郭春生，李力群，紀(jì)旭東，喬月梅，牛文廣，王勝利，葉亞軍

（內(nèi)蒙古昆明卷煙有限責(zé)任公司，內(nèi)蒙古呼和浩特 010020）

基于BP神經(jīng)網(wǎng)絡(luò)的常規(guī)化學(xué)成分預(yù)測(cè)煙氣成分和感官得分預(yù)測(cè)模型研究

郭春生，李力群，紀(jì)旭東，喬月梅，牛文廣，王勝利，葉亞軍

（內(nèi)蒙古昆明卷煙有限責(zé)任公司，內(nèi)蒙古呼和浩特 010020）

為了探索內(nèi)在化學(xué)成分與卷煙煙氣指標(biāo)和感官品質(zhì)得分之間的關(guān)系，建立相應(yīng)的預(yù)測(cè)卷煙煙氣指標(biāo)和感官品質(zhì)得分神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型。測(cè)試了A牌號(hào)卷煙不同批次成品卷煙常規(guī)化學(xué)成分、主流煙氣化學(xué)成分和感官得分，以常規(guī)化學(xué)成分作為網(wǎng)絡(luò)輸入,分別建立主流煙氣化學(xué)成分和感官得分的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。隱含層節(jié)點(diǎn)為9，輸入函數(shù)為Tansig，輸出函數(shù)為Purelin。訓(xùn)練方法為梯度下降法。選擇22個(gè)樣本作為訓(xùn)練樣本，其中19個(gè)作為測(cè)試樣本，3個(gè)作為驗(yàn)證樣本。訓(xùn)練的目標(biāo)為允許誤差0.000 1，最大迭代次數(shù)10 000次。預(yù)測(cè)結(jié)果與煙氣常規(guī)化學(xué)檢測(cè)和人員實(shí)際評(píng)吸結(jié)果比較，相對(duì)標(biāo)準(zhǔn)偏差小于5%，達(dá)到了較好的預(yù)測(cè)結(jié)果。該模型對(duì)于預(yù)測(cè)卷煙主流煙氣成分的釋放量和感官評(píng)價(jià)具有指導(dǎo)意義。

BP神經(jīng)網(wǎng)絡(luò)；常規(guī)化學(xué)成分；煙氣成分；感官品質(zhì)得分

0 引言

在配方調(diào)整和新產(chǎn)品開發(fā)后，一定要保證產(chǎn)品品質(zhì)、風(fēng)格和煙氣指標(biāo)穩(wěn)定。然而，對(duì)于產(chǎn)品感官品質(zhì)和煙氣指標(biāo)的變動(dòng)情況，則只有等產(chǎn)品加工出來后經(jīng)實(shí)際檢測(cè)才能知道，但為時(shí)已晚，因?yàn)橐坏┙褂偷戎笜?biāo)超標(biāo)，或感官品質(zhì)有較大差異，該批產(chǎn)品將被判為不合格，給企業(yè)造成經(jīng)濟(jì)損失。目前卷煙品質(zhì)的評(píng)價(jià)主要是通過感官評(píng)吸的方法，而感官評(píng)吸要受到評(píng)吸人員專業(yè)水平的限制，且具有較強(qiáng)的主觀性[1-3]。

煙葉化學(xué)成分是影響煙葉品質(zhì)的物質(zhì)基礎(chǔ)，煙葉中總糖、還原糖、總氮、總堿、氯、鉀等化學(xué)成分因?yàn)閷?duì)煙葉品質(zhì)有重要影響而成為常規(guī)檢測(cè)指標(biāo)，被稱作煙葉常規(guī)化學(xué)成分[1]。多年來，煙草研究工作者一直在探索煙草化學(xué)成分與卷煙煙氣成分和內(nèi)在品質(zhì)的關(guān)系，試圖直接用煙葉的化學(xué)成分來預(yù)測(cè)煙氣成分和評(píng)價(jià)煙葉的品質(zhì)，國(guó)內(nèi)對(duì)這方面的研究很多[4-5]。但是，現(xiàn)有研究大多數(shù)局限于傳統(tǒng)的數(shù)理統(tǒng)計(jì)方法，包括簡(jiǎn)單相關(guān)分析、典型相關(guān)分析、主成分分析、多元回歸分析、逐步回歸分析、關(guān)聯(lián)度分析、因子分析等[4，6-7]。這些方法對(duì)于定性的分析和研究有較大幫助，但是無法直接給出明確的預(yù)測(cè)煙氣成分和感官品質(zhì)。BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，BP網(wǎng)絡(luò)能學(xué)習(xí)和存儲(chǔ)大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。其學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小，利用BP神經(jīng)網(wǎng)絡(luò)可以較好地處理這類多因素、非線性問題[8-12]。試驗(yàn)通過煙葉常規(guī)化學(xué)成分作為輸入值，各煙氣指標(biāo)和感官得分?jǐn)?shù)據(jù)為輸出值，建立各煙氣指標(biāo)和感官得分的3層BP神經(jīng)網(wǎng)絡(luò)預(yù)模型，從而在配方調(diào)整和新產(chǎn)品開發(fā)之前對(duì)其焦油量等指標(biāo)和感官指標(biāo)進(jìn)行預(yù)測(cè)并采取相應(yīng)的調(diào)控措施，則不僅有利于保持產(chǎn)品煙氣指標(biāo)的穩(wěn)定性，而且能減少感官評(píng)吸的主觀性和盲目性。

1 材料與方法

1.1 試驗(yàn)材料

選用公司A牌號(hào)卷煙樣品，樣品為相同的卷煙紙和濾棒卷制成相同規(guī)格的卷煙。

1.2 試驗(yàn)方法

煙草常規(guī)化學(xué)成分測(cè)定，按YC/T159～162—2002和YC/T 35—1996檢測(cè)每種配方煙葉組的總糖、還原糖、煙堿、總氮、氯、鉀等常規(guī)化學(xué)成分；對(duì)每種配方樣品進(jìn)行含水率平衡、質(zhì)量和吸阻揀選后，按GB 5606.5—1996規(guī)定的方法分析其TPM、煙氣煙堿量、CO量等指標(biāo)。采用感官評(píng)吸方法，評(píng)吸按國(guó)標(biāo)YC/T 138—1998要求進(jìn)行。

1.3 數(shù)據(jù)處理方法

1.3.1 基本BP算法公式推導(dǎo)

信號(hào)前向傳播和誤差反向傳播是基本BP算法的2個(gè)方面。即實(shí)際輸出是按從輸入到輸出的方向進(jìn)行計(jì)算，權(quán)值和閾值從輸出到輸入的方向進(jìn)行修正。

BP網(wǎng)絡(luò)結(jié)構(gòu)見圖1。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

圖1中，xj為輸入層第j個(gè)節(jié)點(diǎn)的輸入，j=1，…，M；wij為第i個(gè)隱含層節(jié)點(diǎn)到第j個(gè)輸入層節(jié)點(diǎn)之間的權(quán)值；θi為隱含層第i個(gè)節(jié)點(diǎn)的閾值；Φ（x）為隱含層的激勵(lì)函數(shù)；wki為第k個(gè)輸出層節(jié)點(diǎn)到第i個(gè)隱含層節(jié)點(diǎn)之間的權(quán)值，i=1，…，q；ak為輸出層第k個(gè)節(jié)點(diǎn)的閾值，k=1，…，L；ψ（x）為輸出層的激勵(lì)函數(shù)；Ok為輸出層第k個(gè)節(jié)點(diǎn)的輸出。

1.3.2 信號(hào)的前向傳播過程

隱含層第i個(gè)節(jié)點(diǎn)的輸入neti：

隱含層第i個(gè)節(jié)點(diǎn)的輸出yi：

輸出層第k個(gè)節(jié)點(diǎn)的輸入netk：

輸出層第k個(gè)節(jié)點(diǎn)的輸出Ok：

1.3.3 誤差的反向傳播過程

誤差的反向傳播，即各層神經(jīng)元的輸出誤差首先由輸出層開始逐層計(jì)算，各層的權(quán)值和閾值根據(jù)誤差梯度下降法來調(diào)節(jié)，修改后網(wǎng)絡(luò)的最終輸出能接近期望值。

對(duì)于每個(gè)樣本的二次型誤差準(zhǔn)則函數(shù)為：

系統(tǒng)對(duì)P個(gè)訓(xùn)練樣本的總誤差準(zhǔn)則函數(shù)為：

根據(jù)誤差梯度下降法依次修正輸出層權(quán)值的修正量Δwki，輸出層閾值的修正量Δak，隱含層權(quán)值的修正量Δwij，隱含層閾值的修正量Δθi。

輸出層權(quán)值調(diào)整公式：

輸出層閾值調(diào)整公式：

隱含層權(quán)值調(diào)整公式：

隱含層閾值調(diào)整公式：

又因?yàn)椋?/p>

所以最后得到以下公式：

BP算法程序流程見圖2。

圖2 BP算法程序流程

2 結(jié)果與討論

2.1 常規(guī)化學(xué)成分與煙氣指標(biāo)和感官得分灰色關(guān)聯(lián)分析

常規(guī)化學(xué)成分與煙氣指標(biāo)和感官得分灰色關(guān)聯(lián)矩陣見表1。

一般認(rèn)為，相關(guān)系數(shù)0.2～0.4為弱相關(guān)，0.4～0.6為中等相關(guān)，0.6～0.8為強(qiáng)相關(guān)。通過常規(guī)化學(xué)成分與煙氣指標(biāo)和感官得分灰色關(guān)聯(lián)矩陣的關(guān)聯(lián)系數(shù)結(jié)果可知，各常規(guī)化學(xué)成分與各煙氣指標(biāo)和感官得分值具有一定的相關(guān)性。

表1 常規(guī)化學(xué)成分與煙氣指標(biāo)和感官得分灰色關(guān)聯(lián)矩陣

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的常規(guī)化學(xué)成分預(yù)測(cè)煙氣成分和感官得分模型建立

以常規(guī)化學(xué)成分值（總糖x1，總植物堿x2，總氮x3，氯x4，還原糖x5，鉀x6，糖堿比x7，蛋白質(zhì)x8，施木克值x9）作為BP神經(jīng)網(wǎng)絡(luò)的輸入，煙氣成分（總粒相物y1，煙氣一氧化碳量y2，煙氣煙堿量y3，焦油量y4） 和感官得分（光澤y5，香氣y6，諧調(diào)y7，雜氣y8，刺激性y9，余味y10，得分合計(jì)y11） 作為輸出，網(wǎng)絡(luò)訓(xùn)練前對(duì)輸入指標(biāo)作歸一化處理，然后通過訓(xùn)練樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行充分的訓(xùn)練，獲得適宜的參數(shù)矩陣，得到煙氣成分和感官得分的網(wǎng)絡(luò)預(yù)測(cè)模型，最后用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)檢驗(yàn)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)。在總共的19個(gè)樣本數(shù)據(jù)中，編號(hào)為1～19作為訓(xùn)練樣本，采用拓?fù)浣Y(jié)構(gòu)為9×p×l的3層BP神經(jīng)網(wǎng)絡(luò)。

通過DPS數(shù)據(jù)處理系統(tǒng)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，建立參數(shù)如下：

輸入層節(jié)點(diǎn)為9；隱含層節(jié)點(diǎn)為19；最小訓(xùn)練速率為0.1；動(dòng)態(tài)參數(shù)為0.6；參數(shù)SIGMOID為0.9；允許誤差為0.000 1；最大迭代次數(shù)為5 000。

將各個(gè)預(yù)測(cè)因子數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換，經(jīng)過學(xué)習(xí)后，收斂誤差達(dá)到標(biāo)準(zhǔn)，訓(xùn)練結(jié)束。

隱含層各個(gè)結(jié)點(diǎn)的權(quán)重矩陣見表2，輸出層各個(gè)結(jié)點(diǎn)的權(quán)重矩陣見表3。

根據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型的理論公式以及隱含層和輸出層節(jié)點(diǎn)的權(quán)重矩陣結(jié)果，可以得到煙氣成分和感官得分的預(yù)測(cè)模型。

2.3 基于BP神經(jīng)網(wǎng)絡(luò)的常規(guī)化學(xué)成分預(yù)測(cè)煙氣成分和感官得分模型的預(yù)測(cè)結(jié)果驗(yàn)證

以19個(gè)樣本作為訓(xùn)練樣本數(shù)據(jù)，3個(gè)樣本作為驗(yàn)證樣本數(shù)據(jù)，模型建立后，根據(jù)結(jié)果模型進(jìn)行化學(xué)指標(biāo)值（總糖x1，總植物堿x2，總氮x3，氯x4，還原糖x5，鉀x6，糖堿比x7，蛋白質(zhì)x8，施木克值x9）作為輸入變量輸入，根據(jù)模型得出煙氣成分（總粒相物y1，煙氣一氧化碳量y2，煙氣煙堿量y3，焦油量y4） 和感官得分（光澤y5，香氣y6，諧調(diào)y7，雜氣y8，刺激性y9，余味y10，得分合計(jì)y11）的預(yù)測(cè)結(jié)果。

化學(xué)指標(biāo)值（x1-x9）輸入?yún)?shù)值見表4，煙氣成分和感官得分（y1-y11）輸出結(jié)果值見表5。

表2 隱含層各個(gè)結(jié)點(diǎn)的權(quán)重矩陣

表3 輸出層各個(gè)結(jié)點(diǎn)的權(quán)重矩陣

表4 化學(xué)指標(biāo)值（x1-x9）輸入?yún)?shù)值

經(jīng)過神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，所建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可以較好地對(duì)煙氣指標(biāo)和感官品質(zhì)得分進(jìn)行預(yù)測(cè)。表5所示的是檢測(cè)樣本與預(yù)測(cè)值對(duì)比結(jié)果及相對(duì)偏差結(jié)果，其結(jié)果與煙氣常規(guī)化學(xué)檢測(cè)和人員實(shí)際評(píng)吸結(jié)果比較，相對(duì)標(biāo)準(zhǔn)偏差小于5%達(dá)到了較好的預(yù)測(cè)結(jié)果。該模型對(duì)于預(yù)測(cè)卷煙主流煙氣成分的釋放量和感官評(píng)價(jià)具有指導(dǎo)意義。

表5 煙氣成分和感官得分（y1-y11）輸出結(jié)果值

3 結(jié)果與討論

通過分析化學(xué)成分與卷煙煙氣指標(biāo)和感官品質(zhì)得分之間的關(guān)系，建立相應(yīng)的預(yù)測(cè)卷煙煙氣指標(biāo)和感官品質(zhì)得分神經(jīng)網(wǎng)絡(luò)模型數(shù)學(xué)模型。測(cè)試了A牌號(hào)卷煙不同批次成品卷煙常規(guī)化學(xué)成分、主流煙氣化學(xué)成分和感官得分，以常規(guī)化學(xué)成分作為網(wǎng)絡(luò)輸入，分別建立主流煙氣化學(xué)成分和感官得分的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。隱含層節(jié)點(diǎn)為9，輸入函數(shù)為Tansig，輸出函數(shù)為Purelin。訓(xùn)練方法為梯度下降法。選擇22個(gè)樣本作為訓(xùn)練樣本，其中19個(gè)作為測(cè)試樣本，3個(gè)作為驗(yàn)證樣本。訓(xùn)練的目標(biāo)為允許誤差0.000 1，最大迭代次數(shù)10 000次。預(yù)測(cè)結(jié)果與煙氣常規(guī)化學(xué)檢測(cè)和人員實(shí)際評(píng)吸結(jié)果比較，相對(duì)標(biāo)準(zhǔn)偏差小于5%，達(dá)到了較好的預(yù)測(cè)結(jié)果。該模型對(duì)于預(yù)測(cè)卷煙主流煙氣成分的釋放量和感官評(píng)價(jià)具有指導(dǎo)意義。

[1]肖協(xié)忠.煙草化學(xué) [M].北京：中國(guó)農(nóng)業(yè)科技出版社，1997：23.

[2]Leffmgwell J C.Nitrogen components of leaf and their relationship to smoking quality and aroma[J].Rec.Adv.Tob. Sci.，1976，30：21-31.

[3]胡建軍，馬明，李耀光，等.煙葉主要化學(xué)指標(biāo)與感官質(zhì)量的灰色關(guān)聯(lián)分析 [J].煙草科技，2001（1）：3-7.

[4]閆克玉，王建民，屈劍波，等.河南烤煙評(píng)吸質(zhì)量與主要理化指標(biāo)的相關(guān)分析 [J].煙草科技，2001（10）：5-9.

[5]楊小勇.煙葉的前饋人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè) [D].貴陽：貴州工業(yè)大學(xué)，2004.

[6]譚仲夏.灰色關(guān)聯(lián)分析方法在煙草內(nèi)在質(zhì)量評(píng)價(jià)上的應(yīng)用 [J].安徽農(nóng)業(yè)科學(xué)，2006，34（5）：924，971.

[7]馬京民，劉國(guó)順，時(shí)向東，等.主成分分析和聚類分析在煙葉質(zhì)量評(píng)價(jià)中的應(yīng)用 [J].煙草科技，2009（7）：57-60.

[8]高大啟.并聯(lián)神經(jīng)網(wǎng)絡(luò)在烤煙內(nèi)在品質(zhì)評(píng)定中的運(yùn)用[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，1999，30（1）：58-62.

[9]高大啟，吳守一.基于并聯(lián)神經(jīng)網(wǎng)絡(luò)的烤煙內(nèi)在質(zhì)量分析方法 [J].分析化學(xué)，1998，26（10）：1 174-1 177.

[10]林麗莉，馮天瑾，周文暉，等.基于神經(jīng)-模糊方法的單料煙感官質(zhì)量評(píng)價(jià)專家系統(tǒng) [J].青島海洋大學(xué)學(xué)報(bào)，2001（6）：931-936.

[11]楊佳玫，王玉平.貴州有機(jī)生態(tài)煙葉質(zhì)量研究初報(bào) [J].耕作與栽培，2010（2）：19-20.

[12]王娟娟，陳云堂，田占軍，等.電子束輻照對(duì)煙葉殺菌效果及感官質(zhì)量的影響 [J].湖北農(nóng)業(yè)科學(xué)，2013（12）：2 844-2 847.

Prediction of Flue Gas Components and Sensory Score by Routine Chemical Compositions Based on the BP Neural Network

GUO Chunsheng，LI Liqun，JI Xudong，QIAO Yuemei，NIU Wenguang，WANG Shengli，YE Yajun
（Inner Mongolia Kunming Cigarette Limited Liability Company，Hohhot，Inner Mongolia 010020，China）

In order to explore the relationship between the intrinsic chemical composition and the cigarette smoke index and the sensory quality score，the model of the neural network model for predicting cigarette smoke and sensory quality is established. Prediction of flue gas components and sensory score by routine chemical compositions based on the BP neural network of A brand.The hidden layer node is 9，the input function is Tansig，the output function is purelin.Training method for gradient descent method.22 samples are selected as training samples，19 samples as the validation sample and 3 samples as the test sample.The goal of the training is to allow the error is 10 000，the maximum number of iterations is 0.000 1 times.The predicted results are compared with the conventional chemical detection and the actual results.The relative standard deviation is less than 5%.The model has the guiding significance for predicting the release quantity and the sensory evaluation of the cigarette mainstream smoke components.

BP neural network；conventional chemical composition；flue gas composition；sensory quality score

TS411

A

10.16693/j.cnki.1671-9646（X）.2017.02.016

1671-9646（2017）02a-0051-05

2016-11-02

郭春生（1987— ），男，碩士，助理工程師，研究方向?yàn)闊煵莼瘜W(xué)。