CN111047101B - 基于烟支轴向密度预测燃烧锥落头的方法 - Google Patents

Abstract

提供一种基于烟支轴向密度预测燃烧锥落头的方法，利用此方法在对烟支燃烧锥落头的预测过程中，仅需要检测烟支的轴向密度，不需要点燃待检测的烟支，检测过程不产生烟气，不污染环境，检测过程简单、方便、快捷，与当前检测手段相比，极大的缩短了检测周期，减少检测人员的工作量，构思巧妙，设计新颖，降低了烟支燃烧锥落头的检测成本，检测效率高，改善了检测环境，具有较高的使用价值。

Description

基于烟支轴向密度预测燃烧锥落头的方法

技术领域

本发明属于卷烟产品质量检测技术领域，具体涉及一种基于烟支轴向密度预测燃烧锥落头的方法。

背景技术

近年来，卷包作为卷烟加工过程中最为重要的操作单元，卷包过程是否符合产品质量标准，对烟支的燃吸品质和产品的信誉都有重大的影响。在卷制过程中，由于受来料烟丝的配方结构、烟丝结构等物理指标的波动影响，以及卷烟机平准器规格等卷制参数的影响，卷制后烟支的烟丝密度、填充值在轴向或径向上可能存在分布不均。在燃吸烟支的过程中，易造成烟支燃烧速率不均匀，进而使得燃烧锥体积时大时小，影响烟气的透发性。同时，消费者在抽吸过程中，在弹烟灰时燃烧锥也易从卷烟主体部分脱落，影响消费者的主观感受，给消费者带来一定的负面情绪，影响品牌的信誉度和影响力。为降低卷烟燃烧锥落头倾向，通过调整卷烟中烟丝整丝率、梗签含量等相关实验研究，同时调整卷烟卷制的工艺方法，使得卷烟燃烧锥落头倾向有了较明显的改善。但该实验方法人工劳动量大，测试过程人为影响因素较多，重复性相对较差。

中国发明专利(CN102937639A)通过模拟消费者弹灰习惯，研制了一种卷烟落头检测装置，通过间隔敲击来判断燃烧中的卷烟是否落头。但消费者的弹灰习惯与该装置的敲击方式大不相同，检测结果较难客观评价；中国发明专利(CN204165850U)针对专利(CN102937639A)中设计的装置的局限性作了改进，使得弹击力度、角度可调可控，能更好地检测燃烧中的卷烟是否掉头；中国发明专利(201310227468.X)是一种利用旋转方式检测卷烟落头倾向的装置，通过旋转方式测试卷烟燃烧锥的掉头现象，开创了一种燃烧锥落头检测的新方法，利用多次检测获得落头的统计数据，进而获得卷烟燃烧时落头倾向的性能指标，该发明的优点在于：旋转时间、转数可控，对应不同样品可采用不同检测强度，应用范围广泛；中国发明专利(CN105651626A)以人弹落烟灰的力学行为为基础，提供一种卷烟燃烧锥落头性能自动控制检测装置及检测方法，通过该检测装置进行弹击烟支时，可保证机械装置所实施的力学行为与人弹击烟灰行为保持较为一致，烟支掉头倾向检测结果较为准确。

然而，上述的专利所提供的方法都需要将样品进行静燃，然后将静燃的烟支通过仪器进行燃烧锥落头检测，由于检测周期较长，检测人员的工作量极大，在对不同班次生产的卷烟进行燃烧锥落头倾向的稳定性评价过程中不能及时的进行检测，使得对不同班次生产的卷烟在进行质量评价与跟踪上有着较严重的滞后性，这不利于生产企业对卷烟生产过程中的质量波动进行快速的监测与改进。此外，在对烟支燃烧锥落头倾向检测时，检测的样本量较大，检测过程中产生大量烟气，对检测人员有一定的危害性，同时对检测室内的环境也具有一定的污染性，因此，针对上述问题，有必要进行改进。

发明内容

本发明解决的技术问题：提供一种基于烟支轴向密度预测燃烧锥落头的方法，利用此方法在对烟支燃烧锥落头的预测过程中，仅需要检测烟支的轴向密度，不需要点燃待检测的烟支，检测过程不产生烟气，不污染环境，检测过程简单、方便、快捷，与当前检测手段相比，极大的缩短了检测周期，减少检测人员的工作量，构思巧妙，设计新颖，降低了烟支燃烧锥落头的检测成本，检测效率高，改善了检测环境，具有较高的使用价值。

本发明采用的技术方案：基于烟支轴向密度预测燃烧锥落头的方法，包括以下步骤：

1)同品牌卷烟随机选取样品量为a的烟支，其中，a≥300支；

2)将选取的样品放入平衡环境中进行平衡；

3)将平衡后的烟支随机挑选分成训练集样品和预测集样品，其中，训练集样品的烟支数量n与预测集样品的烟支数量b的总和为样品量a，

4)对平衡后的训练集样品进行排序编号，按照次序测定训练集样品中每支烟支多个检测点处的轴向密度，对每支烟支检测的多个轴向密度进行处理，最后获得训练集样品中所有烟支的轴向密度结果集R₁；

5)将训练集样品依次经卷烟燃烧锥落头性能自动控制检测装置及检测方法进行烟支燃烧锥落头检测并记录，对记录的烟支燃烧锥落头结果进行编码处理后得到训练集样品结果集Y⁰；

6)构建BP神经网络模型，并根据烟支品牌配置BP神经网络模型参数；

7)将训练集样品的轴向密度结果集R₁作为BP神经网络模型的输入参数，将训练集样品燃烧锥掉头数据结果集Y⁰作为BP神经网络模型输出层的期望值，然后进行BP神经网络模型的训练，调节各神经元间的权重，直到BP神经网络模型的达到预设的阈值要求，保存训练好的BP神经网络模型；

8)将平衡后的预测集样品排序编号，按照次序测定预测集样品的每支烟支多个检测点处的轴向密度，对每支烟支检测的多个轴向密度进行处理，最后获得预测集样品所有烟支的轴向密度的预测集，以预测集样品轴向密度的预测集为输入参数，带入至训练好的BP神经网络模型进行预测集的燃烧锥落头的预测，得到预测集样品烟支燃烧锥掉落数据结果集。

上述步骤2)中，所述平衡环境为GB/T16447-2004规定的平衡环境，且平衡时间为48h。

上述步骤4)中，所述训练集样品中每支烟支多个检测点处的轴向密度采用微波水分密度分析仪进行测定，烟支烟丝段每1mm处作为一个检测点，每支烟支经测定可得到多个轴向密度数据，对每支烟支检测的多个轴向密度进行处理的方法是将靠近烟头端和靠近滤棒处的轴向密度数据剔除后得到m个轴向密度数据，最终获得训练集样品中所有烟支的轴向密度结果集R₁，结果集R₁的形式如下：

其中，n为训练集样品的烟支数量，m＝(烟支烟丝段长度为-2)/mm。

上述步骤5)中，所述烟支燃烧锥落头结果编码处理的方法为：对检测的燃烧锥落头的烟支用10表示，对检测的燃烧锥不落头的烟支用01表示，进行编码处理后得到的训练集样品结果集Y⁰的形式如下：

其中，n为训练集样品的烟支数量，p_nY＝1、p_nN＝0或者p_nY＝0、p_nN＝1。

上述步骤6)中，构建的所述BP神经网络模型包括输入层神经元个数为m、中间层神经元个数为M和输出层神经元个数为2，所述输入层神经元个数和中间层神经元个数以及BP神经网络模型训练次数均为变量。

上述步骤7)中，根据所述BP神经网络模型的输入参数计算得到输出结果，将计算的输出结果与期望值Y⁰进行误差对比，根据对比误差修改神经元的权值，重复上述误差对比与神经元权值修改的过程，最后，将计算输出的结果与期望值一致或误差小于设定的阈值即可；所述BP神经网络模型的训练流程如下：

①配置BP神经网络模型

随机生产输入层到中间层的连接权重w_ij(0＜w_ij＜1)和中间层到输出层的连接权重v_ij(0＜v_ij＜1)；

②输入层的输出y_i

将训练集样品的轴向密度ρ₁、ρ₂……ρ_i作为输入层的输入，则输入层的输出y_i为：

y_i＝ρ_i

式中，ρ_i为训练集样品中第i个样品的轴向密度，i＝(1，2，3……m)，m为输入层神经元个数，

③中间层的输入y_j

将输入层的输出y₁、y₂……y_i通过输入层到中间层的连续权重进行线性加权的方式得到中间层的输入y_j：

式中，j＝(1、2、3……M)，M为中间层神经元个数，y_j为第j个神经元的输入值，w_ij为输入层第i个神经元到中间层第j个神经元的连续权重，y_i为输入层第i个神经元的输入值，m为输入层神经元个数；

④中间层的输出y′_j

将中间层的输入y_j通过sigmod激励函数转换，将其映射到0-1区间，sigmod激励函数如下：

中间层的输出y′_j计算公式为：

式中，y′_j为中间层第j个神经元的输出值；

⑤输出层的输出y_k

将中间层神经元y′₁、y′₂……y′_j作为输出层的输入，通过中间层到输出层的连续权重进行线性加权的方式得到输出层的输出y_k，y_k的计算公式如下：

式中，k＝(1,2)，y_k为输出层第k个神经元的输出值，v_jk为中间层第j个神经元到输出层第k个神经元的连续权重，y′_j为中间层第j个神经元的输出值，M为中间层神经元个数；

⑥计算单个样品i的误差errorⁱ

将输出层

与期望值输出

进行运算，得出单样品误差errorⁱ，errorⁱ的计算方法如下：

式中，errorⁱ表示第i个训练样品的误差，

表示第i个训练样品的输出层第k个神经元的输出值，

表示第i个训练样品输出层第k个神经元的期望输出值；

⑦计算训练集样品的误差error

训练集样品的误差error计算方法如下：

式中，n为训练集样品的数量，当总误差error小于设定阈值或者训练次数达到设定训练次数时训练结束，否则，调整w_ij和v_ij的连续权重，重新计算训练集样品的误差error；

⑧设定误差目标函数E

误差目标函数E的计算公式如下：

⑨调节中间层v_jk的权重

为缩小目标函数值E，采用梯度下降法调节中间层v_jk的权重，v_jk的更新方法如下：

其中，

表示训练第c-1次时中间层第j个神经元到输出层第k个神经元的连接权重增量，

表示训练第c次时中间层第j个神经元到输出层第k个神经元的连接权重增量，

表示训练第c次时中间层第j个神经元到输出层第k个神经元的连接权重；

⑩调节输入层w_ij的权重

同理，采用梯度下降法调节输入层到中间层的连续权重w_ij，w_ij的调节更新方法如下：

f′(y_j)＝f(y_j)·(1－f(y_j))

式中，ω为动量冲量系数，取值范围为0～1，η为学习率，取值范围为0～1，

表示训练第c-1次时输入层第i个神经元到中间层第j个神经元的连接权重增量，

表示训练第c次时输入层第i个神经元到中间层第j个神经元的连接权重增量，

表示训练第c次时输入层第i个神经元到中间层第j个神经元的连接权重。

上述步骤8)中，所述预测集样品中每支烟支多个检测点处的轴向密度采用微波水分密度分析仪进行测定，烟支烟丝段每1mm处作为一个检测点，每支烟支经测定可得到多个轴向密度数据，对每支烟支检测的多个轴向密度进行处理的方法是将靠近烟头端和靠近滤棒处的轴向密度数据剔除后得到多个轴向密度数据；

所述预测集样品烟支燃烧锥掉落数据结果集中每支预测样品烟支的数据结果由两位数值

和

组成，当

时，视为此烟支掉头，否则，视为此烟支不掉头。

本发明与现有技术相比的优点：

1、本技术方案将一定量的烟支进行轴向密度检测，并在卷烟燃烧锥落头性能自动控制检测装置及检测方法的基础上得到烟支燃烧锥掉落的结果集，在此结果集上构建用于烟支燃烧锥落头的预测的BP神经网络模型，根据本发明预测精度较高，可信度较高；

2、本技术方案在对烟支燃烧锥落头的预测过程中，仅需要检测烟支的轴向密度，不需要点燃待检测的烟支，检测过程不产生烟气，不污染环境，检测过程简单、方便、快捷，与当前检测手段相比，极大的缩短了检测周期，减少检测人员的工作量；

3、本技术方案提供了一种快速无损的检测方法，检测过程不破坏样品，不损耗样品，不改变样品的物理外观，检测后的样品不影响消费者后续使用，

4、本技术方案构思巧妙，设计新颖，降低了烟支燃烧锥落头的检测成本，检测效率高，改善了检测环境，具有较高的使用价值。

附图说明

图1为本发明烟支燃烧锥落头流程示意图；

图2为本发明烟支轴向密度检测点示意图。

具体实施方式

下面结合附图1-2描述本发明的一种实施例，从而对技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

基于烟支轴向密度预测燃烧锥落头的方法，包括以下步骤：

1)从某品牌卷烟机上烟随机选取样品量a＝500的烟支；

2)将选取的样品放入平衡环境中进行平衡；具体的，所述平衡环境为GB/T16447-2004规定的平衡环境，且平衡时间为48h；

3)将平衡后的500支烟支随机挑选分成训练集样品和预测集样品，其中，训练集样品的烟支数量n＝300支，预测集样品的烟支数量b＝200支；

4)对平衡后的训练集样品进行排序编号，按照次序测定训练集样品中每支烟支多个检测点处的轴向密度，对每支烟支检测的多个轴向密度进行处理，最后获得训练集样品中所有烟支的轴向密度结果集R₁；具体的，如图2所示，所述训练集样品中每支烟支烟丝段长度为48mm，烟支烟丝段每1mm处作为一个检测点，检测点处的轴向密度采用微波水分密度分析仪进行测定，每支烟支经测定可得到48个轴向密度数据，对每支烟支检测的48个轴向密度进行处理的方法是将靠近烟头端和靠近滤棒处的轴向密度数据剔除后得到m＝48-2＝46个轴向密度数据，最终获得训练集样品中所有烟支的轴向密度结果集R₁，结果集R₁的形式如下：

5)将训练集样品依次经卷烟燃烧锥落头性能自动控制检测装置及检测方法进行烟支燃烧锥落头检测并记录，对记录的烟支燃烧锥落头结果进行编码处理后得到训练集样品结果集Y⁰；具体的，所述烟支燃烧锥落头结果编码处理的方法为：对检测的燃烧锥落头的烟支用10表示，对检测的燃烧锥不落头的烟支用01表示，进行编码处理后得到的训练集样品结果集Y⁰的形式如下：

对训练集样品进行烟支燃烧锥落头检测并记录的装置为中国发明专利CN105651626A公开的一种卷烟燃烧锥落头性能自动控制检测装置及检测方法，此专利授权公开为现有技术，因此，具体的卷烟燃烧锥落头性能自动控制检测装置以及检测方法参见此文件，再次不做具体赘述。

6)构建BP神经网络模型，并根据烟支品牌配置BP神经网络模型参数；具体的，构建的所述BP神经网络模型包括输入层神经元个数为m、中间层神经元个数为M和输出层神经元个数为2，所述输入层神经元个数和中间层神经元个数以及BP神经网络模型训练次数均为变量，输入层神经元个数为m与每支烟支的轴向密度个数相同，BP神经网络模型配置参数如表1所示：

表1 BP神经网络模型配置参数

7)将训练集样品的轴向密度结果集R₁作为BP神经网络模型的输入参数，将训练集样品燃烧锥掉头数据结果集Y⁰作为BP神经网络模型输出层的期望值，然后进行BP神经网络模型的训练，调节各神经元间的权重，直到BP神经网络模型的达到预设的阈值要求，保存训练好的BP神经网络模型；

此步骤中，根据所述BP神经网络模型的输入参数计算得到输出结果，将计算的输出结果与期望值Y⁰进行误差对比，根据对比误差修改神经元的权值，重复上述误差对比与神经元权值修改的过程，最后，将计算输出的结果与期望值一致或误差小于设定的阈值即可；所述BP神经网络模型的训练流程如下：

①配置BP神经网络模型

随机生产输入层到中间层的连接权重w_ij(0＜w_ij＜1)和中间层到输出层的连接权重v_ij(0＜v_ij＜1)；

②输入层的输出y_i

将训练集样品的轴向密度ρ₁、ρ₂……ρ_i作为输入层的输入，则输入层的输出y_i为：

y_i＝ρ_i

式中，ρ_i为训练集样品中第i个样品的轴向密度，i＝(1，2，3……m)，m为输入层神经元个数，

③中间层的输入y_j

将输入层的输出y₁、y₂……y_i通过输入层到中间层的连续权重进行线性加权的方式得到中间层的输入y_j：

式中，j＝(1、2、3……M)，M为中间层神经元个数，y_j为第j个神经元的输入值，w_ij为输入层第i个神经元到中间层第j个神经元的连续权重，y_i为输入层第i个神经元的输入值，m为输入层神经元个数；

④中间层的输出y′_j

将中间层的输入y_j通过sigmod激励函数转换，将其映射到0-1区间，sigmod激励函数如下：

中间层的输出y′_j计算公式为：

式中，y′_j为中间层第j个神经元的输出值；

⑤输出层的输出y_k

将中间层神经元y′₁、y′₂……y′_j作为输出层的输入，通过中间层到输出层的连续权重进行线性加权的方式得到输出层的输出y_k，y_k的计算公式如下：

式中，k＝(1,2)，y_k为输出层第k个神经元的输出值，v_jk为中间层第j个神经元到输出层第k个神经元的连续权重，y′_j为中间层第j个神经元的输出值，M为中间层神经元个数；

⑥计算单个样品i的误差errorⁱ

将输出层

与期望值输出

进行运算，得出单样品误差errorⁱ，errorⁱ的计算方法如下：

式中，errorⁱ表示第i个训练样品的误差，

表示第i个训练样品的输出层第k个神经元的输出值，

表示第i个训练样品输出层第k个神经元的期望输出值；

⑦计算训练集样品的误差error

训练集样品的误差error计算方法如下：

式中，n为训练集样品的数量，当总误差error小于设定阈值或者训练次数达到设定训练次数时训练结束，否则，调整w_ij和v_ij的连续权重，重新计算训练集样品的误差error；

⑧设定误差目标函数E

误差目标函数E的计算公式如下：

⑨调节中间层v_jk的权重

为缩小目标函数值E，采用梯度下降法调节中间层v_jk的权重，v_jk的更新方法如下：

其中，

表示训练第c-1次时中间层第j个神经元到输出层第k个神经元的连接权重增量，

表示训练第c次时中间层第j个神经元到输出层第k个神经元的连接权重增量，

表示训练第c次时中间层第j个神经元到输出层第k个神经元的连接权重；

⑩调节输入层w_ij的权重

同理，采用梯度下降法调节输入层到中间层的连续权重w_ij，w_ij的调节更新方法如下：

f′(y_j)＝f(y_j)·(1－f(y_j))

式中，ω为动量冲量系数，取值范围为0～1，η为学习率，取值范围为0～1，

表示训练第c-1次时输入层第i个神经元到中间层第j个神经元的连接权重增量，

表示训练第c次时输入层第i个神经元到中间层第j个神经元的连接权重增量，

表示训练第c次时输入层第i个神经元到中间层第j个神经元的连接权重。

8)将平衡后的200支预测集样品排序编号，烟支烟丝段每1mm处作为一个检测点，按照次序测定预测集样品的每支烟支的48个检测点处的轴向密度，采用微波水分密度分析仪进行测定，对每支烟支检测的48个轴向密度进行处理，对每支烟支检测的多个轴向密度进行处理的方法是将靠近烟头端和靠近滤棒处的轴向密度数据剔除后得到,46个轴向密度数据，最后获得预测集样品200支烟支的轴向密度的预测集p₁，具体如下所示：

以预测集样品的轴向密度的预测集p₁为输入参数，带入至训练好的BP神经网络模型进行预测集的燃烧锥落头的预测，得到预测集样品烟支燃烧锥掉落数据结果集，所述预测集样品烟支燃烧锥掉落数据结果集中每支预测样品烟支的数据结果由两位数值

和

组成，当

时，

和

输出层y_k的输出结果，视为此烟支掉头，否则，视为此烟支不掉头，具体结果见表2所示：

表2

预测结果验证，为检验本方法的可靠性，分别用本方法及中国发明专利(CN105651626A)提供的方法对预测集烟支(200支)进行检测，数据结果见表3。

表3

从表3中的数据可以得知：使用本方法和中国发明专利(CN105651626A)对200支烟支进行检测，两者检测的结果分别为：22％、21％，相对误差约为：4.55％(<5％)，两者检测结果一致程度较高。因此，使用本发明提供的方法可以对烟支燃烧锥的落头进行快速、有效的检测。

本技术方案将一定量的烟支进行轴向密度检测，并在卷烟燃烧锥落头性能自动控制检测装置及检测方法的基础上得到烟支燃烧锥掉落的结果集，在此结果集上构建用于烟支燃烧锥落头的预测的BP神经网络模型，根据本发明预测精度较高，可信度较高，在对烟支燃烧锥落头的预测过程中，仅需要检测烟支的轴向密度，不需要点燃待检测的烟支，检测过程不产生烟气，不污染环境，检测过程简单、方便、快捷，与当前检测手段相比，极大的缩短了检测周期，减少检测人员的工作量，提供了一种快速无损的检测方法，检测过程不破坏样品，不损耗样品，不改变样品的物理外观，检测后的样品不影响消费者后续使用，构思巧妙，设计新颖，降低了烟支燃烧锥落头的检测成本，检测效率高，改善了检测环境，具有较高的使用价值。

上述实施例，只是本发明的较佳实施例，并非用来限制本发明实施范围，故凡以本发明权利要求所述内容所做的等效变化，均应包括在本发明权利要求范围之内。

Claims (7)

1.基于烟支轴向密度预测燃烧锥落头的方法，其特征在于包括以下步骤：

1)同品牌卷烟随机选取样品量为a的烟支，其中，a≥300支；

2)将选取的样品放入平衡环境中进行平衡；

3)将平衡后的烟支随机挑选分成训练集样品和预测集样品，其中，训练集样品的烟支数量n与预测集样品的烟支数量b的总和为样品量a，

4)对平衡后的训练集样品进行排序编号，按照次序测定训练集样品中每支烟支多个检测点处的轴向密度，对每支烟支检测的多个轴向密度进行处理，最后获得训练集样品中所有烟支的轴向密度结果集R₁；

5)将训练集样品依次经卷烟燃烧锥落头性能自动控制检测装置及检测方法进行烟支燃烧锥落头检测并记录，对记录的烟支燃烧锥落头结果进行编码处理后得到训练集样品结果集Y⁰；

6)构建BP神经网络模型，并根据烟支品牌配置BP神经网络模型参数；

7)将训练集样品的轴向密度结果集R₁作为BP神经网络模型的输入参数，将训练集样品燃烧锥掉头数据结果集Y⁰作为BP神经网络模型输出层的期望值，然后进行BP神经网络模型的训练，调节各神经元间的权重，直到BP神经网络模型的达到预设的阈值要求，保存训练好的BP神经网络模型；

8)将平衡后的预测集样品排序编号，按照次序测定预测集样品的每支烟支多个检测点处的轴向密度，对每支烟支检测的多个轴向密度进行处理，最后获得预测集样品所有烟支的轴向密度的预测集，以预测集样品轴向密度的预测集为输入参数，带入至训练好的BP神经网络模型进行预测集的燃烧锥落头的预测，得到预测集样品烟支燃烧锥掉落数据结果集。

2.根据权利要求1所述的基于烟支轴向密度预测燃烧锥落头的方法，其特征在于：上述步骤2)中，所述平衡环境为GB/T16447-2004规定的平衡环境，且平衡时间为48h。

3.根据权利要求1所述的基于烟支轴向密度预测燃烧锥落头的方法，其特征在于：上述步骤4)中，所述训练集样品中每支烟支多个检测点处的轴向密度采用微波水分密度分析仪进行测定，烟支烟丝段每1mm处作为一个检测点，每支烟支经测定可得到多个轴向密度数据，对每支烟支检测的多个轴向密度进行处理的方法是将靠近烟头端和靠近滤棒处的轴向密度数据剔除后得到m个轴向密度数据，最终获得训练集样品中所有烟支的轴向密度结果集R₁，结果集R₁的形式如下：

其中，n为训练集样品的烟支数量，m＝(烟支烟丝段长度为-2)/mm。

4.根据权利要求1所述的基于烟支轴向密度预测燃烧锥落头的方法，其特征在于：上述步骤5)中，所述烟支燃烧锥落头结果编码处理的方法为：对检测的燃烧锥落头的烟支用10表示，对检测的燃烧锥不落头的烟支用01表示，进行编码处理后得到的训练集样品结果集Y⁰的形式如下：

其中，n为训练集样品的烟支数量，p_nY＝1、p_nN＝0或者p_nY＝0、p_nN＝1。

5.根据权利要求1所述的基于烟支轴向密度预测燃烧锥落头的方法，其特征在于：上述步骤6)中，构建的所述BP神经网络模型包括输入层神经元个数为m、中间层神经元个数为M和输出层神经元个数为2，所述输入层神经元个数和中间层神经元个数以及BP神经网络模型训练次数均为变量。

6.根据权利要求1所述的基于烟支轴向密度预测燃烧锥落头的方法，其特征在于：上述步骤7)中，根据所述BP神经网络模型的输入参数计算得到输出结果，将计算的输出结果与期望值Y⁰进行误差对比，根据对比误差修改神经元的权值，重复上述误差对比与神经元权值修改的过程，最后，将计算输出的结果与期望值一致或误差小于设定的阈值即可；所述BP神经网络模型的训练流程如下：

①配置BP神经网络模型

随机生产输入层到中间层的连接权重w_ij(0＜w_ij＜1)和中间层到输出层的连接权重v_ij(0＜v_ij＜1)；

②输入层的输出y_i

将训练集样品的轴向密度ρ₁、ρ₂……ρ_i作为输入层的输入，则输入层的输出y_i为：

y_i＝ρ_i

式中，ρ_i为训练集样品中第i个样品的轴向密度，i＝(1，2，3……m)，m为输入层神经元个数，

③中间层的输入y_j

将输入层的输出y₁、y₂……y_i通过输入层到中间层的连续权重进行线性加权的方式得到中间层的输入y_j：

式中，j＝(1、2、3……M)，M为中间层神经元个数，y_j为第j个神经元的输入值，w_ij为输入层第i个神经元到中间层第j个神经元的连续权重，y_i为输入层第i个神经元的输入值，m为输入层神经元个数；

④中间层的输出y′_j

将中间层的输入y_j通过sigmod激励函数转换，将其映射到0-1区间，sigmod激励函数如下：

中间层的输出y′_j计算公式为：

式中，y′_j为中间层第j个神经元的输出值；

⑤输出层的输出y_k

将中间层神经元y₁′、y′₂……y′_j作为输出层的输入，通过中间层到输出层的连续权重进行线性加权的方式得到输出层的输出y_k，y_k的计算公式如下：

式中，k＝(1,2)，y_k为输出层第k个神经元的输出值，v_jk为中间层第j个神经元到输出层第k个神经元的连续权重，y′_j为中间层第j个神经元的输出值，M为中间层神经元个数；

⑥计算单个样品i的误差errorⁱ

将输出层

与期望值输出

进行运算，得出单样品误差errorⁱ，errorⁱ的计算方法如下：

式中，errorⁱ表示第i个训练样品的误差，

表示第i个训练样品的输出层第k个神经元的输出值，

表示第i个训练样品输出层第k个神经元的期望输出值；

⑦计算训练集样品的误差error

训练集样品的误差error计算方法如下：

式中，n为训练集样品的数量，当总误差error小于设定阈值或者训练次数达到设定训练次数时训练结束，否则，调整w_ij和v_ij的连续权重，重新计算训练集样品的误差error；

⑧设定误差目标函数E

误差目标函数E的计算公式如下：

⑨调节中间层v_jk的权重

为缩小目标函数值E，采用梯度下降法调节中间层v_jk的权重，v_jk的更新方法如下：

其中，

表示训练第c-1次时中间层第j个神经元到输出层第k个神经元的连接权重增量，

表示训练第c次时中间层第j个神经元到输出层第k个神经元的连接权重增量，

表示训练第c次时中间层第j个神经元到输出层第k个神经元的连接权重；

⑩调节输入层w_ij的权重

同理，采用梯度下降法调节输入层到中间层的连续权重w_ij，w_ij的调节更新方法如下：

f′(y_j)＝f(y_j)·(1－f(y_j))

式中，ω为动量冲量系数，取值范围为0～1，η为学习率，取值范围为0～1，

表示训练第c-1次时输入层第i个神经元到中间层第j个神经元的连接权重增量，

表示训练第c次时输入层第i个神经元到中间层第j个神经元的连接权重增量，

表示训练第c次时输入层第i个神经元到中间层第j个神经元的连接权重。

7.根据权利要求1所述的基于烟支轴向密度预测燃烧锥落头的方法，其特征在于：上述步骤8)中，所述预测集样品中每支烟支多个检测点处的轴向密度采用微波水分密度分析仪进行测定，烟支烟丝段每1mm处作为一个检测点，每支烟支经测定可得到多个轴向密度数据，对每支烟支检测的多个轴向密度进行处理的方法是将靠近烟头端和靠近滤棒处的轴向密度数据剔除后得到多个轴向密度数据；

所述预测集样品烟支燃烧锥掉落数据结果集中每支预测样品烟支的数据结果由两位数值

和

组成，当

时，视为此烟支掉头，否则，视为此烟支不掉头。

Images