優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法技術(shù)領(lǐng)域：本發(fā)明涉及一種優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法。

背景技術(shù)：
：白酒香味成分主要有酯類、酸類化合物等。酯類是具有芳香的化合物，在各種香型白酒中起著重要作用，酯是白酒中含量最多的香味成分之一。酸對各香味成分起協(xié)調(diào)、平衡作用，增加醇厚感，是味覺改變劑。目前60Co-γ射線輻照加速白酒陳化的研究已有很多成果，但目前60Co-γ射線輻照加速白酒陳化和對機理影響的因素較多，溫度和60Co-γ射線輻射處理的參數(shù)（輻照劑量、輻照劑量率等）等均與陳化效果有關(guān)，所以靠實驗不斷摸索出一套完整的60Co-γ射線輻照催陳白酒最佳工藝不太現(xiàn)實，并且靠傳統(tǒng)數(shù)學方法解決這種多輸入多輸出的非線性復雜系統(tǒng)模型非常困難。在輻照工藝加工中常用回歸法進行建模，但是需要一定的前提條件，如建模的數(shù)據(jù)滿足獨立、線性、正態(tài)、方差齊的條件。回歸效果直接依賴模型是否合適，因此模型建立后，需要對模型基本假設(shè)的合理性加以檢驗。當應(yīng)用非線性回歸時，模型選擇、預備分析、參數(shù)變換、初始值設(shè)定、參數(shù)求解，還有模型修正、比較與檢驗、收斂性與擬合的評估，都存在著很多難點和問題，直接影響到對非線性數(shù)據(jù)擬合的效果，甚至會影響到模型的建立。大量的研究表明，在60Co-γ射線輻照加速白酒陳化的輻照工藝參數(shù)和白酒品質(zhì)的主要參數(shù)之間存在著復雜的非線性關(guān)系，對于這種非線性關(guān)系目前尚無合適的模型可以借鑒，就使得應(yīng)用傳統(tǒng)非線性回歸等方法建模時，在模型選擇、初始值確定、參數(shù)變換求解、模型檢驗等方面存在確定困難，從而影響到非線性建模的效果。現(xiàn)在輻照加工工藝參數(shù)優(yōu)化大多使用的是遺傳算法，但是遺傳算法的編程實現(xiàn)比較復雜，首先需要對問題進行編碼，找到最優(yōu)解之后還需要對問題進行解碼，另外三個算子的實現(xiàn)也有許多參數(shù)，如交叉率和變異率，并且這些參數(shù)的選擇嚴重影響解的品質(zhì)，而目前這些參數(shù)的選擇大部分是依靠經(jīng)驗。

技術(shù)實現(xiàn)要素：
：本發(fā)明的目的是提供一種優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法。上述的目的通過以下的技術(shù)方案實現(xiàn)：一種優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法，該方法包括如下步驟：步驟1：選擇150公斤52度液態(tài)釀造的白酒作為照射樣本；步驟2：取500毫升塑料瓶50個作為輻照樣品的封裝工具；步驟3：將白酒分別倒入塑料瓶中封裝好作為輻照樣本；步驟4：利用Unidos.E通用劑量儀進行輻照場劑量測定，確定不同輻照空間場的劑量粗略分布情況；步驟5：將5個編號的輻照樣本作為一組，在每個樣本表面放置重鉻酸銀進行劑量跟蹤，放置不同劑量率的輻照場上，記下此時的輻照場的輻照環(huán)境溫度；所采用的輻照場是環(huán)形放射源，輻照場呈圓形分布，在輻照場中劑量率在50Gy/h~100Gy/h分布，且分布均勻；輻照場中環(huán)境溫度范圍在15℃~22℃范圍內(nèi)，輻照劑量是10KGy以下；步驟6：按照實驗步驟5中相同的實驗方法將剩下的45個未輻照的白酒樣本分成9組，每組5個編號的輻照樣本進行輻照，同時記錄溫度；步驟7：利用紫外可見分光光度計GS54檢測每組輻照樣本的重鉻酸銀，進行輻照劑量檢測；步驟8：檢測50個輻照樣本的總酸、總酯指標；步驟9：利用輻照后的樣本進行數(shù)據(jù)分析，選取白酒理化指標變好的樣本數(shù)據(jù)作為下一次白酒輻照的參考值；步驟10：重復步驟2至步驟9；步驟11：將實驗步驟10得到的樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，選取其中的45組數(shù)據(jù)作為數(shù)學模型的訓練數(shù)據(jù)，通過MATLAB軟件，利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法，建立不同劑量60Co-γ射線對白酒品質(zhì)的影響規(guī)律模型；步驟12：選取剩下的五組數(shù)據(jù)作為檢驗數(shù)據(jù)，輸入到訓練好的數(shù)學模型中去，檢驗利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法建立不同劑量60Co-γ射線對白酒品質(zhì)的影響規(guī)律模型的實際誤差大小；步驟13：將實驗步驟12得到的樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，選取其中的4組數(shù)據(jù)作為輻照工藝參數(shù)優(yōu)化檢驗數(shù)據(jù)，通過MATLAB軟件，利用粒子群算法對相應(yīng)輻照工藝參數(shù)進行優(yōu)化，通過Labview軟件實現(xiàn)可視化；步驟14：將優(yōu)化后的4組數(shù)據(jù)做為輻照工藝參數(shù)進行白酒輻照，利用7、8步驟的檢測方法得到4組白酒理化指標實際的數(shù)據(jù)，將仿真優(yōu)化的4組輻照數(shù)據(jù)與實際得到4組白酒理化指標對比，檢驗誤差大小；步驟15：通過步驟14得到的4組數(shù)據(jù)誤差結(jié)果得到，輻照后檢測白酒中總酸、總酯為理化指標數(shù)據(jù)與仿真預測數(shù)據(jù)比較，精確度可達到0.001，表明通過此模型可確定60Co-γ射線提升白酒品質(zhì)的最佳輻照工藝。所述的優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法，進行輻照劑量檢測時，選用重鉻酸銀劑量計作為樣品輻照時的跟蹤劑量計，重鉻酸銀劑量使用紫外可見分光光度計GS54檢測，使用過程中分光光度計K值易發(fā)生變化，對其必須標定，標定方法為選用低量程劑量計刻度紫外線分光光度計K值，與計算得到的理論值比較，進行K值校正，數(shù)據(jù)如下表1所示：表1時間（分鐘）分光光度計的吸光度7.151.000414.280.94328.570.825142.850.708357.150.5942所述的優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法，所述的利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法如下：BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)的設(shè)定：針對輻照工藝參數(shù)和白酒品質(zhì)有一定規(guī)律的研究，為建立彼此之間非線性映射模型，對網(wǎng)路的參數(shù)設(shè)置如下：（1）樣本的選取和預處理：樣本的選?。簭妮椪展に噮?shù)和白酒品質(zhì)關(guān)系上研究實際輻照中能夠考慮的輻照參數(shù)和白酒檢驗的國家標準規(guī)定的理化指標的需要，選定輻照工藝參數(shù)為劑量、劑量率、溫度和白酒中總酸、總酯為理化指標，故選取劑量、劑量率、溫度作為輸入層神經(jīng)元；選擇白酒中總酸、總酯理化指標作為輸出神經(jīng)元，建立輸出神經(jīng)元數(shù)為2的神經(jīng)網(wǎng)絡(luò)模型；樣本的規(guī)范化處理：由于衡量的指標各不相同，原始樣本各個分量數(shù)量級有很大的差異，這就需要對樣本進行規(guī)范化處理；對于數(shù)據(jù)處理應(yīng)用規(guī)格化函數(shù)，使所有輸入、輸出樣本規(guī)范到[-1，1]的范圍內(nèi)；（2）權(quán)和閾值初始值域的確定較小的初始值域更有利于權(quán)值均勻地隨機初始，因而權(quán)的初值域取（-0.05，0.05），對初始權(quán)值在上述范圍內(nèi)采用重復試驗的方法，通過比較擬合效果，確定最佳初始權(quán)值；（3）網(wǎng)絡(luò)拓撲結(jié)構(gòu)的確定隱層數(shù)目的確定：確定應(yīng)用1個隱層的網(wǎng)絡(luò)；隱層單元數(shù)目的確定：采用“試錯法”進行確定，并確定為6個；（4）迭代停止標準模型建立時，設(shè)置最大的循環(huán)迭代為5000；循環(huán)次數(shù)超過5000次仍未達到迭代停止標準，則表明實驗失敗，收斂目標允許有誤差，在網(wǎng)絡(luò)輸出和樣本之間的差小于給定的誤差范圍，則停止對網(wǎng)絡(luò)權(quán)值的修正；采用對網(wǎng)絡(luò)學習寬容的做法，可加快網(wǎng)絡(luò)的學習速度；采用自適應(yīng)的方法，在允許誤差在訓練開始時取大點，然后隨著訓練逐漸減少，設(shè)定收斂誤差為0.001；輻照工藝參數(shù)和與白酒品質(zhì)參數(shù)之間建立BP神經(jīng)網(wǎng)絡(luò)模型：網(wǎng)絡(luò)中各參數(shù)的設(shè)定為：輸入層單元數(shù)目為3，輸出層單元數(shù)目為2，隱層單元數(shù)目1，學習算法選擇“用貝葉斯正則化BP人工神經(jīng)網(wǎng)絡(luò)算法”，網(wǎng)絡(luò)收斂目標設(shè)定為10-3。有益效果：1.本發(fā)明解決了現(xiàn)有60Co-γ射線輻照白酒的提升品質(zhì)中存在的輻照工藝參數(shù)與白酒品質(zhì)參數(shù)之間不能建立準確的對應(yīng)關(guān)系和輻照過程中參數(shù)優(yōu)化不理想的問題。在實驗數(shù)據(jù)的基礎(chǔ)上，利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法，建立不同劑量60Co-γ射線對白酒品質(zhì)的影響規(guī)律模型，利用粒子群算法對相應(yīng)輻照工藝參數(shù)進行優(yōu)化。并且通過MATLAB軟件，對模型進行仿真與預測，利用Labview軟件實現(xiàn)可視化的人機界面，利用優(yōu)化后的參數(shù)對白酒進行輻照，輻照后檢測白酒中總酸、總酯為理化指標數(shù)據(jù)與仿真預測數(shù)據(jù)比較，精確度可達到0.001，表明通過此模型可確定60Co-γ射線提升白酒品質(zhì)的最佳輻照工藝。本發(fā)明解決了現(xiàn)有60Co-γ射線輻照白酒的提升品質(zhì)中存在的輻照工藝參數(shù)與白酒品質(zhì)參數(shù)之間不能建立準確的對應(yīng)關(guān)系和輻照過程中參數(shù)優(yōu)化不理想的問題。本60Co-γ射線輻照白酒的提升其品質(zhì)的模型的建立及優(yōu)化輻照工藝參數(shù)的過程如下：60Co-γ射線輻照的過程中，氧化還原反應(yīng)和酯化反應(yīng)比常態(tài)下迅速。因為酒中主要成分是乙醇和水，這兩種物質(zhì)在γ射線輻照中，輻解成許多中間產(chǎn)物，如水輻解的中間產(chǎn)物eaq-、OH、H、H2、H2O2、O2-，其中水合電子是強還原劑，羥基（OH）是強氧化劑。超氧化物中存在O2-離子，O2-離子有強烈的氧化作用，由于在輻照過程中，輻解中間產(chǎn)物既有強氧化劑，又有強還原劑，就會再產(chǎn)生復雜的氧化還原反應(yīng)，使一些苦味在強氧化劑的作用下氧化成酸，改變其固有的化學性質(zhì)使酒的質(zhì)量改進。白酒在貯藏中，靠酒中溶解氧可以緩慢的使醇氧化成醛，醛氧化成酸。酸與醇酯化反應(yīng)生成酯，使酒的風味變好，但反應(yīng)非常緩慢，因為酒中的溶解氧很少，酒的陳化需要長時間貯存。通過60Co-γ輻照產(chǎn)生的中間產(chǎn)物中有強烈氧化作用的基團，反應(yīng)就可以迅速進行。所以不同劑量輻照后所產(chǎn)生的自由基數(shù)量不同，使得氧化還原反應(yīng)速度不同，致使各成分含量變化不同，即呈現(xiàn)出差異。通過60Co-γ輻照，產(chǎn)生的中間產(chǎn)物中有強烈氧化作用的基團，反應(yīng)就可以迅速進行。實驗結(jié)果表明，經(jīng)過60Co-γ輻照的白酒總?cè)┯兴黾?，因此反?yīng)(1)順利進行?？偹崦黠@增加，說明反應(yīng)(2)順利進行。由于酸增加，促使反應(yīng)(3)順利進行，所以總酯增加。這一系列的反應(yīng)加速了白酒的陳化過程，使酒的風味變好，香味略有增加，口味醇和。這是輻照白酒能提高酒質(zhì)的基本原因。為實驗可行只考慮輸入為劑量、劑量率、溫度，輸出為總酸、總酯。在此基礎(chǔ)上建立三輸入二輸出的BP神經(jīng)網(wǎng)絡(luò)模型。其中輸出總酸、總酯之間存在一定的相關(guān)性，因此利用此模型更接近真實的輻照過程，如圖4所示。利用MATLAB仿真函數(shù)sim輸出網(wǎng)絡(luò)預測，用檢驗樣本來檢驗網(wǎng)絡(luò)訓練效果。利用粒子群算法對相應(yīng)輻照工藝參數(shù)進行優(yōu)化。通過Labview軟件調(diào)用MATLAB程序?qū)崿F(xiàn)可視化人機交互界面。本發(fā)明輻照參數(shù)的選擇如下：1.輻照劑量范圍的確定：1980年12月4日聯(lián)合國糧農(nóng)組織、國際原子能機構(gòu)、世界衛(wèi)生組織共同組成的國際食品輻照衛(wèi)生安全評價聯(lián)合專家委員會宣布，用10KGy（輻射吸收劑量單位）以下劑量輻照的食品不會有放射性殘留的感生放射性，輻照后營養(yǎng)成分和營養(yǎng)價值與其他加工方法沒有區(qū)別，因此是安全的，今后可不再進行毒理學評價試驗。本發(fā)明中輻照劑量在規(guī)定范圍內(nèi)。輻照劑量率范圍的確定：實驗中應(yīng)用的輻照場是環(huán)形放射源，輻照場程圓形分布，在輻照場中劑量率在50Gy/h~100Gy/h分布空間較大，且分布較均勻。輻照場中環(huán)境溫度范圍的確定：實驗中應(yīng)用的輻照場全年溫度變化范圍在5℃~22℃之間，且溫度一般在15℃~22℃范圍內(nèi)時間較長。實驗中樣本照射在15℃~22℃范圍內(nèi)。本發(fā)明輻照劑量的測定如下：1.輻照劑量計的選擇：選用重鉻酸銀劑量計作為樣品輻照時的跟蹤劑量計。紫外線分光光度計的選擇：重鉻酸銀劑量使用紫外可見分光光度計GS54檢測，使用過程中分光光度計K值易發(fā)生變化，對其必須標定，標定方法為選用低量程劑量計（重鉻酸銀）刻度紫外線分光光度計K值，與計算得到的理論值比較，進行K值校正。表1中數(shù)據(jù)的擬合函數(shù)線性關(guān)系如圖5所示，0=1.0681（本底吸光度分別為1.0677、1.0671、1.0684、1.0691），經(jīng)計算得到γ=0.99998，K計算=1/ε·G·ρ·L=8249,K測量=△A/t=68.3/8.14×10-3=8391。誤差eK=（K測量——K計算）/K計算×100%=1.7%；在時間7.15分鐘的=K計算(0-A)/t=68.4Gy/min,eD=（68.4-68.3）/68.3×100%=1.46%，誤差eK和eD均在5%內(nèi)，符合計量要求。附圖說明：附圖1是本發(fā)明的粒子群優(yōu)化輻照參數(shù)流程圖。附圖2是本發(fā)明的BP算法的流程圖。附圖3是本發(fā)明的結(jié)合神經(jīng)元網(wǎng)絡(luò)和粒子群優(yōu)化算法的白酒輻照的流程圖。附圖4是3層BP人工神經(jīng)網(wǎng)絡(luò)的示意圖。附圖5是本發(fā)明的表1中數(shù)據(jù)的擬合函數(shù)線性關(guān)系圖。附圖6是5組檢驗樣本檢驗網(wǎng)絡(luò)訓練效果數(shù)據(jù)的酸對比圖。附圖7是5組檢驗樣本檢驗網(wǎng)絡(luò)訓練效果數(shù)據(jù)的誤差圖。附圖8是另5組檢驗樣本檢驗網(wǎng)絡(luò)訓練效果數(shù)據(jù)的酸對比圖。附圖9是另5組檢驗樣本檢驗網(wǎng)絡(luò)訓練效果數(shù)據(jù)的誤差圖。附圖10是第一組參數(shù)優(yōu)化結(jié)果的示意圖。附圖11是第一組參數(shù)優(yōu)化結(jié)果的劑量波形圖。附圖12是第一組參數(shù)優(yōu)化結(jié)果的劑量率波形圖。附圖13是第一組參數(shù)優(yōu)化結(jié)果的溫度波形圖。附圖14是第一組參數(shù)優(yōu)化結(jié)果的誤差趨勢圖。具體實施方式：實施例1：一種優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法，該方法包括如下步驟：步驟1：選擇150公斤哈爾濱地產(chǎn)的52度液態(tài)釀造的白酒作為照射樣本；步驟2：取500毫升塑料瓶50個作為輻照樣品的封裝工具；步驟3：將白酒分別倒入塑料瓶中封裝好作為輻照樣本；步驟4：利用Unidos.E通用劑量儀（型號：T10009）進行輻照場劑量測定，確定不同輻照空間場的大概劑量分布情況；步驟5：將5個編號的輻照樣本作為一組，在每個樣本表面放置重鉻酸銀進行劑量跟蹤，放置不同劑量率的輻照場上，記下此時的輻照場的輻照環(huán)境溫度；所采用的輻照場是環(huán)形放射源，輻照場呈圓形分布，在輻照場中劑量率在50Gy/h~100Gy/h分布，且分布均勻；輻照場中環(huán)境溫度范圍在15℃~22℃范圍內(nèi)，輻照劑量是10KGy以下；步驟6：按照實驗步驟5中相同的實驗方法將剩下的45個未輻照的白酒樣本分成9組，每組5個編號的輻照樣本進行輻照，同時記錄溫度；步驟7：利用紫外可見分光光度計GS54檢測每組輻照樣本的重鉻酸銀，進行輻照劑量檢測；步驟8：檢測50個輻照樣本的總酸、總酯指標；將50個輻照樣本送到白酒檢測機構(gòu)進行檢測，白酒理化指標的中涉及總酸、總酯檢測依據(jù)GB/T10345-2007_《白酒分析方法》。步驟9：利用輻照后的樣本進行數(shù)據(jù)分析，選取白酒理化指標變好的樣本數(shù)據(jù)作為下一次白酒輻照的參考值；步驟10：重復步驟2至步驟9；步驟11：將實驗步驟10得到的樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，選取其中的45組數(shù)據(jù)作為數(shù)學模型的訓練數(shù)據(jù)，通過MATLAB軟件，利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法，建立不同劑量60Co-γ射線對白酒品質(zhì)的影響規(guī)律模型；步驟12：選取剩下的五組數(shù)據(jù)作為檢驗數(shù)據(jù)，輸入到訓練好的數(shù)學模型中去，檢驗利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法建立不同劑量60Co-γ射線對白酒品質(zhì)的影響規(guī)律模型的實際誤差大小；通過5組數(shù)據(jù)的檢驗得到，利用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)算法建立60Co-γ射線對白酒品質(zhì)的影響規(guī)律模型與實際檢測白酒理化指標的結(jié)果誤差非常小。步驟13：將實驗步驟12得到的樣本數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，選取其中的4組數(shù)據(jù)作為輻照工藝參數(shù)優(yōu)化檢驗數(shù)據(jù)，通過MATLAB軟件，利用粒子群算法對相應(yīng)輻照工藝參數(shù)進行優(yōu)化，通過Labview軟件實現(xiàn)可視化；步驟14：將優(yōu)化后的4組數(shù)據(jù)做為輻照工藝參數(shù)進行白酒輻照，利用7、8步驟的檢測方法得到4組白酒理化指標實際的數(shù)據(jù)，將仿真優(yōu)化的4組輻照數(shù)據(jù)與實際得到4組白酒理化指標對比，檢驗誤差大小；步驟15：通過步驟14得到的4組數(shù)據(jù)誤差結(jié)果得到，輻照后檢測白酒中總酸、總酯為理化指標數(shù)據(jù)與仿真預測數(shù)據(jù)比較，精確度可達到0.001，表明通過此模型可確定60Co-γ射線提升白酒品質(zhì)的最佳輻照工藝。實施例2：根據(jù)實施例1所述的優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法，進行輻照劑量檢測時，選用重鉻酸銀劑量計作為樣品輻照時的跟蹤劑量計，重鉻酸銀劑量使用紫外可見分光光度計GS54檢測，使用過程中分光光度計K值易發(fā)生變化，對其必須標定，標定方法為選用低量程劑量計刻度紫外線分光光度計K值，與計算得到的理論值比較，進行K值校正，數(shù)據(jù)如下表1所示：表1時間（分鐘）分光光度計的吸光度7.151.000414.280.94328.570.825142.850.708357.150.5942實施例3：根據(jù)實施例1或2所述的優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法，白酒評價指標的選擇如下所述：1.白酒樣本的選擇：選擇哈爾濱地產(chǎn)的52度液態(tài)釀造的白酒作為照射樣本，這種白酒在當?shù)厣a(chǎn)的量較大，口感一般，有液態(tài)感，入口沖。輻照前樣本中總酸0.0241（g/100ml），總酯0.0498（g/100ml）。白酒中酯的確定：酯類是白酒香味的重要成分，在白酒中，除了水和乙醇之外，酯的含量占第三位。在酯的呈香呈味上，通常是相對分子質(zhì)量小而沸點低的酯放香大，且有各自特殊的芳香。相對分子質(zhì)量大而沸點高的酯類,香味雖然不強烈，卻有極其幽雅的香氣。GBT10781.2-2006《清香型白酒》中規(guī)定優(yōu)級高度酒的理化指標：總酯0.1（g/100ml）；一級高度酒的理化指標：總酯0.06（g/100ml）。白酒中酸的確定：酸是白酒中最重要的味感物質(zhì)，是白酒中的協(xié)調(diào)成分，恰當含量的酸可使酒體豐滿、醇和、自然感好，可以延長酒的后味，消除酒的雜味。有機酸的含量高低是酒質(zhì)好壞的一個標志。GBT10781.2-2006《清香型白酒》中規(guī)定優(yōu)級高度酒的理化指標：總酸0.04（g/100ml），；一級高度酒的理化指標：總酸0.03（g/100ml）。白酒理化指標的檢測如下所述：白酒理化指標的中涉及總酸、總酯檢測依據(jù)GB/T10345-2007_《白酒分析方法》。上述輻照工藝參數(shù)和與白酒品質(zhì)參數(shù)之間建立準確的對應(yīng)關(guān)系可以但不限于通過如下BP神經(jīng)網(wǎng)絡(luò)模型方法確定，該方法包括如下步驟：BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)的設(shè)定：針對輻照工藝參數(shù)和白酒品質(zhì)有一定規(guī)律的研究，為建立彼此之間非線性映射模型，對網(wǎng)路的參數(shù)設(shè)置如下：（1）樣本的選取和預處理：樣本的選?。簭妮椪展に噮?shù)和白酒品質(zhì)關(guān)系上研究實際輻照中能夠考慮的輻照參數(shù)和白酒檢驗的國家標準規(guī)定的理化指標的需要，選定輻照工藝參數(shù)為劑量、劑量率、溫度和白酒中總酸、總酯為理化指標，故選取劑量、劑量率、溫度作為輸入層神經(jīng)元；這些變量可以體現(xiàn)實際輻照過程中的工藝要素，選擇白酒中總酸、總酯理化指標作為輸出神經(jīng)元，建立輸出神經(jīng)元數(shù)為2的神經(jīng)網(wǎng)絡(luò)模型；樣本的規(guī)范化處理：由于衡量的指標各不相同，原始樣本各個分量數(shù)量級有很大的差異，這就需要對樣本進行規(guī)范化處理；采用神經(jīng)網(wǎng)絡(luò)建模時，可能某個節(jié)點輸入值過大則相應(yīng)的更新增量過大，從而使權(quán)值過大，導致其他分量幾乎喪失了調(diào)控作用，所以需要對原始樣本進行適當?shù)囊?guī)范化處理。樣本的規(guī)范化處理應(yīng)設(shè)計多種方案，盡量避免“飽和現(xiàn)象”的前提下，使樣本在較大的幅值范圍內(nèi)均勻分布。對于數(shù)據(jù)處理應(yīng)用規(guī)格化函數(shù)，使所有輸入、輸出樣本規(guī)范到[-1，1]的范圍內(nèi)；（2）權(quán)和閾值初始值域的確定從總體上看，權(quán)是隨著迭代的進行而更新的，并且一般是收斂的，但權(quán)的初始值太大，可能導致網(wǎng)絡(luò)很快就達到飽和，為盡可能避免飽和，并考慮到網(wǎng)絡(luò)的收斂速度以及樣本數(shù)據(jù)的復雜性，較小的初始值域更有利于權(quán)值均勻地隨機初始，權(quán)的初值域?。?0.05，0.05）較好，對初始權(quán)值在上述范圍內(nèi)采用重復試驗的方法，通過比較擬合效果，確定最佳初始權(quán)值；（3）網(wǎng)絡(luò)拓撲結(jié)構(gòu)的確定網(wǎng)絡(luò)拓撲結(jié)構(gòu)對于整個網(wǎng)絡(luò)的推廣能力、計算效率都起著至關(guān)重要的作用。由于對樣本數(shù)據(jù)進行建模和預測，確定網(wǎng)絡(luò)的拓撲結(jié)構(gòu)的關(guān)鍵是確定合適的隱層數(shù)目以及隱層單元數(shù)目。隱層數(shù)目的確定：確定應(yīng)用1個隱層的網(wǎng)絡(luò)；隱層單元數(shù)目的確定：采用“試錯法”進行確定，并確定為6個；（4）迭代停止標準模型建立時，設(shè)置最大的循環(huán)迭代為5000；循環(huán)次數(shù)超過5000次仍未達到迭代停止標準，則表明實驗失敗，收斂目標允許有誤差，在網(wǎng)絡(luò)輸出和樣本之間的差小于給定的誤差范圍，則停止對網(wǎng)絡(luò)權(quán)值的修正；采用對網(wǎng)絡(luò)學習寬容的做法，可加快網(wǎng)絡(luò)的學習速度；采用自適應(yīng)的方法，在允許誤差在訓練開始時取大點，然后隨著訓練逐漸減少，設(shè)定收斂誤差為0.001；輻照工藝參數(shù)和與白酒品質(zhì)參數(shù)之間建立BP神經(jīng)網(wǎng)絡(luò)模型：以實驗數(shù)據(jù)為輸入和輸出，應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò),建立輻照工藝參數(shù)為劑量、劑量率、溫度和白酒中總酸、總酯為理化指標的非線性映射模型。網(wǎng)絡(luò)中各參數(shù)的設(shè)定為：輸入層單元數(shù)目為3，輸出層單元數(shù)目為2，隱層單元數(shù)目1，學習算法選擇“用貝葉斯正則化BP人工神經(jīng)網(wǎng)絡(luò)算法”，網(wǎng)絡(luò)收斂目標設(shè)定為10-3。通過應(yīng)用均方差函數(shù)比較目標值和預測值的差異，計算目標值與預測值間的誤差，觀察網(wǎng)絡(luò)模型對訓練情況，網(wǎng)絡(luò)擬合圖性能進行評價。網(wǎng)絡(luò)訓練結(jié)果顯示，經(jīng)過1000步訓練后，網(wǎng)絡(luò)誤差平方和均值為3×10-3，達到了設(shè)定的最小訓練目標值。網(wǎng)絡(luò)訓練完畢后，利用MATLAB仿真函數(shù)sim輸出網(wǎng)絡(luò)預測，用5組檢驗樣本來檢驗網(wǎng)絡(luò)訓練效果如圖6、圖7、圖8、圖9所示。預測值與目標值比較說明輻照工藝參數(shù)為劑量、劑量率、溫度和白酒中總酸、總酯關(guān)系模型網(wǎng)絡(luò)預測性能良好。實施例4：所述的優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法，本發(fā)明中應(yīng)用粒子群優(yōu)化(ParticalSwarmOptimization-PSO)算法，PSO算法屬于進化算法的一種，和遺傳算法相似，它也是從隨機解出發(fā)，通過迭代尋找最優(yōu)解，它也是通過適應(yīng)度來評價解的品質(zhì)。但是它比遺傳算法規(guī)則更為簡單,它沒有遺傳算法的“交叉”(Crossover)和“變異”(Mutation)操作。它通過追隨當前搜索到的最優(yōu)值來尋找全局最優(yōu)。本發(fā)明利用人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetworks，ANN)為手段，是以實驗數(shù)據(jù)為基礎(chǔ)，經(jīng)過有限次迭代計算而獲得的一個反映實驗數(shù)據(jù)內(nèi)在規(guī)律的數(shù)學模型，利用粒子群算法優(yōu)化輻照工藝參數(shù)，為科學輻照提供理論依據(jù)。上述輻照工藝參數(shù)優(yōu)化可以但不限于通過如下粒子群算法進行確定，該方法包括如下步驟：1.粒子群算法參數(shù)設(shè)定針對輻照工藝參數(shù)和白酒品質(zhì)有一定規(guī)律的研究，在確定白酒理化指標后，為能夠得到最優(yōu)的輻照參數(shù)，對粒子群算法的參數(shù)設(shè)置如下：（1）樣本的選取和預處理：樣本的選?。簭妮椪展に噮?shù)和白酒品質(zhì)關(guān)系上研究實際輻照中能夠考慮的輻照參數(shù)和白酒檢驗的國家標準規(guī)定的理化指標的需要，我們選定輻照工藝參數(shù)為劑量、劑量率、溫度和白酒中總酸、總酯為理化指標。樣本的規(guī)范化處理：由于衡量的指標各不相同，原始樣本各個分量數(shù)量級有很大的差異，這就需要對樣本進行規(guī)范化處理。對于本發(fā)明的數(shù)據(jù)處理應(yīng)用規(guī)格化函數(shù)，使所有輸入、輸出樣本規(guī)范到[-1，1]的范圍內(nèi)。（2）需要調(diào)節(jié)的參數(shù)1)粒子數(shù)：一般取20-40。正常情況下對于大部分的問題，取30個粒子已經(jīng)足夠取得好的結(jié)果。粒子的范圍：由優(yōu)化問題決定，每一個維可設(shè)定不同的范圍。max；最大速度，決定粒子在一個循環(huán)中最大的移動距離，通常設(shè)定為粒子的范圍寬度，本發(fā)明中粒子（X1,X2,X3）屬于[-10，10]，Vmax的大小是20。粒子的長度：由優(yōu)化問題決定，也是問題解的長度。學習因子：C1,C2等于2。（3）迭代停止標準最大循環(huán)數(shù)以及最小錯誤要求。例如，在上面的神經(jīng)網(wǎng)絡(luò)訓練結(jié)果中，最小錯誤可以設(shè)定為1個錯誤分類，最大循環(huán)設(shè)定為5000，這個中止條件由具體的問題確定。指定白酒品質(zhì)參數(shù)后，進行輻照工藝參數(shù)參數(shù)優(yōu)化以實驗數(shù)據(jù)為輸入和輸出，應(yīng)用粒子群算法，根據(jù)白酒中總酸、總酯理化指標的要求，對劑量、劑量率、溫度進行輻照工藝參數(shù)優(yōu)化。參數(shù)優(yōu)化評價通過應(yīng)用均方差函數(shù)比較目標值和預測值的差異，計算目標值與預測值間的誤差，觀察參數(shù)優(yōu)化情況，經(jīng)過500次循環(huán)訓練后，網(wǎng)絡(luò)誤差平方和均值為3×10-3，達到了設(shè)定的最小訓練目標值。LabVIEW作為一種強大的圖形化編程語言，具有友好的界面、方便的儀器連接控制和高效的網(wǎng)絡(luò)通信能力，但在一些更具體復雜的領(lǐng)域，如神經(jīng)網(wǎng)絡(luò)、模糊控制、圖像處理等方面就有點力不從心。Matlab作為一種高效的工程計算語言，它將計算、可視化和編程集于一身，具有強大的計算、仿真和繪圖等功能。Matlab是一個交互式系統(tǒng)，它代表“矩陣實驗室”(MatrixLaboritry)，它是以線性代數(shù)軟件包LINPACK和特征值計算軟件包EISPACK中的子程序為基礎(chǔ)發(fā)展起來的一種開放型程序設(shè)計語言，其特征在于提供了豐富的工具箱(Toolboxes)。工具箱是Matlab函數(shù)的子程序，每一個工具箱都是為某一個學科專業(yè)和應(yīng)用而定制的，主要涉及數(shù)值分析、信號處理、圖像處理、仿真、自動控制、生物等領(lǐng)域，應(yīng)用廣泛，但在界面開發(fā)上的功能不如LabVIEW強大。因此可以將兩者結(jié)合起來，以充分利用兩者的優(yōu)點，方便解決各個領(lǐng)域的儀器連接和數(shù)學分析等問題。實施例5：所述的優(yōu)化了輻照工藝參數(shù)的60Co-γ射線輻照白酒方法，本發(fā)明通過介紹Matlab腳本節(jié)點的用法，來調(diào)用Matlab實現(xiàn)LabVIEW和Matlab的混合編程。本發(fā)明通過四組數(shù)據(jù)進行輻照工藝參數(shù)優(yōu)化，利用優(yōu)化后的輻照工藝參數(shù)進行仿真預測，同時利用優(yōu)化后的輻照工藝參數(shù)對白酒進行輻照，輻照后檢測白酒中總酸、總酯為理化指標，與仿真預測結(jié)果進行對比。第一組參數(shù)優(yōu)化結(jié)果如圖10、圖11、圖12、圖13、圖14所示。利用第一組優(yōu)化后的參數(shù)劑量為1.321KGy,劑量率為181.55Gy/h,溫度為20℃輸入到已經(jīng)建立的模型中，預測輸出輻照后的白酒中總酸、總酯為理化指標數(shù)據(jù)為0.028899g/100ml,0.0636019g/100ml。利用第一組優(yōu)化后的參數(shù)劑量為1.321KGy,劑量率為181.55Gy/h,溫度為20℃的條件下進行輻照，輻照后檢測白酒中總酸、總酯為理化指標數(shù)據(jù)為0.0272g/100ml,0.0614g/100ml，絕對誤差是0.121036，樣本方差和均值是135.986，檢測結(jié)果與仿真結(jié)果非常接近。利用第二組優(yōu)化后的參數(shù)劑量為2.51376KGy,劑量率為200Gy/h,溫度為16.62℃輸入到已經(jīng)建立的模型中，預測輸出輻照后的白酒中總酸、總酯為理化指標數(shù)據(jù)為0.02991g/100ml,0.06609g/100ml。利用第二組優(yōu)化后的參數(shù)劑量為2.51376KGy,劑量率為200Gy/h,溫度為16.62℃的條件下進行輻照，輻照后檢測白酒中總酸、總酯為理化指標數(shù)據(jù)為0.02827g/100ml,0.06675g/100ml，絕對誤差是0.121036，樣本方差和均值是135.986。檢測結(jié)果與仿真結(jié)果非常接近。利用第三組優(yōu)化后的參數(shù)劑量為1.88917KGy,劑量率為130.822Gy/h,溫度為17.5592℃輸入到已經(jīng)建立的模型中，預測輸出輻照后的白酒中總酸、總酯為理化指標數(shù)據(jù)為0.0251g/100ml,0.06138g/100ml。利用第三組優(yōu)化后的參數(shù)1.88917KGy,劑量率為130.822Gy/h,溫度為17.5592℃的條件下進行輻照，輻照后檢測白酒中總酸、總酯為理化指標數(shù)據(jù)為0.0245g/100ml,0.06451g/100ml，絕對誤差是0.121036，樣本方差和均值是135.986。檢測結(jié)果與仿真結(jié)果非常接近。利用第四組優(yōu)化后的參數(shù)劑量為1.05636KGy,劑量率為159.305Gy/h,溫度為17.8608℃輸入到已經(jīng)建立的模型中，預測輸出輻照后的白酒中總酸、總酯為理化指標數(shù)據(jù)為0.02242g/100ml,0.05548g/100ml。利用第四組優(yōu)化后的參數(shù)1.05636KGy,劑量率為159.305Gy/h,溫度為17.8608℃的條件下進行輻照，輻照后檢測白酒中總酸、總酯為理化指標數(shù)據(jù)為0.02203g/100ml,0.05515g/100ml，絕對誤差是0.121036，樣本方差和均值是135.986。檢測結(jié)果與仿真結(jié)果非常接近。