基于灰色關聯分析的SOM神經網絡在葡萄分類中的應用

侯淼+劉陳帥+王保榮

摘要： 關鍵詞： 中圖分類號： 文獻標志碼： A文章編號： 2095-2163

Abstract： With the increase in the demand for wine， more and more attention has been paid to the quality of wine. In general， the quality of wine is assessed by the results of sensory tasting， but it is often influenced by a variety of factors， and the quality of the wine is not uniform， so the quality of the wine evaluation system needs to be solved， and the quality of wine grapes directly determines the quality of the wine. In order to get a better wine， the grapes should be screened first. Based on the many physical and chemical indexes of grapes， the data are processed by gray correlation analysis firstly， and several main physical and chemical indexes affecting the quality of grape are extracted. And then the SOM neural network technology is used in data mining to cluster analysis of grapes. The simulation results show that the SOM neural network can classify the original 27 grape samples into seven categories intuitively and accurately， and the samples of each grape have some similarity.

0引言

現如今，喝葡萄酒已成為人們慶祝時的一種普遍方式，而所釀葡萄酒的質量與釀酒葡萄的好壞有直接的關系，依據釀酒葡萄的理化性質對釀酒葡萄進行聚類，通過對釀酒葡萄進行分級篩選而得到的優質葡萄來釀出高質量的葡萄酒是一種可選的方法。先用灰色關聯分析提取影響葡萄質量的數個主要指標，再依據這些指標建立SOM自組織特征映射對葡萄進行聚類分析，本文方法可以很好地對葡萄進行聚類分析。

國內外學者把SOM用于故障識別[1-3]，人臉識別[4]；還有一些學者將SOM用于生物學領域，如用SOM對森林進行健康的評價[5-6]，土壤的分析[7-8]等；更多的是將SOM用于對地表水質的分析[9-10]，而將SOM用于對葡萄進行分類，篩選出優質葡萄方面的研究很少[11]。一般學者僅用模糊聚類或統計的方式將葡萄進行聚類[12-13]。而基于葡萄的理化性質較多，且各理化性質之間的關系不大，對葡萄的影響未知，故常規方法對葡萄進行分類較為困難。SOM可以通過自動尋找樣本中的內在規律和本質屬性，自組織自適應地改變網絡參數與結構[14-18]，從而實現對葡萄的準確聚類。本文的研究正是基于SOM的葡萄聚類分析。

1理論基礎

1.1灰色關聯度

灰色關聯分析是發展態勢的量化比較分析，是幾何曲線間幾何形狀的比較，即幾何形狀越接近，則發展變化態勢越接近，關聯度越大。關聯度是事物與事物之間的度量，可以通過從隨機的序列中找到關聯性，為分析因素提供基礎[19-24]。灰色關聯度描述了因素間相對變化的情況，根據因子與目標之間的關聯度，剔除掉關聯度較小的各因子，保留下與目標關聯度較大的各因子，這多個關聯度較大的因子即可以代替所有因子反映目標。

為保證建模的質量與系統分析的結果的好壞，首先應對原始數據進行一系列的變換和處理，以消除量綱的影響，使數據具有可比性。

1. 2SOM自組織特征映射

1.2.1SOM網絡結構

SOM自組織特征映射是非監督競爭式學習的前饋神經網絡，屬于神經網絡的一部分。SOM可以通過模擬人大腦的自組織特征映射，其網絡結構主要包括兩部分，輸入層和輸出層（競爭層）。輸入層的每個神經元與競爭層神經元之間具有權重，競爭層中神經元之間是全連接，神經元與神經元之間也有權重，即競爭層是由神經元組成的二維平面陣列。這里，則給出網絡拓撲結構如圖1所示。

SOM自組織特征映射是由各個神經元之間相互競爭，最終尋找到獲勝神經元，再依據獲勝神經元將數據自動分類的過程。其首要、也是其核心任務就是尋找到獲勝神經元。由圖1可知，由于其網絡為特殊的拓撲結構，因此在競爭層權值的更新過程中，不僅獲勝神經元的權值向量得到更新，而且與獲勝神經元鄰近的神經元的權值向量也按一定的規律發生微小變動。這樣隨著神經元之間不斷地調整權值，最終確定出競爭勝出神經元，依據競爭勝出神經元來對物體進行聚類分析。

1.2.2SOM算法及實現

設定了網絡的學習速率、競爭層神經元的個數、傳遞函數和距離函數。其中，競爭層神經元的個數確定較為關鍵，因為競爭層神經元的個數越多，分出的種類越細，種類與種類之間的相似度越低。傳遞函數有兩種：一種是compete函數，其輸出只能是0和1；另一種是softmax函數，該函數是軟最大傳遞函數，其輸出為[0-1]內的數值。SOM的距離函數較多，有4個距離函數。具體如下：endprint

③Manhattan距離函數，即曼哈頓距離函數。也就是研究中的出租車幾何距離函數，運算上相當于向量之差的范數。為此可得計算公式為：d=x1-y1+x2-y2+…+xn-yn（15）④distance函數。即通常所說的歐式距離函數。

3）隨機選取訓練樣本輸入網絡。

4）更新權值。對獲勝神經元采用KOHONEN規則來定制求取權值的更新，即：ω（k+1）=ω（k）+η（x-ω（k））（16）5）更新學習速率。就是拓撲領域對學習后的權值進行重歸一化。學習速率和領域大小的調整按排序階段和調整階段兩步來進行，在訓練的過程中，學習的速率隨時間減小，鄰近的區域也隨時間減小。6）判斷網絡是否收斂。即訓練是否達到最大值，訓練的修正量是否小于一定的閾值。若不符合條件，則將返回3）步，若符合條件，則結束訓練，輸出網絡。

研究至此，可得訓練SOM網絡的流程設計如圖2所示。

2SOM葡萄的聚類

1）數據預處理。基于葡萄的理化性質較多，因此首先運用關聯分析法，將葡萄的主要理化指標提取出來。葡萄的蛋白質種類有多種，以總蛋白質為參考數列，經過關聯分析得出其余各氨基酸與總氨基酸的關聯系數如表1所示。

2）為了消除各指標的量綱影響，對各指標數據進行歸一化處理。

3）訓練SOM神經網絡。由于葡萄的指標較多，因此設置競爭層神經元數目為12個。神經元的學習速率為0.001，距離函數為linkdist距離，迭代次數設定1 000次，為了方便觀察聚類的結果，使用compet傳遞函數。

4）保存網絡并用網絡進行聚類分析。

5）結果分析。 通過SOM的自主織競爭，得到如圖3所示的各神經元之間的關系圖。

圖3中，正六邊形表示競爭層的神經元，紅色線表示各神經元之間的全連接過程，相鄰神經元之間的六邊形表示神經元之間的距離，顏色越淺則神經元之間的距離越短。由圖3可以看出，右上側神經元之間的距離較短，則可大致推知其所屬的樣本屬于一類。圖4表示各因子在不同神經元的權重分布，是圖3的分解圖。其中，顏色越深，權重越小。

圖5表示各神經元的權重位置圖。其中，藍色部分表示各個神經元，綠色表示葡萄的樣本。由圖5可看出神經元的位置和樣本的位置集中分布在左下方。圖6是聚類結果的間接表達。其中，正六邊形表示競爭神經元，而藍色部分表示競爭勝出神經元，競爭勝出神經元的個數即為葡萄所分的種類數，神經元中的數字表示該種類所擁有的樣本數。

3結束語

與傳統聚類分析相比較，用SOM自組織特征映射實現聚類其效果更好，所需時間更短，人為干預程度較低。在運用SOM進行聚類分析時，先用關聯分析對相關因子展開分析，降低了分析的難度，使模型更加科學可靠。

參考文獻：

[1] 姚海妮，王珍，邱立鵬，等. EMD馬氏距離與SOM神經網絡在故障診斷中的應用研究[J]. 噪聲與振動控制，2016，36（1）：138-140，162.

[2] 岳宇飛，羅健旭. 一種改進的SOM神經網絡在污水處理故障診斷中的應用[J]. 華東理工大學學報（自然科學版），2017，43（3）：389-396.

[3] 張全德， 陳果， 林桐，等. 基于自組織神經網絡的滾動軸承狀態評估方法[J]. 中國機械工程，2017，28（5）：550-558.

[4] 王曉燕. K均值算法與自組織神經網絡算法的改進研究及應用[D]. 太原：中北大學，2017.

[5] 段翔. 基于SOM神經網絡的新化縣森林健康評價[D]. 株洲：中南林業科技大學，2016.

[6] 樊國敬，田秀華. 基于SOM神經網絡的區域復合生態系統健康評估[J]. 統計與決策，2017（11）：85-88.

[7] 付強，王志良，梁川. 自組織競爭人工神經網絡在土壤分類中的應用[J]. 水土保持通報，2002，22（1）：39-43.

[8] 馬媛媛，王淑芬，賴營帥，等. 基于SOM神經網絡的土壤重金屬空間分異性研究[J]. 石河子大學學報（自然科學版）， 2017，35（1）：102-107.

[9] 雷璐寧，石為人，范敏. 基于改進的SOM神經網絡在水質評價分析中的應用[J]. 儀器儀表學報，2009， 30（11）：2379-2383.

[10]劉博，肖長來，梁秀娟. SOM-RBF神經網絡模型在地下水位預測中的應用[J]. 吉林大學學報（地球科學版），2015，45（1）：225-231.

[11]霍雙紅，胡紅萍，白艷萍，等. 基于PCA-K-means和PCA-SOM神經網絡的葡萄酒分類[J]. 數學的實踐與認識，2016，46（17）： 168-173.

[12]王葳，趙國亮. 基于模糊C均值的釀酒葡萄分級[J]. 高師理科學刊，2016，36（11）： 18-20.

[13]劉美迎，李小龍，梁茁. 基于模糊數學和聚類分析的鮮食葡萄品種綜合品質評價[J]. 食品科學，2015，36（13）：57-64.

[14]陳萬振，張予瑤，蘇一丹，等. 貝葉斯正則化的SOM聚類算法[J]. 計算機工程與設計，2017，38（1）：127-131.

[15]宋莉娜，馮旭鵬，劉利軍，等. 基于SOM聚類的微博話題發現[J/OL]. [2017-04-01]. http：//www. arocmag. com/article/02-2018-03-039. html.

[16]尹春華，王祖偉，尹紅生. 基于SOM神經網絡的人力資本聚類分析[J]. 遼東學院學報，2006，13（1）：1-5.

[17]許逸凡，李杰，魏義濤. 基于SOM網絡的機場天氣聚類分析[J]. 數學的實踐與認識， 2016，46（17）：210-217.

[18]劉煥海，葉劍鋒，阿斯耶姆. 基于自組織特征映射網絡（SOM）的聚類分析方法[J]. 軟件導刊，2016，15（12）：133-135.

[19]孫玉剛. 灰色關聯分析及其應用的研究[D]. 南京：南京航空航天大學，2007.

[20]劉思峰，蔡華，楊英杰，等. 灰色關聯分析模型研究進展[J]. 系統工程理論與實踐，2013，33（8）：2041-2046.

[21]蘇博，劉魯，楊芳延. 基于灰色關聯分析的神經網絡模型[J]. 系統工程理論與實踐，2008（9）：98-104.

[22]陳偉清，史麗娜，呂東妮. 等. 基于灰色關聯聚類分析的智慧城市建設領域發展水平實證研究[J]. 科技管理研究，2017（6）：59-64.

[23]任東風，尤靜靜，尤明英，等. 基于灰色理論與回歸模型的土壤類型預測研究[J]. 土壤通報，2017，48（3）：520-524.

[24]高明，吳雪萍. 基于熵權灰色關聯法的北京空氣質量影響因素分析[J]. 生態經濟， 2017，33（3）：142-147.

[25]申卯興，薛西鋒，張小水. 灰色關聯分析中分辨系數的選取[J]. 空軍工程大學學報（自然科學版），2003，4（1）：68-70.endprint