑒定系統(tǒng)的主界面圖如圖7所示。

5 結(jié)論

酒品質(zhì)的鑒定對產(chǎn)品在消費者中定位和改進(jìn)葡萄酒生產(chǎn)工藝至關(guān)重要，但傳統(tǒng)的酒品質(zhì)主要對酒理化指標(biāo)的分析和品酒師的感覺，在大規(guī)模生產(chǎn)中具有一定的局限性。本文對葡萄酒品質(zhì)鑒定系統(tǒng)進(jìn)行了研究，取得了較好的實驗效果，進(jìn)一步說明了利用新的信息手段進(jìn)行酒的品質(zhì)評定是可行的。

圖7 鑒定系統(tǒng)界面圖

[1] Cortez P, Cerdeira A, Almeida F, et al. Modeling wine preferences by data mining from physicochemical proper-ties[J]. Decision Support Systems, 2009, 47(4): 547-553.

[2] 范開乾, 胡訪宇. 基于支持向量回歸的圖像超分辨率重建算法[J]. 電子技術(shù), 2014, 4(2): 4-7.

[3] 范文兵, 方壟, 楊瀟楠. 基于稀疏字典學(xué)習(xí)和核稀疏表示的激光遙感圖像超分辨重建[J]. 激光雜志, 2015, 36(6): 52-58.

[4] 李馳. 基于支持向量回歸的圖像超分辨率重建算法[J]. 激光技術(shù), 2016, 37(1): 138-140.

[5] 李桂來. Contour let變換在MRI圖像重建算法中的應(yīng)用 [J]. 激光雜志, 2015, 36(1): 49-51.

[6] Chang C C, Lin C J. LIBSVM: A library for support vector machines[J]. 2011, 2(3): 1-27.

[7] Sch?lkopf B. Choosing multiple parameters for Support Vector Machines[J]. 2008.

[8] 王鵬, 朱小燕. 基于RBF核的SVM的模型選擇及其應(yīng)用[J]. 計算機(jī)工程與應(yīng)用, 2003; 39(24) : 72-73.

[9] 錢磊, 睢剛. 一種熱工過程RBF神經(jīng)網(wǎng)絡(luò)模型辨識方法[J]. 自動化儀表, 2016; 37(1) : 14-15.

[10] 趙文可, 孫玉國. 彈性RBF神經(jīng)網(wǎng)絡(luò)在人臉識別中的應(yīng)用研究[J]. 軟件, 2018, 39(05): 203-206.

[11] Asuncion A. UCI Machine Learning Repository, University of California, Irvine, School of Information and Computer Sciences[J]. 2007.

[12] 黃瀏展. 指紋識別技術(shù)在IOS開發(fā)中的應(yīng)用研究[J]. 軟件, 2016, 37(07): 55-60.

[13] 楊漫, 蘇亞坤. 采用模糊C-均值聚類的自適應(yīng)圖像分割算法[J]. 重慶理工大學(xué)學(xué)報(自然科學(xué)版), 2015, 6: 85-86.

[14] 崔婭萍. 基于改進(jìn)歸一化割的圖像分割算法研究[J]. 激光雜志, 2016, 37(2): 122-124.

[15] 何梓健, 時家明, 汪家春, 等. AOTF高光譜探測系統(tǒng)對偽裝目標(biāo)的識別研究[J]. 激光與紅外, 2014, 44(7): 796-800.

[16] 胡燕燕, 李東生, 張詩桂. 凸組合核函數(shù)的支持向量機(jī)高光譜圖像分類[J]. 激光與紅外, 2016; 46(5): 627-630.

Development of Wine Quality Identification System Based on Support Vector Machine

LIU Wei-sheng, CHAI Lan-juan

(Suzhou Municipal Hospital (North District), Suzhou, Jiangsu 215001)

In order to improve wine production and help to model wine quality evaluation and taste of segment market, a wine quality classification mechanism based on support vector machine technology was proposed. By analyzing the key physical and chemical parameters of vitriol, alcohol and residual sugar that affect wine quality, this method designs the quality identification system supporting this technology by adopting the GUI programming technology of matlab and data normalization, PCA and other data processing methods. The quality identification system supporting the technology is also designed. The algorithm idea of the system was verified by using white and red wine samples.

Support vector machine; Wine; Quality; GUI; Identification system

U260.78

A

10.3969/j.issn.1003-6970.2018.10.036

柳維生(1980-)，碩士研究生，主要研究方向：計算機(jī)應(yīng)用技術(shù); 柴蘭娟(1985-)，碩士研究生，主要研究方向：信息工程。

柳維生，柴蘭娟. 基于支持向量機(jī)的葡萄酒品質(zhì)鑒定系統(tǒng)開發(fā)[J]. 軟件，2018，39（10）：192-195