陳思昂　王敏　杜薇　高旭　李海濤　鄧羽翔　王俊稀　郭彥旭

摘要：為了探討不同產地、不同等級以及不同品種來料煙外觀指標、物理特性及近紅外光譜對其感官質量的影響，找到一種可以客觀反映煙葉感官質量的方法。選取了四川3個產地、3個部位、10個等級和2個品種的單料煙，以組為單位進行采集，每組10片，共采集煙葉7897片。使用變量標準化（SNV）方法對原始光譜數據進行校正，用Standard Scaler方法對煙葉外觀指標、物理特性、校正后的光譜數據進行標準化。采用主成分分析（PCA）法對數據進行降維。分別運用二次判別分析算法（QDA）、K近鄰算法（KNN）、支持向量機（SVC）構建訓練模型，用Grid Search CV算法進行超參優(yōu)化，以平衡準確率作為模型評價指標。結果表明，3個訓練模型中，SVC的泛化能力最優(yōu)。其中，香氣風格彰顯程度、香氣質、香氣量、雜氣、濃度、勁頭、刺激性、余味及甜感的預測平衡準確率分別為0.747、0.751、0.715、0.720、0.712、0.774、0.685、0.725、0.700。外觀指標、物理特性及近紅外光譜共同影響著煙葉的感官質量。

關鍵詞：煙葉綜合評價；外觀指標；近紅外光譜；感官質量

中圖分類號：S-3? ? ? ? ? ? ? ? 文獻標志碼：A? ? ? ? ? ? ? ? 文章編號：2097-2172（2023）03-0260-10

doi：10.3969/j.issn.2097-2172.2023.03.013

Abstract： To investigate the influence of the appearance index， physical properties and near-infrared spectroscopy of cigarettes from different origins， different grades and different varieties on the sensory qualityand to find a way that could objectively reflect the sensory quality of tobacco leaf， in this study， single tobaccos including 3 parts， 10 grades and 2 varieties were selected from 3 origins of Sichuan Province， and 10 pieces of tobacco leaves in each group were adopted for the collection， i.e. a total of 7897 tobacco leaves were collected. The original spectral data was corrected by standard normalized variate （SNV）， and the appearance index， physical properties and standarded spectral data of tobacco leaf were standardized with the Standard Scaler method subsequently. Principal Component Analysis（PCA） was used to reduce the dimensionality of the data. The quadratic Discriminant Analysis Algorithm（QDA）， K-Nearest Neighbors （KNN）， and Support Vector Machine （SVC） were performed to construct the training model， and the Grid Search CV algorithm was executed for hyperparameter optimization， and the balance accuracy was used as the model evaluation. The results showed that mong the three training models， SVC had the best generalization ability. The prediction balance accuracy of aroma style highlighting， aromatric， aroma volume，miscellaneous gas， concentration， strength， irritation， aftertaste and sweetness were 0.747， 0.751， 0.715， 0.720， 0.712， 0.774， 0.685， 0.725， 0.700， respectively. The appearance index， physical properties and near-infrared spectra jointly affect the sensory quality of tobacco leaf.

Key words： Comprehensive evaluation of tobacco leaf; Appearance index; Near-infrared spectroscopy; Sensory quality

煙草是我國重要的經濟作物，而煙葉是卷煙工業(yè)最重要的原料基礎。煙葉的質量直接影響著煙葉的可用性，影響著煙草經濟的發(fā)展。煙葉質量是一個綜合概念，包含了煙葉的外觀指標、物理特性、化學成分以及感官質量，它們從不同方面反映了煙葉的品質特征。外觀特征中的煙葉顏色、物理特性中的長度、葉片結構等是煙葉分級的重要依據。化學成分和感官質量反映了煙葉的內在質量，化學成分的含量可通過近紅外光譜數據建模測量。外觀特征、物理特性在某種程度上和煙葉的內在質量存在著必然的聯系［1 - 2 ］，而感官質量是目前鑒定煙葉內在質量的重要手段，是煙葉產品質量的基礎和核心［3 ］。目前，煙葉的感官質量主要依靠專家的評吸，較大程度上受專家的知識經驗水平、心理、情緒等的影響，指標較主觀、片面。因此亟須尋找一種可以客觀反映煙葉感官質量的方法。

近年來的研究表明，通過一些指標可以一定程度上客觀反映煙葉的感官質量。通過對煙葉的厚度、顏色和彈性與感官舒適性指標中的甜潤、清晰、清爽度進行相關性分析，發(fā)現這些外觀指標可以反映煙葉的感官舒適性［4 ］。對煙葉化學成分與感官質量進行偏最小二乘回歸分析表明，煙葉的糖堿比、糖氮比、總植物堿、揮發(fā)堿、總氮、蛋白質、水溶性總糖［5 ］、還原糖、K、Cl、揮發(fā)堿等分別與感官刺激性、雜氣、柔細度、余味、香氣質、勁頭等感官質量指標有不同程度的相關性［6 ］。上述研究僅通過煙葉的某一類質量，比如外觀質量/內在化學成分來評價煙葉的質量，這種評價是片面的，因為煙葉的質量是各個指標綜合表征的結果。同時，相關研究主要集中在簡單的相關、偏回歸分析方法，這些分析方法只能反映變量內各項指標間的簡單相關性，難以客觀反映變量整體間的內在聯系。有研究者對云南普洱煙區(qū)初烤煙葉的外觀質量、常規(guī)化學成分進行主成分分析或因子分析，之后對煙葉外觀質量、常規(guī)化學成分與感官質量指標進行典型相關分析，同樣表明外觀質量、化學成分與感官質量存在顯著的相關性［7 ］，但這同樣不能反映煙葉的這些指標對感官質量的影響。除此之外，上述研究采用的是化學成分數據，是經過模型計算出的數據，存在一定的誤差，不同機器測量出的結果也會略有不同。為探討影響煙葉感官質量各指標的因素，我們從數據源頭出發(fā)，采用最原始的近紅外光譜數據，同時加上煙葉的外觀指標、物理特性數據，把這些數據綜合起來訓練機器學習模型，從而建立一種全面、客觀表征煙葉的感官質量的方法。

1? ?材料與方法

1.1? ?材料

1.1.1? ? 供試品種? ? 指示單料煙品種為云87、紅大，產自四川涼山州會東縣、會理縣、德昌縣。

1.1.2? ? 實驗設備? ? 煙葉綜合測試臺（型號為GTM- 600），由上海創(chuàng)和億電子科技有限公司自主研發(fā)，主要用于拍攝原煙圖像以及檢測原煙的物理特性指標。手持式近紅外光譜儀（型號為AURA），由Carl Zeiss公司生產，主要用于采集950～1 650 nm波長的近紅外光譜數據。

1.2? ?樣品采集

于2021年9月至2022年2月收集四川3個采樣點、2個單料煙品種的上中下3個部位、10個等級的煙葉，以組為單位進行采集，每組數量為10片，共采集煙葉7 897片。以上單料煙由煙葉分級專家按照烤煙國家標準（GB 2635—1992）進行等級分選，共包含10個等級，分別為上部橘黃二級煙（B2F）、下部橘黃二級煙（X2F）、上部橘黃三級煙（B3F）、中部橘黃一級煙（C1F）、中部橘黃三級煙（C3F）、上部橘黃一級煙（B1F）、中部橘黃二級煙（C2F）、中部橘黃四級煙（C4F）、中部檸檬黃三級煙（C3L）、中部微帶青三級煙（C3V）。采集煙葉時每10片煙葉作為一個整體，使用手持近紅外光譜儀采集光譜。每種單料煙采集的光譜數量為25～50，采集5～10組。

1.3? ?方法

1.3.1? ? 原煙外觀指標檢測? ? RGB圖像是最常見的一種圖像表示方式，由R（紅色）、G（綠色）、B（藍色）3個通道組成。本研究通過對原煙圖像分別提取R、G、B通道的顏色值，并計算平均值和標準偏差，可以獲取圖像的R-均值、R-標準偏差、G-均值、G-標準偏差、B-均值、B-標準偏差等外觀指標。HSV圖像是另外一種圖像表示方式，由H（色調）、S（飽和度）、V（亮度）3個通道組成，本研究同時將圖像轉換到HSV顏色空間，分別提取H、S、V通道的顏色值，并計算各通道的平均值和標準偏差。

1.3.2? ? 原煙物理特性的檢測? ? 采用煙葉綜合測試臺稱取原煙重量，并獲取原煙的厚度。采用圖像預處理的方法從煙葉綜合測試臺拍攝的原煙圖像中提取長度、寬度、周長、面積、結構等物理特性指標。

1.3.3? ? 原煙近紅外光譜的檢測? ? 采用手持式近紅外光譜儀檢測范圍為950～1 650 nm的原煙近紅外光譜數據。

1.3.4? ? 原煙感官質量評價? ? 煙葉感官質量指標包括香氣風格彰顯程度、香氣質、香氣量、雜氣、濃度、勁頭、刺激性、余味及甜感，按照GB5606.4 — 2005進行評吸，利用香味輪廓法采用9分制判定。

1.4? ?數據挖掘

1.4.1? ? 數據劃分? ? 以組為單位進行訓練集和測試集的劃分。先采集的組數作為訓練集，后采集的組數作為測試集。每個光譜號下的單料煙均會采集8～10組，用每個光譜號下單料煙的前8組來訓練模型，剩下的組用來預測。

1.4.2? ? 數據探索? ? 采用matplotlib庫繪制外觀指標、物理特性及近紅外光譜的頻數直方圖查看數據的整體分布情況。采用seaborn庫繪制相關系數矩陣查看外觀指標、物理特性及近紅外光譜各指標之間的相關性，探索數據之間是否存在多重共線性。

1.4.3? ? 管道模型訓練及優(yōu)化? ? 考慮到測試集數據需要和訓練集數據進行相同的預處理，我們把樣本平衡、數據標準化、數據降維以及模型訓練寫入一個管道模型。

由于感官質量各指標中各類別的樣本數存在明顯的樣本不平衡，因此樣本需要進行平衡處理。本研究采用imbalanced-learn庫對樣本數少的類別進行上采樣。

煙葉的外觀指標、物理特性、近紅外光譜數據之間的量綱不同，可能會影響后續(xù)模型的精度，因此這些數據在建模前需要進行標準化處理。我們采用Standard Scaler方法對數據進行標準化。原始近紅外光譜數據在采集時可能會受到散射帶來的光譜誤差，需要先進行變量標準化（standard normalized variate，SNV）處理。

本研究的數據涵蓋了來自不同維度的特征，特征之間可能會存在著多重共線性，這會導致解的空間不穩(wěn)定，從而導致模型的泛化能力弱；同時，高維空間樣本具有稀疏性，導致模型比較難找到數據特征。我們采用主成分分析方法（Principal Component Analysis，PCA）進行數據降維。

QDA（Quadratic Discriminant Analysis Algorithm）為二次判別分析算法，是一種生成模型，它假設每個類別服從高斯分布，同線性判別分析一樣，求在輸入為 x 的情況下分類為 k 的概率最大的分類。KNN（K-Nearest Neighbors）為K近鄰算法，是一種分類算法，其思想是一個樣本與數據集中的k個樣本最相似，如果這k個樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別。SVC（Support Vector Machine）是支持向量機中的一種分類算法，其原理是尋找一個能夠區(qū)分兩類的超平面，使得邊際最大。我們選取QDA、KNN、SVC 3種模型作為數據的訓練模型，采用網格搜索+交叉驗證（Grid Search CV）作為超參數優(yōu)化算法選取最優(yōu)的超參數及模型。

1.4.4? ? 模型測試和評估? ? 對測試集數據采用和訓練集相同的處理方法，之后采用最優(yōu)模型對測試集數據進行預測，并用平衡準確率作為模型的評估指標。

2? ?結果與分析

2.1? ?數據探索結果

2.1.1? ? 數據分布情況? ? 自變量的數據分布對后面的數據預處理以及建模有著非常重要的作用。本研究分別繪制了外觀指標、物理特性及近紅外光譜數據的直方圖。從煙葉外觀指標和物理特性的直方圖（圖1）可以看出，重量、寬度、周長、面積、結構、R-均值、R-標偏、G-均值、G-標偏、B-均值、B-標偏、H-均值、S-均值、S-標偏、V-均值和V-標偏數據近似服從正態(tài)分布；煙葉的厚度存在明顯的異常值，煙葉厚度為0.005～0.020的數據量極少；長度數據為左偏態(tài)分布；H-標偏數據為右偏態(tài)分布。剔除煙葉厚度超過0.005的異常值后，再次探索煙葉厚度的數據分布情況，表明數據近似服從正態(tài)分布。

近紅外光譜數據維度比較高，因此每間隔50 nm繪制該波長的分布。從煙葉近紅外光譜數據的直方圖（圖2）可以看出，數據近似服從正態(tài)分布，沒有明顯的異常值。綜上可知，除了煙葉長度和H-標偏數據服從偏態(tài)分布外，其他煙葉外觀指標、物理特性及近紅外光譜數據均近似服從正態(tài)分布。

進一步探討感官質量指標作為因變量的各類別數據情況，以查看各類別數據之間是否存在不平衡。如圖3所示，各個感官質量指標均出現中間類別數量多、兩邊類別數量少的情況。各個類別的數量極度不平衡，有些類別的數量所占總數比甚至小于5%，這種情況下建立的模型會比較偏重于數量占比多的類別，導致模型的泛化能力差，因此需要對占比小于5的類別進行相鄰類別合并。本研究將香氣風格彰顯程度中類別10合并到類別9中，香氣量中類別9合并到類別8中；將雜氣中類別10合并到類別9中，雜氣中類別4合并到類別5中；將濃度中類別9合并到類別8中；將勁頭中類別8合并到類別7中；將刺激性中類別10合并到類別9中；將余味中類別9與10歸并為類別8，余味中類別4歸并為類別5；將甜感中類別9歸并為類別8。經過合并后，極少數占比的類別不存在，但各類別之間的數據仍然是不平衡的。綜上所述，感官質量各指標中的各類別之間不平衡，后續(xù)建模時需要對數據進行平衡處理。

2.1.2? ? 數據相關性分析? ? 自變量之間較強的關聯性說明變量之間存在多重共線性，這種共線性會對后面的模型訓練造成一定的影響，因此建模之前需要探索煙葉外觀指標、物理特性及近紅外光譜數據之間的關聯性。從煙葉外觀指標、物理特性之間的相關性分析（圖4）可以看出，各物理特性之間，重量與面積的相關系數為0.7，長度和周長的相關系數為0.7，寬度和面積的相關系數達到0.9。各顏色外觀指標之間，R-均值、G-均值、B-均值、H-均值、V-均值之間的相關性很強，相關系數達到0.9和1.0。R-標偏、G-標偏、B-標偏、V-標偏之間的相關性也很強，相關系數也達到了0.8～1.0。H-標偏與S-標偏的相關系數為0.7，相關性也較強。總之物理特性與顏色指標之間的相關性比較弱或沒有相關性。

對煙葉各近紅外光譜數據之間的相關性進行分析（圖5）表明，各近紅外光譜數據之間的相關性很強，說明變量之間存在很明顯的多重共線性。

對煙葉的外觀指標、物理特性和近紅外光譜數據的相關性進行分析（圖6）可以看出，煙葉的外觀指標和物理特性與近紅外光譜數據之間的相關性比較弱。綜上所述，自變量之間存在比較多的共線性，后續(xù)建模時需要消除這種共線性。

2.2? ?模型訓練與模型選擇

對訓練集數據進行樣本平衡、數據標準化、數據降維（保留數據方差占比0.999 5的主成分）處理后，采用QDA、KNN、SVC 3種模型對上述處理后的數據進行訓練并優(yōu)化。由表1可知，煙葉感官質量各指標中，SVC模型的平衡準確率均表現最高，為0.725～0.773。其中，感官質量各指標模型中，勁頭的平衡準確率最高，達到0.773；香氣風格彰顯程度的平衡準確率最低，為0.725。

2.3? ?模型預測與模型評估

采用最終選擇的SVC模型對測試集數據進行預測的結果（表2）表明，感官質量各指標中， 勁頭模型的平衡準確率最高，達到0.774，這與驗證集的表現一致；刺激性的平衡準確率最低，為0.685。

測試集數據中感官質量各指標的混淆矩陣見圖7。對角線上的數據為預測值與真實值表現一致的數量。在香氣風格彰顯程度模型中，類別D的檢出率最高，100個樣品中可以檢測出86個；類別B的檢出率最低，236個樣品中只檢測出160個。在香氣質模型中，類別C-的檢出率最高，359個樣品中檢測出304個；類別B的檢出率最低，246個樣品中只檢測出147個。在香氣量模型中，類別C的檢出率最高，426個樣品中檢測出341個；類別D的檢出率最低，100個樣品中只檢測出61個。在雜氣模型中，類別C的檢出率最高，499個樣品中檢測出419個；類別B的檢出率最低，150個樣品中只檢測出84個。在濃度模型中，類別C-的檢出率最高，190個樣品中檢測出145個；類別B的檢出率最低，190個樣品中只檢測出118個。在勁頭模型中，類別C-的檢出率最高，280個樣品中檢測出230個；類別B-的檢出率最低，485個樣品中只檢測出356個。在刺激性模型中，類別C的檢出率最高，409個樣品中檢測出332個；類別C-的檢出率最低，150個樣品中只檢測出72個。在余味模型中，類別C-的檢出率最高，250個樣品中檢測出203個；類別B-的檢出率最低，300個樣品中只檢測出190個。在甜感模型中，類別C-的檢出率最高，409個樣品中檢測出337個；類別D的檢出率最低，80個樣品中只檢測出45個。

3? ?討論與結論

探索數據的分布情況對后續(xù)的建模起著至關重要的作用，是一個不容忽視的環(huán)節(jié)。通過研究自變量數據的分布情況，可以觀察樣本中是否存在異常點，因為有些模型比如QDA等對于異常點會非常敏感［8 ］，模型會試圖擬合這部分數據，導致測試集數據的預測效能比較差。因此，本研究通過觀察數據的分布去除了一些厚度異常的數據。同時，觀察數據的分布也可以幫助研究選擇合適的模型，比如生成式模型對數據的分布要求很高。QDA作為一種生成式模型，不要求每個類別的協方差相同，普適性更高，但其假設條件就是樣本必須服從正態(tài)分布。本研究對數據的分布進行探索，去除異常值后，發(fā)現數據基本服從正態(tài)分布，因此可以構建QDA模型。從煙葉的感官質量各類別的數據分布來看，各類別之間均存在不平衡的情況，主要表現在中間類別多、兩邊類別少的情況，這說明工業(yè)生產中的煙葉質量大部分處于一般水平，質量很高和質量較低的煙葉均較少，這跟工業(yè)生產中煙葉質量的真實情況一致。這種不平衡數據挖掘在其他很多領域也是普遍存在的，基于精度的傳統分類算法和SVM在進行分類時［9 ］，模型會偏重于訓練類別多的樣本，會忽視類別少的樣本，造成類別少的數目被錯誤預測的概率增大；而通過增加類別少的數據的數量，可以糾正模型預測的“有偏性”；最后采用有效的評估指標進行模型評估，而不能再繼續(xù)采用準確率來進行評價。本研究通過對類別少的樣本進行上采樣，以達到各類別之間樣本數目的平衡，從而避免模型預測的“有偏性”，同時采用平衡準確率對模型效能進行評估。

對自變量間的相關性分析可以探討數據之間是否存在多重共線性。多重共線性問題在很多模型的實際應用中都普遍存在，比如多元線性回歸分析［10 ］，SVM分類算法［11 ］。而多重共線性產生的原因可能來自兩個方面，一是自變量之間客觀存在共線性關系，二是樣本數據不是足夠多。本研究應該屬于第一種情況，煙葉的顏色值比如R，G，B分別代表紅色，綠色和藍色通道的值，其不僅包含了顏色信息，還包含了亮度等信息。而H代表色調，包含了所有顏色值的信息，因此，R，G，B，H通道之間必然相互關聯，這與本研究中這4個通道之間相關性很高的結果是一致的。主成分分析為這種共線性問題的解決提供了一種有效的方法。通過主成分分析可以改進多重共線性的問題，將多個指標綜合為幾個主成分進而減少信息的冗余［12 - 13 ］，本研究也是通過PCA實現數據降維，從而消除變量間的多重共線性。

本研究同時采用煙葉的外觀物理特性及近紅外光譜數據，各類型之間的數據由于量綱的不同，其數值差異也很大，比如近紅外光譜數據為小于1的值，而煙葉的顏色值可達到200多?；诰嚯x度量的模型如KNN、SVM模型以及線性回歸類的模型如邏輯回歸、嶺回歸、拉索回歸等對于特征之間不同取值范圍非常敏感，因此建模前必須要進行標準化，以消除數據之間的差異。而近紅外光譜數據，由于受到采集環(huán)境、儀器的運行狀態(tài)或者技術人員操作等各種因素的影響，在采集時會存在基線偏移、干擾噪聲等問題［14 ］，這會導致后期建立的模型出現偏倚，因此必須對光譜數據進行校正。本研究采用SNV對光譜數據進行預處理，提高KNN、SVM、QDA模型的精度。

SVC由于其在高維空間中非常有效，采用了結構風險最小化使模型泛化能力提高，因此在煙草等多個領域廣泛應用。有研究對中紅外和近紅外光譜數據進行融合后，利用支持向量機可以建立煙葉濃香型、中間香型及清香型的分類判別模型，準確率均大于85%［15 ］。通過煙葉的化學成分可以較好地預測煙葉感官品質中的香氣量［16 ］。本研究選用QDA、KNN、SVC算法構建煙葉感官質量各個指標的多分類模型，結果表明SVC的預測效能最優(yōu)，煙葉感官質量各指標的平衡準確率0.685～0.774，這進一步說明SVC模型在預測煙葉感官質量各指標方面有著較大的優(yōu)勢。

近年來，計算機圖像處理技術在生物、醫(yī)學、農業(yè)、建筑等方面都得到廣泛應用。如通過對花牛蘋果葉片圖像進行處理，提取圖像中R（紅色）、G（綠色）、B（藍色）各參數值以及各組合值，建立模型，可以快速有效無損檢測蘋果葉片的營養(yǎng)狀況［17 ］。近紅外光譜技術作為一種快速、無損檢測物質的方法，在農業(yè)、工業(yè)、食品等領域也得到廣泛應用［18 ］。本研究也是通過圖像處理技術提取煙葉圖像各顏色信息（RGB、HSV顏色空間的顏色信息）和物理特性，結合近紅外光譜技術檢測煙葉化學成分的源頭數據（近紅外光譜數據），進而預測煙葉的感官質量各指標，其數據種類更全面，更能代表煙葉的整體質量水平，這為工業(yè)生產中判定煙葉的整體質量水平帶來了便利，可以快速檢測煙葉的整體質量，提高工業(yè)檢測效率。

煙葉的外觀指標、物理特性及近紅外光譜共同影響著煙葉的感官質量?；跓熑~的外觀物理特性以及近紅外光譜數據，可以預測煙葉的香氣風格彰顯程度、香氣質、香氣量、雜氣、濃度、勁頭、刺激性、余味和甜感等感官質量指標。在這些感官質量指標中，基本上類別C和類別C-的檢出率最高，類別B、類別B-和類別D的檢出率最低，這可能與工業(yè)生產中類別C和類別C-的煙葉樣品比較普遍，而類別B、類別B-和類別D的樣品數量比較稀少有關。同時，由于本研究是基于2個品種的煙葉構建的感官質量模型，而這2個品種之間的感官評吸標準可能會有些差異，這也可能是模型平衡準確率未超過0.8的原因。未來可能需要把兩個品種分別構建煙葉的感官質量模型。3個訓練模型中，SVC的泛化能力最優(yōu)。其中，香氣風格彰顯程度、香氣質、香氣量、雜氣、濃度、勁頭、刺激性、余味及甜感的預測平衡準確率分別為0.747，0.751，0.715，0.720，0.712， 0.774，0.685，0.725，0.700。

參考文獻：

［1］ 梁洪波，李念勝，元? ?建，等.? 烤煙煙葉顏色與內在品質的關系［J］. 中國煙草科學，2002，23（1）：9-11.

［2］ 王? ?欣.? 湖北煙區(qū)烤煙質量綜合評價及與國內外優(yōu)質烤煙的差異分析［D］.? 鄭州：河南農業(yè)大學，2008.

［3］ 張勇剛，宋朝鵬，李常軍.? 煙葉感官質量評價研究進展［J］.? 湖北農業(yè)科學，2010，49（9）：2271-2274.

［4］ 閆鐵軍，馬俊桃，劉文鋒，等.? 煙葉外觀質量與感官舒適性的相關性分析［J］.? 湖北農業(yè)科學，2021，60（23）：109-113.

［5］ 陳劍明，楊式華，馮洪濤，等.? 云南主產煙區(qū)煙葉水溶性糖與感官質量相關及通徑分析［J］.? 西南農業(yè)學報，2017，30（11）：2506-2511.

［6］ 林順順，張曉鳴.? 基于PLSR分析煙葉化學成分與感官質量的相關性［J］.? 中國煙草科學，2016，37（1）：78-82.

［7］ 潘義宏，李佳佳，蔣美紅.? 煙葉外觀質量、常規(guī)化學成分與其感官質量的典型相關分析［J］.? 江蘇農業(yè)科學，2015，43（10）：384-388.

［8］ 王秀梅.? 基于二次判別模型（QDA）的土壤鎘安全閾值判定［D］.?; 北京：中國農業(yè)科學院，2018.

［9］ 鄭恩輝，李? ?平，宋執(zhí)環(huán).? 不平衡數據知識挖掘_類分布對支持向量機分類的影響［J］.? 信息與控制，2005，34（6）：703-708.

［10］ 魯? ?茂，賀昌政.? 對多重共線性問題的探討［J］.? 統計與決策，2007（8）：6-9.

［11］ 冼廣銘，齊德昱，方? ?群.? 改進SVM分類算法中多重共線性問題研究［J］.? 計算機工程與應用，2010，46（26）：142-144.

［12］ 陶? ?然.? Logistic模型多重共線性問題的診斷及改進［J］.? 統計與決策，2008（15）：22-24.

［13］ 姜有虎，李玉梅，李旭林，等.? 基于主成分分析的嘉峪關產區(qū)馬瑟蘭葡萄最佳采收期確定［J］.? 甘肅農業(yè)科技，2022，53（1）：94-98.

［14］ 李尚科，李? ?跑，杜國榮，等.? 基于近紅外光譜技術和優(yōu)化預處理方法的不同品牌燕麥無損鑒別分析［J］.? 食品安全質量檢測學報，2019，10（24）：8204-8210.

［15］ 沙云菲，黃? ?雯，王? ?亮，等.? 中紅外和近紅外數據融合的香型風格判別［J］.? 光譜學與光譜分析，2021，41（2）：473-476.

［16］ 趙青松，李興兵，唐小松.? 基于支持向量機的煙葉感官品質評價［J］.? 計算機工程與應用，2007，43（10）：236-238.

［17］ 楊煥昱，李幗英，馬建芳，等.? 基于圖像數字處理技術的元帥系蘋果葉片營養(yǎng)水平診斷研究［J］.? 甘肅農業(yè)科技，2022，53（3）：59-63.

［18］ 張華瑜，潘永東，柳小寧，等.? 利用近紅外谷物分析儀快速檢測青稞粗蛋白質含量研究［J］.? 甘肅農業(yè)科技，2020（1）：33-36.