18根据常规化学指标识别烟叶品质的BP神经网络模型(彭黔荣)
基于化学成分的烟叶质量神经网络预测
Ｄ ＡＮＪ ｎｊ ＪＡ ｉ ｏｇ ， Ｎ ａ Ｕ ｕ －ｅ ， ＩＮＧ Ｍｅ— ｎ ＷＡ Ｇ Ｌｎ ，ＨＵＷｅ＇ａ２ Ｘ ｎｃｕ ２ ｉ ｈ ｉ ｏ ， Ｕ Ａ —ｈｅ ， ｙ ｎ
ａ ｄ ｔａ ｉ ｏ ｌ ｌｏｅ ｃ ｔ ｅｙｂ ｓｄ ｉ ｔｅ ｉ ｌｓ Ｔ ｅｄ ｉｎ Ｍａｌｂｐ ｏ ｎ＇ｍｉ ｓｗ ｓｓｍｐｙａ ｄ ｕ ｆｌｂ ｈｅｒｓ ｌ． ｎ ｈ ｔ ｔｃ ｕｄ ａｓ ｆ ｉ ］ ｅｕ ｅ ｎ ｏｈ ｒｆ ｄ ． ｈ ｅ ｇ ｅ ｖ ｅ ｓ ｄ ｔ ￣Ｓ Ｌ ｎ ａ ｉ ｌ ｎ ｓ ｕ ｙｔ ｅｕｔ ａ ｎ ｅ
ＺＩＷ ｅ －ｕａ ｎ ｈ ，ＤＥＮＧ Ｇｕ ・ｉ 。Ｚ ｏ ｂｎ ＨＡＮＧ ａ －ｏ ｇ Ｘｉｏ ｌｎ ‘
（ ． ｕ ｎｎＲ ａｃｎ ｏａｃ ｅｈ ｏ ｇ ｇｏ ｐ ｏ Ｌｄ ， ｕ ｎ ｕｍｉｇ６ ０ ０ ，Ｃ ｉａ ２ Ｈ ｇｕ ｏａｃ （ ｒ ｐ）Ｃ ． ｔ． Ｉ Ｙ ｎ ａ ｅｓｅｄＴｂ ｃｏＴ ｃｎ ｌ ｙ（ ｒｕ ）Ｃ ． ｔ． Ｙ ｎ ｅ Ｋ ｎ ｎ ５ １６ ｈｎ ；． ｏ ｙｎ Ｔ ｂｃｏ ｇｏ ｏ ｎ ｎ ｕ ｏ Ｌｄ ，
Ｋｅ ｗｏ ｄ Ｎｅ ｒｌｎ ｔ ｏｋ；ＢＰ ａｇ ｒｔｍ ；Ｔ ｂ ｃ ｕ ｉ ｙ ｒ ｓ： ｕａ ｅ ｒ ｗ ｌ ｏｉ ｈ ｏ ａ ｏｑ ａ ｔ ｃ ｌ ｙ；Ｃ ｅ ｃ ｌｃ ｍｐ ｎ ｎ ；Ｓ ｎ ｏｙｑ ｌｉ ｈ ｍｉａ ｏ ｏｅ ｔ ｓ ｅ ｓｒ ｕａ ｔ ｙ
烟叶品质是反映和体现烟叶必要性状均衡情况 的综合 性 模糊 概 念 ， 烟 叶 的外 观 品质 、 理特 性 、 受 物
训 练 ， 以按 照 提供 样 本 的规 律 实 现 满 足 要 求 的输 可
BP神经网络模型在烟草烘烤过程中叶温变化预测中的应用
BP神经网络模型在烟草烘烤过程中叶温变化预测中的应用汪健;路晓崇;王鹏;吴明;孙曙光【摘要】[目的]建立合适的BP神经网络模型,了解散叶烘烤过程中一系列烘烤因素对叶温变化的影响,为烤烟烘烤调制过程中叶温变化研究提供参考.[方法]运用叶温测定仪和温湿度自控仪记录烘烤过程中干球温度、湿球温度、相对湿度及干球温度与叶温的差值,并将此4项指标作为输入变量,叶温作为输出变量,建立一个拓扑结构为4-4-1的BP神经网络模型.[结果]所建立的BP神经网络模型模拟结果很快收敛,预测结果的绝对误差与相对误差小,预测所用的20组数据中相对误差＞1％的有8组数据,相对误差＞2％的有2组数据,相对误差＜1％的有12组数据.[结论]所建立的BP神经网络模型在对烟叶烘烤过程中叶温变化的预测效果较好.【期刊名称】《南方农业学报》【年(卷),期】2013(044)008【总页数】4页(P1351-1354)【关键词】烟草;烘烤;叶温;预测;BP神经网络模型【作者】汪健;路晓崇;王鹏;吴明;孙曙光【作者单位】湖北中烟工业有限责任公司,武汉430051;河南农业大学,郑州450002;湖北中烟工业有限责任公司,武汉430051;湖北中烟工业有限责任公司,武汉430051;湖北中烟工业有限责任公司,武汉430051【正文语种】中文【中图分类】S5720 引言【研究意义】近年来，随着烟草种植规模的不断扩大，省工、节能、提质、增效成为现代烟草农业建设的主题，新型烘烤方式随之应运而生。
散叶密集烤房的引进极大推进了现代烟草农业的建设进程，研究表明，散叶密集烘烤具有减少劳动用工、降低烘烤成本、提高烟叶质量及增加经济效益等作用（谢已书等，2010），然而散叶密集烤房在全国的推广数量并不多，因此加强散叶烘烤过程中各烘烤参数的探讨与深入研究十分必要。
叶面温度的概念于1875年被德国人E.Askenasy提出（方学敏，1989）。
叶温作为植物的“体温”是植物本身与外界环境进行物质能量交换的重要标志，近年来对植物叶温的研究越来越受到广大学者的关注。
卷烟劲头的BP神经网络模型预测
摘要 ［ 目的］ 科学地评价卷烟配方中劲头的大小， 通过建立 BP 神经网络模型预测卷烟劲头。［ 方法］ 以烟叶 游 离烟碱百 分 含 量、 总烟 碱百分含量、 结合态烟碱百分含量、 游离烟碱占总烟碱比率和水浸液 pH 作为 BP 神经网络的输入， 感 官 劲 头 作 为 输 出， 网络训练前对输 入指标作归一化处理， 然后通过训练样本数据对网络进行充分的训练， 获得适宜的参数矩阵， 得到卷烟劲头的网络预 测模型， 最后用训 练好的网络模型对检验样本数据进行预测。［ 结果］ 卷烟配方中劲头大小的预测值与实际值相对标准偏差小于 5% ， 达到了较好的预测 结果。［ 结论］ 建立了卷烟劲头的 BP 神经网络预测模型， 该模型对于预测卷烟劲头具有指导意义。 关键词 BP 神经网络; 烟碱; 卷烟劲头 中图分类号 S 126 文献标识码 A 文章编号 0517 － 6611( 2016) 05 － 021 － 03 Model Prediction of BP Neural Network of Cigarette Impact LI Liqun，JI Xudong，QIAO Yuemei，GUO Chunsheng * et al ( Inner Mongolia Kunming Cigarette Co． ，Ltd，Hohhot，Inner Mongolia 010020 ) Abstract ［ Objective］ To scientifically evaluate the cigarette impact，and to predict the cigarette impact through the BP neural network． ［ Method］ The percentage of free nicotine in leaves， the percentage of total nicotine， the percentage of combined state nicotine， the percentage of free nicotine in total nicotine，and pH value of aqueous extracts were used as the input of BP neural network． And sensory momentum was used as the output． Normalization processing of input index was carried out before network training． Network was fully trained before network training． Then，network was fully trained by training sample data， so as to obtain the proper parameter matrix， and to obtain the network foreResult］ Relative standard deviation cast model of cigarette impact． Finally，test sample data were forecasted by the trained network model． ［ between predicted value and actual value was smaller than 5% ， which reached relatively good predicted value． ［ Conclusion］ Prediction model of cigarette impact through the BP neural network is established，which has guiding significance for the prediction of cigarette impact． Key words BP neural network; Nicotine; Cigarette impact
烟叶分类的神经网络方法
烟叶分类的神经网络方法随着生物学和计算机科学的发展，神经网络方法被越来越广泛地应用于烟叶分类领域。
烟草是一种特殊的农作物，其品质受到种植环境、品种、处理工艺等多种因素的影响。
因此，对烟草进行分类是非常有必要的。
神经网络是一种模拟人类脑神经网络的计算模型，它能够通过训练学习到潜在的特征，从而对数据进行分类。
在烟叶分类领域，神经网络方法已经被广泛应用。
下面我们将介绍神经网络方法在烟叶分类中的应用。
首先，神经网络方法可以用于对烟草的图像进行分类。
烟草一般分为烟叶和烟棒两种形式，而烟叶又可分为白肋烟、黄肋烟、底片烟等不同品种。
传统的分类方法需要人工测量烟叶的长度、宽度、厚度等多个参数，并进行分类。
而神经网络方法则可以直接使用图像作为输入参数，并自动学习特征，从而实现更快速和准确的分类。
例如，利用卷积神经网络结构对烟叶进行分类，可以得到较高的识别率。
其次，神经网络方法可以用于烟草的质量评估。
一般来说，烟草的品质受到多个因素的影响，如水分、叶色、切口形状等。
对烟草进行质量评估需要较为复杂的数据处理和分析。
利用神经网络方法，可以将这些因素通过多个隐层进行组合和分析，并最终得到烟草的质量评分，从而实现自动化和高效化。
最后，神经网络方法还可以用于对烟草的成分进行分析。
烟草的主要成分包括尼古丁、烟酸、异戊巴比妥等。
传统的分析方法需要进行复杂的实验室检测。
利用神经网络方法，可以通过简单的光谱分析得到烟草的峰值和谱线信息，并从中提取相关成分的含量。
这种方法通过减少试验时间和成本，实现了烟草成分分析更加快速和高效。
总之，神经网络方法在烟叶分类领域中有着广泛的应用前景。
通过利用神经网络方法进行烟草图像分类、质量评估和成分分析等方面的研究，可以最终实现对烟草品质和成分的全面分析和控制，为烟草产业的发展提供有力的支持。
基于BP神经网络的零售户销售假烟行为的预警模型
Data Base Technique •数据库技术Electronic Technology & Software Engineering 电子技术与软件工程• 165【关键词】烟草行业 BP 神经网络 假烟销售 预警模型在某市烟草专卖局的实地调研的基础之上，本文结合卷烟零售户销售假烟的驱动因素，构建了以BP 神经网络为基础的零售户销售假烟行为的预警模型，并对其进行样本检验，旨在为相关管理提出可供参考的价值。
基于BP 神经网络的零售户销售假烟行为的预警模型文/郭军 禄蕾 张艳1 违规零售户历史数据的特征分析以某市在违规销售假烟方面的调研历史数据为基础，对其进行细致深入的分析，销售假烟的情况与该商户的经营规模、经营状态有着极大的关系。
另外，商店所处的地理位置也会影响假烟的销售行为。
首先，从经营业态上讲，违规销售假烟的一般是规模较小的零杂货店或者是中小型超市居多，其次就其所处的商圈来看，主要还是以居民区或商业区为主，再次就其市场分布来看，假烟销售商一般都分布在农村、乡镇或城镇边缘地带。
一般说来，小型零售商或销售卷烟的数量和种类少，顾客群是一定的，在这种情况下销售假烟，会影响其销售信誉，因此违规销售烟草的商家开店的规模大都以中大型超市为主。
这里罗列着卷烟的种类繁杂，流动型的顾客人数较多，固定用户群少，不存在声誉受损的威胁。
2 零售户销售假烟行为的影响因素分析2.1 利益因素销售假烟最重要的一个因素就是可以给商家带来丰厚的利润。
烟草专卖是烟草行业的主要特征，因此所有零售商的烟草都是从当地的烟草专卖局取得的，有正规的批售指导价格以及零售价格。
但反观假烟，获取的渠道则是从非法途径获得的，进货成本较低，以市场指导零售价卖出，商家可获取巨大的利润。
再加之烟草专卖局对贩卖假烟的零售用户没有行之有力的处罚措施，因此在巨大的利益面前，很多零售商户都选择销售假烟。
2.2 环境因素就某市的烟草销售假烟实地调查显示，商户所处的地理环境也是影响假烟销售的相关因素。
基于BP神经网络的卷烟智能投放算法研究
基于BP神经网络的卷烟智能投放算法研究摘要：精准货源投放对于保持良好的卷烟市场状态具有十分重要的现实意义。
本文采用X区域2017-2022年的卷烟投放数据，提出了一种基于BP神经网络的卷烟智能投放算法。
通过对比支持向量机等算法，发现BP神经网络算法预测准确率最高，模型拟合度最优，能够准确地评估卷烟市场状态以满足精准投放的需求，可为实现卷烟产品精准投放策略的智能化生成提供关键技术支持。
关键词：卷烟智能投放；BP神经网络；性能评估1引言2022年全国烟草工作电视电话会议强调“坚持稳中求进，把保持经济平稳运行和市场良好状态摆在优先位置”。
烟草行业经济运行持续稳健发展需要良好的市场状态做支撑，而保持“供需均衡、价格稳定、库存合理、经营规范”的良好市场状态，与卷烟货源精准问题密切相关。
因此，做到货源投放精准对保持良好市场状态具有重要现实意义，也是促进卷烟营销高质量发展的关键所在。
本文引入多种机器学习技术来进行卷烟市场投放智能预测，采用X区域2017-2022年的卷烟投放数据构建训练集和测试集，通过对比支持向量机回归（SVR）、XGBoost 回归等多种机器学习算法，最终优选确定了BP神经网络算法来进行卷烟周销量预测，从而生成卷烟智能投放策略，最后通过与实际销售量对比来验证算法的精准度，为实现卷烟精准投放提供了算法依据。
2基于BP神经网络的卷烟智能投放算法2.1构造卷烟智能投放算法的特征向量基本输入变量包含三种主要特征类型，包括零售商的特征向量、销售类特征向量和市场状态特征向量。
零售商的特征向量：零售商的经营规模，具体市场细分类型，所处经营业态，所处商圈类型四大特征指标。
销售类特征向量：卷烟的月销售量、季销售量、各类卷烟销售量、价格指数等历史销售数据也是精准预测下一个周期卷烟投放数量的重要依据。
特别地，我们进一步引入了货源使用弹性系数这个特征向量。
市场状态特征向量：市场状态可以通过订单满足率、订购率、订足率、订足面（简称“三率一面”）和档位区间占比进行代表。
数据挖掘技术在烟草生产中的应用
６ 小 结
各种数据挖掘技术在烟草生产中的应用越来越广泛。当前
要获得更多数 据一般不是问题 ，难点在 于如何选择适当的分析 方法 。在进行 复杂数据处理时要考虑到多因子 问题 、高噪声问 题 、非正态分布问题 、数据样本点分布不均 问题 ，并进行适当 的处理 。在进行数据分析前往往对数据进行初步处理 ，进行异 常值 的剔除 、特征值的转换 、变量筛选 、试 探性分析 。在进行
Ｇ Ｍ（ １ ，１ ） 灰色预 测模型 ［ Ｊ ］ ． 中国烟草 学报 ，２ ０ ０ ９ （ ５ ） ：２ Ｏ 一 ２ ３ ．
５ 支持 向量分析
支持向量是数据挖掘 中的一种新 方法 ，能非常成功地处理
１ ６ ｑ ｉ ｙ ｅ ｋ ｅ ｊ ｉ ｙ ｕ ｆ ａ ｚ ｈ ａ ｎ
干扰 ，先进行数据全面而规范的积 累，再进行试验优 化。复杂
系 ，在此基础上建立 了相关的约束最优化模型并求解 ，由此得 到所选取烟叶的最佳配方 比例。使用此组合优化方法克服了以 往在设计卷烟叶组配方 中完全以人的主观判断为标准所带来 的
相 当的盲 目性 和主观性 ，从而实现了卷烟叶组配方经验设计 与 计算机智能设计相结合 的组合交互式设计 ，使设计 出的叶组配
数据处理 的主要方法有模式识别 、人工神经 网络 、遗传算 法 、 小波分析 、模 拟退火 、灰色理论 、集对分析 、模糊理论 、物元
理论 、最优算 法、粗糙集理论 ，现阶段 只有部分方法应用于烟
草质量分析评价中 ，随着各种方法的普及 ，将会有更多的数据
挖掘方法应用于烟草质量分析评价 中。
卷烟厂合 理地选择切丝机提供了参 考。
回归 问题和模式识别 等诸 多问题 ，并可推广 于预测和综合评价 等领域 ，广泛地应用于统计分类 以及 回归分析 中。支持 向量机 属 于一般化线性分类器 ，其特点是能够同时最小化经验误差与 最 大化几何边缘 区。
基于BP神经网络的烤烟外观质量预测模型
2019年32卷3期 Vol. 32 No. 3西"表$% &Southwest China Journal of Agricultural Sciences653文章编号：1001 -4829(2019)3-0653-06D O I：10. 16213/j. c n k i. s c ja s.2019. 3.031基于BP神经网络的烤烟外观质量预测模型李峥1，王建峰2，程小强2，段史江2，史文强2，胡蓉花2，肖荣贵2，申洪涛U*(1.河南农业大学烟草学院，河南郑州450002$2.江西省烟草公司吉安市公司，江西吉安343009$3.河南中烟工业有限责任公司，河南郑州450016)摘要：【目的】为探究烟叶常规化学成分与各单项外观质量评价指标之间的关系，为外观质量评价的智能精准化发展提供科学依据。
【方法】对选取的2017年湖南烟区具有代表性的初烤烟叶样品进行常规化学成分的测量及外观质量评定，通过因子分析法对作为B P神经网络输入变量的常规化学成分进行筛选,分别构建拓扑结构为7-10-1的各单项外观质量指标预测模型。
【结果】所选烟叶样品的常规化学成分含量和外观质量得分的统计分析符合正态分布，网络模型对样本的训练结果表明：各个单项外观质量评价指标预测模型中，网络模拟值与实际目标值之间的误差区间在0〜0. 5范围内的比例均达到60 %以上，误差区间在0〜1.0范围内的样本比例均达到90 %以上，其中成熟度和色度的决定系数达到显著水平;颜色、身份、油分、叶片结构的决定系数达到极显著水平。
【结论】基于烟叶常规化学成分含量，利用B P神经网络构建的各项外观质量指标预测模型具有较高的精准性。
关键词：烤烟&B P神经网络；外观质量；常规化学成分;预测模型中图分类号:S572 文献标识码!AConstruction of Flue-cured Tobacco Appearance Quality PredictionModel Based on Conventional Chemical CompositionLI Zheng1,WANG Jian-feng2% CHENG Xiao-t^iang2 ,DUAN Shi-jiang2 ,SHI Wen-qiang2 %HU Rong-liua2,XIAO Rong-gui2 ,SHEN Hong-tao1'3!(1 • College of Tobacco Science, Henan Agricultural University, Henan Zhengzhou 450002, China；2. Jian Tobacco Company of Jiangxi Province, Jiangxi Jian 343009, China；3. Henan Tobacco Industry Co. , Lt(J. , Henan Zhenghzhou 450016, China)A bstract:'O bjective (The present paper aimed to explore the relationship b etween the conventional chemical cevaluation indexes of the individual appearance quality, thus to promote the intelligent development of appearan od( The measurement of the conventional chemical composition and the appearance quality assessment of th tobacco leaves in Hunan t obacco area in 2017 were conducted. Through factor analysis, we selected the regular chemical components as input variables of BP n eural net^vorlc, and constructed a single appearance quality index prediction model with 7-10-1 topology. 'Result】 Thestatistical analysis of the conventional chemical composition and the appearance quality of the selected to mal distribution. The network model of the sample training results showed that the evaluation index of each individual appearance quality prediction model, the proportion of the error between the actual value and the target value of the in60 % network simulation, the proportion of the sample in the range of 0 -1.0error interval rechromaticity reached a significant level, a nd the >2of color, identity, oil and leaf structure reached a very significant level. ' Conclusion】Thedesigned BP neural network model can accurately predict the appearance quality through the conventional c Key w o rd s: Flue-cured tobacco; B P neural network; Appearance quality ；Conventional chemical composition ；Prediction model【研究意义（烟叶的外观质量表征了烟叶外在的特征特性，具有良好外观质量的烟叶是卷烟工业收稿日期:2018 -04-20基金项目：中国烟草总公司江西省公司资助项目（赣烟司[2017]66号）；河南中烟科技创新项目（ZW2015006)作者简介:李峥(1994 -",男，河南周口人，硕士研究生，研究方向为烟草调制与加工，E-mail:tobaccolz@126. com, !为通讯作者：申洪涛（1974 -",男，河南洛阳人，高级工程师，本科，主要从事烟草原料学研究，E-mail :409295114@qq. com。
BP神经网络模型在烟草烘烤过程中叶温变化预测中的应用
Ｊ Ｏ ＵＲ Ｎ ＡＬ Ｏ Ｆ Ｓ Ｏ Ｕ Ｔ Ｈ Ｅ ＲＮ ＡＧ Ｒ Ｉ Ｃ Ｕ Ｌ Ｔ Ｕ Ｒ Ｅ ２ ０ １ ３ 。 ４ ４ （ ８ ） ： １ ３ ５ １ — １ ３ ５ ４
ｈ ｔ ｔ ｐ： ／ ／ ｗｗ ｗ． ｎ ｆ ｎ ｙ ｘ ｂ ． ｃ ｒ ｌ
Ｉ Ｓ Ｓ Ｎ ２ ０ ９ ５－１ １ ９１ ；Ｃ ＯＤＥＮ ＮＮＸＡＡＢ
关键 词 ： 烟草 ；烘烤 ；叶温 ；预测 ；Ｂ Ｐ 神经 网络模型
中 图分 类 号 ： ￥ ５ ７ ２ 文献标志码 ： Ａ 文章编号 ： ２ ０ ９ ５ — １ １ ９ １ （ ２ ０ １ ３ ） ０ ８ — １ ３ ５ １ — ０ ４
Ｅｓ ｔ ａ ｂｌ ｉ ｓ ｈｍ ｅ ｎｔ ｏ ｆ ａ ＢＰ ｎ ｅ ｕｒ ａ ｌ ｎｅ ｔ ｗｏ ｒ ｋ ｍｏ ｄｅ ｌ ｆ ｏ ｒ ｐｒ ｅ ｄ ｉ ｃ ｔ ｉ ｎｇ ｌ ｅ ａ ｆ ｔ ｅ ｍ ｐｅ ｒ ａ ｔ ｕｒ ｅ ｉ ｎ ｔ ｏ ｂａ ｃ ｃ ｏ ｂａ ｋ ｉ ｎｇ ｐ ｒ ｏ ｃ ｅ ｓ ｓ
摘要 ： 【 目的 】 建立合 适的Ｂ Ｐ 神经 网络模型 ， 了解散 叶烘烤过程 中一 系列烘 烤因素对 叶温 变化 的影 响 ， 为烤烟烘 烤调制过程 中叶温变化研 究提供参 考。【 方法 】 运用叶温测定 仪和温湿度 自控仪记录烘烤 过程 中干球 温度 、 湿球 温 度、 相对 湿度及 干球 温度与 叶温 的差值 ， 并将此４ 项 指标 作为输 入变量 ， 叶温作 为输 出变 量 ， 建立 一个 拓扑 结构 为 ４ — ４ ． １ 的Ｂ Ｐ 神经 网络模 型。 【 结果 】 所 建立的Ｂ Ｐ 神经网络模型模拟结果很快 收敛 ， 预测结果 的绝对误差与相对误差 小 ， 预测所用的２ ０ 组数据 中相 对误差 ＞ １ ％的有８ 组数 据 ，相对误差＞ ２ ％的有２ 组数据 ，相对误差＜ １ ％的有 １ ２ 组数据 。【 结 论】 所建立 的Ｂ Ｐ 神经网络模型在对烟 叶烘烤 过程中叶温变化 的预测效果较好 。
基于BP神经网络的常规化学成分预测烟气成分和感官得分预测模型研究
基于 Ｂ Ｐ神 经 网络 的常规化 学成分 预测烟气成分 和 感 官得分预测模型研 究
郭春 生 ，李力群 ，纪旭 东，乔 月梅 ，牛文广 ，王胜利 ，叶亚军
（ 内蒙古 昆明卷烟有限责任公司 ，内蒙古 呼和浩特 ０ １ ０ ０ ２ ０ ） 摘要 ：为 了探索 内在化学成分 与卷烟烟气指标 和感官品质得分 之间的关系 ，建立 相应的预测卷烟 烟气 指标和感官 品 质得 分神 经网络模 型数学模 型。测试 了 Ａ牌 号卷 烟不 同批次成 品卷烟常规化学成分 、主流 烟气化学成分 和感 官得分 ， 以常规化学成分 作为 网络输入 ， 分别建 立主 流烟气化学成 分和感 官得分 的 Ｂ Ｐ神经 网络 预测模型 。隐含层节点 为 ９ ， 输入 函数 为 Ｔ ａ ｎ ｓ ｉ ｇ ，输 出函数为 Ｐ ｕ ｒ ｅ ｌ ｉ ｎ 。训练方法为梯度下降法。选 择 ２ ２个样本作为训练样本 ，其 中 １ ９ 个作为测试
第２ 期 （ 总第 ４ ２ ５ 期） ２ ０ １ ７年 ２月
农 产 品 加 工
Ｆ ａ ｒ ｍ Ｐｒ ｏ ｄ ｕ ｃ ｔ ｓ Ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ
Ｎｏ ． ２
Ｆ ｅ ｂ ．
文章 编号 ：１ ６ ７ １ — ９ ６ ４ ６（ ２ ｏ １ ７ ）０ ２ ａ － ０ ０ ５ １ — ０ ５
样本 ，３ 个作 为验证样 本。训练 的 目 标为允许误差 ０ ． ０ ０ ０ １ ， 最 大迭代次数 １ ０ ０ ０ ０ 次 。预测结果与烟气常规化学检测 和人员实 际评 吸结果 比较 ，相对标准偏差小于 ５ ％，达到 了较好 的预测 结果 。该 模型对于预测卷烟主流烟气成分 的释
放量 和感 官评价具有指导意义 。
Ｐ ｒ ｅ ｄ ｉ ｃ ｉ ｔ ｏ ｎ ｏ ｆ Ｆ ｌ ｕ ｅ Ｇａ ｓ Ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ｓ ａ ｎ ｄ Ｓ ｅ ｎ ｓ ｏ ｒ ｙ Ｓ ｃ ｏ ｒ ｅ ｂ ｙ Ｒｏ ｕ ｔ ｉ ｎ ｅ Ｃ ｈ ｅ ｍｉ ｃ ａ ｌ Ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｓ Ｂａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ Ｂ Ｐ Ｎｅ ｕ ｒ 词 ：Ｂ Ｐ神经网络 ；常规化学成 分 ；烟气成分 ；感 官品质得分
深度学习算法在卷烟外观质量检测中的应用
深度学习算法在卷烟外观质量检测中的应用作者：焦俊郝静烈冷晓飞刘娅杨彤瑶来源：《今日自动化》2022年第07期[摘要]烟草行业对于卷烟成品的外观质量具有较高的要求，传统的烟草外观检测办法包括人工目测和传统机器视觉检测，由于卷烟品牌、子品牌日益增多，人工目测工作量剧增，而传统的机器视觉检测需要对每一类产品做标样，不能实现智能化的外观检测。
深度学习检测技术可以显著简化瑕疵检测和缺陷检查，基于样本图像，算法可以训练各种各样的瑕疵和缺陷类型，然后可靠地识别它们。
通过专门设计的卷烟产品传送机械，稳定采集卷烟成品图像，利用改进的深度学习算法进行高效瑕疵判定。
基于深度学习算法的品质检测研究和探索，对于卷烟生产上的众多外观质量检测装置具有重大的指导意义。
[关键词]深度学习;RNN;瑕疵检测;神经元;卷烟;外观质量检测[中图分类号]TP391.41 [文献标志码]A [文章编号]2095–6487（2022）07–0–05Application of Deep Learning in Cigarette Appearance Quality InspectionJiao Jun，Hao Jing-lie，Leng Xiao-fei，Liu Ya，Yang Tong-yao[Abstract][background and objective] the tobacco industry has high requirements for the appearance quality of finished cigarette products. The traditional tobacco appearance inspection methods include manual visual inspection and traditional machine vision inspection. Due to the increasing number of cigarette brands and sub brands， the workload of manual visual inspection has increased sharply. However， the traditional machine vision inspection needs to make standard samples for each kind of products， which can not realize intelligent appearance inspection. [Methods] deep learning detection technology can significantly simplify defect detection and defect inspection. It can be based on sample images. The algorithm can train a variety of defects and defect types， and then identify them reliably. [results] through the specially designed cigarette product transmissionmachinery， the images of finished cigarette products are stably collected， and the improved deep learning algorithm is used for efficient defect judgment [Conclusion] the research and exploration of quality detection based on deep learning algorithm has great guiding significance for many appearance quality detection devices in cigarette production.[Keywords]deep learning; RNN; defect detection; neuron; cigarettes; appearance quality inspection中國烟草十四五规划中提出了按照“形成强大国内市场，构建新发展格局”的总体部署，中式卷烟知名品牌既要在畅通国内大循环、促进国内国际双循环和优化供给结构、改善供给质量中承担更大责任、发挥更大作用，也要通过技术创新、品牌创新、产品创新来更好地满足人民群众日益增长的物质文化需求。
根据常规化学指标识别烟叶品质的BP神经网络模型
根据常规化学指标识别烟叶品质的BP神经网络模型
彭黔荣;蔡元青;王东山;惠建权;唐珂
【期刊名称】《中国烟草学报》
【年(卷),期】2005(011)005
【摘要】运用烟草知识对烟叶进行初步分类,以经过标准化处理的常规化学指标和烟叶评吸指标为依据,由训练样本集得到最佳的网络参数,在此基础上对检验样本进行了烟叶品质的识别.提出了利用3层BP人工神经网络识别烟叶品质的方法.人工神经网络用于烟叶品质识别,结果与实际符合良好.该方法优于传统的识别方法,也优于文献报道的识别误差.
【总页数】7页(P19-25)
【作者】彭黔荣;蔡元青;王东山;惠建权;唐珂
【作者单位】贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003;贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003;贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003;贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003;贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003
【正文语种】中文
【中图分类】TS411
【相关文献】
1.基于遗传算法改进的BP神经网络模型的磨损机制智能识别 [J], 盛晨兴;程俊;李文明;段志和;马奔奔
2.基于地震属性利用BP神经网络模型的地震相识别研究 [J], 梁群;江晓涛;周武;周洪生
3.利用主成分分析法优化BP神经网络模型在砂砾岩岩性识别中的应用 [J], 潘拓;马鑫;谢安;高子阳
4.BP神经网络模型对常规曲线拟合情况的评估研究 [J], 朱国华;胡珏
5.基于BP神经网络模型的风电场送出变故障识别 [J], 杨兴雄;孙士云;黄柯昊
因版权原因，仅展示原文概要，查看原文内容请购买。
卷烟劲头的BP神经网络模型预测
卷烟劲头的BP神经网络模型预测李力群;纪旭东;乔月梅;牛文广;叶亚军;郭春生【摘要】[目的]科学地评价卷烟配方中劲头的大小,通过建立BP神经网络模型预测卷烟劲头.[方法]以烟叶游离烟碱百分含量、总烟碱百分含量、结合态烟碱百分含量、游离烟碱占总烟碱比率和水浸液pH作为BP神经网络的输入,感官劲头作为输出,网络训练前对输入指标作归一化处理,然后通过训练样本数据对网络进行充分的训练,获得适宜的参数矩阵,得到卷烟劲头的网络预测模型,最后用训练好的网络模型对检验样本数据进行预测.[结果]卷烟配方中劲头大小的预测值与实际值相对标准偏差小于5％,达到了较好的预测结果.[结论]建立了卷烟劲头的BP神经网络预测模型,该模型对于预测卷烟劲头具有指导意义.【期刊名称】《安徽农业科学》【年(卷),期】2016(000)005【总页数】4页(P21-23,35)【关键词】BP神经网络;烟碱;卷烟劲头【作者】李力群;纪旭东;乔月梅;牛文广;叶亚军;郭春生【作者单位】内蒙古昆明卷烟有限责任公司,内蒙古呼和浩特010020;内蒙古昆明卷烟有限责任公司,内蒙古呼和浩特010020;内蒙古昆明卷烟有限责任公司,内蒙古呼和浩特010020;内蒙古昆明卷烟有限责任公司,内蒙古呼和浩特010020;内蒙古昆明卷烟有限责任公司,内蒙古呼和浩特010020;内蒙古昆明卷烟有限责任公司,内蒙古呼和浩特010020【正文语种】中文【中图分类】S126Abstract [Objective] To scientifically evaluate the cigarette impact, and to predict the cigarette impact through the BP neural network. [Method] The percentage of free nicotine in leaves, the percentage of total nicotine, the percentage of combined state nicotine, the percentage of free nicotine in total nicotine, and pH value of aqueous extracts were used as the input of BP neural network. And sensory momentum was used as the output. Normalization processing of input index was carried out before network training. Network was fully trained before network training. Then, network was fully trained by training sample data, so as to obtain the proper parameter matrix, and to obtain the network forecast model of cigarette impact. Finally, test sample data were forecasted by the trained network model. [Result] Relative standard deviation between predicted value and actual value was smaller than 5%, which reached relatively good predicted value. [Conclusion] Prediction model of cigarette impact through the BP neural network is established, which has guiding significance for the prediction of cigarette impact.Key words BP neural network; Nicotine; Cigarette impact烟草中烟碱含量是烟草和卷烟质量控制的一项重要指标，烟碱可以以游离态、单质子态和双质子态3种形态存在[1-2]。
应用隶属函数模型评价烟叶常规化学成分的方法
应用隶属函数模型评价烟叶常规化学成分的方法徐兴阳;罗华元;饶智;孙胜;周绍松;闫辉【摘要】To better evaluate the chemical components and quality of tobacco, the chemical composition re-quirements of high quality flue-cured tobacco, authorized by Yunnan Provincial Branch, China National To-bacco Corporation were used as standard to assess the quality of eight chemical components from nine regions in Kunming and Honghe with the model of trapezium subordinate function in 2010 . Results showed that the conformities from different districts to the requirements varied highly, among which, that from Shilin, Yiliang and Anning County demonstrated the highest conformity, followed by those from Wuhua, Songming and Lu-quan County, and the least ones were from Luxi, Jinning and Mengzi County. The altitude might somewhat reverse the conformity. Furthermore, the conformities of chemical ingredents diversified depending on culti-vars, field types and leaf position, i. e. NC102 > NC297 > K326, the field> mountain areas, and middle leaf > upper leaf.%为合理评价烟叶的内在化学成分质量状况，应用梯形隶属函数模型对2010年昆明、红河9个县级区域烟叶的8项化学成分指标与《云南中烟工业公司优质烤烟化学成分指标要求》标准的符合度进行分析评价。
BP神经网络在云南甘蔗产量预测中的应用
BP神经网络在云南甘蔗产量预测中的应用彭秋连;冯璐;邓军;樊仙;张跃彬【摘要】BP(back propagation)神经网络是目前应用最广泛的神经网络模型,是一种反向传播网络,使网络的实际输出逐步接近某个特定的期望输出.本文以1990—2018年度云南甘蔗总产量为数据样本,选取平均气温、最低温度、最高温度、降雨量和日照5个气象因子作为预测变量,建立了甘蔗产量BP神经网络预测模型,对云南甘蔗产量进行预测研究.研究结果表明,模型具有较高的精度,相对误差在-5.7％～+4.6％的范围.通过该预测法,可为甘蔗产量的预测提供有效途径,具有较强的实用性,为甘蔗产业决策提供基本的参考依据.【期刊名称】《中国糖料》【年(卷),期】2019(041)003【总页数】4页(P54-57)【关键词】甘蔗产量;BP神经网络;预测【作者】彭秋连;冯璐;邓军;樊仙;张跃彬【作者单位】云南省农业科学院甘蔗研究所,云南开远 661699;云南省农业科学院甘蔗研究所,云南开远 661699;云南省农业科学院甘蔗研究所,云南开远 661699;云南省农业科学院甘蔗研究所,云南开远 661699;云南省农业科学院甘蔗研究所,云南开远 661699【正文语种】中文【中图分类】S566.1030 引言我国是世界上主要的产糖国之一[1]，而云南是全国主要的甘蔗产区及糖料基地，甘蔗和食糖产量位居全国第二[2-3]。
因此甘蔗作为云南地区的主要产业，其产量的高低影响着该地区的经济发展。
做好甘蔗产量的预测，对于相关部门统筹甘蔗生产管理、制定甘蔗产业政策和计划具有指导意义。
目前产量预测的方法较多，传统的预测方法主要有时间序列分析法[4]和线性回归模型[5]。
这些方法简单，容易实现，但是只适用于短期的产量预测。
随后出现了人工神经网络模型[6-7]和马尔可夫法[8]等非线性预测方法，这些方法可提高产量预测的精度。
而在甘蔗预测方面，很多研究学者也进行了一系列的研究。
基于混合神经网络模型的卷烟投放预测方法
基于混合神经网络模型的卷烟投放预测方法
邹旺;张吴波;马勋政
【期刊名称】《云南民族大学学报(自然科学版)》
【年(卷),期】2024(33)1
【摘要】为科学制定卷烟产品的投放策略,提出1种基于混合神经网络模型的卷烟投放预测方法.通过结合Boosting-GRU多元预测模型、产品销售量至投放值计算以及GRU多分类模型3种方法来实现卷烟产品不同档位的投放策略的生成.以湖北省十堰市的卷烟产品历史销售数据为实验对象,对所提的方法进行验证.实验结果表明,该方法的产品销售量预测平均准确率达到了97.64%,投放策略生成的平均绝对误差均低于20%.
【总页数】6页(P117-122)
【作者】邹旺;张吴波;马勋政
【作者单位】湖北汽车工业学院;武汉科技大学;湖北省烟草公司十堰市公司
【正文语种】中文
【中图分类】TP-9
【相关文献】
1.基于BP神经网络模型的商洛市卷烟需求预测
2.基于工商协同的卷烟月度投放量预测模型
3.基于深度神经网络的卷烟智能投放模型构建方法
4.Prophet-LSTM混合模型对卷烟投放的预测
5.基于AE-LSTM混合神经网络模型的NO_(x)排放预测
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
根据常规化学指标识别烟叶品质的BP 神经网络模型3彭黔荣 蔡元青 王东山 惠建权 唐珂摘 要运用烟草知识对烟叶进行初步分类,以经过标准化处理的常规化学指标和烟叶评吸指标为依据,由训练样本集得到最佳的网络参数,在此基础上对检验样本进行了烟叶品质的识别。
提出了利用3层BP 人工神经网络识别烟叶品质的方法。
人工神经网络用于烟叶品质识别,结果与实际符合良好。
该方法优于传统的识别方法,也优于文献报道的识别误差。
关键词:化学指标 烟叶品质 BP 神经网络中图分类号:TS411 文献标识码:A 文章编号:1004-5708(2005)05-0019-07 3彭黔荣,男,42岁,博士,副教授,贵阳卷烟厂技术中心,贵阳市如意巷25号,贵阳,550003蔡元青,贵州大学在职研究生,通讯地址同第一作者王东山,惠建权,唐珂,通讯地址同第一作者收稿日期:2005204206 多年来,烟草研究工作者一直在探索烟草化学成分与烟叶内在质量的关系,试图直接用烟叶的化学成分来评价烟叶的品质,随着分析测试技术的进步,科学家对烟草成分的了解更加深入和透彻。
烟叶和烟气中已被鉴定的化学成分总数达5868种,其中烟叶中专有的成分1872种,烟气中专有的成分2824种,烟叶和烟气共有的成分1172种,由此可见,烟草的成分极其复杂[1]。
已有的研究方法均局限于传统的数理统计方法,如: 数学指数法:烟草常规化学成分的指标繁多,将这些指标归纳为一些数学指数,在一定的范围内可以对烟草品质进行粗略的估计,如:施木克值=水溶性总糖蛋白质(1) 该值只能运用于同一类的烟叶或同一类的卷烟,不同类型烟叶常因其干制加工方法的不同,水溶性总糖差别较大而蛋白质差别不大,而无法运用。
又如:水溶性糖与挥发碱类的比值:比值=水溶性总糖%氨当量的烟碱%+其他挥发碱/总挥发碱(2) 诸如此类的比值,只能从某一个侧面来反映烟草及其制品的内在品质,烟草只有经过燃烧产生烟气后才能真正表明其烟叶品质,燃烧过程又受到多种因数的制约。
传统的数理统计方法,如:简单相关分析、典型相关分析、主成分分析、多元回归分析、逐步回归分析、关联度分析、因子分析等等,其研究结果用来分析影响烟叶品质的相关因数,给出影响程度,但无法直接给出评定结果。
吴大启等[2]曾采用并联BP 神经网络,选取香气、吃味、杂气、刺激性等4个感官指标对常规化学指标与烤烟内在品质进行了关联,取学习率η=0.075,动态因子α=0.075,网络训练10000次,花费时间3′56″采用网络训练样本121个,但未对建立的模型进行检验,而且感官评定值与网络实际输出值之间误差较大,其结果如表1。
人工神经网络由大量结构和功能简单的神经元通过突触连接构成,具有高度的非线性,能够进行复杂的逻辑操作和实现对非线性系统的识别,可以证明:网络有n 个输入,q 个输出,则所起作用可看成是由n 维欧氏空间到q 维欧氏空间的一个非线性映射[3]。
因此可以采用神经网络的模式识别功能建立烟叶常规化学指标与烟叶品质的通用判别模型。
本文采取了一些改进措施,建立的烟叶品质BP 神经网络模型库具有良好的训练效果,对卷烟生产具有指导意义。
1 材料与方法111 材料与仪器 实验用原料为河南淮滨、新郑、偃师、许昌、宁陵、西平、临武、午纲、鲁山、漯河、上蔡、玉平、郾城、登封、汝南、禹州、新蔡、长葛、午阳、宝丰、遂平、鹿邑、周口、襄城、鄢陵、伊川、孟津、叶县、魏都、商水、襄县、平顶山、平舆等地各等级烤烟样品143份。
按国标G B/T5606.1取样,按行业标准Y C/T31制样。
实验仪器为法国Alliance 8通道自动化学分析仪,分析方法采用C OREST A 推荐方法,无C OREST A 推荐方法的采用行业标准。
感官评吸由贵州黄果树集团评烟委员会进行,评吸方法按烟草行业标准Y C/T 138—1998进行。
112 常规化学指标到烟叶品质识别模型的建立1.211 模型特征参数的选取 多年来,人们都是凭外观性状和感官评吸来判断烟草的质量,难免带有主观性。
与此同时,烟草化学家们经过不断探索,试图从化学成分的含量及其相互关系得到评定烟草质量的客观指标。
表1 感官评定值与网络实际输出值的绝对误差在不同区段的样本个数误差范围0～0.50.5～1.01.0～1.51.5～2.0>2最大绝对误差香气7932910 1.8139吃味64381531 3.0900杂气6739320 1.7685刺激性8821111.7307 在卷烟的生产实际中我们还经常发现,具有相同的常规理化参数的两组烟叶却具有不同的感官质量,这是由于理化指标所包含的信息不完备,从而无法实现正确分类。
因此,我们充分利用先验知识[4～6],即:先按烟叶的生长地区、生长部位、烟叶颜色进行分类,作了初步分类的烟叶,再作常规化学指标分析。
根据烤烟国家标准(GB2635-1992)及专家推荐,结合贵州黄果树烟草集团技术中心的分析设备,选取烟叶的常规化学指标:总糖、还原糖、氯化物、尼古丁、氨、硝酸盐、总氮、挥发碱等8个指标为输入;烟叶的感官内在指标:香气质(10分)、香气量(10分)、吃味(12分)、杂气(10分)、刺激性(10分)、劲头(8分)、燃烧性(9分)、灰色(6分)、总分(100分)等9个指标为输出。
1.212 特征参数的预处理 对于输入样本,要进行归一化处理,使那些比较大的输入仍然落在神经元转换函数梯度大的区域。
对于输入向量的某个分量来说,其变化范围不可太大,最好能够规范成同等数量级,否则对权重的调节会引起过调或振荡。
采用Sigm oid 函数f (x )=11+e -x作为传递函数时,它的定义域为(-∞,+∞),而值域为(0,1)。
实际运用中为了消除各个特征的绝对值对输出结果的影响,对输入进行了范围标准化,有利于网络训练,容易收敛。
标准化方法有2种[7],方法一:域值调整法:x ij =x ij -x minx max -x min(3)其中:x max ,x min 分别为所有样本中特征x 的最大值和最小值。
对输出y 也有y ij =y ij -y min y max -y min(4)其中:y max ,y min 分别为所有输出样本的最大值和最小值。
方法二:自动调整法:设有m 个样本,每个样本有n 个变量,则X =x 11x 12…x 1n x 21x 22…x 2n …………x m 1x m 2…x mn(5)若将原始数据进行标准化处理,即x ij =x ij - x is i(6)其中:x i =1n∑nj =1xij(7)S i =1n -1∑nj =1(xij- x i )2(8) x ij 为标准化数据,样本经过标准化处理后,某一变量m 个样本的加和为零,标准偏差为1,变量权重相同。
标准化方法的选取,原则上没有限制,本文选用标准化方法二———自动调整法,感官评定指标的得分除以各自指标的满分值作为标准化的输出值。
1.213 神经网络模型结构的选择 目前人工神经网络的结构类型主要有前向网络、反馈网络和自组织网络,每一种网络类型又有不同的拓扑结构。
选用哪种网络进行模式识别,主要取决于所研究的对象。
由于选用的输入样本的模型参数相对较少,因此采用BP 网络。
根据BP定律:给定任意ε>0和任意连续函数f∈[0,1]n→R m,存在一个3层BP网络,它可在任意ε平方误差精度内逼近f。
采用3层BP网络,输入层为总糖、还原糖、氯化物、尼古丁、氨、硝酸盐、总氮、挥发碱;隐层数为1层,隐接点数采用实验确定,输出层为各烟叶感官评吸值:香气质、香气量、吃味、杂气、刺激性、劲头、燃烧性、灰色、总分。
由于采用同样的训练集来训练拓扑结构为8×s×9,不论经过多少次迭代,不论接点数s,学习率lr何如选取,网络均难以达到必要的收敛精度,所以采用的拓扑结构为8×s×1,直接对感官评吸各值及其总分值进行建模识别。
针对BP网络容易陷入局部极小、学习速度慢的缺点,本文采用动量法和学习率自适应调整的策略,从而提高了学习速度并增加了算法的可靠性。
2 结果与分析2.1 实验数据样本的建立 本文选用上述各地区、上(B)、中(C)、下(X)部位、柠檬黄(L)、橘黄(F)、红棕色(R)烤烟样品共计143份。
感官评吸得分:香气质(满分10分):7133～8175、香气量(满分10分):7167～9100、吃味(满分12分): 8133～10150、杂气(满分10分):7133～8133、刺激性(满分10分):7133～8133、劲头(满分8分):7133～8100、燃烧性(满分9分):8175～9100、灰色(满分6分):4176～6100、总分(满分100分)8113～8915分;理化分析指标分别为:总糖:7166～33165、还原糖:5147～28164、氯化物:0120～3143、尼古丁:1117～6159、氨: 01008～01041、硝酸盐:01008～0127、总氮:1116～2163、挥发碱:0102～0166,输入8个,输出为9,组成XR17X143的数据矩阵。
在模式识别中,应使特征参数减少到最小[8]。
一是因为有些特征参数与分类关系不大,若把这些特征参数作为模式变量,有可能导致分类结果变差;二是应使特征参数大大小于样本数,如m/n>3,最好满足m/n>10;其中m为样本数,n为特征参数。
特征参数的提取采用偏差权重法,即偏差大的变量比偏差小的变量更重要。
特征参数i的标准偏差S i 为(8)式。
此时S i值可以作为特征参数选取的判据。
表2 模型特征参数的标准偏差香气质香气量吃味杂气刺激性劲头燃烧性灰色总分0.25550.31450.39640.25120.17890.15750.09690.0684 1.3263总糖还原糖氯化物尼古丁氨硝酸盐总氮挥发碱5.2708 3.90250.67160.88320.01020.02710.39040.1367 根据上表,燃烧性、灰色指标的标准偏差较小,选取香气质、香气量、吃味、杂气、刺激性、劲头、总分等7个感官指标作为模型的特征输出参数;氨、硝酸盐的标准偏差较小,选取总糖、还原糖、氯化物、尼古丁、总氮、挥发碱等6个常规理化指标作为模型的特征输入参数,此时构成13×143的数据矩阵作为建模数据样本。
2.2 BP网络隐接点数的选取网络隐函层接点数(S)的选择目前尚无一套完整的理论指导[9]。
采用上面的数据样本,将70%作为学习样本,30%作为网络的识别样本。
首先从隐接点数较少的隐层接点数试起,训练并检验网络的性能,然后逐步增加隐层接点数,再重复训练和检验。
比较不同隐层接点数时的预报误差和训练误差,直到预报误差和训练误差小于设定值,选定此隐层接点数作为网络的隐接点数。