郭春生，李力群，紀旭東，喬月梅，牛文廣，王勝利，葉亞軍

（內蒙古昆明卷煙有限責任公司，內蒙古呼和浩特 010020）

基于BP神經(jīng)網(wǎng)絡的常規(guī)化學成分預測煙氣成分和感官得分預測模型研究

郭春生，李力群，紀旭東，喬月梅，牛文廣，王勝利，葉亞軍

（內蒙古昆明卷煙有限責任公司，內蒙古呼和浩特 010020）

為了探索內在化學成分與卷煙煙氣指標和感官品質得分之間的關系，建立相應的預測卷煙煙氣指標和感官品質得分神經(jīng)網(wǎng)絡模型數(shù)學模型。測試了A牌號卷煙不同批次成品卷煙常規(guī)化學成分、主流煙氣化學成分和感官得分，以常規(guī)化學成分作為網(wǎng)絡輸入,分別建立主流煙氣化學成分和感官得分的BP神經(jīng)網(wǎng)絡預測模型。隱含層節(jié)點為9，輸入函數(shù)為Tansig，輸出函數(shù)為Purelin。訓練方法為梯度下降法。選擇22個樣本作為訓練樣本，其中19個作為測試樣本，3個作為驗證樣本。訓練的目標為允許誤差0.000 1，最大迭代次數(shù)10 000次。預測結果與煙氣常規(guī)化學檢測和人員實際評吸結果比較，相對標準偏差小于5%，達到了較好的預測結果。該模型對于預測卷煙主流煙氣成分的釋放量和感官評價具有指導意義。

BP神經(jīng)網(wǎng)絡；常規(guī)化學成分；煙氣成分；感官品質得分

0 引言

在配方調整和新產(chǎn)品開發(fā)后，一定要保證產(chǎn)品品質、風格和煙氣指標穩(wěn)定。然而，對于產(chǎn)品感官品質和煙氣指標的變動情況，則只有等產(chǎn)品加工出來后經(jīng)實際檢測才能知道，但為時已晚，因為一旦焦油等指標超標，或感官品質有較大差異，該批產(chǎn)品將被判為不合格，給企業(yè)造成經(jīng)濟損失。目前卷煙品質的評價主要是通過感官評吸的方法，而感官評吸要受到評吸人員專業(yè)水平的限制，且具有較強的主觀性[1-3]。

煙葉化學成分是影響煙葉品質的物質基礎，煙葉中總糖、還原糖、總氮、總堿、氯、鉀等化學成分因為對煙葉品質有重要影響而成為常規(guī)檢測指標，被稱作煙葉常規(guī)化學成分[1]。多年來，煙草研究工作者一直在探索煙草化學成分與卷煙煙氣成分和內在品質的關系，試圖直接用煙葉的化學成分來預測煙氣成分和評價煙葉的品質，國內對這方面的研究很多[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)計方法，包括簡單相關分析、典型相關分析、主成分分析、多元回歸分析、逐步回歸分析、關聯(lián)度分析、因子分析等[4，6-7]。這些方法對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測煙氣成分和感官品質。BP網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，BP網(wǎng)絡能學習和存儲大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。其學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小，利用BP神經(jīng)網(wǎng)絡可以較好地處理這類多因素、非線性問題[8-12]。試驗通過煙葉常規(guī)化學成分作為輸入值，各煙氣指標和感官得分數(shù)據(jù)為輸出值，建立各煙氣指標和感官得分的3層BP神經(jīng)網(wǎng)絡預模型，從而在配方調整和新產(chǎn)品開發(fā)之前對其焦油量等指標和感官指標進行預測并采取相應的調控措施，則不僅有利于保持產(chǎn)品煙氣指標的穩(wěn)定性，而且能減少感官評吸的主觀性和盲目性。

1 材料與方法

1.1 試驗材料

選用公司A牌號卷煙樣品，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 試驗方法

煙草常規(guī)化學成分測定，按YC/T159～162—2002和YC/T 35—1996檢測每種配方煙葉組的總糖、還原糖、煙堿、總氮、氯、鉀等常規(guī)化學成分；對每種配方樣品進行含水率平衡、質量和吸阻揀選后，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。采用感官評吸方法，評吸按國標YC/T 138—1998要求進行。

1.3 數(shù)據(jù)處理方法

1.3.1 基本BP算法公式推導

信號前向傳播和誤差反向傳播是基本BP算法的2個方面。即實際輸出是按從輸入到輸出的方向進行計算，權值和閾值從輸出到輸入的方向進行修正。

BP網(wǎng)絡結構見圖1。

圖1 BP網(wǎng)絡結構

圖1中，xj為輸入層第j個節(jié)點的輸入，j=1，…，M；wij為第i個隱含層節(jié)點到第j個輸入層節(jié)點之間的權值；θi為隱含層第i個節(jié)點的閾值；Φ（x）為隱含層的激勵函數(shù)；wki為第k個輸出層節(jié)點到第i個隱含層節(jié)點之間的權值，i=1，…，q；ak為輸出層第k個節(jié)點的閾值，k=1，…，L；ψ（x）為輸出層的激勵函數(shù)；Ok為輸出層第k個節(jié)點的輸出。

1.3.2 信號的前向傳播過程

隱含層第i個節(jié)點的輸入neti：

隱含層第i個節(jié)點的輸出yi：

輸出層第k個節(jié)點的輸入netk：

輸出層第k個節(jié)點的輸出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算，各層的權值和閾值根據(jù)誤差梯度下降法來調節(jié)，修改后網(wǎng)絡的最終輸出能接近期望值。

對于每個樣本的二次型誤差準則函數(shù)為：

系統(tǒng)對P個訓練樣本的總誤差準則函數(shù)為：

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

輸出層權值調整公式：

輸出層閾值調整公式：

隱含層權值調整公式：

隱含層閾值調整公式：

又因為：

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 結果與討論

2.1 常規(guī)化學成分與煙氣指標和感官得分灰色關聯(lián)分析

常規(guī)化學成分與煙氣指標和感官得分灰色關聯(lián)矩陣見表1。

一般認為，相關系數(shù)0.2～0.4為弱相關，0.4～0.6為中等相關，0.6～0.8為強相關。通過常規(guī)化學成分與煙氣指標和感官得分灰色關聯(lián)矩陣的關聯(lián)系數(shù)結果可知，各常規(guī)化學成分與各煙氣指標和感官得分值具有一定的相關性。

表1 常規(guī)化學成分與煙氣指標和感官得分灰色關聯(lián)矩陣

2.2 基于BP神經(jīng)網(wǎng)絡的常規(guī)化學成分預測煙氣成分和感官得分模型建立

以常規(guī)化學成分值（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x8，施木克值x9）作為BP神經(jīng)網(wǎng)絡的輸入，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y7，雜氣y8，刺激性y9，余味y10，得分合計y11） 作為輸出，網(wǎng)絡訓練前對輸入指標作歸一化處理，然后通過訓練樣本數(shù)據(jù)對網(wǎng)絡進行充分的訓練，獲得適宜的參數(shù)矩陣，得到煙氣成分和感官得分的網(wǎng)絡預測模型，最后用訓練好的網(wǎng)絡模型對檢驗樣本數(shù)據(jù)進行預測。在總共的19個樣本數(shù)據(jù)中，編號為1～19作為訓練樣本，采用拓撲結構為9×p×l的3層BP神經(jīng)網(wǎng)絡。

通過DPS數(shù)據(jù)處理系統(tǒng)構建BP神經(jīng)網(wǎng)絡模型，建立參數(shù)如下：

輸入層節(jié)點為9；隱含層節(jié)點為19；最小訓練速率為0.1；動態(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。

將各個預測因子數(shù)據(jù)進行標準化轉換，經(jīng)過學習后，收斂誤差達到標準，訓練結束。

隱含層各個結點的權重矩陣見表2，輸出層各個結點的權重矩陣見表3。

根據(jù)建立BP神經(jīng)網(wǎng)絡模型的理論公式以及隱含層和輸出層節(jié)點的權重矩陣結果，可以得到煙氣成分和感官得分的預測模型。

2.3 基于BP神經(jīng)網(wǎng)絡的常規(guī)化學成分預測煙氣成分和感官得分模型的預測結果驗證

以19個樣本作為訓練樣本數(shù)據(jù)，3個樣本作為驗證樣本數(shù)據(jù)，模型建立后，根據(jù)結果模型進行化學指標值（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y7，雜氣y8，刺激性y9，余味y10，得分合計y11）的預測結果。

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

表2 隱含層各個結點的權重矩陣

表3 輸出層各個結點的權重矩陣

表4 化學指標值（x1-x9）輸入?yún)?shù)值

經(jīng)過神經(jīng)網(wǎng)絡訓練后，所建立BP神經(jīng)網(wǎng)絡預測模型可以較好地對煙氣指標和感官品質得分進行預測。表5所示的是檢測樣本與預測值對比結果及相對偏差結果，其結果與煙氣常規(guī)化學檢測和人員實際評吸結果比較，相對標準偏差小于5%達到了較好的預測結果。該模型對于預測卷煙主流煙氣成分的釋放量和感官評價具有指導意義。

表5 煙氣成分和感官得分（y1-y11）輸出結果值

3 結果與討論

通過分析化學成分與卷煙煙氣指標和感官品質得分之間的關系，建立相應的預測卷煙煙氣指標和感官品質得分神經(jīng)網(wǎng)絡模型數(shù)學模型。測試了A牌號卷煙不同批次成品卷煙常規(guī)化學成分、主流煙氣化學成分和感官得分，以常規(guī)化學成分作為網(wǎng)絡輸入，分別建立主流煙氣化學成分和感官得分的BP神經(jīng)網(wǎng)絡預測模型。隱含層節(jié)點為9，輸入函數(shù)為Tansig，輸出函數(shù)為Purelin。訓練方法為梯度下降法。選擇22個樣本作為訓練樣本，其中19個作為測試樣本，3個作為驗證樣本。訓練的目標為允許誤差0.000 1，最大迭代次數(shù)10 000次。預測結果與煙氣常規(guī)化學檢測和人員實際評吸結果比較，相對標準偏差小于5%，達到了較好的預測結果。該模型對于預測卷煙主流煙氣成分的釋放量和感官評價具有指導意義。

[1]肖協(xié)忠.煙草化學 [M].北京：中國農業(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.煙葉主要化學指標與感官質量的灰色關聯(lián)分析 [J].煙草科技，2001（1）：3-7.

[4]閆克玉，王建民，屈劍波，等.河南烤煙評吸質量與主要理化指標的相關分析 [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)絡預測 [D].貴陽：貴州工業(yè)大學，2004.

[6]譚仲夏.灰色關聯(lián)分析方法在煙草內在質量評價上的應用 [J].安徽農業(yè)科學，2006，34（5）：924，971.

[7]馬京民，劉國順，時向東，等.主成分分析和聚類分析在煙葉質量評價中的應用 [J].煙草科技，2009（7）：57-60.

[8]高大啟.并聯(lián)神經(jīng)網(wǎng)絡在烤煙內在品質評定中的運用[J].農業(yè)機械學報，1999，30（1）：58-62.

[9]高大啟，吳守一.基于并聯(lián)神經(jīng)網(wǎng)絡的烤煙內在質量分析方法 [J].分析化學，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量評價專家系統(tǒng) [J].青島海洋大學學報，2001（6）：931-936.

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

[12]王娟娟，陳云堂，田占軍，等.電子束輻照對煙葉殺菌效果及感官質量的影響 [J].湖北農業(yè)科學，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，研究方向為煙草化學。