技术摘要：
本发明涉及一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，包括以下步骤：S1：收集喝茶爱好者泡茶的参数，构建样本集；S2：将样本集中的参数进行转换，统一限制在(0,1)区间内；S3：根据转换后的样本集建立BP神经网络预测模型，获得BP神经网络的权值和阈值；S4：  全部
背景技术：
目前国内对茶叶冲泡有个大致的最佳口感冲泡方法，但是不同喝茶品味的人和不 同茶类品种是有不一样的要求，据研究可知，主要影响的参数有茶水比，温度，茶的品种，人 喝茶的品味，冲泡时间。 对于过往神经网络利用在茶上的应用更多在于分辨茶叶种类，基本上没有对如何 去冲泡茶叶可获得最佳茶感的研究，更多的是靠过去的经验总结；因此，如何实现冲泡茶叶 最佳口感预设参数是本领域技术人员目前需要解决的技术问题。
技术实现要素：
本发明为解决现在冲泡茶叶找寻最佳口感完全靠经验，没有固定参数的问题，提 供一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法。 为实现以上发明目的，采用的技术方案是： 一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，包括以下步骤： S1：收集喝茶爱好者泡茶的参数，构建样本集； S2：将样本集中的参数进行转换，统一限制在(0,1)区间内； S3：根据转换后的样本集建立BP神经网络预测模型，获得BP神经网络的权值和阈 值； S4：运用BP神经网络的权值和阈值，通过BP神经网络预测模型，输出口感评价分 数； S5：根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，对茶叶进行冲 泡。 上述方案中，操作人员收集人们泡茶的参数，构建样本集，根据样本集建立  BP神 经网络预测模型，得到口感评价分数，根据口感评价分数调整冲泡的参数，确定茶叶最佳冲 泡要求，准确地寻找茶叶品种的最佳冲泡方法。 在所述步骤S1中，所述样本集包括冲泡茶叶的时间、温度、茶水比。 所述冲泡茶叶的温度、茶水比通过传感器获取，所述冲泡茶叶的时间通过定时器 进行获取。 在所述步骤S2中，根据变换公式,将输入参数限制在(0,1)区间内,保证各输入的 参数有同等重要的地位。 所述变换公式为 4 CN 111596007 A 说　明　书 2/4 页 其中，xi为输入的参数；ⅹmin为数据变化范围的最小值；xmax为数据变化范围的最 大值； 为变换后的数据。 在所述步骤S3中，所述BP神经网络预测模型包括输入层、隐含层和输出层，还包括 训练样本和检验样本；BP神经网络预测模型根据样本集中输入参数和输岀参数的个数确定 BP神经网络预测模型输入层、隐含层和输出层的节点数，同时确定训练样本的个数和检验 样本的个数；训练样本对BP神经网络预测模型进行训练，检验样本对BP神经网络预测模型 进行检验，最终建立BP神经网络预测模型，之后获得BP神经网络的权值和阈值。 通过BP神经网络预测模型获取BP神经网络的权值和阈值的过程包括以下算法：输 入层输入向量为X＝(x1，x T2，…xn) ，输入层到隐含层的权值矩阵为  V＝(V1，V2，…Vn)；隐含 层输出向量为Y＝(y1，y2，…y Tm) ，输入层与隐含层通过传递公式建立连接，隐含层到输出层 之间的权值向量为W＝  (W1,W2，…Wm)，隐含层输岀向量为O＝(o)，O＝f(∑VX-x0)，期望输岀 向量为  D＝(d)，D＝∑OW-y0，其中x0和y0为阈值。 所述传递公式为 在所述步骤S4中，包括以下步骤：选取(0,1)之间的随机数为BP神经网络中权值系 数和阈值，随机选取样本数据进行训练，不断改善BP神经网络模型中的权值系数和阈值，使 输出结果符合期望值，并用检验样本进行检验，如果检验不合格，继续改变权值系数和阈 值，直到检验合格，输出口感评价分数。 在所述步骤S5中，根据样本集的误差范围数据，在泡茶或加茶的过程中利用PID神 经网络，取其当前状态，目标状态，进行进一步调整，通过每次调整后输出口感评价分数，进 行负反馈，完善其数据，确定茶叶最佳冲泡要求。 与现有技术相比，本发明的有益效果是： 本发明提供了一种基于口感预认识的寻找冲泡茶叶条件最佳参数的算法，操作人 员收集人们泡茶的参数，构建样本集，根据样本集建立BP神经网络预测模型，得到口感评价 分数，根据口感评价分数调整冲泡的参数，确定茶叶最佳冲泡要求，准确地寻找茶叶品种的 最佳冲泡方法。 附图说明 图1为该发明的方法流程图； 图2为该发明的BP神经网络预测模型图； 图3为该发明的用户泡茶流程图。