烤烟烟气主要指标的预测方法
专利汇可以提供烤烟烟气主要指标的预测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种烤烟烟气主要指标的预测方法。先建立烤烟烟气主要指标的模型：检测训练烤烟样品和测试烤烟样品的主要化学成分及烟气主要指标；利用灰色函数聚类将训练烤烟样品聚类；确定进入模型的变量；在每一类样品的烟气主要指标与主要化学成分之间建立灰色 预测模型 ；建立每一类训练样品的BP神经网络；用测试样品烤烟的烟气主要指标对和主要化学成分进行测试和调整。检测时将待测烤烟样品的主要化学成分进行聚类后利用其所在类的模型进行预测从而得到烟气主要指标。本发明克服了 现有技术 需要对大量样本进行检测并运算的不足，实现了利用少量化学成分样品预测烤烟烟气主要指标，减轻了配方人员的评吸工作量，可以广泛应用在 烟草 行业。，下面是烤烟烟气主要指标的预测方法专利的具体信息内容。
1、一种烤烟烟气主要指标的预测方法，其特征在于按照如下步骤：
(一)建立烤烟烟气主要指标的模型
步骤1 检测训练烤烟样品和测试烤烟样品的主要化学成分及烟气主要指 标；
步骤2 利用灰色函数聚类将训练烤烟样品聚类；
步骤3 应用灰色关联聚类与灰色绝对关联对每一类训练样品进行模型变 量的选择，确定进入模型的变量；
步骤4 在每一类训练样品的烟气主要指标与主要化学成分之间建立灰色 GM(1，n)预测模型；
步骤5 将步骤4所得的预测值作为BP神经网络的输入样本，把训练样品 的烟气主要指标真实值作为BP神经网络的目标样本，对神经网络训练，得到 一系列对应于相应结点的权值与阈值，建立每一类训练样品的BP神经网络；
步骤6 用步骤4、步骤5建立的灰色GM(1，n)和BP神经网络对测试烤 烟样品烟气主要指标进行测试，并与测试的实际值进行比较，若差异显著，则 调整步骤5中的BP神经网络参数，重做步骤5，重新训练BP神经网络；若差 异不显著，则确定该模型；
(二)利用模型进行预测
步骤7 检测待测烤烟样品的主要化学成分；
步骤8 对待测烤烟样品聚类，确定所在的类；
步骤9 将待测烤烟样品的主要化学成分输入其所在类的灰色GM(1，n) 预测模型；
步骤10 将步骤9所得的预测值作为BP神经网络的输入样本输入其所在类 的BP神经网络训练进行预测，得到烟气主要指标。
2、根据权利要求1所述的烤烟烟气主要指标的预测方法，其特征在于所述的 步骤2和步骤8灰色函数聚类是将样品聚为三类或五类。
3、根据权利要求2所述的烤烟烟气主要指标的预测方法，其特征在于所述步 骤2中和步骤8利用灰色函数聚类经过如下步骤：
步骤11 数据标准化；
步骤12 因变量与自变量的灰色绝对关联；
步骤13 关联度的显著型检验；
步骤14 分析因变量与自变量的散点趋势；
步骤15 初步确定自变量的变量数；
步骤16 自变量的灰色关联聚类
步骤17 确定自变量的变量；
步骤18 应用变量模型预测；
步骤19 模型检验，差异如果显著，执行步骤20或步骤21或步骤22，否 则执行步骤23；
步骤20 调整代表性指标后执行步骤17；
步骤21 调整聚类临界值后执行步骤16；
步骤22 调整显著性水平后执行步骤13；
步骤23 确定变量。
4、根据权利要求3所述的烤烟烟气主要指标的预测方法，其特征在于所述的 主要化学成分包括总植物碱、总氮、总糖、还原糖、钾离子、氯离子、淀 粉、总挥发酸、总挥发碱、石油醚提取物、蛋白质、细胞壁物质、4-乙烯 基-2-甲氧基苯酚、多元有机酸、类胡萝卜素降解类、西柏烷类、芳香族氨 基酸类、美拉德反应产物、新植二烯。
5、根据权利要求4所述的烤烟烟气主要指标的预测方法，其特征在于所述的 烟气主要指标包括香气质、香气量、杂气、劲头、刺激性、余味、浓度、 烟碱、焦油和一氧化碳。
6、根据权利要求4所述的烤烟烟气主要指标的预测方法，其特征在于所述的 多元有机酸包含草酸、丙二酸、琥珀酸、苹果酸、柠檬酸。
7、根据权利要求4所述的烤烟烟气主要指标的预测方法，其特征在于所述的 多元有机酸类胡萝卜素降解类包含巨豆三烯酮A、巨豆三烯酮B、巨豆三烯 酮C、巨豆三烯酮D、大马酮、3-羟基大马酮、3-氧化紫罗兰酮、香叶基丙 酮、二氢猕猴桃内酯、6-甲基-5-庚烯-2-酮。
8、根据权利要求4所述的烤烟烟气主要指标的预测方法，其特征在于所述的 西柏烷类包含氧化茄酮、茄酮。
9、根据权利要求4所述的烤烟烟气主要指标的预测方法，其特征在于所述的 芳香族氨基酸类包含苯甲醇、苯甲醛、苯乙醇、苯乙醛、吲哚。
10、根据权利要求4所述的烤烟烟气主要指标的预测方法，其特征在于所述 的美拉德反应产物包含糠醇、糠醛、5-甲基糠醛、乙酰基吡咯、二氢呋喃 酮、2，4-庚二烯醛、4-环戊烯-1，3-二酮。
技术领域
本发明涉及烤烟的评测方法，具体涉及利用烟草的化学成分预测烤烟烟气 主要指标的方法。
背景技术
灰色预测模型是20世纪80年代发展起来的属于非线性外推类预测方法， 因其实用性强，所需数据量少，建模灵活方便，预测精度较高，从而在社会科 学和自然科学各领域得到广泛应用。而神经网络具有并行计算、分布式信息存 储、容错能力强、自适应学习等优点，在处理复杂的人工智能和非线性问题上 显示出极优越的地位。灰色预测模型主要用于时间短、数据少、波动不大的预 测问题，在数据量较少的情况下，可以获得比较准确的预测效果；人工神经网 络模型(ANN)在训练样本较多的情况下可以得到较好的预测效果，但在样本量不 足的情况下预测误差较大。
发明内容
为解决上述的技术问题，本发明采用以下技术方案：
一种烤烟烟气主要指标的预测方法，其特征在于按照如下步骤：
(一)建立烤烟烟气主要指标的模型
步骤1 检测训练烤烟样品和测试烤烟样品的主要化学成分及烟气主要指 标；
步骤2 利用灰色函数聚类将训练烤烟样品聚类；
步骤3 应用灰色关联聚类与灰色绝对关联对每一类训练样品进行模型变量 的选择，确定进入模型的变量；
步骤4 在每一类训练样品的烟气主要指标与主要化学成分之间建立灰色GM (1，n)预测模型；
步骤5 将步骤4所得的预测值作为BP神经网络的输入样本，把训练样品的 烟气主要指标真实值作为BP神经网络的目标样本，对神经网络训练，得到一系 列对应于相应结点的权值与阈值，建立每一类训练样品的BP神经网络；
步骤6 用步骤4、步骤5建立的灰色GM(1，n)和BP神经网络对测试样品 烤烟烟气主要指标进行测试，并与测试的实际值进行比较，若差异显著，则调 整步骤5中的BP神经网络参数，重做步骤5，重新训练BP神经网络；若差异不 显著，则确定该模型；
(二)利用模型进行预测
步骤7 检测待测烤烟样品的主要化学成分；
步骤8 对待测烤烟样品聚类，确定所在的类；
步骤9 将待测烤烟样品的主要化学成分输入其所在类的灰色GM(1，n)预 测模型；
步骤10 将步骤9所得的预测值作为BP神经网络的输入样本输入其所在类 的BP神经网络训练进行预测，得到烟气主要指标。
更进一步的技术方案是步骤2和步骤8灰色函数聚类是将样品聚为三类或 五类。
更进一步的技术方案步骤2中和步骤8利用灰色函数聚类经过如下步骤：
步骤11 数据标准化；
步骤12 因变量与自变量的灰色绝对关联；
步骤13 关联度的显著型检验；
步骤14 分析因变量与自变量的散点趋势；
步骤15 初步确定自变量的变量数；
步骤16 自变量的灰色关联聚类；
步骤17 确定自变量的变量；
步骤18 应用变量模型预测；
步骤19 模型检验，差异如果显著，执行步骤20或步骤21或步骤22，否则 执行步骤23；
步骤20 调整代表性指标后执行步骤17；
步骤21 调整聚类临界值后执行步骤16；
步骤22 调整显著性水平后执行步骤13；
步骤23 确定变量。
更进一步的技术方案是主要化学成分包括总植物碱、总氮、总糖、还原糖、 钾离子、氯离子、淀粉、总挥发酸、总挥发碱、石油醚提取物、蛋白质、细胞 壁物质、4-乙烯基-2-甲氧基苯酚、多元有机酸、类胡萝卜素降解类、西柏烷类、 芳香族氨基酸类、美拉德反应产物、新植二烯。
更进一步的技术方案是烟气主要指标包括香气质、香气量、杂气、劲头、 刺激性、余味、浓度、烟碱、焦油和一氧化碳。
更进一步的技术方案是多元有机酸包含草酸、丙二酸、琥珀酸、苹果酸、 柠檬酸。
更进一步的技术方案是多元有机酸类胡萝卜素降解类包含巨豆三烯酮A、巨 豆三烯酮B、巨豆三烯酮C、巨豆三烯酮D、大马酮、3-羟基大马酮、3-氧化紫罗 兰酮、香叶基丙酮、二氢猕猴桃内酯、6-甲基-5-庚烯-2-酮。
更进一步的技术方案是西柏烷类包含氧化茄酮、茄酮。
更进一步的技术方案是芳香族氨基酸类包含苯甲醇、苯甲醛、苯乙醇、苯 乙醛、吲哚。
根更进一步的技术方案是美拉德反应产物包含糠醇、糠醛、5-甲基糠醛、 乙酰基吡咯、二氢呋喃酮、2，4-庚二烯醛、4-环戊烯-1，3-二酮。
与现有技术相比，本发明的有益效果是通过灰色预测模型和BP神经网络的 联合使用，克服了彼此的缺点，实现了利用烟草的化学成分预测烤烟烟气主要 指标，减轻了配方人员的评吸工作量，增加了烤烟烟气主要指标的客观性。
附图说明
图1为本发明步骤示意图。
图2为本发明模型变量选择流程图。
具体实施方式
如图1所示，选择30种烤烟样品作为训练烤烟样品，并随机抽取10种作为测 试烤烟样品。按以下步骤进行。
步骤24 对训练烤烟样品和测试烤烟样品测试其主要化学成分和烟气主要指 标。烟气主要指标包括香气质、香气量、杂气、劲头、刺激性、余味、浓度、 烟碱、焦油和一氧化碳。主要化学成分指标包括总植物碱、总氮、总糖、还原 糖、钾离子、氯离子、淀粉、总挥发酸、总挥发碱、石油醚提取物、蛋白质、 细胞壁物质、4-乙烯基-2-甲氧基苯酚、多元有机酸、类胡萝卜素降解类、西柏 烷类、芳香族氨基酸类、美拉德反应产物、新植二烯。多元有机酸包含草酸、 丙二酸、琥珀酸、苹果酸、柠檬酸。类胡萝卜素降解类包含巨豆三烯酮A、巨豆 三烯酮B、巨豆三烯酮C、巨豆三烯酮D、大马酮、3-羟基大马酮、3-氧化紫罗 兰酮、香叶基丙酮、二氢猕猴桃内酯、6-甲基-5-庚烯-2-酮。西柏烷类包 含氧化茄酮、茄酮。芳香族氨基酸类包含苯甲醇、苯甲醛、苯乙醇、苯乙醛、 吲哚。美拉德反应产物包含糠醇、糠醛、5-甲基糠醛、乙酰基吡咯、二氢呋喃 酮、2，4-庚二烯醛、4-环戊烯-1，3-二酮。
步骤25 应用训练烤烟样品测试的主要化学成分指标，将样品聚为三类。
步骤26 应用灰色关联聚类与灰色绝对关联对五类中的每一类训练样品进行 模型变量的选择，确定进入模型的变量。
变量选择方法按照步骤27至步骤39进行
步骤27 进行数据标准化。
步骤28 将烟气主要指标作为因变量，将主要化学成分作为自便量，进行应 变量与自变量的灰色绝对关联
步骤29 对关联度的显著型检验
步骤30 分析因变量与自变量的散点趋势
步骤31 初步确定自变量的变量数量
步骤32 自变量的灰色关联聚类
步骤33 确定自变量的变量
步骤34 将测试烤烟样品带入应用变量模型进行预测
步骤35 在测试样品的模型检验，差异如果显著，执行步骤36或步骤37或步 骤38，否则执行步骤39
步骤36 调整代表性指标后执行步骤33
步骤37 调整聚类临界值后执行步骤32
步骤38 调整显著性水平后执行步骤29
步骤39 确定主要化学成分中变量指标。
在确定模型变量后，继续进行以下步骤：
步骤40 在每一类训练样品的烟气主要指标与主要化学成分之间建立灰色 GM(1，n)预测模型。
步骤41 将步骤40所得的预测值作为BP神经网络的输入样本，把训练样品 的烟气主要指标真实值作为BP神经网络的目标样本，对神经网络训练，得到一 系列对应于相应结点的权值与阈值，建立每一类训练样品的BP神经网络；
步骤42 用步骤40、步骤41建立的灰色GM(1，n)和BP神经网络对测试 样品烤烟烟气主要指标进行测试，并与测试的实际值进行比较，若差异显著， 则调整步骤41中的BP神经网络参数，重做步骤41，重新训练BP神经网络；若 差异不显著，则确定该模型；
通过上述步骤，建立烤烟烟气指标的预测模型。在实际中使用如下进行：
步骤43 按照步骤24检测待测烤烟样品的主要化学成分；
步骤44 按照步骤25对待测烤烟样品聚类，确定所在的类，按照步骤27至 步骤35获得进入模型的变量及其值；
步骤45 将待测烤烟样品在步骤44中确定的变量及其值输入其所在类的灰 色GM(1，n)预测模型；
步骤46 将步骤45所得的预测值作为BP神经网络的输入样本输入其所在类 的BP神经网络训练进行预测，得到待测烤烟的烟气主要指标。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 定的目的，实现融合视觉采样信息的网络化倒立一种融合压缩图像信息的网络化倒立摆控 摆控制。本发明主要为机器视觉和网络控制系统制方法 理论研究者提供一个实际验证平台。 | 2020-05-11 | 559 |
| 具有涂层的滑动主体 | 2020-05-11 | 928 |
| 烤烟烟气主要指标的预测方法 | 2020-05-12 | 706 |
| 富集的对苯二甲酸组合物 | 2020-05-11 | 629 |
| 取代的萘基苯并噻吩酸 | 2020-05-11 | 51 |
| 雾化器组件及其气流主要导引件 | 2020-05-11 | 431 |
| 复合藕粉制剂 | 2020-05-13 | 158 |
| 一种四导轨多功能储物柜拉篮 | 2020-05-11 | 904 |
| 多封装移动式增材制造设备 | 2020-05-12 | 464 |
| 网络通信多通路选择方法及系统 | 2020-05-12 | 754 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
