隨著我國經濟的崛起，葡萄酒業也搭上了我國經濟崛起的快速列車。葡萄酒產業規模不斷壯大，但葡萄酒質量評定卻沒跟上酒業發展的腳步。現今的葡萄酒質量評定方法遠遠落后于市場需求。針對這個問題，本文用PSO優化算法代替BP網絡自身訓練過程，建立PSO優化BP網絡模型，進而對葡萄酒質量進行分類評定。經過實證與文獻的對比，PSO優化算法的確能夠有效的代替BP神經網絡自身訓練過程。

　　近年來，我國經濟水平得到了飛躍的發展，人們的生活水平也隨之提高。進而對養生的需求也越來越高。研究表明，適量的飲酒對人體機能起到很好的作用，能調節人體新陳代謝。而葡萄酒則是養生品之一，人們進而喜歡喝葡萄酒，市場對葡萄酒的需求量也隨之越來越大。然而市場上葡萄酒的品質參差不齊，如何區分葡萄酒的質量，是現今許多消費者和生產廠家都急切盼望解決的問題，因此鑒別葡萄酒的品質就顯得尤為重要。現今的鑒別方法常常是通過理化指標、感官指標來確定。而感官指標主要是通過聘請一批有資質的評酒員進行品評，用感官分析法來對葡萄酒進行等級分類。但這種方法易受到評酒人員嗜好、心理、經驗等因素的影響，通常使得評定存在一定主觀性和不確定性。因此對葡萄酒質量的評定更多的通過理化指標來確定。通過對葡萄酒的部分理化指標進行分析，建立相應的模型，進而區分出葡萄酒的品質。參考國內外的文獻，有許多學者對葡萄酒等級的分類進行研究。

　　隨著數據種類和數量的增加，一般的人工處理數據，就變得不現實。人工智能算法的提出，可以為廣大人民解決許多問題，能大大的縮短處理時間和減少人力。而BP 神經網絡是人工智能算法中被運用最多的神經網絡模型之一。BP 神經網絡是1986 年由Rumelhart 和McCelland 為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡。BP 網絡能學習和存儲大量的輸入到輸出模式映射關系，而無需提前揭示這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權重和閾值，使網絡的誤差平方和最小。數學理論已經證明，三層的BP 神經網絡可以擬合任意的非線性函數。

　　BP 神經網絡雖然具有以上的優點，但是具有一個明顯的缺點，容易陷入局部極小值。傳統的BP 神經網絡為一種局部搜索的優化方法，它要解決的是一個復雜非線性化問題，網絡的權值是通過沿局部改善的方向逐漸進行調整，這樣會使算法陷入局部極值，權值收斂到局部極小點，從而導致網絡訓練失敗。加上BP 神經網絡算法對初始網絡權重非常敏感，以不同的權值初始化網絡，其往往會收斂于不同的局部極小，這也是許多學者每次訓練得到不同結果的根本原因。因此，針對BP 神經網絡的該缺點，提出用粒子群優化算法優化BP 神經網絡的權值與閾值。

　　粒子群優化（PSO）算法是近年來發展起來的一種新的進化算法。PSO 算法屬于進化算法的一種，和遺傳算法相似，它是從隨機解出發，通過迭代尋找最優解，它是通過適應度來評價解的品質。它通過追隨當前搜索到的最優解來尋找全局最優值。將BP 神經網絡與PSO 算法結合，通過把BP 神經網絡的權值與閾值看作PSO 算法里的粒子，經過迭代更新，尋找出全局最優的適應值，最后將最優適應值返回到BP 神經網絡，作為BP 網絡的初始權值。