[发明专利]一种基于BP识别蜂蜜质量的方法

摘要

本发明公开了一种基于BP识别蜂蜜质量的方法，网络初始化将蜂蜜的图片进行像素取点，取得该图的RGB图像数据，同时进行归一化处理，并将数据输入BP网络完成网络初始化，同时设定误差函数e，给定计算精度值ε和最大学习次数M；将数据归一化到[‑1,1]区间，得到Iris数据；通过学习和对权值的调整，得出各个节点的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)，同时计算得到全局的误差值，因此确定好整个BP网络设置后，再进行数据测试；如果输入的数据按照以上学习的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)得不到相对应的全局误差值E，我们就可以认为这组数据与正常的数据不匹配。本发明的有益效果为通过BP神经网络算法来实现蜂蜜质量检测，准确性好，而且效率更高，实现了自动检测的目的。

主权项

一种基于BP识别蜂蜜质量的方法，其特征在于：该方法包括如下步骤：第一步，网络初始化：将蜂蜜的图片进行像素取点，取得该图的RGB图像数据，同时进行归一化处理，并将数据输入BP网络完成网络初始化，同时设定误差函数e，给定计算精度值ε和最大学习次数M；y＝2*(x‑min)/(max‑min)‑1这条公式将数据归一化到[‑1,1]区间，得到Iris数据；第二步,随机选取第k个输入样本及对应期望输出：d0(k)＝(d1(k),d2(k),...,dq(k),)x(k)＝(x1(k),x2(k),...xn(k))第三步，计算隐含层各神经元的输入和输出：第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δo(k)a；第五步，利用隐含层到输出层的连接权值、输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；第六步，利用输出层各神经元的δo(k)和隐含层各神经元的输出来修正连接权值who(k)；第七步，利用隐含层各神经元的δh(k)和输入层各神经元的输入修正连接权；第八步，计算全局误差第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习；通过以上的学习和对权值的调整，得出各个节点的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)，同时计算得到全局的误差值，因此确定好整个BP网络设置后，再进行数据测试；如果输入的数据按照以上学习的权值和输出层的δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)得不到相对应的全局误差值E，我们就可以认为这组数据与正常的数据不匹配。