卷烟劲头的BP神经网络模型预测

2016-07-10李力群纪旭东乔月梅牛文广叶亚军郭春生

安徽农业科学 2016年5期

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。

关键词 BP神经网络；烟碱；卷烟劲头

中图分类号 S126 文献标识码 A 文章编号 0517-6611（2016）05-021-03

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 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]。质子态烟碱被口腔吸收的速度较慢，而非质子化游离态烟碱挥发性极强，可以穿过口腔黏膜迅速被人体吸收，对中枢神经的药理作用非常强烈，抽吸时表现为劲头较强[3-4]。卷烟劲头不仅与烟气中总烟碱量有关，而且与烟碱的形态密切相关，而卷烟的水浸液pH能够影响烟碱的存在状态[5]。

BP（Back Propagation）网络是一种按误差逆传播算法训练的多层前馈网络，BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。其学习规则是使用最速下降法，通过反向传播不断调整网络的权值和阈值，使网络的误差平方和最小[6-8]。丁香乾等[9]运用Kohonen神经网路和BP神经网络集成解决方案，根据预测样本的特征，利用相应的BP子网络进行预测，在焦油、烟气烟碱和C0预测中取得了较好的结果。杨再波等[10]以卷烟的总糖、总氮、总氯作为输入变量，焦油作为输出变量，建立了卷烟焦油的BP神经网络预测模型，与多元线性回归方法相比，该方法效果更优。利用BP神经网络在并行分布处理、自组织、自适应、自学习和容错性等方面独特的优良性能，可以较好地处理此类多因素、非线性问题，预测出卷烟劲头。随着国家减害降焦战略的实施，控制卷烟的生理强度具有重要意义[11]。目前卷烟劲头的评价主要是通过感官评吸的方法，而感官评吸受到评吸人员专业水平的限制，且具有较强的主观性[2，12-13]；通过化学检测结果来评价卷烟劲头的方法，建立卷烟劲头的BP网络预测模型，能减少感官评吸的主观性和盲目性，且评价结果较为准确，从而为行业提供一种评价卷烟劲头的方法。笔者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。

1 材料与方法

1.1 试验材料

采集不同烟区的255份烤烟样品。

1.2 试验仪器

THZC型恒温振荡器（江苏太仓实验设备厂）；Agilent 6890型气相色谱仪（安捷伦科技有限公司）；PL203型电子天平（梅特勒-托利多仪器有限公司）。6890气相色谱仪（带FID检测器）和6890GC/5973MS气质联用仪（美国安捷伦公司）；LM5+型吸烟机（德国BorgwaldtKC公司）；LA230S型电子天平（感量0.000 1 g，北京赛多利斯仪器有限公司）；宾达LP11型恒温恒湿箱（德国BINDER公司）；恒温振荡器（BS4GBS4G，江苏省金坛市金祥龙电子有限公司）；FE20）型精密pH计（梅特勒-托利多仪器有限公司）。

1.3 试验方法

1.3.1 烟草pH的测定。

准确称取约3 g烟末，加入30 mL pH 7.00的蒸馏水，在振荡器上振荡30 min，静置1 h，过滤，取滤液测定pH。

1.3.2 烟草中游离烟碱的测定。

准确称取约1 g样品（精确至0.000 1 g），放入150 mL具塞三角瓶中，加入30 mL用0.01 mol/L NaOH水溶液调节至pH 7.00的去CO2蒸馏水，在室温下振荡萃取0.5 h，过滤，取滤液15 mL至250 mL分液漏斗中，用三氯甲烷（含内标正十七碳烷）萃取2次，每次20 mL，合并有机相，作为气相色谱分析。将烟碱标准样品配制成标准溶液，进行气相色谱分析，确定烟碱峰的相对保留时间，然后通过与烟草样品待测物质峰的相对保留时间比较进行定性，采用内标-工作曲线法对气相色谱鉴定出的烟碱进行定量。

1.3.3 烟草中总烟碱的测定。

准确称量1 g样品（精确到0.000 1 g）置于150 mL锥形瓶中，加入10 mL NaOH溶液（8 mol/L）、20 mL水和40 mL萃取溶液，置于振荡器上，振荡萃取（60±2）min，以确保萃取完全。静置后取上层有机相，立即进行气相色谱分析。

1.3.4 BP神经网络模型建立。

采集不同烟区的255份烟叶样本，对其游离烟碱百分含量、总烟碱百分含量、结合态烟碱百分含量和水浸液pH进行测定，并对评吸劲头进行量化评定，通过BP神经网络模型训练实现卷烟劲头的评价。

建立BP神经网络模型，在总共的5个样本数据中，编号1～255作为训练样本，采用拓扑结构：5 ×p×l 的3层BP神经网络。该网络由1个输入层、1个隐含层和1个输出层组成，每层含有若干个节点，预测的卷烟劲头BP网络模型见图1。

2 结果与分析

2.1 训练仿真结果

通过DPS数据处理系统构建BP神经网络模型，建立参数：

输入层节点为5；隐含层节点为10；最小训练速率为0.1；动态参数为0.6；参数SIGMOID为0.9；允许误差为0.000 1；最大迭代次数为5 000。

将各个预测因子数据进行标准化转换，经过学习后，收敛误差达到标准，训练结束。训练误差结果见图2。

训练得到隐含层各个结点的权重矩阵和输出层各个结点的权重矩阵见图3。根据建立BP神经网络模型的理论公式以及隐含层和输出层节点的权重矩阵结果，可以得到卷烟劲头的预测模型。

2.2 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模型的预测结果验证

以200个样本作为训练样本数据，55个样本作为验证样本数据，模型建立后，分别准确测定其游离烟碱百分含量、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这5项指标，根据结果模型将这5项指标作为输入变量输入，根据模型得到卷烟劲头的预测结果，通过感官评吸得到卷烟劲头的实际结果。

网络输出与目标输出的统计回归分析结果表明，各个网络模型的预测值与目标值呈现显著的相关性，相关系数R都在0.976以上。这说明卷烟劲头得分模型的预测值与实际值非常接近（图4）。由图5可知，卷烟劲头的预测值与实际值的误差绝大多数在0～0.5，模型预测结果的准确性较高，其结果与人员实际评吸结果相比，误差绝大多数在很小的范围内。考虑到评吸打分的主观性和随机性比较强，BP网络模型的预测结果较满意，BP神经网络的预测结果对感官评价具有一定的指导意义。

3 结论

为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。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训练，获得适宜的参数矩阵，得到卷烟劲头的网络预测模型，隐含层节点为9，输入函数为tansig，输出函数为purelin。训练方法为梯度下降法。选择22个样本作为训练样本，19个作为验证样本，3个作为测试样本。训练目标为允许误差0.000 1，最大迭代次数为10 000次。预测卷烟劲头结果与人员实际评吸结果相比，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劲头具有指导意义。

参考文献

[1]金闻博，戴亚，杨俊.尼古丁化学[M].北京：中国轻工业出版社，1993.

[2]肖协忠.烟草化学[M].北京：中国农业科教出版社，1997.

[3]张槐苓，穆怀静，葛翠英，等.烟草分析与检验[M].郑州：河南科学技术出版社，1994.

[4]MORIE G P.Fraction of protonated and unprotonated nicotine in tobacco smoke at various pH values[J].Tob Sci，1972，16：56.

[6]高大启.并联神经网络在烤烟内在品质评定中的运用[J].农业机械学报，1999，30（1）：58-62.

[7]高大启，吴守一.基于并联神经网络的烤烟内在质量分析方法[J].分析化学，1998，26（10）：1174-1177.

[8]彭黔荣.烟叶的化学成分与烟叶质量的人工神经网络预测[D].成都：四川大学，2004.

[9]丁香乾，曹均阔，贺英.Kohonen网络与BP网络的集成应用研究[J].青岛海洋大学学报，2003，33（4）：615-620.

[10]杨再波，叶冲，韩伟，等.基于BP神经网络在卷烟焦油预测中的应用[J].黔南民族师范学院学报，2006（6）：5-8.

[11]于川芳，卢斌斌，牟定荣，等.卷烟劲头与其烟丝、烟气主要化学成分的相关性[J].烟草科技，2006（9）：34-37.

[12]LEFFMGWELL J C.Nitrogen components of leaf and their relationship to smoking quality and aroma[J].Rec Adv Tob Sci，1976，2：1-31.