摘? 要： 采用遺傳學習算法和誤差反向傳播（BP）算法相結合的混合算法來訓練前饋人工神經網絡，從而提高神經網絡的收斂質量和收斂速度，并將此算法運用到電子舌對黃酒的檢測上。與經典BP網絡及附加動量項BP網絡的訓練與預測進行了比較。結果顯示：遺傳優化BP算法具有預測精度高、收斂速度快及運行時間短的優點，是一種快速、可靠的方法。
關鍵詞： 黃酒； 電子舌； BP神經網絡； 遺傳算法
?
黃酒是中華民族傳統酒，也是華夏瑰寶和酒中奇葩[1]。從數據顯示，2000、2001和2002年全國黃酒產量均為140萬噸，2003年為160萬噸，2004年為180萬噸，到2005年則上升為200萬噸。隨著黃酒產量與消費量的增加，問題也隨之出現：如目前許多黃酒企業均在生產3年以上的陳酒，但其中就存在以次充好的情況，以低酒齡酒冒充所謂“五年陳酒”、“十年陳酒”等高齡酒陳酒。新國標GB/T13662-2000(黃酒)中對“標注酒齡”下了明確定義[2]：“標注酒齡”為銷售包裝標簽上標注的酒齡，以勾兌酒的酒齡加權平均計算。酒齡在3年(或3年以上)的黃酒，應以優級酒為基酒，其中所標注酒齡的基酒不低于50 %。通過以上規定，對陳酒作出了明確的定義，從而一定程度上規范了陳年酒的生產。但要解決這些問題，實現對黃酒品質進行準確分析，維護消費者利益，改造傳統黃酒和提高新工藝黃酒，迫切需要具有科學依據的簡便、快速的現代檢測方法。
電子舌技術是上世紀末發展起來的一種分析、識別液體“味道”的新型檢測手段[3]。利用電子舌對黃酒品質進行檢測，優點很突出：首先，不需要對樣品進行任何預處理，直接對樣品進行檢測；其次，檢測速度快，電子舌檢測一個樣品只需幾十秒到幾分鐘，相比其他儀器要快很多；最后，電子舌獲取的是對液體樣本的味覺特征的總體評價，易于與其他方法或儀器(如電子鼻等)所得結果進行相關分析。
綜合考慮了電子舌的以上優點，本文采用了法國阿爾法公司的Astree型電子舌對黃酒進行檢測。在電子舌的模式識別數據處理方面，人工神經網絡法特別是BP網絡，用得比較多[4-5]。BP網絡的突出優點就是具有很強的非線性映射能力和柔性的網絡結構，但同時存在已陷入局部極小、收斂速度慢和引起振蕩效應等。由于遺傳算法具有很強的宏觀搜索能力，且能以較大的概率找到全局最優解，所以本文將二者結合起來，形成遺傳優化BP算法，達到優化網絡的目的。
1 實驗材料、儀器和方法
1.1 實驗樣品
分別從3個公司中獲取3種品牌黃酒：女兒紅、古越龍山、會稽山。女兒紅分一年陳、三年陳、五年陳等3種不同灑齡的黃酒，古越龍山也分一年陳、三年陳、五年陳等3種不同酒齡的黃酒，會稽山僅一年陳1種酒齡的黃酒。這樣共有7種不同組合的黃酒。
1.2 儀器
采用法國阿爾法公司的Astree型電子舌。該電子舌系統由以下幾部分組成：傳感器陣列、自動進樣器、數據采集系統及與電子舌配套的數據分析軟件。其中傳感器陣列獲取信號，電子舌主機里包含數據采集系統及控制自動進樣器的系統，軟件包可設置傳感器的一些工作參數、對數據進行處理及模式識別。傳感器陣列由7個味覺傳感器加1個參比電極組成。這7個傳感器對5種味覺：酸、甜、苦、咸、鮮都有響應。表1給出了這7個傳感器對5種味覺基本物質的靈敏度。
?
1.3 實驗方法
試驗中，每種瓶裝黃酒開封后，馬上進行實驗。倒入容量為120 mL的燒杯內，每杯為80 mL，每種黃酒做12個重復樣品。用體積比為10 %的酒精做為電子舌傳感器的訓練和清洗過程的溶劑。
2 實驗結果與分析
圖1所示為電子舌7個傳感器對7個樣品(女兒紅一年陳、女兒紅三年陳、女兒紅五年陳、古越龍山一年陳、古越龍山三年陳、古越龍山五年陳、會稽山一年陳)的響應曲線圖。從圖中可以看出這7種響應曲線是不同的。對比傳感器對一年陳的3個不同品牌的黃酒樣品的響應曲線可以看出：ZZ、BA、GA和HA這4個傳感器對古越龍山和女兒紅的響應曲線比較接近，而與會稽山的響應曲線區別較明顯；CA、BB和JB這3個傳感器對3種樣品的響應曲線區別較大，造成它們差異的主要因素可能是3個不同品牌由3家不同公司生產，在生產工藝、所用原料等方面存在差異。對比傳感器對同一品牌不同酒齡的黃酒樣品的響應曲線可以看出：女兒紅和古越龍山的3個酒齡傳感器的響應曲線在剛開始時差異明顯，在60～120 s的過程內，所有傳感器的響應值逐漸趨于穩定，電勢差變化很小，也即被測樣品中的離子逐漸進入傳感器的膜，改變傳感器的膜電勢，最后趨于平衡。本論文取120 s平穩值用于模式識別與分析。
?
3 經典BP算法及其改進算法
典型的BP網絡是三層網絡，包括輸入層、輸出層及隱含層，對于網絡的訓練采用反向傳播BP(Back Propagation)算法[7]。這是一種有導師學習方法，其基本思想是最小二乘算法。它利用根均方誤差和梯度下降法來實現對網絡連接權的修正，從而使網絡趨向收斂，也即使網絡的全局誤差趨向極小值。
BP改進算法中應用比較廣泛的是附加動量項的BP算法。經典BP算法實質上是一種簡單的最速下降靜態尋優算法，在修正網絡權值時，只是按該時刻的負梯度方式進行修正，而沒有考慮以前積累的經驗，從而常常使學習過程發生振蕩，收斂緩慢。附加動量項的BP算法是網絡在修正權值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上的變化趨勢的影響。Rumelhart、Hinton和Williams建議在權值修正表達式中加上一項“動量項”:
附加動量法的實質就是將最后一次權值變化的影響，通過一個動量因子來傳遞，如此防止了Δωij=0的出現，有助于使網絡從誤差曲面的局部極小值中跳出來。
4 基于遺傳算法的BP神經網絡（GA-BP算法）
4.1 基本思想
??? 遺傳算法[6]GA（Genetic Algorithm）是一種非導數優化的隨機優化方法，可以對一復雜的、多峰的、非線性極不可微的函數實現全局搜索，而BP算法對局部搜索比較有效。因此為了使算法能很快地找到滿意解，可以先用遺傳算法對初始權值進行優化，在解空間中定位出較好的搜索空間，然后用BP算法在這些小的解空間中搜索出最優解。
4.2 實現方法及步驟
4.2.1 編碼方案
對BP網絡中連接權值和閾值進行編碼主要有2種方法：一種是采用二進制編碼方案,另一種是采用實數編碼方案。這里采用實數編碼。
設有三層BP網絡,其拓撲結構示意圖如圖2所示，輸入層×隱含層×輸出層為n×k×m的結構，其中wij為輸入層中第ｉ個結點與隱含層第ｊ個結點的連接權值；oij為隱含層中第ｊ個結點與輸出層第ｉ個結點的連接權值。對該BP網絡編碼為：w11w12...w1kw21w22…w2k…wmko11o12…o1no21…o2n…okn。
?
4.2.2 適應度函數
衡量BP網絡性能的主要指標是網絡的實際輸出值與期望輸出值之間的誤差平方和。該誤差平方和小則表示該網絡性能好。所以，本文中適應度函數表示為：
式中,S為均方根誤差；n為輸出層神經元個數；l為訓練樣本數；?yi為對應第i個訓練樣本的網絡實際輸出值；Ti為對應第i個訓練樣本的網絡期望輸出值。
4.2.3 遺傳操作
初始種群的群體大小(POPSIZE)對計算的搜索空間有很大的影響，這里取POPSIZE=60。確定遺傳操作算子的步驟如下：
(1)選擇操作：淘汰個體的操作，常用的有輪盤賭選擇法和排序選擇法。本文采用穩態輪盤賭選擇法。具體過程為：將當代種群的個體適應度由大到小進行排序,按下式概率值選擇個體：
，其中fi為個體i的適應度值，N為染色體數。
(2)交叉操作：依照交叉概率，隨即選擇的2個父個體按照一定的規則進行某些位置上的字符交換，產生新個體。
(3)變異操作：模擬生物進化過程中的基因突變，常用方法為按位變異。
4.2.4 BP訓練
經過以上的遺傳運算，就得到了BP神經網絡的誤差最小的初始權值。將以上得到的初始權值代入BP網絡進行正常的前饋訓練，得到計算樣本的實際輸出值和期望輸出的誤差平方和?著BP，若達到了指定的網絡訓練精度，則結束，否則轉入遺傳算法繼續優化。
5 在黃酒檢測中的應用
在實驗中，每類樣品做了12個重復，從每類樣品中隨機取出7個共7×7=49個樣品組成訓練集(每組黃酒中各取7個樣品），剩下的共5×7=35個樣品組成測試集（每組黃酒中各取5個樣品)。將從圖2中提取的特征參數作為神經網絡的輸入向量。經多次試驗比較后，選擇BP網絡的拓撲結構為7-5-3。
利用MatLab7.0編程實現訓練與預測。參數的選擇如下：經典BP算法學習率0.9；附加動量項BP算法學習率0.9，動態項因子0.7；遺傳算法初始種群60，交叉率0.8，變異率0.01；單個樣本的最大誤差0.003，最大循環次數為3 000。訓練集的回判正確率和測試集的判斷正確率如表2所示。圖3所示為3種算法的訓練誤差平方和隨訓練步數的變化曲線。
?
?
從表2可以看出，雖然對訓練集的回判正確率相差不大，但對測試集的判斷正確率,遺傳優化BP為98.2 %，比經典BP算法的89.3 %和附加動量項BP算法的94.6 %都要好。從圖3的對比中可以看到：經典BP算法和附加動量項BP算法分別運行到1 502步和1 008步收斂到指定精度，而遺傳優化BP學習算法收斂到相同精度只用了403步。此時的程序運行時間:前兩者分別為102.874s和87.644s ，后者為29.871s。
為更好地考察與比較3種算法訓練的網絡優劣性，再在每類的12次重復中隨機選取測試集與訓練集,進行交互驗證，共重復了3次，分別選取的組成測試集樣本數為6、8、9，則對應的組成訓練集的樣本數分別為6、4、3。驗證結果說明：遺傳優化BP算法比現有的經典BP算法和附加動量項BP算法在預測精度、收斂速度及運行時間上都取得了較好的效果。
GA算法能以較快的速度減小搜索空間范圍，而且不易陷入局部極小點；而BP算法則具有局部搜索效率高的特點，將兩者結合可以得到比現有的學習算法更好的學習效果，是一種快速、可靠的方法。
GA-BP算法可以較好地運用到電子舌的模式識別中。本方法對黃酒測試樣本集的判斷率為98.2%，要提高預測精度，有待從算法本身的改進方面作進一步的研究。
參考文獻
[1] ?鮑忠定, 許榮年. 黃酒香氣成分的分析. 釀酒科技,1999,95(5):66-68.
[2] ?李博斌. 黃酒新國標介紹與分析. 釀酒科技, 2001,105(3):73-75.
[3] ?HABARA M, IKEZAKI H, TOKO K. Study of sweet taste ?evaluation using taste sensor with lipid/polymer membranes,Biosens. Bioelectron.2004,19(12):1559-1563.
[4] ?LVOVA L, LEGIN A, VLASOV Y. Electronic tongue and?its application.Seensors and Actuators B, 2003,95:391-399.
[5] ?滕炯華, 王磊, 袁朝輝. 基于電子舌技術的果汁飲料識別.測控技術, 2004,23(11):4-5.
[6] ?GOLDBERG D E. Genetic algorithm in search, optimization?and Machine learning[M]. Reading, MA: Addison-Wesley, ?1989.
[7] ?飛思科技產品研發中心. MATLAB 6.5輔助神經網絡分析與設計. 北京: 電子工業出版社, 2003.