CN101866368A - 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 - Google Patents
利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 Download PDFInfo
- Publication number
- CN101866368A CN101866368A CN200910061666A CN200910061666A CN101866368A CN 101866368 A CN101866368 A CN 101866368A CN 200910061666 A CN200910061666 A CN 200910061666A CN 200910061666 A CN200910061666 A CN 200910061666A CN 101866368 A CN101866368 A CN 101866368A
- Authority
- CN
- China
- Prior art keywords
- infrared spectrum
- prescription
- tobacco leaf
- near infrared
- tobacco
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000208125 Nicotiana Species 0.000 title claims abstract description 125
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 124
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013461 design Methods 0.000 title abstract description 10
- 238000005516 engineering process Methods 0.000 title abstract description 6
- 239000000126 substance Substances 0.000 claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 239000004615 ingredient Substances 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 9
- 239000000203 mixture Substances 0.000 claims description 42
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 38
- 235000019504 cigarettes Nutrition 0.000 claims description 33
- 238000000513 principal component analysis Methods 0.000 claims description 26
- 238000009472 formulation Methods 0.000 claims description 20
- 229910052757 nitrogen Inorganic materials 0.000 claims description 19
- 239000003513 alkali Substances 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 10
- 230000004075 alteration Effects 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract description 9
- 239000002994 raw material Substances 0.000 abstract description 4
- 239000002075 main ingredient Substances 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 11
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 9
- 230000001953 sensory effect Effects 0.000 description 9
- 238000011960 computer-aided design Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001303 quality assessment method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- SNICXCGAKADSCV-JTQLQIEISA-N (-)-Nicotine Chemical compound CN1CCC[C@H]1C1=CC=CN=C1 SNICXCGAKADSCV-JTQLQIEISA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003446 ligand Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229930014626 natural product Natural products 0.000 description 1
- 229960002715 nicotine Drugs 0.000 description 1
- SNICXCGAKADSCV-UHFFFAOYSA-N nicotine Natural products CN1CCCC1C1=CC=CN=C1 SNICXCGAKADSCV-UHFFFAOYSA-N 0.000 description 1
- 230000010181 polygamy Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
一种利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法,其特征是,该方法包含以下步骤:通过近红外光谱仪扫描得到原料烟叶的近红外漫反射光谱,获取库存烟叶的近红外光谱数据,并输入各烟叶的相关信息,建立数据库;对烟叶的近红外光谱数据进行主成分分析;以遗传算法作为算法模型进行配方拟合运算,利用评价函数的调整,得到多个拟合配方。本发明可以方便、快速地得到多个拟合配方,及这些配方的原始适应值、配方所用烟叶数目、配方估价、主要化学成分含量及误差。
Description
技术领域
本发明涉及卷烟配方,具体说是一种利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法。
背景技术
烟叶是一种复杂天然产物,已知的化学成分就多达三千多种。随着分析技术的不断发展,新发现的成分还在逐年增加。而且烟叶作为一种农作物,它的化学成分也会因品种、产地、年份、生长部位等因素而发生变化。在存放期间,烟叶中化学成分还会随着保存环境以及烟叶中所含酶的作用发生改变。
目前,卷烟产品叶组的配方开发和维护主要是依赖有经验的配方师根据烟叶的自然属性(如产区、部位、等级和年份)和主要化学成份(糖、氮、碱)等因素,结合自己的感官评吸来进行的。烟叶的自然属性中的等级判定有一定的主观因素,并且同一自然属性的烟叶由于存放环境的不同也会导致感官质量的不同。配方师的感官质量评价结果的主观因素也较多,同一配方师对同一烟叶的评价结果也有赖于配方师生理和心理的稳定,由于烟叶品种繁多,配方师要逐个对库存烟叶进行评吸对身体伤害较大并且耗时很多,配方师对烟叶的评吸与烟叶的使用间的存放有一个时间段,这个时间段中烟叶的化学成分可能会出现较大变化。相对而言,烟叶的化学成分是比较客观的,但是根据传统的检测方法对烟叶的主要的化学成分进行检测费时费力,对多数化学成分进行检测就更难以实施。所以,传统的卷烟叶组的配方模式对配方师的要求很高,耗时费力,具有较大的主观性,准确性较差。
而目前企业的发展和市场的开拓,速度是很关键的,并且目前卷烟行业和消费者对卷烟质量的稳定要求较高,这就需要一个高效准确的卷烟叶组的配方模式。
研究表明,烟叶的近红外光谱数据和烟叶的化学成分之间有着密切的联系,利用烟叶的近红外光谱数据目前已经能准确检测烟叶中多种化学成分如总糖,总氮,总碱,挥发酸,挥发碱,淀粉,钾,氯等。计算机辅助设计(CAD)技术日趋成熟,在各个行业中得到了广泛的应用,极大地提高了效率。
因此,基于近红外光谱数据进行计算机辅助卷烟叶组配方设计是可行的。
发明内容
本发明的目的是提供一种能够快速准确地得到目标卷烟叶组的拟合配方,利用近红外光谱技术进行卷烟叶组的计算机辅助配方的设计方法。
所述利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法包含以下步骤:
①、通过近红外光谱仪扫描得到原料烟叶的近红外漫反射光谱,获取库存烟叶的近红外光谱数据,并输入各烟叶的相关信息,建立数据库;
②、对烟叶的近红外光谱数据进行主成分分析;
③、以遗传算法作为算法模型进行配方拟合运算,利用评价函数的调整,得到多个拟合配方。
所述遗传算法的参数为:染色体定义为所选原料烟叶的比例序列,以实际所用的原料烟叶数目为其维数,种群的交叉率设定为0.2~0.3,变异率设定为0.05,收敛的代数设定为10000±20%代。
所述评价函数,是种群中个体的近红外光谱主成分数据与拟合对象的近红外光谱主成分数据差值的平方,所述拟合配方的主要成分和目标卷烟的主要成分是指烟叶中的总碱、总糖、总氮在烟叶中的比例。
所述主成分分析,使用了Matlab软件用于对原料烟叶近红外光谱进行主成分分析处理,主成分分析的参数为:主成分数为8~28,主成分信息量90%~95%,使用中心化处理。
所述近红外光谱的预处理包括:使用多点平滑,在一阶导数后再用多点平滑的处理方法。
在进行配方模拟之前,可以根据需要对烟叶产区、等级、部位、年份、价格和使用比例进行限制;在模拟结束后可以根据成本控制和化学成分控制的需要对模拟结果进行筛选。
本发明的有益效果是:
(1)与传统的卷烟叶组配方维护和开发程序相比,大大的提高了卷烟产品开发和维护的效率,极大地减少了卷烟配方师的工作强度。传统的配方维护和开发是:配方师需要对库存烟叶逐个评吸进行感官质量评价,而库存烟叶由于产地部位年份和等级的不同,所以通常有几百个左右不同的烟叶,要对这么多地烟叶进行感官质量评价不仅要消耗配方师大量的时间,同时也对配方师的身体造成了一定影响,传统的配方过程需要有经验的配方师数个工作日才能完成。而利用该项目进行配方,仅需要几分钟就可以获得数个有效的配方,配方师只需要对计算机给出配方进行试制和评价,极大地减少了配方师在抽烟方面的工作量,有利于保护配方师的身体健康和提高工作效率。
(2)提高了卷烟配方维护的准确性通过该项目进行的拟合配方与原配方在感官质量特别是在化学成分上具有较好的一致性。而传统的卷烟叶组配方维护程序通过感官评价和经验较难实现这点;
(3)利用该项目对配方进行维护时同时还可以对叶组配方成本、烟叶的产地、等级、年份、部位、使用比例等进行同时限制和筛选,这也是传统的配方程序较难做到的。
附图说明
图1是编号1-Mix017的样本配方的近红外光谱图,
图2是10个配方的光谱叠加图象,
图3是样本叠加误差图,
图4是拟合误差图,
图5是系统框架图,
图6是系统数据流程图,
图7是烟叶管理流程图,
图8是样本管理流程图。
具体实施方式
下面结合附图对本发明进行进一步的说明:以200多种原料烟叶建立原料烟叶的信息数据库,从实际操作来详细说明得到结论的过程。
在开始设计配方辅助设计系统之前,必须建立原料烟叶的信息数据库,包含原料烟叶的近红外光谱和预处理光谱、主要化学成分含量、感官质量等,这些准备工作是能否建立合适的配方模拟模型和配方教正模型的基础,因此前期的原料烟叶的谱图扫描、烟草主要成分快速定量分析和烟草的感官质量评价必须准确。
1.基本数据的收集
在整个项目期间一共收集了200多种原料烟叶,对其进行了近红外光谱图的扫描,并对原料烟叶的光谱图进行了预处理,目的是消除噪音。近红外光谱的噪音主要来自高频随机噪音、基线漂移、样本不均匀以及光散射等等。主要的处理方法是平滑处理和基线校正,在本项目中针对数据的实际情况,我们采用了先使用9点平滑,在一阶导数后再13点平滑的处理方法,实践证明处理的效果很好。为了处理的方便性,我们将以上200种原料烟叶的近红外光谱以ASCII文件的形式保存,编号从1到200,同时详细记录了对应原料烟叶的烟叶名、等级、产地、年份、单价等信息以便于对整个原料烟叶进行管理。
利用红外光谱扫描对以上200种原料烟叶进行了烟草主要成分快速定量分析,确定了以上200种原料烟叶中总糖含量、总氮含量、总碱(即,尼古丁)含量,将以上数据添加到原料烟叶数据库中;再利用烟草的感官质量评价软件,对以上200种原料烟叶烟草的感官质量评价,评价的数据也添加到原料烟叶数据库中。
为了实现对所有原料烟叶数据的管理,我们建立了一个小型的数据管理系统专门用于对原料烟叶和模拟配方数据的管理,整个数据库由两个表格组成:一个是原料烟叶的数据表格,包含烟叶名称(主键)、等级、产地、年份、价格、总碱含量、总糖含量和总氮含量字段;一个是样本卷烟的数据表格,包含样本名称(主键)、配方比例数据链表(由原料烟叶的名称、比例两个部分组成)字段。用户可实现对以上数据的查询。
两个表格的具体定义如下:
A、Source原料烟叶数据表
B、Sample样本烟叶数据表
在实现了表格的定义以后,我们便可以对所有的数据进行查询。
在做好以上原料烟叶的基本数据收集后,本子项目进入对这200种原料烟叶烟的主成分分析阶段。
2.原料烟叶的主成分分析
主成分分析(PCA)是一种经典的多元分析技术。该方法的中心目的是将数据降维,以排除众多化学信息共存时相互重叠的信息。由于在实际工作中检测到的光谱,其中构成光谱的因素很多,如原料烟叶样本的成分、成分间的相互作用、光谱仪的影响(检测器噪音、环境对基线的影响)和样本的前处理等。而尽管有许多因素对光谱都有贡献,但是,总会有一定数目的独立变量存在于光谱中。理想的情况下,我们希望校正集光谱中的最大变化最好是被测样本的组成或性质的变化引起。实际工作中,光谱的变化是由上述多种因素引起,也可以将光谱看作是这些因素各自产生的各种光谱的加和。我们的目的是选取可以尽可能多地表征原变量的数据结构而不丢失信息的新变量,这些新变量互不相关,即正交,称之为主成分。实际应用中去前几个对偏差量贡献大的主成分进行进一步作图或计算。我们在实际中使用了一共25个主成分分量,包含了92%的主成分信息。
近红外光谱是由大量化学基因的合频与倍频叠加而成,包含的信息十分丰富。一张光谱就相当于多维空间中的一个点,使用PCA(主成分的分析,principal components analysis)对定标集中样本的光谱进行处理,可以精简光谱中的信息,减少空间的维数,为后续建模做准备。同时,研究样本集光谱在主成分空间中的分布,有助于从光谱的角度研究样本集中的样本特性,可以观察出光谱性质特异的样本,对定标样本集作进一步的分析筛选。
3.卷烟配方的计算机辅助设计系统设计方案的确定
在有了前面工作的基础上,我们开始考虑如何建立模拟配方模型,如果直接以前面两个阶段所得的原料烟叶的主要化学成分含量的拟合以及原料烟叶的感官质量评价的拟合作为建立模拟配方模型的基础,显然最终建立的模拟配方模型的效果不会很理想,因为烟叶吸食品质是有多因素综合形成,单纯的依靠烟叶中的几种主要化学成分如总糖总氮总碱进行模拟显然不能达到设计要求,另外烟叶间的相互组合也会导致吸食品质的改变,所以用烟叶原料吸食品质的得分为基础进行设计也难获取理想的效果。因此在建立模拟配方模型时我们以烟叶原料和模拟样本的综合信息——近红外光谱图作为基础。虽然具有相同或相近的近红外光谱图也并不一定意味两样本间化学成分的相同或相近,但两者相同或相近的可能性较前两者已有大幅提高,在近红外光谱图接近的条件下,我们还对模拟样本和目标样本的主要化学成分进行控制和验证,进一步的提高了两样本间的接近程度。为此我们选择了以拟合目标卷烟的近红外光谱作为基本的评价标准,拟合的结果通过对拟合配方的主要成分含量和目标卷烟的主要成分含量之间的差作为综合评价标准,进而得到与目标卷烟的主要成分含量以及近红外光谱两者基本吻合的配方。
在确定了拟合的评价标准以后,下面是如何选择合适的拟合方法,由于一共有近200种原料烟叶(随着系统的运行,原料烟叶的数目还会不断增加),因此若用传统的拟合方法对所有可能方案进行匹配查找,则所有可能的方案数为100200种,即使加上一些限定条件如每种原料烟叶的比例不超过20%,则也有20200种可能方案,这是一个非常巨大的数字,因而使用传统方法是不可行的,必须寻找一种智能方法,为此我们选择了演化算法作为拟合方法。与其他传统的拟合方法比较,遗传算法具有以下特点:(1)遗传算法使用随机选择与优胜劣汰的自然演化规则指导对整个解空间的搜索,而不是用确定性规则,因此能搜索任意的、离散的、有噪声的、多峰值的复杂解空间;(2)遗传算法可以同时搜索解空间中的多个点而不是一个点,是一种并行搜索算法,因而能快速全局收敛;(3)遗传算法实现的是对解空间进行智能型的搜索,所得的解的精度高。这些特点正好满足了我们建立配方设计模型的需要,因此,我们选择了演化算法来求解这个近200维大小的解,从实际的效果来看,选择演化算法作为拟合方法整个模型具有效率高(平均在五分钟内可给出拟合结果)、所得解精度高(拟合误差小于10-5)而且一次可给出多个拟合解(这也与实际情况中的单品种多配方相符合)等特点。
针对系统的特点,我们设计的演化算法的参数如下:染色体定义为为所选原料烟叶的比例序列,大小为100维(因为实际所用的原料烟叶数目为100个,即从编号51到150的原料烟叶),种群中个体数为200,而种群的交叉率设定为0.2,变异率设定为0.05,收敛的代数设定为10000代,评价函数选择的是种群中个体的近红外光谱主成分数据与拟合对象的近红外光谱主成分数据差值的平方。
参数如此设定的主要的原因是因为一般来说,若交叉率设得过大(大于0.5),则此时很容易造成超级个体的后代抑止其它个体后代的产生,导致算法很快收敛到局部最优点;若交叉率设得过小(小于0.1),则此时搜索的速度太慢,不能很快获得最优解,因此一般选择种群的交叉率为0.2~0.3之间,因此我们选定交叉率为0.2,从算法实现效果来看,可以较快获得拟合最优解;对变异率,若交叉率设得过大(大于0.3),则此时不能充分利用已经获得的种群中最优个体的信息,其基本上相当于是一个随机搜索过程,会发生震荡现象,很难收敛到最优解,若交叉率设得过小(小于0.05),则算法主要由交叉实现新的个体查找,很难产生新型个体模式,因此我们选定变异率为0.05;种群中个体数目的选择和收敛代数的选择都是由我们现在所使用的计算机设备决定的,由于我们整个拟合误差设定不大于10-5(这已经远远小于一般分析仪器测量误差的精度),而整个项目主要的时间在与烟叶配方的评析上,因此只要能在10分钟内给出拟合结果即可,因此我们选定种群中个体数为200,收敛的代数设定为10000代,从算法运行的实际效果来看,算法一般在五分钟内可以给出满足要求的拟合结果,而且以后每两分钟可给出至少一个拟合解。
如果以后觉得系统精度还不够,还可加大以上两者的取值,当然算法计算的时间也会有相应的增加(算法所需的时间随种群中个体数的增加呈平方倍数次数增长,而算法所需的时间随收敛的代数的增加呈线性倍数增长)。评价函数选择种群中个体的近红外光谱主成分数据与拟合对象的近红外光谱主成分数据差值的平方的原因是一方面拟合对象的近红外光谱主成分数据已经包含了拟合对象的近红外光谱的决大多数信息(按我们的选择包含了拟合对象的92%主要信息),因此近红外光谱主成分的拟合也隐含着拟合对象化学成分的拟合,另外一方面选取拟合对象的近红外光谱主成分数据是其具有维数小(只有25维,若用整个谱图数据则需5000维)便于计算的优点。
从算法运行的实际效果来看,算法一般在五分钟内可以给出满足要求的拟合结果,而且以后每两分钟可给出至少一个拟合解。
我们一共设计了50种卷烟配方作为样本配方,先通过近红外光谱仪获得相应的近红外光谱,将所获得的近红外光谱用软件(PEIdenticheck)处理后,然后用第一阶段的方法测取原料烟叶中主要化学成分的含量作为我们模拟的最终评价依据,将这些数据输入卷烟配方的计算机辅助设计系统。在拟合配方以前必须将现有的原料烟叶的近红外光谱信息读入系统。然后选择当前可用的原料烟叶,我们选择了序号为50到150的原料烟叶作为原料,然后对其进行主成分分析,在选定限定条件后即可进行配方拟合。
下面以对编号1-Mix017的样本配方进行拟合的数据加以说明:图1所示为编号1-Mix017的样本配方的近红外光谱图。
我们用第50到150号原料烟叶对其进行配方拟合,限定条件选择默认值,即单叶比例限定在20%以下,年份、等级等则不加以限定。
1-Mix017样本配方的主要成分含量列表:
总碱 | 总糖 | 总氮 |
1.765000 | 23.660000 | 2.138000 |
我们一共生成了9个拟合配方,由下面的列表和图2光谱图的拟合显示可以看到从光谱的拟合程度上来说,效果很好,从主要化学成分以及主成分的拟合方面也说明系统在近红外光谱的拟合方面拟合的效果很好。
选中 配方名称 光谱偏移 主成份偏移 限定不满足量 化学成分偏移 使用烟叶数
Y 配方0000 0.000768 0.002579 0.000000 0.051198 11
配方0001 0.000717 0.002579 0.000000 0.062725 11
配方0002 0.000750 0.002579 0.000000 0.049193 11
Y 配方0003 0.000652 0.002579 0.000000 0.079034 9
配方0004 0.000861 0.002579 0.000000 0.050931 11
配方0005 0.001105 0.002579 0.000000 0.042366 11
配方0006 0.000750 0.002579 0.000000 0.058872 12
Y 配方0007 0.000605 0.002579 0.000000 0.077629 9
Y 配方0008 0.000827 0.002579 0.000000 0.063184 12
图3显示的是样本叠加误差图,图4显示的是拟合误差图。
下面从目标配方和9个模拟配方的主要化学成分说明系统的性能。
配方主要成分列表
名称 | 总碱 | 总糖 | 总氮 |
1-Mix017 | 1.765000 | 23.660000 | 2.138000 |
配方0 | 1.807380 | 25.192700 | 2.019140 |
配方1 | 1.852740 | 25.224580 | 1.987440 |
配方2 | 1.814160 | 24.685180 | 1.992890 |
配方3 | 1.912180 | 25.517350 | 1.977680 |
配方4 | 1.802410 | 25.259660 | 2.025650 |
配方5 | 1.740400 | 25.188390 | 2.069800 |
配方6 | 1.834390 | 25.154140 | 1.988890 |
配方7 | 1.906050 | 25.575630 | 1.984760 |
名称 | 总碱 | 总糖 | 总氮 |
配方8 | 1.857110 | 25.187780 | 1.985560 |
从表中数据验证了模拟配方系统的拟合效果达到了当初提出的总碱误差小于0.2,总糖误差小于2,总氮误差小于0.2的设计要求(注意是绝对误差),以下为9个配方的误差列表。
目标名称:1__Mi×017
目标总糖:23.6600目标总碱:2.1380目标总氮:1.7650
配方名称:配方0001
配方原始适应值:0.010837
配方所用烟叶数目:11
配方估计价格:2767
配方总糖:25.2246配方总碱:1.9874目标总氮:1.8527
总糖误差:1.5646总碱误差:0.1506总氮误差:0.0877
配方名称:配方0002
配方原始适应值:0.010762
配方所用烟叶数目:11
配方估计价格:2846
配方总糖:24.6852配方总碱:1.9929目标总氮:1.8142
总糖误差:1.0252总碱误差:0.1451总氮误差:0.0492
配方名称:配方0003
配方原始适应值:0.009836
配方所用烟叶数目:9
配方估计价格:2610
配方总糖:25.5174配方总碱:1.9777目标总氮:1.9122
总糖误差:1.8574总碱误差:0.1603总氮误差:0.1472
配方名称:配方0004
配方原始适应值:0.009632
配方所用烟叶数目:11
配方估计价格:2252
配方总糖:25.2597配方总碱:2.0257目标总氮:1.8024
总糖误差:1.5997总碱误差:0.1123总氮误差:0.0374
配方名称:配方0005
配方原始适应值:0.010825
配方所用烟叶数目:11
配方估计价格:2025
配方总糖:25.1884配方总碱:2.0698目标总氮:1.7404
总糖误差:1.5284总碱误差:0.0682总氮误差:0.0246
配方名称:配方0006
配方原始适应值:0.009348
配方所用烟叶数目:12
配方估计价格:2430
配方总糖:25.1541配方总碱:1.9889目标总氮:1.8344
总糖误差:1.4941总碱误差:0.1491总氮误差:0.0694
配方名称:配方0007
配方原始适应值:0.008813
配方所用烟叶数目:9
配方估计价格:2721
配方总糖:25.5756配方总碱:1.9848目标总氮:1.9060
总糖误差:1.9156总碱误差:0.1532总氮误差:0.1410
配方名称:配方0008
配方原始适应值:0.008738
配方所用烟叶数目:12
配方估计价格:2755
配方总糖:25.1878配方总碱:1.9856目标总氮:1.8571
总糖误差:1.5278总碱误差:0.1524总氮误差:0.0921
为了方便对整个系统的了解,将系统的结构框架图和流程图列出。其中,图5显示了整个系统的构成,图6显示了系统的数据流程,图7是烟叶管理的流程图,图8是样本管理的流程图。
Claims (6)
1.一种利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法,其特征是该方法包含以下步骤:
①、通过近红外光谱仪扫描得到原料烟叶的近红外漫反射光谱,获取库存烟叶的近红外光谱数据,并输入各烟叶的相关信息,建立数据库;
②、对烟叶的近红外光谱数据进行主成分分析;
③、以遗传算法作为算法模型进行配方拟合运算,利用评价函数的调整,得到多个拟合配方。
2.根据权利要求1所述的利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法,其特征是:所述遗传算法的参数为:染色体定义为所选原料烟叶的比例序列,以实际所用的原料烟叶数目为其维数,种群的交叉率设定为0.2~0.3,变异率设定为0.05,收敛的代数设定为10000±20%代。
3.根据权利要求1所述的利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法,其特征是:所述评价函数是种群中个体的近红外光谱主成分数据与拟合对象的近红外光谱主成分数据差值的平方,所述拟合配方的主要成分和目标卷烟的主要成分是指烟叶中的总碱、总糖、总氮在烟叶中的比例。
4.根据权利要求1所述的利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法,其特征是:所述主成分分析是利用Matlab软件对原料烟叶近红外光谱进行主成分分析处理,主成分分析的参数为:主成分数为8~28,主成分信息量90%~95%,使用中心化处理。
5.根据权利要求1所述的利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法,其特征是:所述近红外光谱的预处理包括:使用多点平滑,在一阶导数后再用多点平滑的处理方法。
6.根据权利要求1所述的利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法,其特征是:在进行配方模拟之前,根据需要对烟叶产区、等级、部位、年份、价格和使用比例进行限制;在模拟结束后可以根据成本控制和化学成分控制的需要对模拟结果进行筛选。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910061666A CN101866368B (zh) | 2009-04-17 | 2009-04-17 | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910061666A CN101866368B (zh) | 2009-04-17 | 2009-04-17 | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101866368A true CN101866368A (zh) | 2010-10-20 |
CN101866368B CN101866368B (zh) | 2012-10-24 |
Family
ID=42958096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910061666A Expired - Fee Related CN101866368B (zh) | 2009-04-17 | 2009-04-17 | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101866368B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104165861A (zh) * | 2014-08-22 | 2014-11-26 | 云南中烟工业有限责任公司 | 一种基于主成分分析的近红外光谱定量模型精简方法 |
CN104568823A (zh) * | 2015-01-07 | 2015-04-29 | 中国农业大学 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
CN105844579A (zh) * | 2016-03-17 | 2016-08-10 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的原烟叶组配方维护方法 |
CN104165861B (zh) * | 2014-08-22 | 2016-11-30 | 云南中烟工业有限责任公司 | 一种基于主成分分析的近红外光谱定量模型精简方法 |
CN109975238A (zh) * | 2019-03-29 | 2019-07-05 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法 |
CN113326473A (zh) * | 2021-05-31 | 2021-08-31 | 浙江中烟工业有限责任公司 | 一种卷烟叶组配方维护方法及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201066339Y (zh) * | 2007-07-27 | 2008-05-28 | 浙江大学 | 一种用于烟草真假鉴别的便携式近红外光谱仪 |
CN101393114B (zh) * | 2008-10-21 | 2010-12-29 | 龙岩烟草工业有限责任公司 | 烟用香精物理性质的快速测定方法 |
CN101385571B (zh) * | 2008-10-27 | 2011-08-03 | 川渝中烟工业公司 | 卷烟叶组配方设计方法 |
CN101393118A (zh) * | 2008-10-30 | 2009-03-25 | 中国烟草总公司郑州烟草研究院 | 利用近红外光谱技术检测烟叶拉力的方法 |
-
2009
- 2009-04-17 CN CN200910061666A patent/CN101866368B/zh not_active Expired - Fee Related
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104165861A (zh) * | 2014-08-22 | 2014-11-26 | 云南中烟工业有限责任公司 | 一种基于主成分分析的近红外光谱定量模型精简方法 |
CN104165861B (zh) * | 2014-08-22 | 2016-11-30 | 云南中烟工业有限责任公司 | 一种基于主成分分析的近红外光谱定量模型精简方法 |
CN104568823A (zh) * | 2015-01-07 | 2015-04-29 | 中国农业大学 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
CN104568823B (zh) * | 2015-01-07 | 2017-08-04 | 中国农业大学 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
CN105844579A (zh) * | 2016-03-17 | 2016-08-10 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的原烟叶组配方维护方法 |
CN109975238A (zh) * | 2019-03-29 | 2019-07-05 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法 |
CN109975238B (zh) * | 2019-03-29 | 2021-11-30 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法 |
CN113326473A (zh) * | 2021-05-31 | 2021-08-31 | 浙江中烟工业有限责任公司 | 一种卷烟叶组配方维护方法及存储介质 |
CN113326473B (zh) * | 2021-05-31 | 2024-04-30 | 浙江中烟工业有限责任公司 | 一种卷烟叶组配方维护方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101866368B (zh) | 2012-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Rosa et al. | A comparison of Land Use Change models: challenges and future developments | |
Hekker et al. | Characteristics of solar-like oscillations in red giants observed in the CoRoT exoplanet field | |
McBride et al. | Mass accretion rates and histories of dark matter haloes | |
Thornley | Instantaneous canopy photosynthesis: Analytical expressions for sun and shade leaves based on exponential light decay down the canopy and an acclimated non‐rectangular hyperbola for leaf photosynthesis | |
CN109975238B (zh) | 一种基于近红外光谱的烟叶以及卷烟叶组配方的替代方法 | |
CN109100321A (zh) | 一种卷烟叶组配方维护方法 | |
Larocque et al. | Uncertainty analysis in carbon cycle models of forest ecosystems: research needs and development of a theoretical framework to estimate error propagation | |
CN107796782A (zh) | 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法 | |
CN107341613B (zh) | 一种辅助叶组配方平衡替换的方法 | |
CN101866368B (zh) | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 | |
CN103674884A (zh) | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 | |
Feirman et al. | Mathematical modeling in tobacco control research: initial results from a systematic review | |
CN108181263A (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
Marvinney et al. | Life cycle–based assessment of energy use and greenhouse gas emissions in almond production, Part II: Uncertainty analysis through sensitivity analysis and scenario testing | |
García-Esteban et al. | A digitalization strategy for quality control in food industry based on Artificial Intelligence techniques | |
Barillot et al. | Investigation of complex canopies with a functional–structural plant model as exemplified by leaf inclination effect on the functioning of pure and mixed stands of wheat during grain filling | |
Quinn et al. | Life cycle assessment of forest biomass energy feedstock in the Northeast United States | |
Dias et al. | Carbon storage in harvested wood products: implications of different methodological procedures and input data—a case study for Portugal | |
Weng et al. | Uncertainty analysis of forest carbon sink forecast with varying measurement errors: a data assimilation approach | |
Joompha et al. | Development of durian chips product by apply of quality function deployment | |
Ursem et al. | Multi-objective distinct candidates optimization: Locating a few highly different solutions in a circuit component sizing problem | |
Li et al. | Temporal changes of forest net primary production and net ecosystem production in west central Canada associated with natural and anthropogenic disturbances | |
CN102680427A (zh) | 一种应用近红外光谱分析技术鉴别卷烟表香质量的方法 | |
Hoekstra et al. | Reducing the variation of environmental footprint estimates based on multiregional input–output databases | |
Parrenin et al. | A decision support tool for the first stage of the tempering process of organic wheat grains in a mill |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121024 Termination date: 20140417 |