CN104820077A - 一种卷烟识别方法及装置 - Google Patents

Abstract

本申请公开了一种卷烟识别方法及装置，方法仅需要获取电子鼻传感器阵列对待识别卷烟烟丝挥发性组分的t个测量点的瞬时响应信号值，然后利用获取的值构建响应矩阵R，并对响应矩阵R进行因子分解，得到吸附质量形态矩阵C、吸附质量系数矩阵N和气味特征矩阵Γ，进一步通过对三个矩阵进行处理，得到若干个表征待识别卷烟的气味图的三维立体图，对比该气味图及预置的卷烟类型与气味图间的对应关系，确定所述待识别卷烟的类型。本申请的方法依靠软件程序进行卷烟的识别，从而避免了人工感官评价造成的花费大、识别时间长的问题，且经过多次实验证明，卷烟识别效率非常高。

Description

一种卷烟识别方法及装置

技术领域

本申请涉及气味识别技术领域，更具体地说，涉及一种卷烟识别方法及装置。

背景技术

不同的卷烟有不同的闻香特征，例如香料卷烟、烤烟型卷烟等。现有的卷烟识别过程主要通过感官评吸人员的嗅觉来进行识别。

但是，现有的这种评价方式不仅给卷烟质量的评定带来了主观差异，而且由于评吸需要组织多位具有评吸资格证的人员集中进行卷烟识别，造成卷烟识别的花费大、识别时间长的问题。

发明内容

有鉴于此，本申请提供了一种卷烟识别方法及装置，用于解决现有卷烟识别方法依靠评吸人员的嗅觉，存在卷烟识别花费大、识别时间长的问题。

为了实现上述目的，现提出的方案如下：

一种卷烟识别方法，包括：

获取待识别卷烟的实验数据，所述实验数据包括电子鼻传感器阵列中各个传感器对待识别卷烟烟丝挥发性组分的一次吸附和解吸过程中，t个时间点的瞬时响应信号值；

利用所述实验数据构建响应矩阵R：

其中，k为传感器阵列中传感器的个数，S_kt为第k个传感器在t时刻的瞬时响应信号值；

对所述响应矩阵R进行因子分解，确定满足预置条件的分解方式：

其中，c为气味分子种类，p为因子数；

计算矩阵C的第x列乘以矩阵N的第x行且乘以矩阵Γ，将计算得到的各矩阵确定为目标矩阵，所述目标矩阵为t行k列矩阵，其中x属于1至p；

生成与各目标矩阵对应的三维立体图，将各三维立体图确定为所述待识别卷烟的气味图；

依据所述待识别卷烟的气味图以及预置的卷烟类型与气味图对应关系，确定所述待识别卷烟的类型。

优选地，所述对所述响应矩阵R进行因子分解，确定满足预置条件的分解方式的过程包括：

设定c的取值范围为[1,x1]，p的取值范围为[1,x2]，其中x1和x2均为整数；

按照c和p取值的各种组合方式，对响应矩阵R进行因子分解，得到若干种分解方式；

在得到的若干种分解方式中，选取矩阵C满足单峰约束，矩阵C、N和Γ满足非负约束，矩阵Γ满足对角化约束的分解方式，将其确定为第一分解方式集合；

计算所述第一分解方式集合中各种分解方式对应的残差值；

将所述第一分解方式集合中，残差值不会出现过拟合情况的分解方式的集合确定为第二分解方式集合；

在所述第二分解方式集合中，选取残差值最小的分解方式。

优选地，在对响应矩阵R进行因子分解时，采用交替最小二乘法进行因子分解。

优选地，所述生成与各目标矩阵对应的三维立体图包括：

以所述目标矩阵的行数和列数作为自变量，确定的行数及列数对应的元素值作为因变量，在三维立体图中绘制所述自变量和所述因变量间的对应关系。

一种卷烟识别装置，包括：

实验数据获取单元，用于获取待识别卷烟的实验数据，所述实验数据包括电子鼻传感器阵列中各个传感器对待识别卷烟烟丝挥发性组分的一次吸附和解吸过程中，t个时间点的瞬时响应信号值；

响应矩阵构建单元，用于利用所述实验数据构建响应矩阵R：

其中，k为传感器阵列中传感器的个数，S_kt为第k个传感器在t时刻的瞬时响应信号值；

矩阵分解单元，用于对所述响应矩阵R进行因子分解，确定满足预置条件的分解方式：

其中，c为气味分子种类，p为因子数；

目标矩阵计算单元，用于计算矩阵C的第x列乘以矩阵N的第x行且乘以矩阵Γ，将计算得到的各矩阵确定为目标矩阵，所述目标矩阵为t行k列矩阵，其中x属于1至p；

气味图生成单元，用于生成与各目标矩阵对应的三维立体图，将各三维立体图确定为所述待识别卷烟的气味图；

类型识别单元，用于依据所述待识别卷烟的气味图以及预置的卷烟类型与气味图对应关系，确定所述待识别卷烟的类型。

优选地，所述矩阵分解单元包括：

第一矩阵分解子单元，用于设定c的取值范围为[1,x1]，p的取值范围为[1,x2]，其中x1和x2均为整数；

第二矩阵分解子单元，用于按照c和p取值的各种组合方式，对响应矩阵R进行因子分解，得到若干种分解方式；

第三矩阵分解子单元，用于在得到的若干种分解方式中，选取矩阵C满足单峰约束，矩阵C、N和Γ满足非负约束，矩阵Γ满足对角化约束的分解方式，将其确定为第一分解方式集合；

第四矩阵分解子单元，用于计算所述第一分解方式集合中各种分解方式对应的残差值；

第五矩阵分解子单元，用于将所述第一分解方式集合中，残差值不会出现过拟合情况的分解方式的集合确定为第二分解方式集合；

第六矩阵分解子单元，用于在所述第二分解方式集合中，选取残差值最小的分解方式。

优选地，所述第二矩阵分解子单元在对响应矩阵R进行因子分解时，采用交替最小二乘法进行因子分解。

优选地，所述气味图生成单元包括：

第一气味图生成子单元，用于以所述目标矩阵的行数和列数作为自变量，确定的行数及列数对应的元素值作为因变量，在三维立体图中绘制所述自变量和所述因变量间的对应关系。

从上述的技术方案可以看出，本申请实施例提供的卷烟识别方法，仅需要获取电子鼻传感器阵列对待识别卷烟烟丝挥发性组分的t个测量点的瞬时响应信号值，然后利用获取的值构建响应矩阵R，并对响应矩阵R进行因子分解，得到吸附质量形态矩阵C、吸附质量系数矩阵N和气味特征矩阵Γ，进一步通过对三个矩阵进行处理，得到若干个表征待识别卷烟的气味图的三维立体图，对比该气味图及预置的卷烟类型与气味图间的对应关系，确定所述待识别卷烟的类型。本申请的方法依靠软件程序进行卷烟的识别，从而避免了人工评吸造成的花费大、识别时间长的问题，且经过多次实验证明，卷烟识别效率非常高。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例公开的一种卷烟识别方法流程图；

图2a为本申请实施例公开的三种卷烟烟末样品的气味图；

图2b为本申请实施例公开的三种卷烟烟丝样品的气味图；

图3为本申请实施例公开的一种卷烟识别装置结构示意图；

图4为本申请实施例公开的一种矩阵分解单元结构示意图；

图5为本申请实施例公开的一种气味图生成单元结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在介绍本申请方案之前，先对本案发明人的前期研究工作进行介绍。

本案发明人经过实验研究发现，对于单一气味分子而言，电子鼻传感器的响应信号强度可以表示为：

s＝γm

其中，s是传感器对气味分子A的总响应值，m是气味分子A的总吸附量，是与传感器自身的特性相关的参数，可以称之为单位吸附质量的响应系数。

如果一个传感器阵列包括有k个不同的传感器，则每个传感器对同样的气味分子A也会产生不同的响应，可以用下式表示：

$r_i=r_i^{\left(A\right)}{m}_i^{\left(A\right)},i=\mathrm{1,2},...k$

这里，r_i是第i个传感器的响应值，是传感器i对气味分子A的响应系数，或者可以称为气味常数，它与吸附质量无关，是传感器i上气味分子A的吸附质量。

传感器阵列对气味分子A的测量实际上是传感器阵列中各个传感器对气味分子A的一次吸附和解吸过程中，t个时间点的瞬时响应信号值。利用测量数据可以得到响应矩阵R：

上述分解方式凸显了气味特征Γ_k×k的特殊地位，但是对应的吸附质量矩阵M_t×k依然表现出信息的冗余。为了更好地研究响应矩阵的内在因素，可以对M_t×k进行因子分解，将其表达成为两个因子矩阵C_t×p和N_p×k的乘积，则有：

R_t×k＝M_t×kΓ_k×k＝C_t×pN_p×kΓ_k×k

这里，p为因子数，C_t×p为吸附质量形态，N_p×k为吸附质量系数矩阵。

显然，上述响应矩阵R可以扩展到含有c种气味分子的情况，如下：

R_t×k＝C_t×pN_p×(c×k)Γ_(c×k)×k

其中，Γ_(c×k)×k为带状对角矩阵。

由于不同的传感器所吸附的气味分子的种类可能不同，即便是同一传感器也不一定将所有的气味分子均进行吸附。因此，上述气味分子种类c需要根据实验而选取最优值。而对于公式中的p值，其也并非是固定的，也需要根据实验而选择最优值。

基于发明人上述研究成果，我们对本申请的方案进行介绍。

参见图1，图1为本申请实施例公开的一种卷烟识别方法流程图。

如图1所示，该方法包括：

步骤S100、获取待识别卷烟的实验数据；

具体地，所述实验数据包括电子鼻传感器阵列中各个传感器对待识别卷烟烟丝挥发性组分的一次吸附和解吸过程中，t个时间点的瞬时响应信号值。

步骤S110、利用所述实验数据构建响应矩阵R；

具体地，构建的响应矩阵R的形式如下：

其中，k为传感器阵列中传感器的个数，S_kt为第k个传感器在t时刻的瞬时响应信号值。这里，之所以选取将r_tk设定为响应矩阵元素，而非直接将瞬时响应信号值S_kt设定为矩阵元素，主要是考虑到各个传感器的初始响应信号值大小不同，为了屏蔽掉这种干扰，保证识别的准确度。

步骤S120、对所述响应矩阵R进行因子分解，确定满足预置条件的分解方式；

具体地，满足预置条件的分解方式如下：

其中，c为气味分子种类，p为因子数。c和p值均是根据预置条件而选取的最优值。

步骤S130、计算矩阵C的第x列乘以矩阵N的第x行且乘以矩阵Γ，将计算得到的各矩阵确定为目标矩阵；

其中，所述目标矩阵为t行k列矩阵，其中x属于1至p。显然，目标矩阵的个数为p个。

步骤S140、生成与各目标矩阵对应的三维立体图，将各三维立体图确定为所述待识别卷烟的气味图；

具体地，可以选择以所述目标矩阵的行数和列数作为自变量，确定的行数及列数对应的元素值作为因变量，在三维立体图中绘制所述自变量和所述因变量间的对应关系。

每个目标矩阵对应一个气味图，总共得到p个气味图。气味图表征了该样品的类型。

步骤S150、依据所述待识别卷烟的气味图以及预置的卷烟类型与气味图对应关系，确定所述待识别卷烟的类型。

具体地，我们可以预先测试生成不同类型的卷烟的气味图。对于确定的待识别卷烟的气味图，查询预置的卷烟类型与气味图对应关系，确定所述待识别卷烟的类型。

经过多次实验验证，证实了本申请方案的有效性。

本申请实施例提供的卷烟识别方法，仅需要获取电子鼻传感器阵列对待识别卷烟烟丝挥发性组分的t个测量点的瞬时响应信号值，然后利用获取的值构建响应矩阵R，并对响应矩阵R进行因子分解，得到吸附质量形态矩阵C、吸附质量系数矩阵N和气味特征矩阵Γ，进一步通过对三个矩阵进行处理，得到若干个表征待识别卷烟的气味图的三维立体图，对比该气味图及预置的卷烟类型与气味图间的对应关系，确定所述待识别卷烟的类型。本申请的方法依靠软件程序进行卷烟的识别，从而避免了人工评吸造成的花费大、识别时间长的问题，且经过多次实验证明，卷烟识别效率非常高。

接下来介绍对响应矩阵R进行因子分解，确定满足预置条件的分解方式的过程。

设定c的取值范围为[1,x1]，p的取值范围为[1,x2]，其中x1和x2均为整数。一般性的，x1选取3，x2选取6。

对于设定的c和p的取值范围，其包括了c和p取值的多种不同组合，按照c和p取值的各种组合方式，对响应矩阵R进行因子分解，得到若干种分解方式，不同的分解方式中，矩阵C、N和Γ的维数和取值均不同。

设定约束条件：矩阵C满足单峰约束，矩阵C、N和Γ满足非负约束，矩阵Γ满足对角化约束。按照上述约束条件对得到的多种分解方式进行筛选，将满足上述约束条件的分解方式的集合确定为第一分解方式集合。

其中，矩阵C满足单峰约束的含义是：矩阵C中每一列元素按照时间t作为自变量，元素值作为因变量而绘制的二维曲线图仅存在一个峰值。

计算第一分解方式集合中各种分解方式对应的残差值。对于残差值会出现过拟合的情况，排除对应的分解方式，排除后得到第二分解方式集合。

在第二分解方式集合中选取残差值最小的分解方式。

当然，如果考虑到c、p值越大，计算的复杂度越高的话，可以以残差值和c、p值为综合考虑因素，选择复杂度在容忍范围之内，且残差值也在容忍范围之内的最优的分解方式。

可选的，在上述对响应矩阵R进行因子分解时，可以采用交替最小二乘法进行因子分解。

可选的，在上述方案的基础上，本申请还可以同时采集多个平行样品的实验数据，对多个平行样品的实验数据均按照上述方案进行处理，则对于每一组平行样品，均得到对应的气味图。然后对多个气味图求平均，得到样品的平均气味图，以平均气味图作为对比条件，查询预置的卷烟类型与气味图对应关系，确定所述待识别卷烟的类型。

为了进一步验证本申请方案的有效性，通过下述实例进行介绍。

对于卷烟的识别，可以通过卷烟燃烧后的烟末或者烟丝进行识别。我们选取3个烟末和3个烟丝作为样品进行分辨。其中，烟末包括：双喜硬盒(YanMo_14)、双喜硬世纪经典(YanMo_16)和双喜硬经典(YanMo_30)。烟丝包括：双喜软盒(YanSi_04)、双喜硬世纪经典(YanSi_15)和双喜软经典(YanSi_30)。

对于各个样品的传感器响应矩阵R进行分解时，为了得到合适的分解结果，需要选择最优的p和c。

对于烟末样品，分别将c设置为1-3，将p设置为1-6。对于c和p的各种组合方式所得到的分解结果进行残差对比，结果如下表1所示：

表1

通过上表1可知，当c取2和3时，残差基本重叠，因此为了避免过拟合，选择c＝2。当p取4、5、6时，残差均达到较小值，对比来看，当p取值为4时的残差大于取值为5时的残差的三倍，而当p取值为5时的残差不到取值为6时的残差的三倍，因此选择p＝5最合适。

按照c＝2、p＝5的分解方式进行分解后，得到的各个烟末样品的气味图如图2a所示。从图中可以看出，对于三款烟末样品，分辨得到的5个因子气味图存在较大的差异，而且差异主要体现在因子2、3和4中，三款烟末样品的这三个因子均有明显的差异。

对于烟丝样品，分别将c设置为1-3，将p设置为1-5。对于c和p的各种组合方式所得到的分解结果进行残差对比，结果如下表2所示：

表2

通过上表2可知，当c取2和3时，残差基本重叠，因此为了避免过拟合，选择c＝2。当p取4或5时，残差均达到较小值，对比来看，当p取值为4时的残差不到取值为5时的残差的三倍，因此选择p＝4最合适。

按照c＝2、p＝4的分解方式进行分解后，得到的各个烟丝样品的气味图如图2b所示。从图中可以看出，对于三款烟丝样品，分辨得到的4个因子立体图存在较大的差异，而且差异主要体现在因子2、3和4上。其中，样品YanSi_04和样品YanSi_15的差异主要体现在因子2上；样品YanSi_15和样品YanSi_30的差异主要体现在因子3和因子4上；样品YanSi_04和样品YanSi_30的差异主要体现在因子2、3和4上。

下面对本申请实施例提供的卷烟识别装置进行描述，下文描述的卷烟识别装置与上文描述的卷烟识别方法可相互对应参照。

参见图3，图3为本申请实施例公开的一种卷烟识别装置结构示意图。

如图3所示，该装置包括：

实验数据获取单元31，用于获取待识别卷烟的实验数据，所述实验数据包括电子鼻传感器阵列中各个传感器对待识别卷烟烟丝挥发性组分的一次吸附和解吸过程中，t个时间点的瞬时响应信号值；

响应矩阵构建单元32，用于利用所述实验数据构建响应矩阵R：

其中，k为传感器阵列中传感器的个数，S_kt为第k个传感器在t时刻的瞬时响应信号值；

矩阵分解单元33，用于对所述响应矩阵R进行因子分解，确定满足预置条件的分解方式：

其中，c为气味分子种类，p为因子数；

目标矩阵计算单元34，用于计算矩阵C的第x列乘以矩阵N的第x行且乘以矩阵Γ，将计算得到的各矩阵确定为目标矩阵，所述目标矩阵为t行k列矩阵，其中x属于1至p；

气味图生成单元35，用于生成与各目标矩阵对应的三维立体图，将各三维立体图确定为所述待识别卷烟的气味图；

类型识别单元36，用于依据所述待识别卷烟的气味图以及预置的卷烟类型与气味图对应关系，确定所述待识别卷烟的类型。

可选的，本申请实施例公开了上述矩阵分解单元33的一种可选结构，如图4所示，矩阵分解单元33可以包括：

第一矩阵分解子单元331，用于设定c的取值范围为[1,x1]，p的取值范围为[1,x2]，其中x1和x2均为整数；

第二矩阵分解子单元332，用于按照c和p取值的各种组合方式，对响应矩阵R进行因子分解，得到若干种分解方式；

第三矩阵分解子单元333，用于在得到的若干种分解方式中，选取矩阵C满足单峰约束，矩阵C、N和Γ满足非负约束，矩阵Γ满足对角化约束的分解方式，将其确定为第一分解方式集合；

第四矩阵分解子单元334，用于计算所述第一分解方式集合中各种分解方式对应的残差值；

第五矩阵分解子单元335，用于将所述第一分解方式集合中，残差值不会出现过拟合情况的分解方式的集合确定为第二分解方式集合；

第六矩阵分解子单元336，用于在所述第二分解方式集合中，选取残差值最小的分解方式。

可选的，所述第二矩阵分解子单元332在对响应矩阵R进行因子分解时，可以采用交替最小二乘法进行因子分解。

可选的，本申请实施例公开了上述气味图生成单元35的一种可选结构，如图5所示，气味图生成单元35可以包括：

第一气味图生成子单元351，用于以所述目标矩阵的行数和列数作为自变量，确定的行数及列数对应的元素值作为因变量，在三维立体图中绘制所述自变量和所述因变量间的对应关系。

本申请实施例提供的卷烟识别装置，仅需要获取电子鼻传感器阵列对待识别卷烟烟丝挥发性组分的t个测量点的瞬时响应信号值，然后利用获取的值构建响应矩阵R，并对响应矩阵R进行因子分解，得到吸附质量形态矩阵C、吸附质量系数矩阵N和气味特征矩阵Γ，进一步通过对三个矩阵进行处理，得到若干个表征待识别卷烟的气味图的三维立体图，对比该气味图及预置的卷烟类型与气味图间的对应关系，确定所述待识别卷烟的类型。本申请的装置依靠软件程序进行卷烟的识别，从而避免了人工评吸造成的花费大、识别时间长的问题，且经过多次实验证明，卷烟识别效率非常高。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种卷烟识别方法，其特征在于，包括：

获取待识别卷烟的实验数据，所述实验数据包括电子鼻传感器阵列中各个传感器对待识别卷烟烟丝挥发性组分的一次吸附和解吸过程中，t个时间点的瞬时响应信号值；

利用所述实验数据构建响应矩阵R：

其中，k为传感器阵列中传感器的个数，S_kt为第k个传感器在t时刻的瞬时响应信号值；

对所述响应矩阵R进行因子分解，确定满足预置条件的分解方式：

其中，c为气味分子种类，p为因子数；

计算矩阵C的第x列乘以矩阵N的第x行且乘以矩阵Γ，将计算得到的各矩阵确定为目标矩阵，所述目标矩阵为t行k列矩阵，其中x属于1至p；

生成与各目标矩阵对应的三维立体图，将各三维立体图确定为所述待识别卷烟的气味图；

依据所述待识别卷烟的气味图以及预置的卷烟类型与气味图对应关系，确定所述待识别卷烟的类型。

2.根据权利要求1所述的方法，其特征在于，所述对所述响应矩阵R进行因子分解，确定满足预置条件的分解方式的过程包括：

设定c的取值范围为[1,x1]，p的取值范围为[1,x2]，其中x1和x2均为整数；

按照c和p取值的各种组合方式，对响应矩阵R进行因子分解，得到若干种分解方式；

在得到的若干种分解方式中，选取矩阵C满足单峰约束，矩阵C、N和Γ满足非负约束，矩阵Γ满足对角化约束的分解方式，将其确定为第一分解方式集合；

计算所述第一分解方式集合中各种分解方式对应的残差值；

将所述第一分解方式集合中，残差值不会出现过拟合情况的分解方式的集合确定为第二分解方式集合；

在所述第二分解方式集合中，选取残差值最小的分解方式。

3.根据权利要求2所述的方法，其特征在于，在对响应矩阵R进行因子分解时，采用交替最小二乘法进行因子分解。

4.根据权利要求1所述的方法，其特征在于，所述生成与各目标矩阵对应的三维立体图包括：

以所述目标矩阵的行数和列数作为自变量，确定的行数及列数对应的元素值作为因变量，在三维立体图中绘制所述自变量和所述因变量间的对应关系。

5.一种卷烟识别装置，其特征在于，包括：

实验数据获取单元，用于获取待识别卷烟的实验数据，所述实验数据包括电子鼻传感器阵列中各个传感器对待识别卷烟烟丝挥发性组分的一次吸附和解吸过程中，t个时间点的瞬时响应信号值；

响应矩阵构建单元，用于利用所述实验数据构建响应矩阵R：

其中，k为传感器阵列中传感器的个数，S_kt为第k个传感器在t时刻的瞬时响应信号值；

矩阵分解单元，用于对所述响应矩阵R进行因子分解，确定满足预置条件的分解方式：

其中，c为气味分子种类，p为因子数；

目标矩阵计算单元，用于计算矩阵C的第x列乘以矩阵N的第x行且乘以矩阵Γ，将计算得到的各矩阵确定为目标矩阵，所述目标矩阵为t行k列矩阵，其中x属于1至p；

气味图生成单元，用于生成与各目标矩阵对应的三维立体图，将各三维立体图确定为所述待识别卷烟的气味图；

类型识别单元，用于依据所述待识别卷烟的气味图以及预置的卷烟类型与气味图对应关系，确定所述待识别卷烟的类型。

6.根据权利要求5所述的装置，其特征在于，所述矩阵分解单元包括：

第一矩阵分解子单元，用于设定c的取值范围为[1,x1]，p的取值范围为[1,x2]，其中x1和x2均为整数；

第二矩阵分解子单元，用于按照c和p取值的各种组合方式，对响应矩阵R进行因子分解，得到若干种分解方式；

第三矩阵分解子单元，用于在得到的若干种分解方式中，选取矩阵C满足单峰约束，矩阵C、N和Γ满足非负约束，矩阵Γ满足对角化约束的分解方式，将其确定为第一分解方式集合；

第四矩阵分解子单元，用于计算所述第一分解方式集合中各种分解方式对应的残差值；

第五矩阵分解子单元，用于将所述第一分解方式集合中，残差值不会出现过拟合情况的分解方式的集合确定为第二分解方式集合；

第六矩阵分解子单元，用于在所述第二分解方式集合中，选取残差值最小的分解方式。

7.根据权利要求6所述的装置，其特征在于，所述第二矩阵分解子单元在对响应矩阵R进行因子分解时，采用交替最小二乘法进行因子分解。

8.根据权利要求5所述的装置，其特征在于，所述气味图生成单元包括：

第一气味图生成子单元，用于以所述目标矩阵的行数和列数作为自变量，确定的行数及列数对应的元素值作为因变量，在三维立体图中绘制所述自变量和所述因变量间的对应关系。