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

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 010020）

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

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 010020）

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BP神经网络预测模型。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，其中19个作为测试样本，3个作为验证样本。训练的目标为允许误差0.000 1，最大迭代次数10 000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。

BP神经网络；常规化学成分；烟气成分；感官品质得分

0 引言

在配方调整和新产品开发后，一定要保证产品品质、风格和烟气指标稳定。然而，对于产品感官品质和烟气指标的变动情况，则只有等产品加工出来后经实际检测才能知道，但为时已晚，因为一旦焦油等指标超标，或感官品质有较大差异，该批产品将被判为不合格，给企业造成经济损失。目前卷烟品质的评价主要是通过感官评吸的方法，而感官评吸要受到评吸人员专业水平的限制，且具有较强的主观性[1-3]。

烟叶化学成分是影响烟叶品质的物质基础，烟叶中总糖、还原糖、总氮、总碱、氯、钾等化学成分因为对烟叶品质有重要影响而成为常规检测指标，被称作烟叶常规化学成分[1]。多年来，烟草研究工作者一直在探索烟草化学成分与卷烟烟气成分和内在品质的关系，试图直接用烟叶的化学成分来预测烟气成分和评价烟叶的品质，国内对这方面的研究很多[4-5]。但是，现有研究大多数局限于传统的数理统计方法，包括简单相关分析、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[4，6-7]。这些方法对于定性的分析和研究有较大帮助，但是无法直接给出明确的预测烟气成分和感官品质。BP网络是一种按误差逆传播算法训练的多层前馈网络，BP网络能学习和存储大量的输入-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，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，利用BP神经网络可以较好地处理这类多因素、非线性问题[8-12]。试验通过烟叶常规化学成分作为输入值，各烟气指标和感官得分数据为输出值，建立各烟气指标和感官得分的3层BP神经网络预模型，从而在配方调整和新产品开发之前对其焦油量等指标和感官指标进行预测并采取相应的调控措施，则不仅有利于保持产品烟气指标的稳定性，而且能减少感官评吸的主观性和盲目性。

1 材料与方法

1.1 试验材料

选用公司A牌号卷烟样品，样品为相同的卷烟纸和滤棒卷制成相同规格的卷烟。

1.2 试验方法

烟草常规化学成分测定，按YC/T159～162—2002和YC/T 35—1996检测每种配方烟叶组的总糖、还原糖、烟碱、总氮、氯、钾等常规化学成分；对每种配方样品进行含水率平衡、质量和吸阻拣选后，按GB 5606.5—1996规定的方法分析其TPM、烟气烟碱量、CO量等指标。采用感官评吸方法，评吸按国标YC/T 138—1998要求进行。

1.3 数据处理方法

1.3.1 基本BP算法公式推导

信号前向传播和误差反向传播是基本BP算法的2个方面。即实际输出是按从输入到输出的方向进行计算，权值和阈值从输出到输入的方向进行修正。

BP网络结构见图1。

图1 BP网络结构

图1中，xj为输入层第j个节点的输入，j=1，…，M；wij为第i个隐含层节点到第j个输入层节点之间的权值；θi为隐含层第i个节点的阈值；Φ（x）为隐含层的激励函数；wki为第k个输出层节点到第i个隐含层节点之间的权值，i=1，…，q；ak为输出层第k个节点的阈值，k=1，…，L；ψ（x）为输出层的激励函数；Ok为输出层第k个节点的输出。

1.3.2 信号的前向传播过程

隐含层第i个节点的输入neti：

隐含层第i个节点的输出yi：

输出层第k个节点的输入netk：

输出层第k个节点的输出Ok：

1.3.3 误差的反向传播过程

误差的反向传播，即各层神经元的输出误差首先由输出层开始逐层计算，各层的权值和阈值根据误差梯度下降法来调节，修改后网络的最终输出能接近期望值。

对于每个样本的二次型误差准则函数为：

系统对P个训练样本的总误差准则函数为：

根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi。

输出层权值调整公式：

输出层阈值调整公式：

隐含层权值调整公式：

隐含层阈值调整公式：

又因为：

所以最后得到以下公式：

BP算法程序流程见图2。

图2 BP算法程序流程

2 结果与讨论

2.1 常规化学成分与烟气指标和感官得分灰色关联分析

常规化学成分与烟气指标和感官得分灰色关联矩阵见表1。

一般认为，相关系数0.2～0.4为弱相关，0.4～0.6为中等相关，0.6～0.8为强相关。通过常规化学成分与烟气指标和感官得分灰色关联矩阵的关联系数结果可知，各常规化学成分与各烟气指标和感官得分值具有一定的相关性。

表1 常规化学成分与烟气指标和感官得分灰色关联矩阵

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建立

以常规化学成分值（总糖x1，总植物碱x2，总氮x3，氯x4，还原糖x5，钾x6，糖碱比x7，蛋白质x8，施木克值x9）作为BP神经网络的输入，烟气成分（总粒相物y1，烟气一氧化碳量y2，烟气烟碱量y3，焦油量y4） 和感官得分（光泽y5，香气y6，谐调y7，杂气y8，刺激性y9，余味y10，得分合计y11） 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，得到烟气成分和感官得分的网络预测模型，最后用训练好的网络模型对检验样本数据进行预测。在总共的19个样本数据中，编号为1～19作为训练样本，采用拓扑结构为9×p×l的3层BP神经网络。

通过DPS数据处理系统构建BP神经网络模型，建立参数如下：

输入层节点为9；隐含层节点为19；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。

隐含层各个结点的权重矩阵见表2，输出层各个结点的权重矩阵见表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，可以得到烟气成分和感官得分的预测模型。

2.3 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19个样本作为训练样本数据，3个样本作为验证样本数据，模型建立后，根据结果模型进行化学指标值（总糖x1，总植物碱x2，总氮x3，氯x4，还原糖x5，钾x6，糖碱比x7，蛋白质x8，施木克值x9）作为输入变量输入，根据模型得出烟气成分（总粒相物y1，烟气一氧化碳量y2，烟气烟碱量y3，焦油量y4） 和感官得分（光泽y5，香气y6，谐调y7，杂气y8，刺激性y9，余味y10，得分合计y11）的预测结果。

化学指标值（x1-x9）输入参数值见表4，烟气成分和感官得分（y1-y11）输出结果值见表5。

表2 隐含层各个结点的权重矩阵

表3 输出层各个结点的权重矩阵

表4 化学指标值（x1-x9）输入参数值

经过神经网络训练后，所建立BP神经网络预测模型可以较好地对烟气指标和感官品质得分进行预测。表5所示的是检测样本与预测值对比结果及相对偏差结果，其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。

表5 烟气成分和感官得分（y1-y11）输出结果值

3 结果与讨论

通过分析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BP神经网络预测模型。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，其中19个作为测试样本，3个作为验证样本。训练的目标为允许误差0.000 1，最大迭代次数10 000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。

[1]肖协忠.烟草化学 [M].北京：中国农业科技出版社，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]胡建军，马明，李耀光，等.烟叶主要化学指标与感官质量的灰色关联分析 [J].烟草科技，2001（1）：3-7.

[4]闫克玉，王建民，屈剑波，等.河南烤烟评吸质量与主要理化指标的相关分析 [J].烟草科技，2001（10）：5-9.

[5]杨小勇.烟叶的前馈人工神经网络预测 [D].贵阳：贵州工业大学，2004.

[6]谭仲夏.灰色关联分析方法在烟草内在质量评价上的应用 [J].安徽农业科学，2006，34（5）：924，971.

[7]马京民，刘国顺，时向东，等.主成分分析和聚类分析在烟叶质量评价中的应用 [J].烟草科技，2009（7）：57-60.

[8]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.

[9]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）：1 174-1 177.

[10]林丽莉，冯天瑾，周文晖，等.基于神经-模糊方法的单料烟感官质量评价专家系统 [J].青岛海洋大学学报，2001（6）：931-936.

[11]杨佳玫，王玉平.贵州有机生态烟叶质量研究初报 [J].耕作与栽培，2010（2）：19-20.

[12]王娟娟，陈云堂，田占军，等.电子束辐照对烟叶杀菌效果及感官质量的影响 [J].湖北农业科学，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，硕士，助理工程师，研究方向为烟草化学。