[发明专利]基于沙猫群优化支持向量机算法的葡萄酒种类识别方法

权利要求书

1.基于沙猫群优化支持向量机算法的葡萄酒种类识别方法，其特征在于，所述方法包括以下步骤：

S1、将采集到的带有类标签的葡萄酒数据集归一化且划分为训练集和测试集；

S2、利用沙猫群算法优化支持向量机的惩罚因子和核函数参数；

S3、建立基于沙猫群优化支持向量机算法的葡萄酒种类识别模型，对训练集和测试集分别进行训练与测试。

2.根据权利要求1所述的基于沙猫群优化支持向量机算法的葡萄酒种类识别方法，其特征在于：所述S1中葡萄酒数据集标签属性包括酒精、苹果酸、灰、灰分的碱度、镁、总酚含量、脯氨酸、黄酮类化合物、酚、原花青素、色泽度、色调及稀释葡萄酒的吸光度比。

3.根据权利要求1所述的基于沙猫群优化支持向量机算法的葡萄酒种类识别方法，其特征在于：所述S1中的归一化方式采用最小-最大标准化，将数据集归一化到[0，1]范围内，计算公式如下：

式中：[y_min，y_max]＝[0，1]，x_min、x_max分别为每行数据的最小值和最大值，同时，将带有类标签的葡萄酒数据集按接近1∶1的比例划分训练集和测试集。

4.根据权利要求1所述的基于沙猫群优化支持向量机算法的葡萄酒种类识别方法，其特征在于：所述S2具体按照以下步骤实施：

步骤a：设置算法基本参数：种群数目、变量维数、听觉特性、核函数(径向基高斯核函数，如下式所示)和最大迭代次数；

式中：(x_i，y_i)为样本数据，σ为核函数参数；

步骤b：初始化支持向量机的惩罚因子和核函数参数，作为种群的位置；

步骤c：计算适应度值(将交叉验证的准确性作为沙猫个体的适应度值)，并确定当前个体极值和全局极值；

步骤d：利用以下公式更新沙猫个体位置；

式中：S_M为沙猫的听觉特性，一般设置为2；iter_c为当前迭代次数；iter_MAX为最大迭代次数；为常规的灵敏度范围；为沙猫转换搜索阶段和攻击阶段的控制参数；为沙猫个体的灵敏度范围；为当前时刻的沙猫群最优位置；为沙猫个体当前位置；为沙猫下一时刻的位置；t为当前时刻；rand(0，1)为[0，1]之间的随机值；

步骤e：通过下式判断沙猫下一步的行为是处于探索阶段还是攻击阶段；若沙猫处于探索阶段，则转至步骤d，否则转至步骤f；

式中：θ为随机角度，通过判断的取值大小决定沙猫下一时刻处于猎物搜索阶段还是攻击阶段，当|R|≤1时，沙猫被引导攻击猎物；反之，则继续搜索；

步骤f：通过以下公式来更新沙猫个体位置和其对应的适应度值，且更新当前个体极值和全局极值；

步骤g：判断算法是否满足终止条件，若算法达到迭代最大次数或者精度要求，则结束并转至步骤h，否则转至步骤c；

步骤h：将获得的最优解作为支持向量机的初始惩罚因子和核函数参数。

5.根据权利要求1所述的基于沙猫群优化支持向量机算法的葡萄酒种类识别方法，其特征在于：所述S3具体按照以下步骤实施：

步骤A：在利用沙猫群算法对支持向量机的初始惩罚因子和核函数参数寻优后，输入归一化的训练样本继续训练；

步骤B：将归一化的测试样本输入到训练好的算法模型中，得到识别结果。