【技术实现步骤摘要】
本专利技术涉及葡萄酒感官科学领域，具体涉及一种基于ga-bp神经网络的葡萄酒涩感品质的诊断方法。
技术介绍
1、葡萄酒的涩感是决定葡萄酒感官品质的关键因素。目前我国的葡萄酒产业日渐兴盛，葡萄酒的涩感研究需要更加科学化的评判。葡萄酒涩感品质的评判是葡萄酒价格和品质调控的重要依据，可以直接反映酒中单宁和基质状态，对找出提高葡萄酒涩感品质方法和划分葡萄酒价格具有重要意义。
2、葡萄酒涩感品质的评判一直是由感官小组确定，酒的基质和单宁都是影响最终涩感品质的关键因素。现有的研究聚焦在葡萄酒单宁涩感品质的整体表现，未考虑酒中不同单宁聚合度的涩感品质差异。同时，孤立调查葡萄酒单宁的特征也是导致葡萄酒涩感品质难以预测的关键原因。葡萄酒的涩感预测的特征参数如何确定是一个亟需解决的问题，其中选择有效的单宁量化特征尤为困难。
技术实现思路
1、为了解决上述现有技术的问题，本专利技术提供了基于ga-bp神经网络的葡萄酒涩感品质的诊断方法，该方法在分离葡萄酒单/寡/高聚单宁片段的基础上，提出了葡萄酒的基质与单宁量化参数，利用bp神经网络算法建立起葡萄酒的涩感品质的数学预测模型，并使用ga遗传算法优化bp神经网络的初始参数，得到最优解，提高葡萄酒涩感品质预测模型的准确性。
2、本专利技术通过以下技术方案实现：
3、基于ga-bp神经网络的葡萄酒涩感品质的诊断方法，包括：
4、s1，收集待测葡萄酒样品的基质参数；
5、s2，将待测葡萄酒样品脱醇后，利用
6、s3，根据单宁单体、寡聚单宁和高聚单宁三部分中物质的结构和含量计算单宁量化参数；
7、s4，将基质参数和单宁量化参数输入遗传算法优化的bp神经网络模型，经遗传算法优化的bp神经网络模型预测，输出待测葡萄酒样品的涩感品质等级。
8、优选的，s1中，所述基质参数为基质的ph、基质中的乙醇含量和基质中的可滴定酸含量中的一种或多种。
9、优选的，s2中，对每个模型单宁溶液进行检测和分析，以确定单宁单体、寡聚单宁和高聚单宁三部分中物质的结构和含量，具体是：
10、采用光谱学测定方法分别测定总酚、总黄烷醇和色素单宁占比；采用高效液相色谱法测定水解单宁含量、缩合单宁含量、聚合度、原雀翠定百分比和没食子酰化单宁占比。
11、优选的，s2中，利用固相萃取分离技术分离待测葡萄酒样品中的单宁为单宁单体、寡聚单宁和高聚单宁三部分，具体是：
12、将待测葡萄酒样品注入c18固相萃取柱后，使用氮气吹干，分别使用蒸馏水、乙酸乙酯和甲醇冲洗，分别收集馏分并冻干为粉末，得到单宁单体、寡聚单宁和高聚单宁三部分。
13、优选的，s3中，单宁量化参数为τ1、τ2、τ3、τ4和τ5的一个或多个：
14、τ1＝ct/ht
15、τ2＝tf3/tp3
16、τ3＝tf2/tp2
17、τ4＝mdp3/mdp2
18、τ5＝％p2*pt3/％g3
19、其中，τ1代表缩合单宁和水解单宁的含量参数，τ2代表高聚单宁含量量化参数，τ3代表寡聚单宁的量化参数，τ4代表单宁聚合度量化参数，τ5代表延伸端各单宁结构组成占比，ct代表缩合单宁含量，ht代表水解单宁含量，tf3代表高聚单宁的总黄烷醇含量，tp3代表高聚单宁的总酚含量，tf2代表寡聚单宁的总黄烷醇含量，tp2代表寡聚单宁的总酚含量，mdp3代表高聚单宁的聚合度，mdp2代表寡聚单宁的聚合度，％p2代表寡聚单宁中原雀翠定占比，pt3代表高聚单宁中色素单宁占比，％g3代表高聚单宁中没食子单宁占比。
20、优选的，s3中，所述遗传算法优化的bp神经网络模型通过如下方法构建得到：
21、(1)收集对多个葡萄酒样品的感官数据，根据感官数据计算得到多个葡萄酒样品的涩感品质等级；
22、(2)收集多个葡萄酒样品的基质参数；
23、(3)将多个葡萄酒样品脱醇后，利用固相萃取分离技术分离葡萄酒样品中的单宁为单宁单体、寡聚单宁和高聚单宁三部分，并分别复溶至模型酒溶液中，制备成相应的模型单宁溶液；对每个模型单宁溶液进行检测和分析，以确定单宁单体、寡聚单宁和高聚单宁的结构和含量；
24、(4)根据单宁单体、寡聚单宁和高聚单宁的结构和含量计算单宁量化参数；
25、(5)将多个葡萄酒样品的涩感品质等级、基质参数和单宁量化参数划分训练集和测试集；
26、(6)以葡萄酒样品的基质参数和单宁量化参数为输入、葡萄酒样品的涩感品质等级为输出构建遗传算法优化的bp神经网络模型，采用训练集进行训练，得到遗传算法优化的bp神经网络模型；
27、(7)采用测试集测试遗传算法优化的bp神经网络模型预测结果的可靠性。
28、进一步的，步骤(1)中，收集感官数据具体是：采用口腔五点感官法，采用线性量表评判口腔上颚、两颊、舌表、上下唇和牙周部位的涩感强度。
29、进一步的，葡萄酒样品的涩感品质等级y＝0.80+0.14*上下唇涩感强度+0.69*牙周涩感强度+0.1*上颚涩感强度-0.62*舌表涩感强度+0.82*两颊涩感强度，计算得分取整，范围在[1-5]之间，y从1至5分别代表差、次、中、良、优。
30、进一步的，步骤(5)中，还包括：对葡萄酒的基质数据和单宁量化参数进行归一化处理。
31、与现有技术相比，本专利技术具有如下的有益效果：
32、本专利技术根据定量描述关系，将单宁结构的描述符(单宁量化参数)和基质数据作为特征输入值，借助bp神经网络的非线性映射能力、自学习和自适应能力、泛化能力、容错能力，实现了葡萄酒的基质数据、单宁量化参数和涩感品质的非线性拟合，可以准确地得到各特征参数与涩感品质之间的潜在关系；通过遗传算法(ga)不断优化bp神经网络，实现神经网络对葡萄酒涩感品质的预测精度，遗传算法优化的bp神经网络模型(ga-bp神经网络模型)的预测速度和精度大幅提升。本方法通过建立ga-bp神经网络模型，在预测葡萄酒的涩感品质等级的可行性高，能够对葡萄酒涩感品质等级做出更加准确的评价，具有较高的应用价值；有效的解决了葡萄酒中存在的涩感缺陷定位及涩感缺陷修正难题，为葡萄酒的涩感诊断提供指导性依据。
33、进一步的，本专利技术在单宁量化参数上提出新的计算特征算法(τ1、τ2、τ3、τ4、τ5)，缩减了过多的单宁的特征提取，同时也为单宁量化参数提供了新的思路。
34、进一步的，本专利技术在葡萄酒涩感品质等级的评判上通过五点感官法，简化了感官流程，感官者仅需要对上下唇、牙周、两颊、舌表、上颚进行涩感强度的评价，通过回归计算便可以得到涩感品质本文档来自技高网...
【技术保护点】
1.基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，S1中，所述基质参数为基质的pH、基质中的乙醇含量和基质中的可滴定酸含量中的一种或多种。
3.根据权利要求1所述的基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，S2中，对每个模型单宁溶液进行检测和分析，以确定单宁单体、寡聚单宁和高聚单宁三部分中物质的结构和含量，具体是：
4.根据权利要求1所述的基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，S2中，利用固相萃取分离技术分离待测葡萄酒样品中的单宁为单宁单体、寡聚单宁和高聚单宁三部分，具体是：
5.根据权利要求1所述的基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，S3中，单宁量化参数为τ1、τ2、τ3、τ4和τ5的一个或多个：
6.根据权利要求1所述的基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，S3中，所述遗传算法优化的BP神经网络模型通过如下方法构建得
7.根据权利要求6所述的基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，步骤(1)中，收集感官数据具体是：采用口腔五点感官法，采用线性量表评判口腔上颚、两颊、舌表、上下唇和牙周部位的涩感强度。
8.根据权利要求7所述的基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，葡萄酒样品的涩感品质等级Y＝0.80+0.14*上下唇涩感强度+0.69*牙周涩感强度+0.1*上颚涩感强度-0.62*舌表涩感强度+0.82*两颊涩感强度，计算得分取整，范围在[1-5]之间，Y从1至5分别代表差、次、中、良、优。
9.根据权利要求6所述的基于GA-BP神经网络的葡萄酒涩感品质的诊断方法，其特征在于，步骤(5)中，还包括：对葡萄酒的基质数据和单宁量化参数进行归一化处理。
...【技术特征摘要】
1.基于ga-bp神经网络的葡萄酒涩感品质的诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于ga-bp神经网络的葡萄酒涩感品质的诊断方法，其特征在于，s1中，所述基质参数为基质的ph、基质中的乙醇含量和基质中的可滴定酸含量中的一种或多种。
3.根据权利要求1所述的基于ga-bp神经网络的葡萄酒涩感品质的诊断方法，其特征在于，s2中，对每个模型单宁溶液进行检测和分析，以确定单宁单体、寡聚单宁和高聚单宁三部分中物质的结构和含量，具体是：
4.根据权利要求1所述的基于ga-bp神经网络的葡萄酒涩感品质的诊断方法，其特征在于，s2中，利用固相萃取分离技术分离待测葡萄酒样品中的单宁为单宁单体、寡聚单宁和高聚单宁三部分，具体是：
5.根据权利要求1所述的基于ga-bp神经网络的葡萄酒涩感品质的诊断方法，其特征在于，s3中，单宁量化参数为τ1、τ2、τ3、τ4和τ5的一个或多个：
6.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。