基于煙葉化學(xué)成分烤煙香型分類模型的建立

《基于煙葉化學(xué)成分烤煙香型分類模型的建立》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、基于煙葉化學(xué)成分烤煙香型分類模型的建立申欽鵬，張霞，張濤，雷萍，段沅杏，楊光宇，韓敬美，趙偉，陳永寬，繆明明，劉志華（云南中煙工業(yè)有限責(zé)任公司技術(shù)中心／云南省煙草化學(xué)重點實驗室，昆明６５０２３１）摘要：基于煙葉化學(xué)數(shù)據(jù)建立烤煙香型分類模型，然后對各模型進(jìn)行篩選比較選出最優(yōu)模型。首先對１４２個烤煙煙葉樣品中的９類成分的６3個指標(biāo)采用行業(yè)標(biāo)準(zhǔn)進(jìn)行檢測，然后采用逐步回歸法篩選出１９個煙葉化學(xué)成分，依據(jù)這１９個指標(biāo)采用線性判別分析法、Ｌｏｇｉｓｔｉｃ回歸、高斯混合模型、分類樹、Ｋ最鄰近法、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)

2、七種方法進(jìn)行建模。通過對不同方法建立的模型采用１００次隨機(jī)抽取訓(xùn)練集樣本和測試樣本計算錯誤分類率，選擇錯誤分類率較低的模型作為優(yōu)選模型。經(jīng)比較發(fā)現(xiàn)，線性判別法和高斯混合模型建立的兩種香型函數(shù)能較好地對未知樣品的香型進(jìn)行正確分類，且效果較好。篩選出的兩種優(yōu)選模型對于烤煙香型分類研究具有一定的應(yīng)用價值。.jyqkS的聯(lián)用及其在卷煙煙氣香氣成分中的應(yīng)用研究”（JSZX2014JC04）簡介：申欽鵬（１９８４－），男，湖南衡陽人，助理研究員，博士，主要從事煙草化學(xué)研究，（）１８６８７５４００２４（電子信箱）ａｓｈ

3、ｂ３４５＠１２６．ｃｏｍ；通信，劉志華（１９７４－），男，云南勐臘人，研究員，碩士，主要從事煙草化學(xué)研究，（）０８７１－６５８６９７９２（電子信箱）ｚｈｉｈｕａｌｉｕ＠１６３．ｃｏｍ。目前利用烤煙中化學(xué)成分、致香成分對三種烤煙香型進(jìn)行模式識別已有相關(guān)文獻(xiàn)報道［１－４］。在國內(nèi)的研究中，朱立軍等［２］對１１２份市售卷煙樣品中２０種化學(xué)成分采用逐步判別方法進(jìn)行判別分析取得了較好的分類結(jié)果，Ｚｈａｎ等［４］以６３個中部和６５個上部煙葉為材料，基于其中的６７種致香物質(zhì)對三種香型進(jìn)行逐步判別分析也取得較好的分類結(jié)果

4、并得到很好的應(yīng)用。目前在利用化學(xué)計量學(xué)進(jìn)行模式識別的過程中，已發(fā)展出了各種各樣的方法［５］，采用其他類型的方法是否與經(jīng)典的判別分析方法具有同樣的效果，或是效果要好于經(jīng)典方法，此方面的研究還未見相關(guān)的報道。為此，采用目前較為成熟的經(jīng)典判別分析方法（LDA）、Ｌｏｇｉｓｔｉｃ回歸（LR）、高斯混合模型（Mix）、分類樹（Tree）、Ｋ最鄰近法（KNN）、人工神經(jīng)網(wǎng)絡(luò)（CANN）和支持向量機(jī)（SVM）七種化學(xué)計量學(xué)方法，隨機(jī)抽取不同的訓(xùn)練集和測試集進(jìn)行分析，擬篩選出分類效果較優(yōu)且精度較為穩(wěn)健的模型，以期為烤煙香

5、型分類優(yōu)化模型的選擇提供理論依據(jù)。１材料與方法１．１材料２０１１年收集１４２份烤煙樣品，分別來自中國１４個省份，１６個品種。其中清香型（簡稱“清”）５０個，中間香型簡稱“中”４０個，濃香型（簡稱“濃”）５２個。本次收集的樣品均由全國評煙委員會委員組成的評吸專家組對烤煙香型（清香型、濃香型和中間香型）進(jìn)行鑒定。１．２方法１．２．１分析檢測在煙葉化學(xué)成分中主要對９類成分中的６3個指標(biāo)采用行業(yè)標(biāo)準(zhǔn)進(jìn)行檢測。６3個指標(biāo)具體是總糖、還原糖、氯、鉀、氮、總植物堿、石油醚提取物、粗纖維素、揮發(fā)酸、揮發(fā)堿、葡萄糖、果糖、

6、蔗糖、綠原酸、莨菪亭、蕓香苷、鐵、錳、銅、鋅、鈉、硼、鈣、鎂、硝酸根、硫酸根、磷酸根、草酸、丙二酸、蘋果酸、棕櫚酸、硬脂酸、檸檬酸、亞油酸、亞麻酸、煙堿、降煙堿、麥斯明、假木賊堿、新煙草堿、２，３－聯(lián)吡啶、葉黃素、胡蘿卜素、天冬酰胺酸、組氨酸、絲氨酸、谷氨酰胺酸、精氨酸、甘氨酸、高絲氨酸、天冬氨酸、谷氨酸、蘇氨酸、丙氨酸、γ－氨基丁酸、脯氨酸、賴氨酸、酪氨酸、纈氨酸、異亮氨酸、亮氨酸、苯丙氨酸、色氨酸。１．２．２統(tǒng)計分析方法主要的統(tǒng)計分析程序采用Ｒ－２．１５．３進(jìn)行。１）自變量篩選方法。變量篩選方法采用逐

7、步方法，該方法與逐步回歸方法較為一致［６，７］。主要通過計算每一逐步過程中所得的Ｆ值與指定值進(jìn)行判斷變量移除或進(jìn)入，并獲得每個變量的Ｗｉｌｋｓ’ｌａｍｂｄａ統(tǒng)計量。２）建模及評估方法。主要采用了判別分析法［８，９］、Ｌｏｇｉｓｔｉｃ回歸［１０］、高斯混合模型［１１］、分類樹［１２］、Ｋ最鄰近法［１３－１５］、人工神經(jīng)網(wǎng)絡(luò)［１６］和支持向量機(jī)［１７，１８］七種方法進(jìn)行建模。通過對不同方法建立的模型采用１００次隨機(jī)抽取訓(xùn)練樣本和測試樣本計算錯誤分類率［１９］，選擇錯誤分類率較低的方法所建模型作為優(yōu)選模型。３）

8、隱含層計算。在采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行建模的過程中，涉及到兩個參數(shù)的優(yōu)化，一個是隱含層單元數(shù)的確定，另一個是權(quán)衰減系數(shù)的確定。對于權(quán)衰減系數(shù)的確定主要參看下面“參數(shù)優(yōu)化選擇”中的內(nèi)容進(jìn)行優(yōu)化選擇，而隱含層單元數(shù)的確定主要采用以下公式進(jìn)行計算：其中，ｓ為隱含層節(jié)點數(shù)，ｍ為輸入層節(jié)點數(shù)，ｎ為輸出層節(jié)點數(shù)。通過式（１）可對各化學(xué)成分、致香成分和近紅外光譜信息的隱含層數(shù)進(jìn)行選擇。４）參數(shù)優(yōu)化選擇。在分類樹、Ｋ最鄰近法、人工神經(jīng)網(wǎng)絡(luò)和支持向