CN103336090B - 一种预测卷烟感官质量指标的支持向量机svm方法 - Google Patents
一种预测卷烟感官质量指标的支持向量机svm方法 Download PDFInfo
- Publication number
- CN103336090B CN103336090B CN201310177221.1A CN201310177221A CN103336090B CN 103336090 B CN103336090 B CN 103336090B CN 201310177221 A CN201310177221 A CN 201310177221A CN 103336090 B CN103336090 B CN 103336090B
- Authority
- CN
- China
- Prior art keywords
- cigarette
- index
- sample
- flue gas
- svm
- 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.)
- Active
Links
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测卷烟感官质量指标的支持向量机(SVM)方法,包括如下步骤:步骤1:建立卷烟样本数据库;步骤2:结合行业专家经验,对卷烟样本按照不同风格进行第一次分组;步骤3:构建SVM分类模型,对卷烟样本进行第二次分组;步骤4:构建各组子样本的各项卷烟感官质量指标的DPSOSVM回归预测模型;步骤5:获取未知卷烟样的烟气仿生吸收化学组分数据;步骤6:进行SVM分类计算,判别未知卷烟样归属的组别;步骤7:将步骤5获取的烟气仿生吸收化学组分数据导入该组子样本对应的各项卷烟感官质量指标DPSOSVM回归预测模型,进行预测计算,获得该未知卷烟样各项感官质量指标的预测值;该方法能够减少人工评吸工作量、提高卷烟感官质量评价客观一致性,适宜广泛应用于烟草行业。
Description
技术领域
本发明涉及卷烟感官质量的评价方法,特别是涉及一种预测卷烟感官质量指标的支持向量机(SVM)方法。
背景技术
卷烟产品的感官质量传统上是通过人的感官评吸来评价。感官评吸就是通过人体特定的感觉器官(口腔、鼻腔等)对卷烟质量进行鉴定。但感官评吸评价存在一些缺陷。其中,最受关注的是:对于同一品质的同一产品,不同专家或同一专家在不同条件下评吸评价的结果可能不同,甚至差别很大。造成这种不确定性的原因主要是:1)评吸专家个人心态存在差异,因为感官评吸是一个心理学过程;2)评吸专家之间存在方法、习惯、生理、爱好、文化和心理方面的差异;3)评吸专家健康状态的影响;4)不同专家感官评吸描述用语或打分标准上的差异;5)感官评吸过程管理上的差异。因此,人们很自然地就想到能否采用机器来模拟人的感官评吸,取代或部分取代人的感觉评估。
近年来,许多烟草化学工作者探索了烟草化学成分与卷烟质量间的关系。现在人们认识到,不是所有烟草化学成分对卷烟质量都有影响,而且即使是有影响的成分,与感官质量评吸指标间的关系也难以用简单数学关系式描述。另一方面,采用包括简单、典型相关分析、主成分分析、多元回归、逐步回归分析、关联度分析、因子分析等传统统计方法的研究结果,只能用来分析影响卷烟质量的相关因素,给出影响程度,无法直接给出卷烟感官质量的明确预测,因为传统的数理统计技术在感知、学习、联想方面存在较大局限性。因此,在用机器模拟人的感官质量评估方面,需要引入新的建模思路。
卷烟的吸食性能取决于主流烟气化学组分对消费者感觉器官的作用,只有那些能与感觉器官发生作用的主流烟气组分,才对吸食性能有贡献,捕集、分离分析这部分烟气组分才有助于通过化学途径合理评价卷烟产品的感官质量。目前,最常用的吸烟机模拟卷烟抽吸、剑桥滤片捕集烟气粒相物、溶剂吸收捕集烟气气相物的烟气捕集方法,没有考虑人类吸食卷烟时主流烟气与口腔、鼻腔等器官作用的生物物理、生物化学过程。最近,我们发展了一种能合理模拟人类吸食卷烟过程的主流烟气仿生吸收采样装置和技术(专利ZL201010258874.9),利用这样的装置和技术获得的主流烟气分析数据,与卷烟感官质量的相关性更强,能更好地反映卷烟产品的吸食性能和技术特征。
SVM是一种相对新颖的机器学习技术。它采用结构风险最小化原理,而不是传统统计学中基于大样本的经验风险最小化原则,因而SVM在训练样本较少的情况下,依然能具有较 好的性能,保证了学习机器良好的泛化能力。SVM建模方法已在多个领域的实际应用中取得了成功。此外,当输入变量包含了相同或类似信息时,将可能引起变量的共线性问题,多余的变量(无信息变量和高相关性变量)将严重影响回归模型的预测能力。变量选择可以在一定程度上解决这个问题。DPSO算法是一种源自模拟鸟类捕食行为的全局随机优化技术,在实现快速收敛的同时又能保证解决方案的全局最优,与SVM分类、SVM回归算法结合可以用来解决SVM建模中的变量选择问题。
发明内容
本发明克服了现有技术的不足,提供了一种预测卷烟感官质量指标的支持向量机(SVM)方法,该方法具有减少人工评吸工作量、提高卷烟感官质量评价客观一致性的功能,为烟草行业对卷烟产品质量管理、提升提供了新的思路,对产品质量维护提高和新产品开发具有重要意义。
本发明采用以下技术方案:
一种预测卷烟感官质量指标的支持向量机(SVM)方法,包括以下步骤:
步骤1:建立卷烟样本数据库;
卷烟样本数据包括卷烟样本的主流烟气仿生吸收样的化学组分数据和感官质量指标的专家评吸数据;
步骤2:结合行业专家经验,对卷烟样本按照不同风格进行第一次分组;
风格是不同卷烟产品特征从抽吸感觉上的定性描述,常见风格包括烘焙香、清甜香、中间香、青滋香、雅香或淡雅香、柔逸香等。
步骤3:采用离散粒子群优化(DPSO)算法和SVM分类建模方法,利用步骤2得到的各组卷烟子样本的烟气仿生吸收化学组分数据,构建SVM分类模型,对卷烟样本进行第二次分组得到风格不同的各组子样本;
分组的目的是为了降低建模计算的复杂度,提高机器学习效率和精度,提高最终模型的预测准确度,第二次分组为最终分组。
步骤4:根据各组子样本的仿生吸收化学组分数据和感官质量指标评吸数据,利用DPSO算法和SVM回归建模方法,分别构建各组子样本的各项卷烟感官质量指标的DPSOSVM回归预测模型;
步骤5:利用卷烟主流烟气仿生吸收采样装置系统及色谱法检测法和酸度计法,获取未知卷烟样的烟气仿生吸收化学组分数据;
即利用卷烟主流烟气仿生吸收采样装置系统,采集获得未知卷烟样主流烟气的模拟鼻腔、模拟口腔仿生吸收样,吸收样经过预处理后,用气相色谱法检测模拟鼻腔吸收脂溶性组分及 其水溶性组分样中的中性、碱性组分,并检测模拟口腔吸收样的pH值;
步骤6:将步骤5获取的烟气仿生吸收化学组分数据导入SVM分类模型,进行SVM分类计算,判别该卷烟样归属的组别;
烟气仿生吸收化学组分数据是指未知卷烟样的模拟鼻腔吸收脂溶性组分及其水溶性组分样中的中性、碱性组分和模拟口腔吸收样的pH值数据;
步骤7:如果该卷烟样归于其中某一组,将步骤5获取的烟气仿生吸收化学组分数据导入该组子样本对应的各项卷烟感官质量指标DPSOSVM回归预测模型,进行预测计算,然后系统将输出该卷烟样所属组别及其各项感官质量指标的预测值。
所述步骤1和步骤5中卷烟主流烟气仿生吸收样的采集是通过采用模拟人体器官对吸烟过程中主流烟气吸收的装置进行的,利用气相色谱法检测获得烟气仿生吸收样的化学组分数据,利用酸度计法检测模拟口腔吸收样的pH值;
模拟人体器官对吸烟过程中主流烟气吸收的装置包括卷烟夹持器、滚筒旋转式模拟口腔吸烟吸收装置、单通道吸烟机、控制呼出烟气流经口腔和鼻腔比例的三通调节阀、滚筒旋转式模拟口腔吐烟吸收装置、模拟鼻腔吸收烟气中水溶性组分的装置、模拟鼻腔吸收烟气中脂溶性组分的装置、无极调速电动机和动力传动机构、排烟口。
所述步骤3中SVM分类模型的构建步骤如下:
步骤1)初始化离散粒子群,对变量随机进行二进制编码,变量指每种卷烟样的所有烟气仿生吸收化学组分数据;
步骤2)依据离散粒子群优化算法定义的变量构建SVM分类模型,所述变量是指每种卷烟样的烟气仿生吸收化学组分数据;
步骤3)检验步骤2)构建的SVM分类模型;
判断分类错误率是否不大于最低设定值或迭代次数是否达到设定上限,若否,则执行步骤4);若是,则执行步骤5);
步骤4)使用离散粒子群优化算法更新粒子群,返回步骤2);
步骤5)获得卷烟样本SVM分类模型。
所述的烟气仿生吸收化学组分数据包括模拟鼻腔吸收水溶性组分样中的中性组分色谱峰53个、碱性组分色谱峰5个、模拟鼻腔吸收脂溶性组分色谱峰73个和模拟口腔吸收样的pH值。
所述的卷烟感官质量指标包括香气、谐调、杂气、刺激性和余味。
所述步骤4中回归预测模型的构建流程经过如下步骤:
步骤1)依次获取某组卷烟子样本烟气仿生吸收化学组分数据及对应卷烟子样本各项感 官质量指标评吸数据;
步骤2)初始化离散粒子群,对变量进行随机二进制编码,所述变量是指每种卷烟样的烟气仿生吸收化学组分数据;
步骤3)依据离散粒子群优化算法定义的变量构建该组卷烟样各项感官质量指标的SVM回归预测模型;
步骤4)模型检验,判断该子样本集各指标的预测误差是否不大于最低设定值或迭代次数是否达到设定上限;若否,则执行步骤5);若是,则执行步骤6);
步骤5)使用离散粒子群优化算法更新粒子群,执行步骤3);
步骤6)获取离散粒子群优化算法结果,结果包括为该组卷烟子样本各项感官质量指标建模的最优变量组合以及对应的各项感官质量指标的SVM回归预测模型;
步骤7)判断是否已获得所有各组卷烟子样本该组所有卷烟子样本的各项感官质量指标建模的最优变量组合及其SVM回归预测模型,若否,则执行步骤1);若是,则执行步骤8);
步骤8)获得各卷烟子样本中各项感官质量指标的SVM回归预测模型。
每一组就是一个子样本,我们需要给每个子样本建立5个感官质量指标回归预测模型,分别对应香气、谐调、杂气、刺激性、余味5项感官质量指标。
有益效果
与先有技术相比,本发明的有益效果是通过离散粒子群优化算法和支持向量机建模方法的联合使用、通过采用与卷烟感官质量相关性更强的烟气仿生吸收化学组分数据作为预测模型输入来实现的,所构建的DPSOSVM模型具有较高的模型拟合精度和较强的模型泛化能力,预测结果符合实际,预测方法可以用于实际生产,可以减轻配方人员的评吸工作量。
附图说明
图1为本发明步骤示意图。
图2为本发明分类模型构建流程图。
图3为本发明回归模型构建流程图。
图4为本发明中采用的卷烟主流烟气仿生吸收采样装置系统结构图。
具体实施方式
以下结合附图对本发明作进一步阐述。
如图1所示,选择32种代表性中式烤烟型成品卷烟作为试验卷烟样本,其中28种作为训练集卷烟样本,另4种作为未知测试集卷烟样本。
本发明为一种预测卷烟感官质量指标的支持向量机(SVM)方法,包括以下步骤:
步骤1:建立卷烟样本数据库;
卷烟样本数据包括卷烟样本的主流烟气仿生吸收样的化学组分数据和感官质量指标的专家评吸数据;
利用卷烟主流烟气仿生吸收采样装置系统,如图4所示,采集28种训练集卷烟样本主流烟气的模拟鼻腔、模拟口腔仿生吸收样,试样经过预处理后,用气相色谱法检测模拟鼻腔吸收脂溶性组分及其水溶性组分样中的中性、碱性组分,并采用酸度计法检测模拟口腔吸收样的pH值,同时获得相应卷烟样感官质量指标的专家评吸数据;
卷烟主流烟气仿生吸收采样装置系统包括卷烟夹持器1、滚筒旋转式模拟口腔吸烟吸收装置2、连接2的出口与单通道吸烟机吸入口的管道3、单通道吸烟机4、连接4的排烟口与三通调节阀入口的管道5、三通调节阀6、连接6的出口之一与滚筒旋转式模拟口腔吐烟吸收装置的管道7、滚筒旋转式模拟口腔吐烟吸收装置8、第一排烟管9、无极调速电动机10、模拟鼻腔吸收烟气中水溶性组分的装置11、连接11的出口与模拟鼻腔吸收烟气中脂溶性组分装置的管道12、模拟鼻腔吸收烟气中脂溶性组分的装置13、第二排烟管14和整体式恒温罩15。
滚筒旋转式模拟口腔吸烟吸收装置的烟气输入端接卷烟夹持器,无极调速电动机通过动力传动机构与所述的滚筒旋转式模拟口腔吸烟吸收装置和滚筒旋转式模拟口腔吐烟吸收装置均连接。
步骤2:结合行业专家经验,对卷烟样本按照不同风格进行第一次分组,获得三个子样本;
风格是不同卷烟产品特征从抽吸感觉上的定性描述,常见风格包括烘焙香、清甜香、中间香、青滋香、雅香或淡雅香、柔逸香等。
将28种卷烟样按烘焙香、清甜香、中间香等不同风格分为三组,得到三个子样本;
步骤3:采用离散粒子群优化(DPSO)算法和SVM分类建模方法,利用步骤2得到的各组卷烟子样本的烟气仿生吸收化学组分数据,构建SVM分类模型,对卷烟样本进行第二次分组得到风格不同的各组子样本;
分组的目的是为了降低建模计算的复杂度,提高机器学习效率和精度,提高最终回归预测模型的预测准确度,第二次分组为最终分组。
SVM分类模型构建步骤如下:
步骤1)初始化离散粒子群,对全体变量随机进行二进制编码,全体变量指每种卷烟样的所有烟气仿生吸收化学组分数据,包括模拟鼻腔吸收水溶性组分样中的中性组分色谱峰53个、碱性组分色谱峰5个、模拟鼻腔吸收脂溶性组分色谱峰73个和模拟口腔吸收样的pH值, 共132个数据,即包含所有变量二进制编码的序列即被视为一个粒子,其总长度等于仿生吸收化学组分的总个数。
步骤2)依据离散粒子群优化算法定义的变量构建SVM分类模型;
步骤3)检验步骤2)构建的SVM分类模型;
判断分类错误率是否不大于最低设定值或迭代次数是否达到设定上限,若否,则执行步骤4);若是,则执行步骤5);
所述分类错误率是指根据训练集卷烟样本输入SVM分类模型获得的分类属性与训练集卷烟样本本身的分类属性进行比较所得。
本实例中设定迭代次数上限为400次。
步骤4)使用离散粒子群优化算法更新粒子群,返回步骤2);
步骤5)获得卷烟样本SVM分类模型。
步骤4:根据各组子样本的仿生吸收化学组分数据和感官质量指标评吸数据,利用DPSO算法和SVM回归建模方法,分别构建各组子样本的各项卷烟感官质量指标的DPSOSVM回归预测模型,步骤如下:
步骤1)获取某组卷烟子样本烟气仿生吸收化学组分数据及对应卷烟子样各项感官质量指标评吸数据;
步骤2)初始化离散粒子群,对全体变量随机进行二进制编码,全体变量指每种卷烟样的所有烟气仿生吸收化学组分数据包括模拟鼻腔吸收水溶性组分样中的中性组分色谱峰53个、碱性组分色谱峰5个、模拟鼻腔吸收脂溶性组分色谱峰73个和模拟口腔吸收样的pH值,共132个数据,即包含所有变量二进制编码的序列即被视为一个粒子,其总长度等于仿生吸收化学组分的总个数。
步骤3)依据离散粒子群优化算法定义的变量构建该组卷烟样各项感官质量指标的SVM回归预测模型;
步骤4)模型检验,判断该子样本集各指标的预测误差是否不大于最低设定值或迭代次数是否达到设定上限;若否,则执行步骤5);若是,则执行步骤6);
所述预测误差是指根据训练集卷烟样本输入DPSOSVM回归预测模型获得的感官质量指标与训练集卷烟样本本身的感官质量指标进行比较所得。
本实例中设定预测的均方根误差不大于0.1%或设定迭代次数上限为1000次。
步骤5)使用离散粒子群优化算法更新粒子群,执行步骤3);
步骤6)获取离散粒子群优化算法结果,结果包括为该组卷烟子样本各项感官质量指标建模的最优变量组合以及对应的各项感官质量指标的SVM回归预测模型;
步骤7)判断是否已获得该组所有卷烟子样本的各项感官质量指标建模的最优变量组合及其SVM回归预测模型,若否,则执行步骤1);若是,则执行步骤8);
步骤8)获得各卷烟子样本中各项感官质量指标的SVM回归预测模型。
步骤5:利用卷烟主流烟气仿生吸收采样装置系统及色谱法检测法和酸度计法,获取未知卷烟样的烟气仿生吸收化学组分数据,选用4种作为测试集卷烟样本即为未知卷烟样。
利用卷烟主流烟气仿生吸收采样装置系统,采集获得未知卷烟样主流烟气的模拟鼻腔、模拟口腔仿生吸收样,吸收样经过预处理后,用气相色谱法检测模拟鼻腔吸收脂溶性组分及其水溶性组分样中的中性、碱性组分,并采用酸度计法检测模拟口腔吸收样的pH值;
步骤6:将步骤5获取的烟气仿生吸收化学组分数据导入SVM分类模型,进行SVM分类计算,判别该卷烟样归属的组别;
烟气仿生吸收化学组分数据是指未知卷烟样的模拟鼻腔吸收脂溶性组分及其水溶性组分样中的中性、碱性组分和模拟口腔吸收样的pH值数据;
步骤7:如果该卷烟样归于其中某一组,将步骤5获取的烟气仿生吸收化学组分数据导入该组子样本对应的各项卷烟感官质量指标DPSOSVM回归预测模型,进行预测计算,然后系统将输出该卷烟样所属组别及其各项感官质量指标的预测值。
上述预测模型建立后对4种未知卷烟样预测应用的效果如表1所示。表1中的组别预测结果是模型预测方法对未知卷烟样在品质风格上归属或接近于组合预测模型的三组卷烟中某一组的预测,组别评吸结果是评吸专家组评吸后认定的结果;香气、谐调、杂气、刺激性和余味5项指标的预测值是根据所述模型预测方法预测的结果,评吸值是同样的未知卷烟样请评吸专家组通过评吸获得的结果。表1表明,模型预测方法预测的结果与专家评吸结果有很强的一致性。
表1未知卷烟样感官品质评吸值与DPSOSVM模型预测值对比
Claims (3)
1.一种预测卷烟感官质量指标的支持向量机(SVM)方法,其特征在于,包括以下步骤:
步骤1:建立卷烟样本数据库;
卷烟样本数据包括卷烟样本的主流烟气仿生吸收样的化学组分数据和感官质量指标的专家评吸数据;
步骤2:结合行业专家经验,对卷烟样本按照不同风格进行第一次分组;
步骤3:采用离散粒子群优化(DPSO)算法和SVM分类建模方法,利用步骤2得到的各组卷烟子样本的烟气仿生吸收化学组分数据,构建SVM分类模型,对卷烟样本进行第二次分组得到风格不同的各组子样本;
步骤4:根据各组子样本的仿生吸收化学组分数据和感官质量指标评吸数据,利用DPSO算法和SVM回归建模方法,分别构建各组子样本的各项卷烟感官质量指标的DPSOSVM回归预测模型;
步骤5:利用卷烟主流烟气仿生吸收采样装置系统及色谱法检测法和酸度计法,获取未知卷烟样的烟气仿生吸收化学组分数据;
步骤6:将步骤5获取的烟气仿生吸收化学组分数据导入SVM分类模型,进行SVM分类计算,判别该卷烟样归属的组别;
步骤7:如果该卷烟样归于其中某一组,将步骤5获取的烟气仿生吸收化学组分数据导入该组子样本对应的各项卷烟感官质量指标DPSO-SVM回归预测模型,进行预测计算,然后系统将输出该卷烟样所属组别及其各项感官质量指标的预测值;
所述步骤1和步骤5中卷烟主流烟气仿生吸收样的采集是通过采用模拟人体器官对吸烟过程中主流烟气吸收的装置进行的,利用气相色谱法检测获得烟气仿生吸收样的化学组分数据,利用酸度计法检测模拟口腔吸收样的pH值;
模拟人体器官对吸烟过程中主流烟气吸收的装置包括卷烟夹持器、滚筒旋转式模拟口腔吸烟吸收装置、单通道吸烟机、控制呼出烟气流经口腔和鼻腔比例的三通调节阀、滚筒旋转式模拟口腔吐烟吸收装置、模拟鼻腔吸收烟气中水溶性组分的装置、模拟鼻腔吸收烟气中脂溶性组分的装置、无极调速电动机和动力传动机构、排烟口;
所述步骤3中SVM分类模型的构建步骤如下:
步骤1)初始化离散粒子群,对变量随机进行二进制编码,变量指每种卷烟样的所有烟气仿生吸收化学组分数据;
步骤2)依据离散粒子群优化算法定义的变量构建SVM分类模型,所述变量是指每种卷烟样的烟气仿生吸收化学组分数据;
步骤3)检验步骤2)构建的SVM分类模型;
判断分类错误率是否不大于最低设定值或迭代次数是否达到设定上限,若否,则执行步骤4);若是,则执行步骤5);
步骤4)使用离散粒子群优化算法更新粒子群,返回步骤2);
步骤5)获得卷烟样本SVM分类模型;
所述步骤4中回归预测模型的构建流程经过如下步骤:
步骤4.1)依次获取某组卷烟子样本烟气仿生吸收化学组分数据及对应卷烟子样本各项感官质量指标评吸数据;
步骤4.2)初始化离散粒子群,对变量进行随机二进制编码,所述变量是指每种卷烟样的烟气仿生吸收化学组分数据;
步骤4.3)依据离散粒子群优化算法定义的变量构建该组卷烟样各项感官质量指标的SVM回归预测模型;
步骤4.4)模型检验,判断该子样本集各指标的预测误差是否不大于最低设定值或迭代次数是否达到设定上限;若否,则执行步骤4.5);若是,则执行步骤4.6);
步骤4.5)使用离散粒子群优化算法更新粒子群,执行步骤4.3);
步骤4.6)获取离散粒子群优化算法结果,结果包括为该组卷烟子样本各项感官质量指标建模的最优变量组合以及对应的各项感官质量指标的SVM回归预测模型;
步骤4.7)判断是否已获得所有各组卷烟子样本的各项感官质量指标建模的最优变量组合及其SVM回归预测模型,若否,则执行步骤4.1);若是,则执行步骤4.8);
步骤4.8)获得各卷烟子样本中各项感官质量指标的SVM回归预测模型。
2.根据权利要求1所述的一种预测卷烟感官质量指标的支持向量机(SVM)方法,其特征在于所述的烟气仿生吸收化学组分数据包括模拟鼻腔吸收水溶性组分样中的中性组分色谱峰53个、碱性组分色谱峰5个、模拟鼻腔吸收脂溶性组分色谱峰73个和模拟口腔吸收样的pH值。
3.根据权利要求2所述的一种预测卷烟感官质量指标的支持向量机(SVM)方法,其特征在于所述的卷烟感官质量指标包括香气、谐调、杂气、刺激性和余味。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310177221.1A CN103336090B (zh) | 2013-05-14 | 2013-05-14 | 一种预测卷烟感官质量指标的支持向量机svm方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310177221.1A CN103336090B (zh) | 2013-05-14 | 2013-05-14 | 一种预测卷烟感官质量指标的支持向量机svm方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103336090A CN103336090A (zh) | 2013-10-02 |
CN103336090B true CN103336090B (zh) | 2015-10-28 |
Family
ID=49244294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310177221.1A Active CN103336090B (zh) | 2013-05-14 | 2013-05-14 | 一种预测卷烟感官质量指标的支持向量机svm方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103336090B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182470B (zh) * | 2014-07-25 | 2019-02-19 | 南京邮电大学 | 一种基于svm的移动终端应用分类系统和方法 |
CN105651941B (zh) * | 2015-12-31 | 2018-05-18 | 云南中烟工业有限责任公司 | 一种基于分解-聚合策略的卷烟感官智能评估系统 |
WO2019085369A1 (zh) * | 2017-10-31 | 2019-05-09 | 高大启 | 一种电子鼻仪器和烟草与烟草制品感官质量评价方法 |
CN109858714B (zh) * | 2019-04-03 | 2021-05-04 | 杭州安脉盛智能技术有限公司 | 基于改进神经网络的烟丝质检指标预测方法、装置及系统 |
CN111642781B (zh) * | 2020-06-05 | 2022-01-14 | 江苏中烟工业有限责任公司 | 一种配方功效与加工属性层级化调控的配方设计方法 |
CN111723858B (zh) * | 2020-06-16 | 2023-07-11 | 中冶宝钢技术服务有限公司 | 基于svm的料堆质量估算方法、装置、电子设备和介质 |
CN114139643B (zh) * | 2021-12-07 | 2022-11-29 | 佳力士添加剂(海安)有限公司 | 一种基于机器视觉的单甘酯质量检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1975705A (zh) * | 2005-11-28 | 2007-06-06 | 颐中烟草(集团)有限公司 | 基于回归函数估计svm的卷烟内在质量指标评估方法 |
CN101718645A (zh) * | 2009-12-23 | 2010-06-02 | 湖南中烟工业有限责任公司 | 模拟人体口腔对吸烟过程中主流烟气吸收的装置 |
CN101936828A (zh) * | 2010-08-20 | 2011-01-05 | 湖南中烟工业有限责任公司 | 一种模拟吸烟者器官对吸烟过程中主流烟气吸收的系统 |
-
2013
- 2013-05-14 CN CN201310177221.1A patent/CN103336090B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1975705A (zh) * | 2005-11-28 | 2007-06-06 | 颐中烟草(集团)有限公司 | 基于回归函数估计svm的卷烟内在质量指标评估方法 |
CN101718645A (zh) * | 2009-12-23 | 2010-06-02 | 湖南中烟工业有限责任公司 | 模拟人体口腔对吸烟过程中主流烟气吸收的装置 |
CN101936828A (zh) * | 2010-08-20 | 2011-01-05 | 湖南中烟工业有限责任公司 | 一种模拟吸烟者器官对吸烟过程中主流烟气吸收的系统 |
Non-Patent Citations (3)
Title |
---|
A distributed PSO-SVM hybrid system with feature selection and parameter optimization;Cheng-Lung Huang等;《Applied Soft Computing 8》;20071022;摘要,第1381页左栏第1段,第1382页左栏第1段,第1385页左栏step1-4 * |
Adaptive variable-weighted support vector machine as optimized by particle swarm optimization algorithm with application of QSAR studies;Jian-Hui Wen等;《Talanta》;20101126;第13-18页 * |
Feature subset selection in large dimensionality domains;Iffat A. Gheyas等;《Pattern Recognition》;20101231;第5-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103336090A (zh) | 2013-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103336090B (zh) | 一种预测卷烟感官质量指标的支持向量机svm方法 | |
Fan et al. | A short-term building cooling load prediction method using deep learning algorithms | |
CN106951611B (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
WO2021017733A1 (zh) | 发病率监测方法、装置、设备存储介质 | |
WO2019085369A1 (zh) | 一种电子鼻仪器和烟草与烟草制品感官质量评价方法 | |
CN105159216B (zh) | 鸡舍环境氨气浓度智能监测系统 | |
CN104700152B (zh) | 一种融合季节销售信息与搜索行为信息的烟草销量预测方法 | |
CN107408230A (zh) | 建筑物自动化中的诊断 | |
CN108133313A (zh) | 一种人工智能感官评价食品风味系统及其构建方法 | |
CN104809335A (zh) | 一种环境变化对疾病发病影响的分析预测模型 | |
RU2018120187A (ru) | Оценка сетей потоков | |
CN102222164A (zh) | 一种食品感官质量评价方法及系统 | |
CN108399470A (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
Ameer et al. | Exploiting big data analytics for smart urban planning | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN117421618B (zh) | 一种建筑能耗监测方法及系统 | |
CN109960886A (zh) | 一种空气舒适度评价方法、装置及空气调节设备 | |
CN106709588A (zh) | 预测模型构建方法和设备以及实时预测方法和设备 | |
CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
CN111508598A (zh) | 一种呼吸系统疾病门诊量预测方法 | |
CN113128871A (zh) | 一种气候变化条件下落叶松分布变化和生产力协同估算方法 | |
Cuomo et al. | Visitor Dynamics in a Cultural Heritage Scenario. | |
CN111242369B (zh) | 基于多重融合卷积gru的pm2.5数据预测方法 | |
Cruz et al. | Machine learning-based indoor air quality baseline study of the offices and laboratories of the northwest and southwest building of Mapúa University–Manila | |
CN109060715A (zh) | 一种基于自组织神经网络的近红外光谱共识模型的构建方法 |
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 |