葡萄酒的模糊C均值聚类及其最优聚类选择

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (2): 175-179.

葡萄酒的模糊C均值聚类及其最优聚类选择

黄春娥，张洪，张景胜，孙明星，叶志伟

北京联合大学生物化学工程学院，北京 100023

出版日期:2016-01-15 发布日期:2016-01-28

Fuzzy c-means algorithm and optimal numbers of clusters for wine

HUANG Chun’e, ZHANG Hong, ZHANG Jingsheng, SUN Mingxing, YE Zhiwei

College of Biochemical Engineering, Beijing Union University, Beijing 100023, China

Online:2016-01-15 Published:2016-01-28

摘要/Abstract

摘要： 现有以品酒员的感官指标来评定葡萄酒质量的方法受品酒员主观因素影响较大，导致葡萄酒质量评定结果存在较大的不确定性。针对葡萄酒质量的评定问题，根据影响葡萄酒外观、口感和香气的主要理化指标，结合模糊C均值聚类分析、F统计量及其变化的显著性水平评定聚类有效性的方法，给出了葡萄酒的客观的分类，并结合具体葡萄酒理化指标的原始数据，利用MATLAB编程实现，验证该方法的有效性。该方法克服了已有基于模糊聚类的葡萄酒分类方法中的不足，客观地评价葡萄酒的质量，为葡萄酒质量的评定提供可选择的方法。

关键词: 葡萄酒, 理化指标, 模糊C均值聚类, F统计量

Abstract: Popular method of wine classification is to invite wine tasters to taste the waited classification wine and give scores. This approach is influenced greatly by the subjective reasons of the wine tasters, and leads to uncertainty appear. Based on the evaluation of wine classification, an objective method is given. This approach depends on the mainly physicochemical indexes of wines which decide surface, mouth feel and fragrance, fuzzy c-means algorithm, F-statistical quantity and its significance level. Original data of wine is used to check the validity of the method with MATLAB program. This approach overcomes the deficiency of the existed methods, objectively evaluates wine quality, and proposes an alternative for wine classification.

Key words: wine, physicochemical index, fuzzy c-means algorithm, F-statistical quantity

黄春娥，张洪，张景胜，孙明星，叶志伟. 葡萄酒的模糊C均值聚类及其最优聚类选择[J]. 计算机工程与应用, 2016, 52(2): 175-179.

HUANG Chun’e, ZHANG Hong, ZHANG Jingsheng, SUN Mingxing, YE Zhiwei. Fuzzy c-means algorithm and optimal numbers of clusters for wine[J]. Computer Engineering and Applications, 2016, 52(2): 175-179.

[1]	刘俊涛，王素娟，林晓明，刘祚时，谭俭辉，宋丹. 结合FCM聚类和边缘感知模型的眼底渗出物检测[J]. 计算机工程与应用, 2020, 56(11): 192-199.
[2]	王文慧1，杨庚1，葛炜1，刘沛东2，钱晨3. 噪声不均条件下的模糊C均值聚类算法及应用[J]. 计算机工程与应用, 2018, 54(19): 172-178.
[3]	刘沧生，许青林. 基于密度峰值优化的模糊C均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 153-157.
[4]	恩德，张凤磊，张昭，忽胜强. 模糊熵在车载环境下语音端点检测中的应用[J]. 计算机工程与应用, 2016, 52(10): 147-150.
[5]	喻勇1，张云伟1，王静2，王大龙2，王彦钧2，包俊1. 基于计算机视觉的烟叶病害识别研究[J]. 计算机工程与应用, 2015, 51(20): 167-171.
[6]	王军玲1、2，王士同1，包芳2，周建林3. 基于空间距离的快速模糊C均值聚类算法[J]. 计算机工程与应用, 2015, 51(1): 177-183.
[7]	刘新，葛洪伟，张妨妨. 基于像素点聚类分离的滤波算法[J]. 计算机工程与应用, 2014, 50(5): 195-198.
[8]	张翡，范虹. 基于模糊C均值聚类的医学图像分割研究[J]. 计算机工程与应用, 2014, 50(4): 144-151.
[9]	王民1，孙广1，沈利荣2，刘利1. 基于对数能量倒谱特征的端点检测算法[J]. 计算机工程与应用, 2014, 50(16): 198-201.
[10]	孙文兵1，曾祥燕2，杨立君1. BP网络和多元回归在葡萄酒质量模型中的应用[J]. 计算机工程与应用, 2014, 50(15): 267-270.
[11]	李凯，艾斯卡尔·艾木都拉. 基于边缘和基线的维吾尔文图像文字定位算法[J]. 计算机工程与应用, 2014, 50(10): 203-207.
[12]	宋蓓蓓，韦娜. FCM分割和形态学的沥青路面图像裂缝提取[J]. 计算机工程与应用, 2013, 49(4): 31-34.
[13]	柳佳雯1，梁光明2，刘任任1，谢雅婷1，丁建文3. 融合加窗色调直方图的彩色图像FCM分割算法[J]. 计算机工程与应用, 2013, 49(3): 230-233.
[14]	张思发，刘汭祥. 一种应用分治策略改进的FCM聚类算法[J]. 计算机工程与应用, 2013, 49(22): 194-196.
[15]	姚磊1，刘渊2. 基于改进模糊聚类与ANFIS的高速公路事件检测[J]. 计算机工程与应用, 2013, 49(19): 242-245.