CN112881323A - 卷烟主流烟气的品质评价方法 - Google Patents
卷烟主流烟气的品质评价方法 Download PDFInfo
- Publication number
- CN112881323A CN112881323A CN202110058288.8A CN202110058288A CN112881323A CN 112881323 A CN112881323 A CN 112881323A CN 202110058288 A CN202110058288 A CN 202110058288A CN 112881323 A CN112881323 A CN 112881323A
- Authority
- CN
- China
- Prior art keywords
- mainstream smoke
- cigarette
- data
- spectral data
- cigarette mainstream
- 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
- 239000000779 smoke Substances 0.000 title claims abstract description 142
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 27
- 230000003595 spectral effect Effects 0.000 claims abstract description 70
- 238000013145 classification model Methods 0.000 claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 31
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000001953 sensory effect Effects 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 230000000391 smoking effect Effects 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 4
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000019505 tobacco product Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种卷烟主流烟气的品质评价方法，其包括：对若干烟支的卷烟主流烟气光谱数据中的异常数据进行剔除，以得到待评价光谱数据集；对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理；基于降噪处理后的各所述卷烟主流烟气光谱数据和预先构建的判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果。本发明提供的卷烟主流烟气的品质评价方法，利用判别分类模型可以对烟支的卷烟主流烟气光谱数据进行分析，自动直接获得卷烟主流烟气的品质评价结果，解决了现有技术中的卷烟主流烟气的品质评价方法通过专家评吸存在的费时费力、过程繁琐、效率低等问题，提高了对卷烟主流烟气的品质评价的效率和准确性。
Description
技术领域
本发明涉及烟草制品质量评价技术领域，尤其涉及一种卷烟主流烟气的品质评价方法。
背景技术
卷烟作为一种特殊吸食消费品，其主流烟气中关键组分含量直接影响到卷烟品质与口感，如何有效量化烟气成分与感官评吸之间的关联性以实现产品的精准评价，成为烟草行业亟待解决的关键技术瓶颈。
目前，针对卷烟主流烟气的品质评价方法通过专家评吸来得到，这种品质评价方法依赖于人工，而且人工评吸受到感官评吸人员自身因素以及外部环境的影响，这给卷烟评价结果带来了不确定的因素，同时，专家评吸方法存在费时费力、过程繁琐、效率低等问题。
因此，亟需一种卷烟主流烟气的品质评价方法。
发明内容
本发明的目的是提供一种卷烟主流烟气的品质评价方法，以解决上述现有技术中的问题，能够提高对卷烟主流烟气的品质评价的效率和准确性。
本发明提供了一种卷烟主流烟气的品质评价方法，其中，包括：
对若干烟支的卷烟主流烟气光谱数据中的异常数据进行剔除，以得到待评价光谱数据集；
对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理；
基于降噪处理后的各所述卷烟主流烟气光谱数据和预先构建的判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述卷烟主流烟气光谱数据包括中红外光谱数据。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述对若干烟支的卷烟主流烟气光谱数据中的异常数据进行剔除，以得到待评价光谱数据，具体包括：
利用光谱向量的Hotelling T2统计量剔除若干烟支的卷烟主流烟气光谱数据中的离群数据点，以得到待评价光谱数据。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理，具体包括：
采用二阶微分、Karl Norris导数滤波器、多元散射校正和小波变换中的至少一种方法对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述判别分类模型是基于主成分分析结合非线性支持向量机构建的。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述判别分类模型的构建方法具体包括：
基于主成分分析法对降噪处理后的各所述卷烟主流烟气光谱数据进行特征选择，以提取出主流烟气中的各组分在所述卷烟主流烟气光谱数据中的特征峰；
基于非线性支持向量机算法对经过特征峰提取的各所述卷烟主流烟气光谱数据进行训练，得到判别分类模型。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述基于主成分分析法对降噪处理后的各所述卷烟主流烟气光谱数据进行特征选择，具体包括：
(1)对主流烟气的光谱数据进行标准化处理，得到标准化数据，
其中，xij表示第i个数据的第j个波数峰强，
表示第i个数据的第j个波数峰强xij对应的标准化数据，n表示主流烟气光谱数据总数，
表示第j个波数峰强的样本均值，sj表示第j个波数峰强的标准差；
(2)根据标准化数据计算相关系数斜方差矩阵，
其中，rii＝1，rji＝rij，rij表示第i个参数与第j个参数的相关系数；
(3)根据相关系数矩阵的特征值和特征向量，得到主成分变量，
其中，y1为第1主成分，y2为第2主成分，ym为第m主成分，u11,u21,…,un1,u12,u22,…,un2,…,u1m,u2m,…,unm为相关系数矩阵的特征值，
为相关系数矩阵的特征向量。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述基于非线性支持向量机算法对经过特征峰提取的各所述卷烟主流烟气光谱数据进行训练，得到判别分类模型，具体包括：
以基于主成分分析得到的主流烟气光谱特征主成分分量作为支持向量机的输入数据；
对提取特征峰后的主流烟气特征变量添加分类标签，并根据所述分类标签将所有的卷烟主流烟气光谱数据分为训练集和测试集；
选取核函数建立基础模型；
将训练集中的主流烟气特征主成分分量输入所述基础模型中，通过反复迭代训练，得到主流烟气光谱与卷烟品质的判别分类模型；
通过所述测试集验证所述判别分类模型预测主流烟气与卷烟品质相关性的准确性。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述基于降噪处理后的各所述卷烟主流烟气光谱数据和预先构建的判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果，具体包括：
将降噪处理后的各所述卷烟主流烟气光谱数据输入到预先构建的所述判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果。
如上所述的卷烟主流烟气的品质评价方法，其中，优选的是，所述判别分类模型在训练过程中，利用专家感官评吸得分对所述判别分类模型输出的分类判断值进行监督，
其中，所述判别分类模型通过如下训练方法进行训练：
将所述卷烟主流烟气光谱数据的训练集输入到所述判别分类模型；
根据所述分类判断值和所述专家感官评吸得分，得到第一目标函数，将所述第一目标函数的梯度反传至所述所述判别分类模型；
当基于所述分类判断值和所述专家感官评吸得分得到的所述第一目标函数的函数值到达设定值时，停止训练。
本发明提供一种卷烟主流烟气的品质评价方法，利用判别分类模型可以对烟支的卷烟主流烟气光谱数据进行分析，自动直接获得卷烟主流烟气的品质评价结果，解决了现有技术中的卷烟主流烟气的品质评价方法通过专家评吸存在的费时费力、过程繁琐、效率低等问题，提高了对卷烟主流烟气的品质评价的效率和准确性。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
图1为本发明提供的卷烟主流烟气的品质评价方法的实施例的流程图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的，而不是作为限制。
本公开中使用的“第一”、“第二”：以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。“上”、“下”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
在本公开中，当描述到特定部件位于第一部件和第二部件之间时，在该特定部件与第一部件或第二部件之间可以存在居间部件，也可以不存在居间部件。当描述到特定部件连接其它部件时，该特定部件可以与所述其它部件直接连接而不具有居间部件，也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
如图1所示，本实施例提供的卷烟主流烟气的品质评价方法在实际执行过程中，具体包括：
步骤S1、对若干烟支的卷烟主流烟气光谱数据中的异常数据进行剔除，以得到待评价光谱数据集。
其中，所述卷烟主流烟气光谱数据包括中红外光谱数据，具体是基于空芯波导二维红外光谱检测技术获得的，空芯波导红外光谱技术作为一种红外增强技术，与常规红外光谱技术相比，空芯光纤技术借助Ag/AgI复合涂层的高反射率，使得入射光源在空芯光纤内形成多次反射而延长光与物质交互作用的光程，能够更高效地提升待测体系的红外吸收强度，从而降低检出限，提高分析的精密度和准确性。
具体而言，在本发明的卷烟主流烟气的品质评价方法的一种实施方式中，所述步骤S1具体可以包括：
利用光谱向量的Hotelling T2统计量剔除若干烟支的卷烟主流烟气光谱数据中的离群数据点，以得到待评价光谱数据。
步骤S2、对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理。
在本发明的卷烟主流烟气的品质评价方法的一种实施方式中，所述步骤S2具体可以包括：
采用二阶微分、Karl Norris导数滤波器、多元散射校正(multiplicativescatter correction，MSC)和小波变换中的至少一种方法对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理。
通过降噪处理，可以降低噪声干扰，使卷烟主流烟气光谱数据中的特征峰更加明显，便于从卷烟主流烟气光谱数据中的背景中提取特征峰，以此来提高信噪比。
步骤S3、基于降噪处理后的各所述卷烟主流烟气光谱数据和预先构建的判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果。
其中，所述判别分类模型是基于主成分分析(Principal Component Analysis，PCA)结合非线性支持向量机(Support vector machine，SVM)构建的。
进一步地，在本发明的卷烟主流烟气的品质评价方法的一种实施方式中，所述判别分类模型的构建方法具体包括：
基于主成分分析法对降噪处理后的各所述卷烟主流烟气光谱数据进行特征选择，以提取出主流烟气中的各组分在所述卷烟主流烟气光谱数据中的特征峰；
基于非线性支持向量机算法对经过特征峰提取的各所述卷烟主流烟气光谱数据进行训练，得到判别分类模型。
与线性支持向量机相比，非线性支持向量机的分类过程较模糊，只要输入提取出来的特征峰，就能自己建立判别关系和分类关系。
进一步地，所述判别分类模型的分类结果至少包括好、中和差。在本发明中，判别分类模型的分类结果为好、中和差，需要说明的是，本发明对判别分类模型的分类结果和数量不作具体限定，通过定义参数和变更权重，可以得到其他分类结果。
在本发明的卷烟主流烟气的品质评价方法的一种实施方式中，所述基于主成分分析法对降噪处理后的各所述卷烟主流烟气光谱数据进行特征选择具体可以包括：
(1)对主流烟气的光谱数据进行标准化处理，得到标准化数据，
其中，xij表示第i个数据的第j个波数峰强，
表示第i个数据的第j个波数峰强xij对应的标准化数据，n表示主流烟气光谱数据总数，
表示第j个波数峰强的样本均值，sj表示第j个波数峰强的标准差；
(2)根据标准化数据计算相关系数斜方差矩阵，
其中，rii＝1，rji＝rij，rij表示第i个参数与第j个参数的相关系数；
(3)根据相关系数矩阵的特征值和特征向量，得到主成分变量，
其中，y1为第1主成分，y2为第2主成分，ym为第m主成分，u11,u21,…,un1,u12,u22,…,un2,…,u1m,u2m,…,unm为相关系数矩阵的特征值，
为相关系数矩阵的特征向量。
由此可见，通过主成分分析，可以将原卷烟主流烟气光谱数据中的多达4000个变量的光谱数据进行降维特征提取，得到少数特征性更强的主成分变量。
在本发明的卷烟主流烟气的品质评价方法的一种实施方式中，所述基于非线性支持向量机算法对经过特征峰提取的各所述卷烟主流烟气光谱数据进行训练，得到判别分类模型，具体可以包括：
以基于主成分分析得到的主流烟气光谱特征主成分分量作为支持向量机的输入数据；
对提取特征峰后的主流烟气特征变量添加分类标签，并根据所述分类标签将所有的卷烟主流烟气光谱数据分为训练集和测试集；
选取核函数建立基础模型；
将训练集中的主流烟气特征主成分分量输入所述基础模型中，通过反复迭代训练，得到主流烟气光谱与卷烟品质的判别分类模型；
通过所述测试集验证所述判别分类模型预测主流烟气与卷烟品质相关性的准确性。
在本发明的卷烟主流烟气的品质评价方法的一种实施方式中，所述步骤S3具体可以包括：
将降噪处理后的各所述卷烟主流烟气光谱数据输入到预先构建的所述判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果。
进一步地，所述判别分类模型在训练过程中，利用专家感官评吸得分对所述判别分类模型输出的分类判断值进行监督，这样可以实现判别分类模型的验证和更新。
在本发明的卷烟主流烟气的品质评价方法的一种实施方式中，所述判别分类模型通过如下训练方法进行训练：
步骤S41、将所述卷烟主流烟气光谱数据的训练集输入到所述判别分类模型。
在本发明的卷烟主流烟气的品质评价方法的一种实施方式中，步骤S41具体可以包括：
步骤S411、将所述卷烟主流烟气光谱数据的原始训练集中的异常数据进行剔除，以得到待评价光谱数据训练集。
步骤S412、对所述待评价光谱数据训练集中的各所述卷烟主流烟气光谱数据进行降噪处理。
步骤S413、将降噪处理后的待评价光谱数据训练集中的各所述卷烟主流烟气光谱数据输入到所述判别分类模型。
步骤S42、根据所述分类判断值和所述专家感官评吸得分，得到第一目标函数，将所述第一目标函数的梯度反传至所述所述判别分类模型。
步骤S43、当基于所述分类判断值和所述专家感官评吸得分得到的所述第一目标函数的函数值到达设定值时，停止训练。
本发明实施例提供的卷烟主流烟气的品质评价方法，利用判别分类模型可以对烟支的卷烟主流烟气光谱数据进行分析，自动直接获得卷烟主流烟气的品质评价结果，解决了现有技术中的卷烟主流烟气的品质评价方法通过专家评吸存在的费时费力、过程繁琐、效率低等问题，提高了对卷烟主流烟气的品质评价的效率和准确性。
至此，已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种卷烟主流烟气的品质评价方法，其特征在于，包括：
对若干烟支的卷烟主流烟气光谱数据中的异常数据进行剔除，以得到待评价光谱数据集；
对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理；
基于降噪处理后的各所述卷烟主流烟气光谱数据和预先构建的判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果。
2.根据权利要求1所述的卷烟主流烟气的品质评价方法，其特征在于，所述卷烟主流烟气光谱数据包括中红外光谱数据。
3.根据权利要求1所述的卷烟主流烟气的品质评价方法，其特征在于，所述对若干烟支的卷烟主流烟气光谱数据中的异常数据进行剔除，以得到待评价光谱数据，具体包括：
利用光谱向量的Hotelling T2统计量剔除若干烟支的卷烟主流烟气光谱数据中的离群数据点，以得到待评价光谱数据。
4.根据权利要求1所述的卷烟主流烟气的品质评价方法，其特征在于，所述对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理，具体包括：
采用二阶微分、Karl Norris导数滤波器、多元散射校正和小波变换中的至少一种方法对所述待评价光谱数据集中的各所述卷烟主流烟气光谱数据进行降噪处理。
5.根据权利要求1所述的卷烟主流烟气的品质评价方法，其特征在于，所述判别分类模型是基于主成分分析结合非线性支持向量机构建的。
6.根据权利要求1所述的卷烟主流烟气的品质评价方法，其特征在于，所述判别分类模型的构建方法具体包括：
基于主成分分析法对降噪处理后的各所述卷烟主流烟气光谱数据进行特征选择，以提取出主流烟气中的各组分在所述卷烟主流烟气光谱数据中的特征峰；
基于非线性支持向量机算法对经过特征峰提取的各所述卷烟主流烟气光谱数据进行训练，得到判别分类模型。
7.根据权利要求6所述的卷烟主流烟气的品质评价方法，其特征在于，所述基于主成分分析法对降噪处理后的各所述卷烟主流烟气光谱数据进行特征选择，具体包括：
(1)对主流烟气的光谱数据进行标准化处理，得到标准化数据，
其中，xij表示第i个数据的第j个波数峰强，
表示第i个数据的第j个波数峰强xij对应的标准化数据，n表示主流烟气光谱数据总数，
表示第j个波数峰强的样本均值，sj表示第j个波数峰强的标准差；
(2)根据标准化数据计算相关系数斜方差矩阵，
其中，rii＝1，rji＝rij，rij表示第i个参数与第j个参数的相关系数；
(3)根据相关系数矩阵的特征值和特征向量，得到主成分变量，
……
其中，y1为第1主成分，y2为第2主成分，ym为第m主成分，u11,u21,…,un1,u12,u22,…,un2,…,u1m,u2m,…,unm为相关系数矩阵的特征值，
为相关系数矩阵的特征向量。
8.根据权利要求7所述的卷烟主流烟气的品质评价方法，其特征在于，所述基于非线性支持向量机算法对经过特征峰提取的各所述卷烟主流烟气光谱数据进行训练，得到判别分类模型，具体包括：
以基于主成分分析得到的主流烟气光谱特征主成分分量作为支持向量机的输入数据；
对提取特征峰后的主流烟气特征变量添加分类标签，并根据所述分类标签将所有的卷烟主流烟气光谱数据分为训练集和测试集；
选取核函数建立基础模型；
将训练集中的主流烟气特征主成分分量输入所述基础模型中，通过反复迭代训练，得到主流烟气光谱与卷烟品质的判别分类模型；
通过所述测试集验证所述判别分类模型预测主流烟气与卷烟品质相关性的准确性。
9.根据权利要求1所述的卷烟主流烟气的品质评价方法，其特征在于，所述基于降噪处理后的各所述卷烟主流烟气光谱数据和预先构建的判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果，具体包括：
将降噪处理后的各所述卷烟主流烟气光谱数据输入到预先构建的所述判别分类模型，得到各所述卷烟主流烟气光谱数据的品质评价结果。
10.根据权利要求1所述的卷烟主流烟气的品质评价方法，其特征在于，所述判别分类模型在训练过程中，利用专家感官评吸得分对所述判别分类模型输出的分类判断值进行监督，
其中，所述判别分类模型通过如下训练方法进行训练：
将所述卷烟主流烟气光谱数据的训练集输入到所述判别分类模型；
根据所述分类判断值和所述专家感官评吸得分，得到第一目标函数，将所述第一目标函数的梯度反传至所述所述判别分类模型；
当基于所述分类判断值和所述专家感官评吸得分得到的所述第一目标函数的函数值到达设定值时，停止训练。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110058288.8A CN112881323B (zh) | 2021-01-14 | 2021-01-14 | 卷烟主流烟气的品质评价方法 |
| PCT/CN2021/079140 WO2022151570A1 (zh) | 2021-01-14 | 2021-03-04 | 卷烟主流烟气的品质评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110058288.8A CN112881323B (zh) | 2021-01-14 | 2021-01-14 | 卷烟主流烟气的品质评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112881323A true CN112881323A (zh) | 2021-06-01 |
| CN112881323B CN112881323B (zh) | 2022-03-08 |
Family
ID=76048541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110058288.8A Active CN112881323B (zh) | 2021-01-14 | 2021-01-14 | 卷烟主流烟气的品质评价方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112881323B (zh) |
| WO (1) | WO2022151570A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035560A (zh) * | 2023-10-09 | 2023-11-10 | 深圳市五轮科技股份有限公司 | 基于大数据的电子烟生产数据管理系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843491A (zh) * | 2010-06-07 | 2010-09-29 | 天津大学 | 基于双线性模型的静息脑电身份识别方法 |
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| CN104568825A (zh) * | 2015-01-21 | 2015-04-29 | 川渝中烟工业有限责任公司 | 烤烟烟叶打叶复烤模块组配的方法 |
| CN104596981A (zh) * | 2015-01-30 | 2015-05-06 | 云南中烟工业有限责任公司 | 一种近红外光谱结合pls-da区分造纸法再造烟叶产品的方法 |
| CN105515650A (zh) * | 2015-11-24 | 2016-04-20 | 华中科技大学 | 基于光谱特征的光信号调制格式识别方法 |
| CN105654241A (zh) * | 2015-12-30 | 2016-06-08 | 山东中烟工业有限责任公司 | 一种基于多参数的卷烟质量定性指标评估方法 |
| CN105738303A (zh) * | 2016-02-04 | 2016-07-06 | 云南中烟工业有限责任公司 | 基于全谱段分子光谱的卷烟烟气质量趋势分析方法 |
| CN107014768A (zh) * | 2017-05-26 | 2017-08-04 | 云南中烟工业有限责任公司 | 卷烟主流烟气整体质量特征的红外光谱分析方法 |
| CN109492701A (zh) * | 2018-11-21 | 2019-03-19 | 中国农业科学院茶叶研究所 | 一种工夫红茶萎凋适度性判别方法及系统 |
| US20190162658A1 (en) * | 2017-11-24 | 2019-05-30 | Oil Crops Research Institute, Chinese Acadamy Of Agricultural Sciences | Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy |
| CN110132880A (zh) * | 2019-06-18 | 2019-08-16 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟叶整体感官质量评价方法 |
| CN111007040A (zh) * | 2019-12-27 | 2020-04-14 | 黑龙江八一农垦大学 | 大米食味品质近红外光谱快速评价方法 |
| CN111665215A (zh) * | 2020-05-26 | 2020-09-15 | 西北农林科技大学 | 一种基于嵌入式的苹果成熟度检测系统及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09304371A (ja) * | 1996-05-09 | 1997-11-28 | Mitsubishi Rayon Co Ltd | たばこ煙の分別評価装置及びそれを用いたたばこ煙の分別評価方法 |
| CN100444153C (zh) * | 2005-11-28 | 2008-12-17 | 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 |
| CN107646089B (zh) * | 2015-03-06 | 2020-12-08 | 英国质谱公司 | 光谱分析 |
| CN108414471B (zh) * | 2018-01-10 | 2020-07-17 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱与感官评吸互信息判别感官表征信息的方法 |
| CN108801968B (zh) * | 2018-06-05 | 2021-07-13 | 天津大学 | 一种基于真空红外光谱的烟丝整体质量特征分析方法 |
| CN109444326A (zh) * | 2019-01-10 | 2019-03-08 | 云南中烟工业有限责任公司 | 一种卷烟主流烟气主成分捕集检测装置及其分析方法 |
-
2021
- 2021-01-14 CN CN202110058288.8A patent/CN112881323B/zh active Active
- 2021-03-04 WO PCT/CN2021/079140 patent/WO2022151570A1/zh active Application Filing
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101843491A (zh) * | 2010-06-07 | 2010-09-29 | 天津大学 | 基于双线性模型的静息脑电身份识别方法 |
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| CN104568825A (zh) * | 2015-01-21 | 2015-04-29 | 川渝中烟工业有限责任公司 | 烤烟烟叶打叶复烤模块组配的方法 |
| CN104596981A (zh) * | 2015-01-30 | 2015-05-06 | 云南中烟工业有限责任公司 | 一种近红外光谱结合pls-da区分造纸法再造烟叶产品的方法 |
| CN105515650A (zh) * | 2015-11-24 | 2016-04-20 | 华中科技大学 | 基于光谱特征的光信号调制格式识别方法 |
| CN105654241A (zh) * | 2015-12-30 | 2016-06-08 | 山东中烟工业有限责任公司 | 一种基于多参数的卷烟质量定性指标评估方法 |
| CN105738303A (zh) * | 2016-02-04 | 2016-07-06 | 云南中烟工业有限责任公司 | 基于全谱段分子光谱的卷烟烟气质量趋势分析方法 |
| CN107014768A (zh) * | 2017-05-26 | 2017-08-04 | 云南中烟工业有限责任公司 | 卷烟主流烟气整体质量特征的红外光谱分析方法 |
| US20190162658A1 (en) * | 2017-11-24 | 2019-05-30 | Oil Crops Research Institute, Chinese Acadamy Of Agricultural Sciences | Method for detecting multivariate adulteration of edible oil based on near-infrared spectroscopy |
| CN109492701A (zh) * | 2018-11-21 | 2019-03-19 | 中国农业科学院茶叶研究所 | 一种工夫红茶萎凋适度性判别方法及系统 |
| CN110132880A (zh) * | 2019-06-18 | 2019-08-16 | 浙江中烟工业有限责任公司 | 一种基于近红外光谱的烟叶整体感官质量评价方法 |
| CN111007040A (zh) * | 2019-12-27 | 2020-04-14 | 黑龙江八一农垦大学 | 大米食味品质近红外光谱快速评价方法 |
| CN111665215A (zh) * | 2020-05-26 | 2020-09-15 | 西北农林科技大学 | 一种基于嵌入式的苹果成熟度检测系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| 任志强等: "应用主成分分析法评价卷烟产品质量及其稳定性", 《烟草科技》 * |
| 张慧筠等: "主成分分析法在卷烟质量评价中的应用", 《广东化工》 * |
| 章平泉 等: ""主成分分析-支持向量机在卷烟主流烟气分析中的应用"", 《中国烟草学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117035560A (zh) * | 2023-10-09 | 2023-11-10 | 深圳市五轮科技股份有限公司 | 基于大数据的电子烟生产数据管理系统 |
| CN117035560B (zh) * | 2023-10-09 | 2024-02-20 | 深圳市五轮科技股份有限公司 | 基于大数据的电子烟生产数据管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112881323B (zh) | 2022-03-08 |
| WO2022151570A1 (zh) | 2022-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moghadam et al. | Plant disease detection using hyperspectral imaging | |
| US20220051074A1 (en) | Quantitative spectral data analysis and processing method based on deep learning | |
| Teye et al. | Rapid differentiation of Ghana cocoa beans by FT-NIR spectroscopy coupled with multivariate classification | |
| Çetin et al. | Using hyperspectral imaging technology and machine learning algorithms for assessing internal quality parameters of apple fruits | |
| Raghavendra et al. | Mango internal defect detection based on optimal wavelength selection method using NIR spectroscopy | |
| Phillips et al. | Developing a new ensemble approach with multi-class SVMs for Manuka honey quality classification | |
| Benmouna et al. | Convolutional neural networks for estimating the ripening state of Fuji apples using visible and near-infrared spectroscopy | |
| He et al. | Fast discrimination of apple varieties using Vis/NIR spectroscopy | |
| Chen et al. | Discrimination of Fresh Tobacco Leaves with Different Maturity Levels by Near‐Infrared (NIR) Spectroscopy and Deep Learning | |
| Yun et al. | Identification of tea based on CARS‐SWR variable optimization of visible/near‐infrared spectrum | |
| Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
| Barth et al. | Classification of wines using principal component analysis | |
| Jiang et al. | Identification of tomato maturity based on multinomial logistic regression with kernel clustering by integrating color moments and physicochemical indices | |
| CN112881323B (zh) | 卷烟主流烟气的品质评价方法 | |
| de Carvalho Lopes et al. | Classification and authentication of plants by chemometric analysis of spectral data | |
| Shao et al. | A new approach to discriminate varieties of tobacco using vis/near infrared spectra | |
| Mireei et al. | Detecting bunch withering disorder in date fruit by near infrared spectroscopy | |
| Xu et al. | Nondestructive detection of total soluble solids in grapes using VMD‐RC and hyperspectral imaging | |
| Lu et al. | Identification of tea white star disease and anthrax based on hyperspectral image information | |
| Du et al. | Application of near-infrared spectroscopy and CNN-TCN for the identification of foreign fibers in cotton layers | |
| CN113310937A (zh) | 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法 | |
| WO2021253874A1 (zh) | 卷烟主流烟气光谱数据的感官评价方法 | |
| Gomes et al. | Towards robust Machine Learning models for grape ripeness assessment | |
| Fernandes et al. | A review of the application to emergent subfields in viticulture of local reflectance and interactance spectroscopy combined with soft computing and multivariate analysis | |
| Khanh Ninh et al. | Fruit recognition based on near-infrared spectroscopy using deep neural networks |
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 |