CN108520276A - 一种烟叶原料内在感官质量的表征方法 - Google Patents

一种烟叶原料内在感官质量的表征方法 Download PDF

Info

Publication number
CN108520276A
CN108520276A CN201810312029.1A CN201810312029A CN108520276A CN 108520276 A CN108520276 A CN 108520276A CN 201810312029 A CN201810312029 A CN 201810312029A CN 108520276 A CN108520276 A CN 108520276A
Authority
CN
China
Prior art keywords
hot
water solubles
sample
tobacco
solubles content
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
Application number
CN201810312029.1A
Other languages
English (en)
Other versions
CN108520276B (zh
Inventor
吴丽君
王保兴
白晓莉
刘晶
段如敏
朱杰
王萝萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Tobacco Yunnan Industrial Co Ltd
Original Assignee
China Tobacco Yunnan Industrial Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Tobacco Yunnan Industrial Co Ltd filed Critical China Tobacco Yunnan Industrial Co Ltd
Priority to CN201810312029.1A priority Critical patent/CN108520276B/zh
Publication of CN108520276A publication Critical patent/CN108520276A/zh
Application granted granted Critical
Publication of CN108520276B publication Critical patent/CN108520276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明公开了一种用于烟叶原料内在感官质量的表征方法，属于烟叶品质评价研究技术领域。本发明采用索氏提取法准确测定烟叶原料的热水可溶物含量，热水可溶物含量与感官得分具有强相关性，利用决策树方法建立烟叶原料感官得分与热水可溶物含量的回归方程，之后根据建立的方程，利用热水可溶物的含量即可表征烟叶原料的感官质量。本发明通过烟叶原料的热水可溶物含量预测感官得分，方法简单易行、操作简单、建立的表征方法更具客观性，对烟叶品质评价具有较好的指导性和实用性。

Description

一种烟叶原料内在感官质量的表征方法
技术领域
本发明属于烟叶品质评价研究技术领域，具体涉及一种烟叶原料内在感官质量的表征方法。
背景技术
烟叶是卷烟工业的基础，要稳定并提高卷烟产品的质量和扩大产品的市场占有率，卷烟所使用的烟叶至关重要。每一个高质量卷烟的开发都是建立在稳定的高质量烟叶原料的供应基础之上。烟叶品质是反映和体现烟叶必要性状均衡情况的综合性模糊概念，受烟叶的产区、部位、外观质量、物理特性、化学成分、烟气成分和感官评吸质量等方面多项因素综合作用的影响。感官质量是卷烟产品质量的重要组成部分，是产品质量的基础和核心，是指烟支在燃烧过程中产生的主流烟气对人体感官产生的综合感受，如香气的质和量、口感的舒适度等；还包括代表产品风格特征的因素，如烟叶风格类型、香韵特征等。
目前，烟叶质量评价研究内容较多，但多从烟叶质量单个和两两之间的关系利用数理统计方法进行分析评价，或从以往的经验对烟叶质量进行人为的适宜划分和定性评价，结果的形成虽在一定程度上体现了对烟叶原料质量稳定性、变异程度的控制，但对指导卷烟产品配方需求的烟叶原料采购，引导基地烟叶原料质量水平的提高和风格特色的突出作力不强。
长期以来，烟叶原料的评价主要靠感官评吸，而感官评吸对烟叶质量评价虽然行之有效，但需要评吸人员具有丰富的实践经验，且主要靠人的主观判断，不同的评吸水平、感官条件会造成评吸结果存在较大的差异。通过化学检测评价烟叶质量，虽然可实现大量化学成分的定性和定量分析，但也不能表征感官品质。鉴于此，有必要开发一种有效、简单、准确表征烟叶原料感官质量的方法。
热水可溶物含量指的是烟叶原料经过热水完全萃取后，水可溶物占烟叶干重的质量百分含量，该指标可以评价造纸法再造烟叶产品的质量，而此指标同样可以反映烟叶原料质量品质。同时，利用热水可溶物指标表征烟叶原料品质的方法还未见报道。
发明内容
本发明为了克服现有技术的不足，提供一种有效、简单、准确评价烟叶原料内在感官质量的表征方法，本发明通过烟叶原料的热水可溶物含量的检测，通过预测方程计算出感官得分。
本发明的目的通过以下技术方案予以实现：
一种用于烟叶原料内在感官质量的表征方法，包括如下步骤：
步骤(1)，样品的收集：收集一批具有代表性的烟叶原料；
步骤(2)，感官评价：对步骤(1)收集到的烟叶进行感官评吸，得到烟叶的品质指标数据；
步骤(3)，热水可溶物含量测定：在GB/T16447-2004《烟草和烟草制品调节和测试的大气环境》规定的条件下，测定步骤(1)中收集到的烟叶的热水可溶物含量；
步骤(4)，烟叶感官得分预测模型的建立：
将步骤(2)得到的烟叶的品质指标数据和步骤(3)得到的烟叶的热水可溶物含量利用决策树方法得到感官得分的预测模型，具体如下：
①将已知烟叶的热水可溶物含量与感官得分数据对应列出，建立数据样本集；
②运用决策树算法，建立烟叶原料感官得分的预测模型：
热水可溶物含量≤60％：感官得分＝23.5102×热水可溶物含量+61.9532；
热水可溶物含量＞60％：感官得分＝29.1527×热水可溶物含量+60.202；
③依据预测模型将待测烟叶原料的热水可溶物含量作为输入变量代入至②中的线性方程，可计算得到该待测烟叶原料的感官得分的预测值。
进一步，优选的是，步骤(2)中，所述的感官评吸由专业的评吸人员：对步骤(1)收集到的烟叶进行盲评，每个烟叶样品的打分结果均取平均值。
进一步，优选的是，步骤(3)中，所述的热水可溶物含量的测定方法具体如下：
称取烟叶样品m1＝1-2g置于索氏抽提器溶剂杯中，按料液比为1:25-35g/mL 加入蒸馏水，设置索氏提取器循环次数为10-15次，提取温度为100℃±1℃，冷却水循环装置设置为2℃进行提取，提取时间为2h-3h，将称量瓶及瓶盖开盖放入烘箱烘3h，加盖取出称量瓶，冷却至室温，称重干燥称量瓶及瓶盖的质量m0；提取完毕将样品取出，转移至已烘干的称量瓶中，放入烘箱中，在105℃±1℃下，烘至恒重，然后加盖取出称量瓶，冷却至室温，盖上盖子称重烘干后称量瓶和试样的总质量m2，按照YC/T31测定烟叶样品的含水率，之后按照式(Ⅰ)计算热水可溶物含量，
式(Ⅰ)中，w为含水率，E为热水可溶物含量。
进一步，优选的是，步骤(3)中，所述的热水可溶物含量的测定每个样品重复两次，取平均值。
进一步，优选的是，步骤(4)中，所述的决策树算法具体如下：
Step1，特征选择，数据预处理；
Step2，采用贪心算法自顶至下递归构造决策树；
Step3，对所有叶节点建立线性回归模型进行预测；
Step4，采用后剪枝方式，对初始决策树从下而上进行剪枝，以避免过拟合；
Step5，根据构建的决策树对测试样本集进行预测验证。
因烟草的所有改进的最终目的都是以烟叶感官评吸好为目标，所以本发明以烟叶感官评吸为基础，通过感官评吸获得烟叶样品品质指标数据。
本发明所采用的决策树计算步骤如下，但不限于此：
输入数据为训练样本矩阵Data，矩阵的每一行为一个烟叶样本，第一列为输入变量(热水可溶物含量)，第二列为样本的类属性(感官得分)，即目标值的属性，矩阵的大小为样本个数*2。具体算法流程如下：
Step1.特征选择，数据预处理：
Step1.1删除Data矩阵中丢失输入变量或类属性值的样本；
Step1.2随机选择Data矩阵中70％样本作为训练样本集TrainData，30％样本作为测试样本集TestData；
Step1.3选择类属性(感官得分)作为特征进行决策树构建。
Step2.采用贪心算法自顶至下递归构造决策树：
Step2.1对训练样本集TrainData的类属性值进行判定，如果TrainData中所有样本属于同一类Ck，则置T为单结点树，并将Ck作为该结点的类。
Step2.2如果TrainData中样本不属于同一类Ck，根据公式(Ⅱ)计算类属性值(感官得分)对TrainData的信息增益比，选择信息增益比最大的特征Ag(在这里为类属性特征)。
其中，A表示类属性值，M表示样本个数，D表示训练样本集TrainData， Dj表示划分的各类别非空子集。
Step2.3如果Ag的信息增益比小于阈值ε，则置T为单结点树，并将训练样本集TrainData归为一类作为该结点的类，用同一个公式对整个训练样本集建立回归预测模型。
Step2.4如果Ag的信息增益比大于阈值ε，对Ag的每一可能值aj，依据最大的aj将D分割为j个非空子集Dj，将连续分裂属性值作为分类条件构建子结点(用不同公式对各子集Dj分别建立回归预测模型)，由结点及其子结点构成树 T。
Step2.5对结点j，以Dj为训练集，递归地调用Step2.1～Step2.4，得到子树 Tj，从而构建完成整个决策树。
Step3.对所有叶节点建立线性回归模型进行预测：
Step3.1对训练样本集TrainData，根据分裂属性值将其分为左右两个矩阵，分别送入左右两枝。
Step3.2对于所有叶结点，其线性回归模型为到达此节点样本的类属性的平均值，即
Step3.3根据Ag的最大取值aj，获取分裂点后构建二叉树，分别对两个结点建立回归预测模型。其中左枝：热水可溶物含量≤60％，感官得分＝23.5102×热水可溶物含量+61.9532；右枝：热水可溶物含量＞60％，感官得分＝29.1527×热水可溶物含量+60.202。
Step4采用后剪枝方式，对初始决策树从下而上进行剪枝，以避免过拟合：
Step4.1如果当前节点是叶节点，则不进行剪枝；
如果当前节点不是叶节点，则对其左枝和右枝进行剪枝，转Step4.2；
Step4.2由到达当前节点的样本和其部分(或全部)线性回归属性，建立线性回归模型，遍历所有线性模型，选择使得到达当前节点的样本误差最小的模型，作为当前节点的线性回归模型。
比较当前节点的线性回归模型产生的误差与此节点的子树产生的误差，如果当前节点的线性回归模型的误差较小，则剪掉当前节点的子树，仅保留当前节点；否则，保留当前节点的子树。
Step4.3如果当前节点的父节点为非空，则将其父节点设为当前节点，对父节点进行剪枝，转Step4.2；如果当前节点的父节点为空，剪枝结束。
Step4.4设置树的叶节点编号。
Step5根据构建的决策树对测试样本集进行预测验证。
本发明与现有技术相比，其有益效果为：
(1)本发明的方法简单易行、操作简单，便于实际应用；
(2)目前依靠感官评吸方法评价烟叶品质具有很大的主观性，本发明基于热水可溶物含量的准确分析，所建立的方法更具客观性。
(3)本发明直接使用热水可溶物构建了烟叶原料感官得分的预测方程，使配方人员在卷烟烟叶原料评价时更具准确性；
(4)本发明利用决策树方法建立的预测方程兼容性强、可靠性和准确性高，对烟叶品质评价具有较好的指导性和实用性。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者，均为可以通过购买获得的常规产品。
实施例1
称取一定量的烟叶烟丝样品m1置于索氏抽提器溶剂杯中，按料液比为1:25 加入蒸馏水，设置索氏提取器循环次数为10次、提取温度为100℃±1℃，冷却水循环装置设置为2℃进行提取，提取时间为2.3h，将称量瓶及瓶盖开盖放入烘箱烘3h，加盖取出称量瓶，冷却至室温，称重干燥称量瓶及瓶盖的质量m0；提取完毕将样品取出，转移至已烘干的称量瓶中，放入烘箱中，在105℃±1℃下，烘至恒重，然后加盖取出称量瓶，冷却至室温，盖上盖子称重烘干后称量瓶和试样的总质量m2，按照YC/T31测定烟叶样品的含水率，两次的计算结果列于表1，样品1的热水可溶物含量取平均值，为62.80％，组织8名专业的评吸人员对样品进行盲评，感官得分是78.75，利用预测方程可知，该样品的感官得分为78.51，预测偏差为0.24。
表1热水可溶物检测结果
实施例2
称取一定量的烟叶烟丝样品m1置于索氏抽提器溶剂杯中，按料液比为1:35 加入蒸馏水，设置索氏提取器循环次数为13次、提取温度为100℃±1℃，冷却水循环装置设置为2℃进行提取，提取时间为2h，将称量瓶及瓶盖开盖放入烘箱烘3h，加盖取出称量瓶，冷却至室温，称重干燥称量瓶及瓶盖的质量m0；提取完毕将样品取出，转移至已烘干的称量瓶中，放入烘箱中，在105℃±1℃下，烘至恒重，然后加盖取出称量瓶，冷却至室温，盖上盖子称重烘干后称量瓶和试样的总质量m2，按照YC/T31测定烟叶样品的含水率，两次的计算结果列于表7，样品4的热水可溶物含量取平均值，为62.18％，组织8名专业的评吸人员对样品进行盲评，感官得分是78.66，利用预测方程可知，该样品的感官得分为78.33，预测偏差为0.33。
表2热水可溶物检测结果
m1/g m0/g m2/g 含水率(％) 热水可溶物(％)
样品2-1 1.0078 0.9317 1.2780 11.61 61.08
样品2-2 1.0041 0.9220 1.2476 11.82 63.27
实施例3
称取一定量的烟叶烟丝样品m1置于索氏抽提器溶剂杯中，按料液比为1:30 加入蒸馏水，设置索氏提取器循环次数为15次、提取温度为100℃±1℃，冷却水循环装置设置为2℃进行提取，提取时间为3h，将称量瓶及瓶盖开盖放入烘箱烘3h，加盖取出称量瓶，冷却至室温，称重干燥称量瓶及瓶盖的质量m0；提取完毕将样品取出，转移至已烘干的称量瓶中，放入烘箱中，在105℃±1℃下，烘至恒重，然后加盖取出称量瓶，冷却至室温，盖上盖子称重烘干后称量瓶和试样的总质量m2，按照YC/T31测定烟叶样品的含水率，两次的计算结果列于表9，样品1的热水可溶物含量取平均值，为52.24％，组织8名专业的评吸人员对样品进行盲评，感官得分是73.71，利用预测方程可知，该样品的感官得分为74.23，预测偏差为0.52。
表3热水可溶物检测结果
实施例4
一种用于烟叶原料内在感官质量的表征方法，包括如下步骤：
步骤(1)，样品的收集：收集一批具有代表性的烟叶原料；
步骤(2)，感官评价：对步骤(1)收集到的烟叶进行感官评吸，得到烟叶的品质指标数据；
步骤(3)，热水可溶物含量测定：在GB/T16447-2004《烟草和烟草制品调节和测试的大气环境》规定的条件下，测定步骤(1)中收集到的烟叶的热水可溶物含量；
步骤(4)，烟叶感官得分预测模型的建立：
将步骤(2)得到的烟叶的品质指标数据和步骤(3)得到的烟叶的热水可溶物含量利用决策树方法得到感官得分的预测模型，具体如下：
①将已知烟叶的热水可溶物含量与感官得分数据对应列出，建立数据样本集；
②运用决策树算法，建立烟叶原料感官得分的预测模型：
热水可溶物含量≤60％：感官得分＝23.5102×热水可溶物含量+61.9532；
热水可溶物含量＞60％：感官得分＝29.1527×热水可溶物含量+60.202；
③依据预测模型将待测烟叶原料的热水可溶物含量作为输入变量代入至②中的线性方程，可计算得到该待测烟叶原料的感官得分的预测值。
步骤(2)中，所述的感官评吸由专业的评吸人员：对步骤(1)收集到的烟叶进行盲评，每个烟叶样品的打分结果均取平均值。
步骤(3)中，所述的热水可溶物含量的测定方法具体如下：
称取烟叶样品m1＝1-2g置于索氏抽提器溶剂杯中，按料液比为1:30g/mL加入蒸馏水，设置索氏提取器循环次数为12次，提取温度为100℃±1℃，冷却水循环装置设置为2℃进行提取，提取时间为2.5h，将称量瓶及瓶盖开盖放入烘箱烘3h，加盖取出称量瓶，冷却至室温，称重干燥称量瓶及瓶盖的质量m0；提取完毕将样品取出，转移至已烘干的称量瓶中，放入烘箱中，在105℃±1℃下，烘至恒重，然后加盖取出称量瓶，冷却至室温，盖上盖子称重烘干后称量瓶和试样的总质量m2，按照YC/T31测定烟叶样品的含水率，之后按照式(Ⅰ)计算热水可溶物含量，
式(Ⅰ)中，w为含水率，E为热水可溶物含量。
其中，步骤(3)中，所述的热水可溶物含量的测定每个样品重复两次，取平均值。
步骤(4)中，所述的决策树算法具体如下：
输入数据为训练样本矩阵Data，矩阵的每一行为一个烟叶样本，第一列为输入变量(热水可溶物含量)，第二列为样本的类属性(感官得分)，即目标值的属性，矩阵的大小为样本个数*2。具体算法流程如下：
Step1.特征选择，数据预处理：
Step1.1删除Data矩阵中丢失输入变量或类属性值的样本；
Step1.2随机选择Data矩阵中70％样本作为训练样本集TrainData，30％样本作为测试样本集TestData；
Step1.3选择类属性(感官得分)作为特征进行决策树构建。
Step2.采用贪心算法自顶至下递归构造决策树：
Step2.1对训练样本集TrainData的类属性值进行判定，如果TrainData中所有样本属于同一类Ck，则置T为单结点树，并将Ck作为该结点的类。
Step2.2如果TrainData中样本不属于同一类Ck，根据公式(Ⅱ)计算类属性值(感官得分)对TrainData的信息增益比，选择信息增益比最大的特征Ag(在这里为类属性特征)。
其中，A表示类属性值，M表示样本个数，D表示训练样本集TrainData， Dj表示划分的各类别非空子集。
Step2.3如果Ag的信息增益比小于阈值ε，则置T为单结点树，并将训练样本集TrainData归为一类作为该结点的类，用同一个公式对整个训练样本集建立回归预测模型。
Step2.4如果Ag的信息增益比大于阈值ε，对Ag的每一可能值aj，依据最大的aj将D分割为j个非空子集Dj，将连续分裂属性值作为分类条件构建子结点(用不同公式对各子集Dj分别建立回归预测模型)，由结点及其子结点构成树T。
Step2.5对结点j，以Dj为训练集，递归地调用Step2.1～Step2.4，得到子树 Tj，从而构建完成整个决策树。
Step3.对所有叶节点建立线性回归模型进行预测：
Step3.1对训练样本集TrainData，根据分裂属性值将其分为左右两个矩阵，分别送入左右两枝。
Step3.2对于所有叶结点，其线性回归模型为到达此节点样本的类属性的平均值，即
Step3.3根据Ag的最大取值aj，获取分裂点后构建二叉树，分别对两个结点建立回归预测模型。其中左枝：热水可溶物含量≤60％，感官得分＝23.5102×热水可溶物含量+61.9532；右枝：热水可溶物含量＞60％，感官得分＝29.1527×热水可溶物含量+60.202。
Step4采用后剪枝方式，对初始决策树从下而上进行剪枝，以避免过拟合：
Step4.1如果当前节点是叶节点，则不进行剪枝；
如果当前节点不是叶节点，则对其左枝和右枝进行剪枝，转Step4.2；
Step4.2由到达当前节点的样本和其部分(或全部)线性回归属性，建立线性回归模型，遍历所有线性模型，选择使得到达当前节点的样本误差最小的模型，作为当前节点的线性回归模型。
比较当前节点的线性回归模型产生的误差与此节点的子树产生的误差，如果当前节点的线性回归模型的误差较小，则剪掉当前节点的子树，仅保留当前节点；否则，保留当前节点的子树。
Step4.3如果当前节点的父节点为非空，则将其父节点设为当前节点，对父节点进行剪枝，转Step4.2；如果当前节点的父节点为空，剪枝结束。
Step4.4设置树的叶节点编号。
Step5根据构建的决策树对测试样本集进行预测验证。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种用于烟叶原料内在感官质量的表征方法，其特征在于，包括如下步骤：
步骤（1），样品的收集：收集一批具有代表性的烟叶原料；
步骤（2），感官评价：对步骤（1）收集到的烟叶进行感官评吸，得到烟叶的品质指标数据；
步骤（3），热水可溶物含量测定：在GB/T16447-2004《烟草和烟草制品调节和测试的大气环境》规定的条件下，测定步骤（1）中收集到的烟叶的热水可溶物含量；
步骤（4），烟叶感官得分预测模型的建立：
将步骤（2）得到的烟叶的品质指标数据和步骤（3）得到的烟叶的热水可溶物含量利用决策树方法得到感官得分的预测模型，具体如下：
将已知烟叶的热水可溶物含量与感官得分数据对应列出，建立数据样本集；
②运用决策树算法，建立烟叶原料感官得分的预测模型：
热水可溶物含量≤60%：感官得分=23.5102×热水可溶物含量+61.9532；
热水可溶物含量＞60%：感官得分=29.1527×热水可溶物含量+60.202；
依据预测模型将待测烟叶原料的热水可溶物含量作为输入变量代入至②中的线性方程，可计算得到该待测烟叶原料的感官得分的预测值。
2.根据权利要求1所述的用于烟叶原料内在感官质量的表征方法，其特征在于：步骤（2）中，所述的感官评吸由专业的评吸人员：对步骤（1）收集到的烟叶进行盲评，每个烟叶样品的打分结果均取平均值。
3.根据权利要求1所述的用于烟叶原料内在感官质量的表征方法，其特征在于：步骤（3）中，所述的热水可溶物含量的测定方法具体如下：
称取烟叶样品m1=1-2g置于索氏抽提器溶剂杯中，按料液比为1:25-35 g/mL加入蒸馏水，设置索氏提取器循环次数为10-15次，提取温度为100℃±1℃，冷却水循环装置设置为2℃进行提取，提取时间为2h-3h，将称量瓶及瓶盖开盖放入烘箱烘3h，加盖取出称量瓶，冷却至室温，称重干燥称量瓶及瓶盖的质量m0；提取完毕将样品取出，转移至已烘干的称量瓶中，放入烘箱中，在105℃±1℃下，烘至恒重，然后加盖取出称量瓶，冷却至室温，盖上盖子称重烘干后称量瓶和试样的总质量m2，按照YC/T31测定烟叶样品的含水率，之后按照式（Ⅰ）计算热水可溶物含量，
，式（Ⅰ）；
式（Ⅰ）中，w为含水率，E为热水可溶物含量。
4.根据权利要求1所述的用于烟叶原料内在感官质量的表征方法，其特征在于：步骤（3）中，所述的热水可溶物含量的测定每个样品重复两次，取平均值。
5.根据权利要求1所述的用于烟叶原料内在感官质量的表征方法，其特征在于：步骤（4）中，所述的决策树算法具体如下：
Step1，特征选择，数据预处理；
Step2，采用贪心算法自顶至下递归构造决策树；
Step3，对所有叶节点建立线性回归模型进行预测；
Step4，采用后剪枝方式，对初始决策树从下而上进行剪枝，以避免过拟合；
Step 5，根据构建的决策树对测试样本集进行预测验证。
CN201810312029.1A 2018-04-09 2018-04-09 一种烟叶原料内在感官质量的表征方法 Active CN108520276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810312029.1A CN108520276B (zh) 2018-04-09 2018-04-09 一种烟叶原料内在感官质量的表征方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810312029.1A CN108520276B (zh) 2018-04-09 2018-04-09 一种烟叶原料内在感官质量的表征方法

Publications (2)

Publication Number Publication Date
CN108520276A true CN108520276A (zh) 2018-09-11
CN108520276B CN108520276B (zh) 2021-05-25

Family

ID=63432052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810312029.1A Active CN108520276B (zh) 2018-04-09 2018-04-09 一种烟叶原料内在感官质量的表征方法

Country Status (1)

Country Link
CN (1) CN108520276B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311191A (zh) * 2020-02-25 2020-06-19 武汉轻工大学 基于葡萄酒制品品质范围获取原料品质范围的方法及装置
CN113762775A (zh) * 2021-09-08 2021-12-07 湖北中烟工业有限责任公司 一种基于总糖含量的烟叶甜感的评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008080126A2 (en) * 2006-12-22 2008-07-03 Aviir, Inc. Two biomarkers for diagnosis and monitoring of atherosclerotic cardiovascular disease
CN103048212A (zh) * 2012-11-09 2013-04-17 红塔烟草(集团)有限责任公司 一种造纸法再造烟叶热水可溶物的测定方法
CN103424542A (zh) * 2013-08-23 2013-12-04 贵州省烟草科学研究院 一种基于感官评吸的烟叶质量评价方法
CN104596980A (zh) * 2015-01-30 2015-05-06 云南中烟工业有限责任公司 近红外漫反射光谱技术测定造纸法再造烟叶热水可溶物的方法
CN105533789A (zh) * 2016-02-15 2016-05-04 上海烟草集团有限责任公司 一种造纸法再造烟叶生产线萃取工艺段萃取率的检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008080126A2 (en) * 2006-12-22 2008-07-03 Aviir, Inc. Two biomarkers for diagnosis and monitoring of atherosclerotic cardiovascular disease
CN103048212A (zh) * 2012-11-09 2013-04-17 红塔烟草(集团)有限责任公司 一种造纸法再造烟叶热水可溶物的测定方法
CN103424542A (zh) * 2013-08-23 2013-12-04 贵州省烟草科学研究院 一种基于感官评吸的烟叶质量评价方法
CN104596980A (zh) * 2015-01-30 2015-05-06 云南中烟工业有限责任公司 近红外漫反射光谱技术测定造纸法再造烟叶热水可溶物的方法
CN105533789A (zh) * 2016-02-15 2016-05-04 上海烟草集团有限责任公司 一种造纸法再造烟叶生产线萃取工艺段萃取率的检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LURIA A: "Bioactive lipid profiling reveals drug target engagement of a soluble epoxide hydrolase inhibitor in a murine model of tobacco smoke exposure", 《J METABOLOMICS》 *
张新龙 等: "烟叶主要化学成分与感官质量的关系研究", 《 安徽农学通报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311191A (zh) * 2020-02-25 2020-06-19 武汉轻工大学 基于葡萄酒制品品质范围获取原料品质范围的方法及装置
CN113762775A (zh) * 2021-09-08 2021-12-07 湖北中烟工业有限责任公司 一种基于总糖含量的烟叶甜感的评价方法
CN113762775B (zh) * 2021-09-08 2024-01-12 湖北中烟工业有限责任公司 一种基于总糖含量的烟叶甜感的评价方法

Also Published As

Publication number Publication date
CN108520276B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
Cui et al. Performance profiles of professional female tennis players in grand slams
Aaron et al. How accurate is spirometry at predicting restrictive pulmonary impairment?
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
US20190041374A1 (en) Rapid screening method of processing raw rice for rice products
Li et al. Prevalence of the metabolic syndrome in Chinese adolescents
CN109840698A (zh) 一种卷烟感官质量的对比评价方法及其应用
CN101419209A (zh) 卷烟感官评吸和烟气指标的免疫神经网络预测方法
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
Voss et al. E-nose Prototype to Monitoring the Growth and Maturation of Peaches in the Orchard
CN102692488A (zh) 基于电子鼻技术的金华火腿分级与鉴别方法
CN108520276A (zh) 一种烟叶原料内在感官质量的表征方法
CN109975238A (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
CN108061691A (zh) 一种评价批次间再造烟叶质量稳定性的方法
CN105138834A (zh) 基于近红外光谱波数k均值聚类的烟草化学值定量方法
CN106529584A (zh) 一种烤烟香型和品质判定的智能评价方法
CN110132879A (zh) 一种基于近红外光谱的烤烟香韵鉴别方法
CN110308101A (zh) 一种片烟水提物吸光度值检测及判断醇化质量的方法
Nakitto et al. Sensory guided selection criteria for breeding consumer-preferred sweetpotatoes in Uganda
CN116224112A (zh) 一种基于XGBoost模型的电池阻抗谱频率重要性分析方法
Zhang et al. Prediction of soluble solids content, firmness and pH of pear by signals of electronic nose sensors
CN114970675A (zh) 基于特征选择的人工鼻冰箱食物新鲜度检测系统和方法
CN110487947A (zh) 基于化学计量学分析鉴别藏猪及其肉制品的方法
Fagundes et al. Electronic sensory assessment of bread enriched with cobia (Rachycentron canadum)
JP2023553222A (ja) 炒飯の食味特性を速やかに定量評価する方法
CN116735527B (zh) 一种近红外光谱优化方法、装置、系统以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant