CN113222268A - 一种基于多模式推理的烟草烘烤质量预测模型建立方法 - Google Patents

一种基于多模式推理的烟草烘烤质量预测模型建立方法 Download PDF

Info

Publication number
CN113222268A
CN113222268A CN202110565034.5A CN202110565034A CN113222268A CN 113222268 A CN113222268 A CN 113222268A CN 202110565034 A CN202110565034 A CN 202110565034A CN 113222268 A CN113222268 A CN 113222268A
Authority
CN
China
Prior art keywords
time
data
representing
matrix
vector
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
CN202110565034.5A
Other languages
English (en)
Other versions
CN113222268B (zh
Inventor
吴青娥
王淑娟
陈虎
鲁迎波
周林涛
宗涛
宋智超
李朋磊
万国梁
王文静
李勇
安紫明
马致远
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.)
Zhengzhou University of Light Industry
Original Assignee
Zhengzhou University of Light Industry
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 Zhengzhou University of Light Industry filed Critical Zhengzhou University of Light Industry
Priority to CN202110565034.5A priority Critical patent/CN113222268B/zh
Publication of CN113222268A publication Critical patent/CN113222268A/zh
Application granted granted Critical
Publication of CN113222268B publication Critical patent/CN113222268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于多模式推理的烟草烘烤质量预测模型建立方法，用于解决当前烟叶烘烤质量不高的技术问题。其步骤为：首先，从历史烟草烘烤过程的烟草数据中进行挖掘抽取，获得与烘烤质量相关的指标数据，并采用最值比较法对各项指标数据进行标准化处理，得到每项指标数据的权值；其次，分析每项指标数据的权值，采用多模式推理方法寻找烘烤过程中输入数据与输出数据的映射关系，并建立输入数据与输出数据之间的关系模型；最后，对关系模型进行可行性验证，并利用多模式推理方法得出的多输入数据与多输出数据的映射关系矩阵对烟草烘烤质量进行监测。本发明能够达到对烟草加工过程的精确控制，以此来提高烟叶加工的质量。

Description

一种基于多模式推理的烟草烘烤质量预测模型建立方法
技术领域
本发明涉及烟草质量检测技术领域，特别是指一种基于多模式推理的烟草烘烤质量预测 模型建立方法。
背景技术
烟叶是农业产品中重要的经济作物，随着现代烟草工业的发展以及市场消费需求的变化， 对烟草的品质工艺提出了更高要求。由于现代烟草烘烤技术的推广以及密集烤房建设的稳步 推进，烟叶烘烤正向着工厂化和集约化发展，一改以往在简陋的土烤房中凭借经验直接烘烤 的方式。生产条件的提高以及生产环境的改善对烟草烘烤过程提出了更高的要求，以此来提 高最终生产的烟叶质量。
随着计算机网络技术的迅速发展以及生活生产中对各种数据获取能力的不断增强，各行 各业拥有的数据量呈现指数级增长态势。海量数据的出现，随之而来的便是对众多数据如何 进行廉价存储、快速处理、深入挖掘等问题，对这些问题的研究直接促成了“大数据”技术 的出现。大数据具有体量巨大、类型繁多、价值密度低、商用价值高以及处理速度快等特点， 以大数据为研究对象的数据处理、保存、分析应用技术正处于迅猛发展阶段。
在现代化烟草烘烤技术中，对于采集到的众多数据没有得到充分地使用，对于无效无用 数据的筛出不足，导致难以在烟草烘烤过程中对烟草烘烤质量进行精确预测。因此在众多数 据中建立一个能够准确表达烟草烘烤前与烘烤后的数据关系的映射极为重要。
发明内容
针对上述背景技术中存在的不足，本发明提出一个基于多模式推理的烟草烘烤质量预测 模型建立方法，解决了当前烟草烘烤采用的三段式烘烤方法，多层烤房内各层烟叶受热不均 匀，容易造成烟叶温度差距较大导致烟叶烘烤质量不高的问题。
本发明的技术方案是这样实现的：
一种基于多模式推理的烟草烘烤质量预测模型建立方法，其步骤如下：
步骤一：从历史烟草烘烤过程的烟草数据中进行挖掘抽取，获得与烘烤质量相关的指标 数据，并采用最值比较法对各项指标数据进行标准化处理，得到每项指标数据的权值；
步骤二：分析每项指标数据的权值，采用多模式推理方法寻找烘烤过程中输入数据与输 出数据的映射关系，并建立输入数据与输出数据之间的关系模型；
步骤三：对步骤二建立的关系模型进行可行性验证，并利用多模式推理方法得出的多输 入数据与多输出数据的映射关系矩阵对烟草烘烤质量进行监测。
优选地，所述与烘烤质量相关的指标数据包括干球的温度、湿球的温度、绝对温度和湿 度。
优选地，所述采用最值比较法对各项指标数据进行标准化处理的方法为：
Figure BDA0003080628950000021
其中，x't,i'表示第t类指标的第i'个数据的权值，xt,i'表示第t类指标的第i'个数据，xt,max表示第t类指标的最大值，t＝1,2,…,T，T为指标的种类数，i'＝1,2,…,I，I为第t类指标的 数据的数量。
优选地，所述采用多模式推理方法寻找烘烤过程中输入数据与输出数据的映射关系，并 建立输入数据与输出数据之间的关系模型的方法为：
根据烘烤过程中输入数据与输出数据，建立一个期望的状态方程：
X(k+1)＝f[k,X(k)]+G(k)W(k)，
其中，X(k+1)表示k+1时刻输入的状态向量，X(k)表示k时刻输入的状态向量， f[k,X(k)]是关于状态X(k)的非线性函数，W(k)表示过程噪声序列，G(k)为噪声分布矩阵， k表示时刻；且W(k)满足：E[W(k)]＝0,E[W(k)W′(j)]＝Q(k)δkj，其中，E[·]为求期望的函数，W(j)表示过程噪声序列，Q(k)表示过程噪声的零均值正定协方差矩阵，δkj表示偏差数，j表示不同于k的任意时刻；
根据输入数据建立输出数据对应的量测方程：
Z(k)＝h[k,X(k)]+V(k)，
其中，Z(k)表示k时刻的实际输出向量，h[k,X(k)]表示测量输出的非线性函数，V(k)为 量测噪声序列；且V(k)满足：E[V(k)]＝0,E[V(k)V′(j)]＝R(k)δkj，其中，V(j)表示量测噪 声序列，R(k)表示测量噪声的零均值正定协方差矩阵；
假定过程噪声序列和量测噪声序列彼此独立，并且给定初始状态估计
Figure BDA0003080628950000022
和协方差矩 阵P(0|0)；则在k时刻存在：
Figure BDA0003080628950000023
其中，
Figure BDA0003080628950000024
表示条件均值，P(k|k)表示均方误差，Zk表示k时刻的实际输出向量；
从k时刻到k+1时刻的状态预测为：
Figure BDA0003080628950000031
其中，
Figure BDA0003080628950000032
表示k+1时刻相对于k时刻的状态估计值，
Figure BDA0003080628950000033
表示
Figure BDA0003080628950000034
的 非线性函数，ei是直角坐标系中的第i个基向量，n是状态向量X(k)的维数，tr[·]表示矩阵
Figure BDA0003080628950000035
的迹，
Figure BDA0003080628950000036
表示向量f的第i个分量的海赛矩阵，
Figure BDA0003080628950000037
表 示函数对x进行求导，fi(k,X)表示第i个分量k时刻状态X的非线性函数值，
Figure BDA0003080628950000038
表示k 时刻的状态估计值；
预测误差方程为：
Figure BDA0003080628950000039
其中，
Figure BDA00030806289500000310
表示第i个分量k+1时刻相对于k时刻的状态估计值的预测误差，xi(k+1)表示第i个分量在k+1时刻的状态实际值，
Figure BDA00030806289500000311
表示第i个分量k+1时刻相对于k时刻的状态估计值，
Figure BDA00030806289500000312
表示
Figure BDA00030806289500000313
的非线性函数，
Figure BDA00030806289500000314
表示第i个分量在k时刻的预测误差；
与预测误差相对应的协方差为：
Figure BDA00030806289500000315
其中，P(k+1|k)表示k+1时刻相对于k时刻的协方差，
Figure BDA00030806289500000316
是向量f 的雅可比矩阵，f(k,X)表示k时刻状态X的非线性函数值，f'X(k)表示k时刻的雅可比矩阵 的一阶导数，ej是直角坐标系中的第j个基向量，
Figure BDA00030806289500000317
表示第i个分量的海赛矩阵在k 时刻的非线性函数值，G'(k)表示过程噪声分布的导数矩阵；
对于二阶滤波，量测预测值为：
Figure BDA00030806289500000318
其中，
Figure BDA00030806289500000319
表示k+1时刻相对于k时刻的输出向量的预测值，
Figure BDA00030806289500000320
表 示
Figure BDA00030806289500000321
的非线性函数，m是测量向量Z(k)的维数，
Figure BDA00030806289500000322
表示向量h的第i个分量的海赛矩阵，hi(k+1,X)表示第i个分量在k+1时刻的状态X非线性 函数值；与量测预测值相对应的协方差为：
Figure BDA0003080628950000041
其中，S(k+1)表示在k+1时刻的测量误差的协方差矩阵，
Figure BDA0003080628950000042
为向量h的雅可比矩阵，h'X(k+1)表示第k+1时刻向量h的雅可比矩阵的一阶导数，
Figure BDA0003080628950000043
表示向量h的第j个分量的海赛矩阵，R(k+1)表示测量噪声的零均值正定协方差矩阵；
而滤波增益为：
K(k+1)＝P(k+1|k)h′X(k+1)S-1(k+1)，
其中，K(k+1)表示k+1时刻的滤波增益，S-1(k+1)表示S(k+1)的逆；
烟草烘烤过程中的状态更新方程为：
Figure BDA0003080628950000044
其中，
Figure RE-GDA0003110207050000045
表示在k+1时刻的状态估计值，
Figure RE-GDA0003110207050000046
是量测残差；
烟草烘烤过程中的协方差更新方程为：
P(k+1|k+1)＝P(k+1|k)-P(k+1|k)h′X(k+1)S-1(k+1)hX(k+1)P(k+1|k)
＝P(k+1|k)-K(k+1)S(k+1)K′(k+1)，
其中，P(k+1|k+1)表示在k+1时刻的更新的协方差矩阵，K'(k+1)表示滤波增益在k+1 时刻的一阶导数；
进一步，实际输出向量为：
Figure BDA0003080628950000047
其中，
Figure BDA0003080628950000048
表示k+1时刻相对于k时刻的输出向量估计值；
实际输出向量的误差为：
Figure BDA0003080628950000049
其中，
Figure BDA00030806289500000410
是实际输出的残差；
于是，实际输出的误差协方差为：
Figure BDA00030806289500000411
其中，S'(k+1)是实际输出的协方差阵；
通过函数变换T将输入向量X到输出向量Y确定X到Y的一个映射关系RT；则建立输入 数据与输出数据之间的关系模型为：
输入数据为X＝{x1,x2,…xn}，输出数据为Y＝{y1,y2,…ym}；给定X到Y的一个映射关系 R可确定X到Y的一个函数变换为：
Figure BDA0003080628950000055
其中，TR(A)表示输入矩阵A与输入到输出间的关系R的合成运算结果，A表示输入矩 阵，R表示从输入到输出间的映射关系矩阵，
Figure BDA0003080628950000056
表示合成算子。
优选地，所述对关系模型进行可行性验证的方法为：
S3.1、根据输入数据和输出数据建立因素集U＝{u1,u2,…un}与决断集V＝{v1,v2,…vm}；
S3.2、建立综合评判矩阵
对于每一个因素ui，建立单因素评判向量：Di＝{di1,di2,…dim}，其中，dij表示vj对因素 ui所作的评判，0≤dij≤1；由单因素评判向量得到单因素评判矩阵D＝(dij)n×m；
S3.3、综合评判
根据各因素权重A＝{a1,a2,…an}，得到综合评判矩阵：
Figure BDA0003080628950000051
其中， B是决断集V上的一个模糊子集，根据运算
Figure BDA0003080628950000052
的不同定义，得到不同的关系模型。
优选地，所述利用多模式推理方法得出的多输入数据与多输出数据的映射关系矩阵对烟 草烘烤质量进行监测的方法为：
依据多模式推理方法得到从多输入到多输出的关系矩阵R，建立推理模型：
Figure BDA0003080628950000053
其中，X为训练集中的多维输入向量，Y为训练集中的多维输出向量；
通过建立的推理模型得到全新测试集Yout：
Figure BDA0003080628950000054
得到的测试集Yout与原 始输入数据的吻合率在90％以上，其中，Xin表示测试集中的输入数据即输入矩阵。
与现有技术相比，本发明产生的有益效果为：本发明把所有的输入各参数和输出各指标 分别作为一个整体来建立参数与指标之间的一个关系模型，提出一个多模式推理状态系统方 法，建立了该状态模型，建立一个从多输入到多输出的映射关系矩阵，得到输入与输出的关 系矩阵后，从关系矩阵与输入指标的运算中得到输出指标，从而达到对烟草加工过程的精确 控制，以此来提高烟叶加工的质量。
附图说明
为了更清楚地说明本发明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发明的一 些实施例，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，还可以根据这些 附图获得其他的附图。
图1为本发明的流程图。
图2是本发明具体实例在一次预测时各指标的走向图。
图3是本发明具体实例预测准确率与其他方法预测的准确度对比曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明 中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例， 都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于多模式推理的烟草烘烤质量预测模型建立方 法，首先对主要因素数据进行挖掘抽取；然后对挖掘的数据进行归一化处理，因为数据的种 类、单位、特性等不统一，要挖掘输入与输出间的关系，就必须对数据进行归一化处理；分 析输入与输出间数据的关联关系，挖掘出主要输入因素与次要因素对输出影响的比重；建立 多输入与多输出的映射关系矩阵，即输入输出模型的建立；通过此关系矩阵进行测试，即对 用户的输入实施与关系矩阵的合成，最终得到用户根据输入的烟草一些相关指标值所能反现 出的烘烤预测指标值，并给出预测指标值的变化曲线图。具体步骤如下：
步骤一：从历史烟草烘烤过程的烟草数据中进行挖掘抽取，获得与烘烤质量相关的指标 数据，与烘烤质量相关的指标数据包括干球的温度、湿球的温度、绝对温度和湿度；并采用 最值比较法对各项指标数据进行标准化处理，得到每项指标数据的权值。
烟草烘烤往往伴随着大量的数据，其中不乏对烟草烘烤质量无关紧要的变量，如果是对 于烟叶所有数据进行分析势必存在众多冗余且无效的数据，给后期的指标预测带来不必要的 数据干扰，使模型复杂度增加，预测效果也难以达到预期效果。因此，首先要对大量的数据 进行研究，对无用数据进行剔除，筛选出对烟草烘烤有影响变量以及最终决定烟草质量的相 关变量。对于烟草数据的筛选可查阅其烘烤流程，得知对烘烤具有影响的因素为干、湿球的 温度，绝对温度以及湿度。化学成分等因素对烟草的烘烤基本无影响。烟草质量评判标准有 红、绿、蓝以及水分。筛选出影响因素后接下来对数据进行下一步的处理。
因为烟草数据的种类、单位、特性等不统一，要挖掘输入与输出间的关系，就必须对数 据进行归一化处理。数据归一化即是将数据按照一定规则缩放，使之落入一个小的特定区间 这样去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进 行比较和加权。常用的数据标准化方法有Min-Max数据标准化、Z-score数据标准化等，对于 标准化后的数据进行权值分析可避免样本数据空间分配不均所导致的结果不准确。
这里采用最值比较法对各项指标数据进行标准化处理的方法为采用某一类变量与该类变 量的最大值的比值作为其标准化值，即：
Figure BDA0003080628950000071
其中，x't,i'表示第t类指标的第i'个数据的权值，xt,i'表示第t类指标的第i'个数据，xt,max表示第t类指标的最大值，t＝1,2,…,T，T为指标的种类数，i'＝1,2,…,I，I为第t类指标的 数据的数量。
步骤二：分析每项指标数据的权值，采用多模式推理方法寻找烘烤过程中输入数据与输 出数据的映射关系，并建立输入数据与输出数据之间的关系模型。
分析输入与输出数据，包括类型、维数、输入与输出个数、数值特点、数据的全面性， 输出期望要求等，根据数据特点，提出数据关系的多种模型，进行试验，最终确立一个合理 的算法。推理预测的具体模式为：如果“输入x是A，则输出y是B”，那么如果“输入x是A′，输出y是B′应该是什么形式”？可定义：
Figure BDA0003080628950000072
即：B′可用A′与由A到B的 推理关系进行合成而得到。
根据烘烤过程中输入数据与输出数据，建立一个期望的状态方程：
X(k+1)＝f[k,X(k)]+G(k)W(k) (1)，
其中，X(k+1)表示k+1时刻输入的状态向量，X(k)表示k时刻输入的状态向量， f[k,X(k)]是关于状态X(k)的非线性函数，W(k)表示过程噪声序列，G(k)为噪声分布矩阵， k表示时刻；为了便于建模处理，假定烟草烘烤开始没有控制输入，并假定烘烤过程中的输入偏差即过程噪声W(k)是加性零均值白噪声，且噪声分布矩阵G(k)为已知，且W(k)满足： E[W(k)]＝0,E[W(k)W′(j)]＝Q(k)δkj，其中，E[·]为求期望的函数，W(j)表示过程噪声序列，Q(k)表示过程噪声的零均值正定协方差矩阵，δkj表示很小的偏差数，j表示不同于k的任意时刻。
根据输入数据建立输出数据(起始为excel表中的输出数据)对应的量测方程：
Z(k)＝h[k,X(k)]+V(k) (2)，
其中，Z(k)表示k时刻的实际输出向量，h[k,X(k)]表示测量输出的非线性函数，V(k)为 量测噪声序列；实际输出的偏差即量测噪声V(k)也是加性零均值白噪声，且V(k)满足：E[V(k)]＝0,E[V(k)V′(j)]＝R(k)δkj，其中，V(j)表示量测噪声序列，R(k)表示测量噪声的 零均值正定协方差矩阵。
假定过程噪声序列和量测噪声序列彼此独立，并且给定初始状态估计
Figure BDA0003080628950000081
和协方差矩 阵P(0|0)；则在k时刻存在：
Figure BDA0003080628950000082
其中，
Figure BDA0003080628950000083
表示条件均值，P(k|k)表示均方误差，Zk表示表示k时刻的实际输出向量。 式(3)是一个近似的条件均值，相伴的协方差是P(k|k)。鉴于
Figure BDA0003080628950000084
不是精确的条件均值 这个事实，所以，严格地说，P(k|k)是近似的均方误差，而不是协方差。
从k时刻到k+1时刻的状态预测为：
Figure BDA0003080628950000085
其中，
Figure BDA0003080628950000086
表示k+1时刻相对于k时刻的状态估计值，
Figure BDA0003080628950000087
表示
Figure BDA0003080628950000088
的 非线性函数，ei是直角坐标系中的第i个基向量，n是状态向量X(k)的维数，tr[·]表示表示 矩阵
Figure BDA0003080628950000089
的迹，
Figure BDA00030806289500000810
表示向量f的第i个分量的海赛矩阵，
Figure BDA00030806289500000811
表示函数对x进行求导，，fi(k,X)表示第i个分量k时刻状态X的非线性函数值，
Figure BDA00030806289500000812
表示k时刻的状态估计值。
预测误差方程为：
Figure BDA00030806289500000813
其中，
Figure BDA00030806289500000814
表示第i个分量k+1时刻相对于k时刻的状态估计值的预测误差，xi(k+1)表示第i个分量在k+1时刻的状态实际值，
Figure BDA00030806289500000815
表示第i个分量k+1时刻相对 于k时刻的状态估计值，
Figure BDA00030806289500000816
表示
Figure BDA00030806289500000817
的非线性函数，
Figure BDA00030806289500000818
表示第i个分量在 k时刻的预测误差。
与预测误差相对应的协方差为：
Figure BDA00030806289500000819
其中，P(k+1|k)表示k+1时刻相对于k时刻的协方差，
Figure BDA0003080628950000091
是向量f 的雅可比矩阵，在状态的最近估值上取得，f(k,X)表示k时刻状态X的非线性函数值，f'X(k) 表示k时刻的雅可比矩阵的一阶导数，ej是直角坐标系中的第j个基向量，
Figure BDA0003080628950000092
表示第 i个分量的海赛矩阵在k时刻的非线性函数值，G'(k)表示过程噪声分布的导数矩阵。
类似地，对于二阶滤波，量测预测值为：
Figure BDA0003080628950000093
其中，
Figure BDA0003080628950000094
表示k+1时刻相对于k时刻的输出向量的预测值，
Figure BDA0003080628950000095
表 示
Figure BDA0003080628950000096
的非线性函数，m是测量向量Z(k)的维数，
Figure BDA0003080628950000097
表示向量h的第i个分量的海赛矩阵，hi(k+1,X)表示第i个分量在k+1时刻的状态X非线性 函数值。与量测预测值相对应的协方差(近似的均方误差)为：
Figure BDA0003080628950000098
其中，S(k+1)表示在k+1时刻的测量误差的协方差矩阵，
Figure BDA0003080628950000099
为向量h的雅可比矩阵，h'X(k+1)表示第k+1时刻向量h的雅可比矩阵的一阶导数，
Figure BDA00030806289500000910
表示向量h的第j个分量的海赛矩阵，R(k+1)表示测量噪声的零均值正定协方差矩阵。
而滤波增益为：
K(k+1)＝P(k+1|k)h′X(k+1)S-1(k+1) (9)，
其中，K(k+1)表示k+1时刻的滤波增益，S-1(k+1)表示S(k+1)的逆。
烟草烘烤过程中的状态更新方程为：
Figure BDA00030806289500000911
其中，
Figure RE-GDA00031102070500000913
表示在k+1时刻的状态估计值，
Figure RE-GDA00031102070500000914
是量测残差。
烟草烘烤过程中的协方差更新方程，即与式(10)相对应的滤波误差协方差更新方程为：
P(k+1|k+1)＝P(k+1|k)-P(k+1|k)h′X(k+1)S-1(k+1)hX(k+1)P(k+1|k)
＝P(k+1|k)-K(k+1)S(k+1)K′(k+1) (11)，
其中，P(k+1|k+1)表示在k+1时刻的更新的协方差矩阵，K'(k+1)表示滤波增益在k+1 时刻的一阶导数。式(10)和(11)是评估烟草烘烤过程中烟质、烟色、加工度的衡量指标，也是通过这两个式的输出实施对烘烤过程的一些参数指标、属性值的控制。
进一步，实际输出向量为：
Figure BDA0003080628950000101
其中，
Figure BDA0003080628950000102
表示k+1时刻相对于k时刻的输出向量估计值。
实际输出向量的误差为：
Figure BDA0003080628950000103
其中，
Figure BDA0003080628950000104
是实际输出的残差。
于是，实际输出的误差协方差为：
Figure BDA0003080628950000105
其中，S'(k+1)是实际输出的协方差阵。
函数变换T就是通过前面公式的理论推导得到的，前面公式为理论支撑，函数变换T为 前面理论的具体表现形式。
通过函数变换T将输入向量X到输出向量Y确定X到Y的一个映射关系RT；则建立输入 数据与输出数据之间的关系模型为：
输入数据为X＝{x1,x2,…xn}，输出数据为Y＝{y1,y2,…ym}；给定X到Y的一个映射关系 R可确定X到Y的一个函数变换为：
Figure BDA0003080628950000106
其中，TR(A)表示输入矩阵A与输入到输出间的关系R的合成运算结果，A表示输入矩 阵，R表示从输入到输出间的映射关系矩阵，
Figure BDA0003080628950000107
表示合成算子。
步骤三：对步骤二建立的关系模型进行可行性验证，并利用多模式推理方法得出的多输 入数据与多输出数据的映射关系矩阵对烟草烘烤质量进行监测。
对建立的关系模型需要进行可行性验证，并能够对输入数据进行预测。
S3.1、根据输入数据和输出数据建立因素集U＝{u1,u2,…un}与决断集V＝{v1,v2,…vm}；
S3.2、建立综合评判矩阵
对于每一个因素ui，建立单因素评判向量：Di＝{di1,di2,…dim}，其中，dij表示vj对因素ui所作的评判，0≤dij≤1；由单因素评判向量得到单因素评判矩阵D＝(dij)n×m；
S3.3、综合评判
根据各因素权重A＝{a1,a2,…an}，得到综合评判矩阵：
Figure BDA0003080628950000111
其中， B是决断集V上的一个模糊子集，根据运算
Figure BDA0003080628950000112
的不同定义，得到不同的关系模型。
依据多模式推理方法得到从多输入到多输出的关系矩阵R，建立推理模型：
Figure BDA0003080628950000113
其中，X为训练集中的多维输入向量，Y为训练集中的多维输出向量；
通过建立的推理模型得到全新测试集Yout：
Figure BDA0003080628950000114
得到的测试集Yout与原 始输入数据的吻合率在90％以上，其中，Xin表示测试集中的输入数据即输入矩阵。
具体应用实例：
S1、通过传感器从烘烤房内采集到原始烟草原始状态数据，筛选出指标数据并进行标准 化处理，得到标准化处理后的数据X′；
标准化处理的方法为：
Figure BDA0003080628950000115
其中，x′t,i′表示第t类指标的第i′个数据的权值，xt,i′表示第t类指标的第i′个数据，xt,max表示第t类指标的最大值，t＝1,2…,T，T为指标的种类数，i′＝1,2…,I，I为第t类指标的 数据的数量。
S2、在烟草烘烤过程中，不断记录烟草状态更新过程，分析每项指标数据的权值，采用 多模式推理方法寻找烘烤过程中输入数据与输出数据的映射关系，并建立输入数据与输出数 据之间的关系模型。期望的状态为：
X(k+1)＝f[k,X(k)]+G(k)W(k)
S3、根据输入数据建立输出数据对应的量测方程：
Z(k)＝h[k,X(k)]+V(k)
S4、实际的状态估计值为：
Figure BDA0003080628950000116
在状态估计时，对应的估计误差为：
Figure BDA0003080628950000117
同时，与估计误差相对应的协方差矩阵为：
Figure BDA0003080628950000121
S5、对于二阶滤波，量测预测值为：
Figure BDA0003080628950000122
与量测预测值相对应的协方差为：
Figure BDA0003080628950000123
S6、烘烤预测过程中的滤波增益为：
K(k+1)＝P(k+1|k)h′X(k+1)S-1(k+1)
S7、烟草烘烤过程中的状态更新方程为：
Figure BDA0003080628950000124
在与状态更新相关联的滤波误差协方差更新方程为：
P(k+1|k+1)＝P(k+1|k)-P(k+1|k)h′X(k+1)S-1(k+1)hX(k+1)P(k+1|k)
＝P(k+1|k)-K(k+1)S(k+1)K′(k+1)
状态更新方程和滤波误差协方差更新方程就是在烟叶烘烤过程中评估烟草烘烤烟质、烟 色、加工度的衡量指标，也是通过这两个式子的输出实施对烘烤过程的一些参数指标、属性 值的控制。
S8、烟草烘烤过程状态的不断更新，根据烟草烘烤的状态不断变化，预测的实际输出向 量为：
Figure BDA0003080628950000125
实际输出向量的误差为：
Figure BDA0003080628950000126
实际输出的误差协方差为：
Figure BDA0003080628950000127
本发明提供一种基于多模式推理的烟草烘烤质量预测模型建立方法，数据挖掘抽取并标 准化处理，首先从众多数据中筛选出对烟草烘烤有影响的指标，并运用数理统计方法对其进 行标准化处理；多输入数据与多输出数据映射关系算法研究，分析输入与输出数据并根据数 据特点，提出数据关系的多种模型进行实验，最终确定一个合理的算法；给出烟草烘烤过程 输出指标的实时输出，对于最终确认的算法进行模型评估、测试，在测试集上测试其准确率 都达到90％以上。本发明为后续基于大数据时代食品加工质量预测提供了宝贵方法，提高工 业生产质量，制定合理加工方案提供了理论支撑。
输出指标趋势走向图能够较为直观的反应出各指标的趋势走向以及烘烤过程中的质量是 否达标，图2是在一次预测时各指标的走向图，经过本系统的预测观察指标走向可以明确的 看到各质量指标量的具体变化情况。图3是本系统预测准确率与其他方法预测的准确度对比， 可以看到，本模型的预测准确率远远超过其他模型，可以较好的用在烟草烘烤加工生产中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原 则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于多模式推理的烟草烘烤质量预测模型建立方法，其特征在于，其步骤如下：
步骤一：从历史烟草烘烤过程的烟草数据中进行挖掘抽取，获得与烘烤质量相关的指标数据，并采用最值比较法对各项指标数据进行标准化处理，得到每项指标数据的权值；
步骤二：分析每项指标数据的权值，采用多模式推理方法寻找烘烤过程中输入数据与输出数据的映射关系，并建立输入数据与输出数据之间的关系模型；
步骤三：对步骤二建立的关系模型进行可行性验证，并利用多模式推理方法得出的多输入数据与多输出数据的映射关系矩阵对烟草烘烤质量进行监测。
2.根据权利要求1所述的基于多模式推理的烟草烘烤质量预测模型建立方法，其特征在于，所述与烘烤质量相关的指标数据包括干球的温度、湿球的温度、绝对温度和湿度。
3.根据权利要求1所述的基于多模式推理的烟草烘烤质量预测模型建立方法，其特征在于，所述采用最值比较法对各项指标数据进行标准化处理的方法为：
Figure FDA0003080628940000011
其中，x′t,i'表示第t类指标的第i'个数据的权值，xt,i'表示第t类指标的第i'个数据，xt,max表示第t类指标的最大值，t＝1,2,…,T，T为指标的种类数，i'＝1,2,…,I，I为第t类指标的数据的数量。
4.根据权利要求1-3任一项所述的基于多模式推理的烟草烘烤质量预测模型建立方法，其特征在于，所述采用多模式推理方法寻找烘烤过程中输入数据与输出数据的映射关系，并建立输入数据与输出数据之间的关系模型的方法为：
根据烘烤过程中输入数据与输出数据，建立一个期望的状态方程：
X(k+1)＝f[k,X(k)]+G(k)W(k)，
其中，X(k+1)表示k+1时刻输入的状态向量，X(k)表示k时刻输入的状态向量，f[k,X(k)]是关于状态X(k)的非线性函数，W(k)表示过程噪声序列，G(k)为噪声分布矩阵，k表示时刻；且W(k)满足：E[W(k)]＝0,E[W(k)W′(j)]＝Q(k)δkj，其中，E[·]为求期望的函数，W(j)表示过程噪声序列，Q(k)表示过程噪声的零均值正定协方差矩阵，δkj表示偏差数，j表示不同于k的任意时刻；
根据输入数据建立输出数据对应的量测方程：
Z(k)＝h[k,X(k)]+V(k)，
其中，Z(k)表示k时刻的实际输出向量，h[k,X(k)]表示测量输出的非线性函数，V(k)为量测噪声序列；且V(k)满足：E[V(k)]＝0,E[V(k)V′(j)]＝R(k)δkj，其中，V(j)表示量测噪声序列，R(k)表示测量噪声的零均值正定协方差矩阵；
假定过程噪声序列和量测噪声序列彼此独立，并且给定初始状态估计
Figure RE-FDA0003110207040000021
和协方差矩阵P(0|0)；则在k时刻存在：
Figure RE-FDA0003110207040000022
其中，
Figure RE-FDA0003110207040000023
表示条件均值，P(k|k)表示均方误差，Zk表示k时刻的实际输出向量；
从k时刻到k+1时刻的状态预测为：
Figure RE-FDA0003110207040000024
其中，
Figure RE-FDA0003110207040000025
表示k+1时刻相对于k时刻的状态估计值，
Figure RE-FDA0003110207040000026
表示
Figure RE-FDA0003110207040000027
的非线性函数，ei是直角坐标系中的第i个基向量，n是状态向量X(k)的维数，tr[·]表示矩阵
Figure RE-FDA0003110207040000028
的迹，
Figure RE-FDA0003110207040000029
表示向量f的第i个分量的海赛矩阵，
Figure RE-FDA00031102070400000210
表示函数对x进行求导，fi(k,X)表示第i个分量k时刻状态X的非线性函数值，
Figure RE-FDA00031102070400000211
表示k时刻的状态估计值；
预测误差方程为：
Figure RE-FDA00031102070400000212
其中，
Figure RE-FDA00031102070400000213
表示第i个分量k+1时刻相对于k时刻的状态估计值的预测误差，xi(k+1)表示第i个分量在k+1时刻的状态实际值，
Figure RE-FDA00031102070400000214
表示第i个分量k+1时刻相对于k时刻的状态估计值，
Figure RE-FDA00031102070400000215
表示
Figure RE-FDA00031102070400000216
的非线性函数，
Figure RE-FDA00031102070400000217
表示第i个分量在k时刻的预测误差；
与预测误差相对应的协方差为：
Figure RE-FDA00031102070400000218
其中，P(k+1|k)表示k+1时刻相对于k时刻的协方差，
Figure RE-FDA00031102070400000219
是向量f的雅可比矩阵，f(k,X)表示k时刻状态X的非线性函数值，f′X(k)表示k时刻的雅可比矩阵的一阶导数，ej是直角坐标系中的第j个基向量，
Figure RE-FDA00031102070400000220
表示第i个分量的海赛矩阵在k时刻的非线性函数值，G'(k)表示过程噪声分布的导数矩阵；
对于二阶滤波，量测预测值为：
Figure RE-FDA0003110207040000031
其中，
Figure RE-FDA0003110207040000032
表示k+1时刻相对于k时刻的输出向量的预测值，
Figure RE-FDA0003110207040000033
表示
Figure RE-FDA0003110207040000034
的非线性函数，m是测量向量Z(k)的维数，
Figure RE-FDA0003110207040000035
表示向量h的第i个分量的海赛矩阵，hi(k+1,X)表示第i个分量在k+1时刻的状态X非线性函数值；与量测预测值相对应的协方差为：
Figure RE-FDA0003110207040000036
其中，S(k+1)表示在k+1时刻的测量误差的协方差矩阵，
Figure RE-FDA0003110207040000037
为向量h的雅可比矩阵，h′X(k+1)表示第k+1时刻向量h的雅可比矩阵的一阶导数，
Figure RE-FDA0003110207040000038
表示向量h的第j个分量的海赛矩阵，R(k+1)表示测量噪声的零均值正定协方差矩阵；
而滤波增益为：
K(k+1)＝P(k+1|k)h′X(k+1)S-1(k+1)，
其中，K(k+1)表示k+1时刻的滤波增益，S-1(k+1)表示S(k+1)的逆；
烟草烘烤过程中的状态更新方程为：
Figure RE-FDA0003110207040000039
其中，
Figure RE-FDA00031102070400000310
表示在k+1时刻的状态估计值，
Figure RE-FDA00031102070400000311
是量测残差；
烟草烘烤过程中的协方差更新方程为：
P(k+1|k+1)＝P(k+1|k)-P(k+1|k)h′X(k+1)S-1(k+1)hX(k+1)P(k+1|k)
＝P(k+1|k)-K(k+1)S(k+1)K′(k+1)，
其中，P(k+1|k+1)表示在k+1时刻的更新的协方差矩阵，K'(k+1)表示滤波增益在k+1时刻的一阶导数；
进一步，实际输出向量为：
Figure RE-FDA00031102070400000312
其中，
Figure RE-FDA0003110207040000041
表示k+1时刻相对于k时刻的输出向量估计值；
实际输出向量的误差为：
Figure RE-FDA0003110207040000042
其中，
Figure RE-FDA0003110207040000043
是实际输出的残差；
于是，实际输出的误差协方差为：
Figure RE-FDA0003110207040000044
其中，S'(k+1)是实际输出的协方差阵；
通过函数变换T将输入向量X到输出向量Y确定X到Y的一个映射关系RT；则建立输入数据与输出数据之间的关系模型为：
输入数据为X＝{x1,x2,…xn}，输出数据为Y＝{y1,y2,…ym}；给定X到Y的一个映射关系R可确定X到Y的一个函数变换为：
Figure RE-FDA0003110207040000045
其中，TR(A)表示输入矩阵A与输入到输出间的关系R的合成运算结果，A表示输入矩阵，R表示从输入到输出间的映射关系矩阵，
Figure RE-FDA0003110207040000046
表示合成算子。
5.根据权利要求4所述的基于多模式推理的烟草烘烤质量预测模型建立方法，其特征在于，所述对关系模型进行可行性验证的方法为：
S3.1、根据输入数据和输出数据建立因素集U＝{u1,u2,…un}与决断集V＝{v1,v2,…vm}；
S3.2、建立综合评判矩阵
对于每一个因素ui，建立单因素评判向量：Di＝{di1,di2,…dim}，其中，dij表示vj对因素ui所作的评判，0≤dij≤1；由单因素评判向量得到单因素评判矩阵D＝(dij)n×m；
S3.3、综合评判
根据各因素权重A＝{a1,a2,…an}，得到综合评判矩阵：
Figure FDA0003080628940000047
其中，B是决断集V上的一个模糊子集，根据运算
Figure FDA0003080628940000048
的不同定义，得到不同的关系模型。
6.根据权利要求5所述的基于多模式推理的烟草烘烤质量预测模型建立方法，其特征在于，所述利用多模式推理方法得出的多输入数据与多输出数据的映射关系矩阵对烟草烘烤质量进行监测的方法为：
依据多模式推理方法得到从多输入到多输出的关系矩阵R，建立推理模型：
Figure FDA0003080628940000051
其中，X为训练集中的多维输入向量，Y为训练集中的多维输出向量；
通过建立的推理模型得到全新测试集Yout：
Figure FDA0003080628940000052
得到的测试集Yout与原始输入数据的吻合率在90％以上，其中，Xin表示测试集中的输入数据即输入矩阵。
CN202110565034.5A 2021-05-24 2021-05-24 一种基于多模式推理的烟草烘烤质量预测模型建立方法 Active CN113222268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110565034.5A CN113222268B (zh) 2021-05-24 2021-05-24 一种基于多模式推理的烟草烘烤质量预测模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110565034.5A CN113222268B (zh) 2021-05-24 2021-05-24 一种基于多模式推理的烟草烘烤质量预测模型建立方法

Publications (2)

Publication Number Publication Date
CN113222268A true CN113222268A (zh) 2021-08-06
CN113222268B CN113222268B (zh) 2023-04-07

Family

ID=77098109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110565034.5A Active CN113222268B (zh) 2021-05-24 2021-05-24 一种基于多模式推理的烟草烘烤质量预测模型建立方法

Country Status (1)

Country Link
CN (1) CN113222268B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114868948A (zh) * 2022-06-14 2022-08-09 云南省烟草公司楚雄州公司 一种烟叶智能化烘烤动态管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125684A1 (en) * 2009-11-24 2011-05-26 Hussain Al-Duwaish Method for identifying multi-input multi-output hammerstein models
US20110173721A1 (en) * 2005-05-11 2011-07-14 Albino Anthony P Reduced risk tobacco products and methods of making same
CN103876269A (zh) * 2014-03-06 2014-06-25 川渝中烟工业有限责任公司 可降低烤烟中苯酚释放量的烘烤工艺方法
CN111310110A (zh) * 2020-03-20 2020-06-19 郑州轻工业大学 一种高维耦合不确定系统混合状态估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110173721A1 (en) * 2005-05-11 2011-07-14 Albino Anthony P Reduced risk tobacco products and methods of making same
US20110125684A1 (en) * 2009-11-24 2011-05-26 Hussain Al-Duwaish Method for identifying multi-input multi-output hammerstein models
CN103876269A (zh) * 2014-03-06 2014-06-25 川渝中烟工业有限责任公司 可降低烤烟中苯酚释放量的烘烤工艺方法
CN111310110A (zh) * 2020-03-20 2020-06-19 郑州轻工业大学 一种高维耦合不确定系统混合状态估计方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
GENGSHUO CAOYAFENG BAOYONG WANG: ""Analysis on efficiency optimization of tobacco leaf flue-curing process"", <PROCEDIA ENGINEERING> *
YAFENG BAOYONG WANG: ""Thermal and Moisture Analysis for Tobacco Leaf Flue-curing with Heat Pump Technology"", <PROCEDIA ENGINEERING> *
吴青娥等: ""一种基于OWA算子的区间值模糊推理方法"", 《郑州轻工业学院学报(自然科学版)》 *
宾俊等: "近红外技术结合SaE-ELM用于烤烟烘烤关键参数的在线监测", 《烟草科技》 *
李峥等: "基于CIE颜色空间构建烤烟外观质量预测模型", 《河南农业科学》 *
李生栋等: "烟叶烘烤过程中水分变化及干燥数学模型构建", 《南方农业学报》 *
汪健等: "BP神经网络模型在烟草烘烤过程中叶温变化预测中的应用", 《南方农业学报》 *
詹攀等: "基于支持向量机回归的鲜烟叶含水量预测模型", 《西南大学学报(自然科学版)》 *
魏硕等: "烟叶烘烤过程干燥模型的建立与评价", 《湖南农业大学学报(自然科学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114868948A (zh) * 2022-06-14 2022-08-09 云南省烟草公司楚雄州公司 一种烟叶智能化烘烤动态管理方法

Also Published As

Publication number Publication date
CN113222268B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN114925623B (zh) 油气藏产量预测方法及系统
CN108875118B (zh) 一种高炉铁水硅含量预测模型准确度评价方法和设备
CN108462708A (zh) 一种基于hdp-hmm的行为序列的建模和检测方法
CN114328075A (zh) 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质
CN113222268B (zh) 一种基于多模式推理的烟草烘烤质量预测模型建立方法
CN111639304B (zh) 基于Xgboost回归模型的CSTR故障定位方法
CN117193222A (zh) 一种基于工业物联网和大数据的智能质量控制系统及其控制方法
CN111126865B (zh) 一种基于科技大数据的技术成熟度判断方法和系统
CN115204533A (zh) 基于多变量的加权组合模型的油气产量预测方法及系统
CN112651173B (zh) 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统
CN112801426B (zh) 一种基于关联参数挖掘的工业过程故障融合预测方法
CN113358647A (zh) 一种烟草烘烤数据预测监控模型建立方法
CN117556366A (zh) 基于数据筛选的数据异常检测系统及方法
CN107220705B (zh) 常减压装置常压塔顶干点预测方法
CN105092509B (zh) 一种基于pcr‑elm算法的样品成份测定方法
CN115855860A (zh) 一种茶叶干燥过程中的水分含量预测方法及处理终端
CN111625525B (zh) 一种环境数据修复/填充方法及系统
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
CN111507003A (zh) 基于质量相关动态特性提取的脱丁烷塔关键变量预测方法
CN111291020A (zh) 基于局部加权线性动态系统的动态过程软测量建模方法
Xiong et al. Prediction of cement specific surface area based on XGBoost
CN107220393B (zh) 常减压装置常压塔常一线干点预测方法
CN113487080B (zh) 一种基于风速分类的风速动态场景生成方法、系统及终端
CN117744476A (zh) 一种成品浆料罐实时用量监测方法及系统
CN115600105A (zh) 基于mic-lstm的水体缺失数据插补方法及装置

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
CB03 Change of inventor or designer information

Inventor after: Wu Qinge

Inventor after: Wang Wenjing

Inventor after: Li Yong

Inventor after: An Ziming

Inventor after: Ma Zhiyuan

Inventor after: Song Zhichao

Inventor after: Wang Shujuan

Inventor after: Chen Hu

Inventor after: Lu Yingbo

Inventor after: Zhou Lintao

Inventor after: Zong Tao

Inventor after: Li Penglei

Inventor after: Wan Guoliang

Inventor before: Wu Qinge

Inventor before: Wang Wenjing

Inventor before: Li Yong

Inventor before: An Ziming

Inventor before: Ma Zhiyuan

Inventor before: Wang Shujuan

Inventor before: Chen Hu

Inventor before: Lu Yingbo

Inventor before: Zhou Lintao

Inventor before: Zong Tao

Inventor before: Song Zhichao

Inventor before: Li Penglei

Inventor before: Wan Guoliang

CB03 Change of inventor or designer information