CN116699075A - 一种基于多模态混合融合的烟叶替代判断方法 - Google Patents

一种基于多模态混合融合的烟叶替代判断方法 Download PDF

Info

Publication number
CN116699075A
CN116699075A CN202310740445.2A CN202310740445A CN116699075A CN 116699075 A CN116699075 A CN 116699075A CN 202310740445 A CN202310740445 A CN 202310740445A CN 116699075 A CN116699075 A CN 116699075A
Authority
CN
China
Prior art keywords
tobacco
fusion
tobacco leaves
formula
stock
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.)
Pending
Application number
CN202310740445.2A
Other languages
English (en)
Inventor
杨继
者为
夏建军
武凯
杨乾栩
张建荣
周国福
刘志华
刘春波
唐石云
李振杰
朱瑞芝
司晓喜
张凤梅
蒋薇
何沛
徐艳群
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 CN202310740445.2A priority Critical patent/CN116699075A/zh
Publication of CN116699075A publication Critical patent/CN116699075A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N5/00Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/25Fusion techniques
    • G06F18/254Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacture Of Tobacco Products (AREA)

Abstract

本发明公开了一种基于多模态混合融合的烟叶替代判断方法,包括如下步骤:(1)得到卷烟配方中烟叶“静态”品质特征矩阵X和库存烟叶“静态”品质特征矩阵Y;(2)计算马氏距离值d1,并进行归一化处理,得到“静态”品质相似性值a1;(3)得到卷烟配方中烟叶的“动态”品质特征矩阵U和不同库存烟叶“动态”品质特征矩阵V;(4)计算马氏距离值d2,并进行归一化处理,得到“动态”品质相似性值a2;(5)综合a1和a2,并代入f(a)进行测算,最终判断库存烟叶是否可以对配方中烟叶进行替换、以及替换风险概率。

Description

一种基于多模态混合融合的烟叶替代判断方法
技术领域
本发明属于卷烟技术领域,具体涉及一种基于多模态混合融合的烟叶替代判断方法。
背景技术
卷烟的品质和风格特色主要是产品设计人员通过对不同产地、品种、等级的烟叶进行配比而形成的。在某种烟叶原料用完后,需要依赖配方经验和感官评吸,从库存几百个烟叶原料等级中,人工筛选品质相近的烟叶进行配方替代;主观性强、工作量大,且由于缺少客观、科学、高效的技术手段,难以全面保证卷烟品质和风格的稳定性。若能通过仪器检测方法,利用客观数据和科学的技术手段来辅助配方替代,对提高卷烟质量稳定性有重要意义。
卷烟产品的品质和风格特色是由多种烟叶原料组成的烟丝燃烧过程中的化学成分对人体感觉器官作用后的一种表现。因此,烟叶的内在化学成分组成及含量在一定程度上决定着产品的感官质量,如烟叶中的糖类、氮类、烟碱等化合物与香气、烟气、口感等特性紧密相关;国内外的研究学者以及行业领域专家一直以来投入了大量的精力进行烟叶化学成分指标与配方维护应用研究,并取得了一定的研究和应用成果。
近几年,由于近红外技术的快速、高效、品质信息丰富等特点,能够有效表征烟叶内在化学成分的品质信息,被广泛应用于烟叶质量分析评价与配方设计维护中。然而,内在化学成分和近红外光谱仅考虑了烟叶品质与叶组配方在“静态条件”下的关联关系,忽略了卷烟产品消费过程中燃烧条件下的热转移行为,并不能真正代表烟叶的抽吸品质,即烟气的品质特性;因此,基于内在化学成分和近红外光谱的配方替代技术具有一定的局限性。
热分析技术是目前行业使用范围最为广泛的建立烟叶与烟气桥梁的手段之一。热重分析法(TG,Thermogravimetric method)是在程序温度控制下和不同气氛中测量样品的重量(质量)与试样温度或时间关系的一种技术,可以间接反映出不同烟草的热解燃烧行为,是烟叶燃烧条件下“动态”品质特征具体表现。运用热分析技术辨识烟草热转化特性、开展配方中烟叶替代试验、评价再造烟叶以及卷烟纸的批次质量稳定性等已见报道。
多模态融合也称多源信息融合(Multi-source Information Fusion)、多传感器融合(Multi-sensor Fusion)。多模态融合是指综合来自两个或多个模态的信息以进行预测的过程。在预测的过程中,单个模态通常不能包含产生精确预测结果所需的全部有效信息;多模态融合过程结合了来自两个或多个模态的信息,实现信息补充,拓宽输入数据所包含信息的覆盖范围,提升预测结果的精度,提高预测模型的鲁棒性。多模态融合方法包括早期融合、晚期融合和混合融合。早期融合是为缓解各模态中原始数据间的不一致性问题,先从每种模态中分别提取特征的表示,然后在特征级别进行融合,即特征融合。晚期融合方法也称决策级融合方法,先用不同模型对不同模态进行训练,再融合多个模型输出的结果。混合融合方法结合早期和晚期融合,在综合两者优点同时也增加了模型结构复杂度和训练难度。
为了全面表征卷烟配方和烟叶原料的抽吸品质,在化学成分指标、近红外光谱数据的基础上,结合热重分析数据,运用客观数据和科学的技术手段,替代传统的依赖感官评吸和专家经验的卷烟配方中烟叶替换方式。为此提出本发明。
发明内容
本发明从内在化学成分指标、近红外光谱、卷烟燃烧热重分析三个维度,采用多模态混合融合算法,对配方中烟叶与库存烟叶进行全方位的品质相似性度量测算,实现库存烟叶对卷烟配方中烟叶是否能够替代的客观判断和智能推荐。
本发明的技术方案如下:
一种基于多模态混合融合的烟叶替代判断方法,如图1所示,包括如下步骤:
(1)将卷烟配方中烟叶的内在化学成分指标数据和近红外特征谱段数据,运用基于卷积神经网络的多模态特征融合算法进行融合,得到卷烟配方中烟叶“静态”品质特征矩阵X;将不同库存烟叶的内在化学成分指标数据和近红外特征谱段数据,运用基于卷积神经网络的多模态特征融合算法进行融合,得到库存烟叶“静态”品质特征矩阵Y;
(2)计算矩阵X和Y的马氏距离值d1,并进行归一化处理,得到作为配方中烟叶与库存烟叶“静态”品质相似性值a1
(3)依据烟叶燃烧过程中主要的热转移失重阶段,分别筛选烟叶热重曲线特征谱段,组成卷烟配方中烟叶的的“动态”品质特征矩阵U和不同库存烟叶“动态”品质特征矩阵V;
(4)计算矩阵U和V的马氏距离值d2,并进行归一化处理,得到作为配方中烟叶与库存烟叶“动态”品质相似性值a2
(5)综合烟叶“静态”品质特征相似性值a1和“动态”品质特征相似性值a2,运用基于模糊综合评判的决策融合方法,判断库存烟叶是否可以对配方中烟叶进行替换、以及替换风险概率。
优选地,步骤(1)选取的烟叶的化学成分指标数据为70种,烟叶近红外特征谱段为:4350-4450cm-1,4500-4700cm-1,4800-4900cm-1,5050-5100cm-1,5220-5300cm-1,6050-6250cm-1,6400-6600cm-1,6950-7220cm-1。烟叶的70种化学成分指标数据如表1所示;将70种内在化学成分指标按照碱类、糖类、酸类、Amadori化合物进行分类统计,结合近红外光谱中各分子官能团的吸收峰位置,提取烟叶化学成分指标与近红外光谱的关联关系,筛选烟叶近红外特征谱段,如图2所示。
优选地,运用基于卷积神经网络的多模态特征融合算法进行融合的步骤为,如图3所示:首先,将内在化学成分指标全连接层fm和近红外特征谱段全连接层fn相乘,构成二维的特征融合转换矩阵Am×n;然后,对Am×n进行最大值池化,形成m个特征节点,作为新的融合特征层Bm;最后,应用softmax层对Bm进行对数归一化,从而在压缩变量的同时将变量归于[0,1]之间,从而得到最终的融合特征层;其中,配方中烟叶融合特征矩阵X,库存烟叶融合特征矩阵Y。
优选地,步骤(2)马氏距离值d1计算公式为:其中,X为卷烟配方中烟叶“静态”品质融合特征矩阵,Y为库存烟叶“静态”品质融合特征矩阵,Σ为X与Y的协方差矩阵;归一化公式为:/>通过归一化处理后,一方面将数据变换为0-1之间,另一方面,将距离值(差异值)变换为相似度值。
优选地,步骤(3)烟叶热重曲线特征谱段为:190℃-240℃、320℃-360℃;分别组成配方中烟叶“动态”品质特征矩阵U和库存烟叶“动态”品质特征矩阵V。
优选地,步骤(4)马氏距离计算公式:其中,U为卷烟配方中烟叶“动态”品质特征矩阵,V为库存烟叶“动态”品质特征矩阵,Σ为U与V的协方差矩阵;归一化公式为:/>通过归一化处理后,一方面将数据变换为0-1之间,另一方面,将距离值(差异值)变换为相似度值。
优选地,步骤(5)的判断方法为:将a1和a2代入公式r=0.3*f(a1)+0.7*f(a2)进行计算,若r>0.5,则库存烟叶可替换卷烟配方中烟叶,其中替换风险概率为1-r;若r≤0.5,则库存烟叶不可替换卷烟配方中烟叶;其中,f(a)为设定好的隶属度函数为:
表1烟叶内在化学成分指标
序号 指标项 序号 指标项 序号 指标项 序号 指标项
1 总植物碱% 21 丙二酸mg/g 41 胱氨酸μg/g 61 Fru-Asnμg/g
2 还原糖% 22 丁二酸mg/g 42 蛋氨酸μg/g 62 Fru-Aspμg/g
3 总糖% 23 苹果酸mg/g 43 异亮氨酸μg/g 63 Fru-Glnμg/g
4 总氮% 24 柠檬酸mg/g 44 亮氨酸μg/g 64 Fru-Gluμg/g
5 K% 25 香草酸mg/g 45 酪氨酸μg/g 65 Fru-Ileμg/g
6 氯% 26 十四酸mg/g 46 苯丙氨酸μg/g 66 Fru-Leuμg/g
7 pH 27 十六酸mg/g 47 4-氨基丁酸μg/g 67 Fru-Tyrμg/g
8 淀粉% 28 亚油酸mg/g 48 赖氨酸μg/g 68 Fru-Pheμg/g
9 二氯甲烷提取物% 29 油酸+亚麻酸mg/g 49 组氨酸μg/g 69 Fru-Trpμg/g
10 茄尼醇mg/g 30 十八酸mg/g 50 色氨酸μg/g 70 新植二烯mg/g
11 硫酸根mg/g 31 二十酸mg/g 51 精氨酸μg/g
12 磷酸根mg/g 32 天冬氨酸μg/g 52 脯氨酸μg/g
13 Mg% 33 苏氨酸μg/g 53 Glu-Anμg/g
14 Ca% 34 丝氨酸μg/g 54 Fru-Ambμg/g
15 新绿原酸mg/g 35 天冬酰胺μg/g 55 Fru-Hisμg/g
16 绿原酸mg/g 36 谷氨酸μg/g 56 Fru-Proμg/g
17 隐绿原酸mg/g 37 谷酰胺μg/g 57 Fru-Valμg/g
18 莨菪亭mg/g 38 甘氨酸μg/g 58 Fru-Thrμg/g
19 芸香苷mg/g 39 丙氨酸μg/g 59 Fru-Glyμg/g
20 乙二酸mg/g 40 缬氨酸μg/g 60 Fru-Alaμg/g
本发明的有益效果:
本发明的基于多模态混合融合的烟叶替代判断方法,从内在化学成分指标、近红外光谱、卷烟燃烧热重分析三个维度,采用多模态混合融合算法客观表征卷烟配方中烟叶与库存烟叶的完整品质特征,对配方中烟叶与库存烟叶进行全方位的品质相似性度量测算,实现库存烟叶对卷烟配方中烟叶是否能够替代的客观判断和智能推荐,并针对库存可替待烟叶给出配方替换风险概率。本发明的判断方法客观、科学、高效,可实现库存烟叶对卷烟配方中烟叶是否能够替代的判断和替代的智能推荐,能全面保证卷烟品质和风格的稳定性。
附图说明
图1为基于多模态混合融合的卷烟配方中烟叶替代判断方法示意图。
图2为本发明的烟叶发近红外光谱特征谱段筛选图。
图3为本发明的烟叶“静态”品质特征融合算法示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的详细说明,但不应将此理解为本发明的范围仅限于以下实例。在不脱离本发明思想的情况下,根据本领域普通技术知识和惯用手段做出的各种替换和变更,均应包含在本发明的范围内。
实施例:库存烟叶对卷烟配方中烟叶是否能够替代的判断和推荐。
本实例所选用的配方中烟叶及库存烟叶信息如表2所示。
表2本实施例所选用的配方中烟叶及库存烟叶信息
库存烟叶对卷烟配方中烟叶是否能够替代的判断步骤具体如下:
(1)将卷烟配方中烟叶样品,均匀分成两份;一份用于近红外光谱检测分析,一份用于热重检测分析。
(2)配方中烟叶和库存烟叶近红外光谱检测分析,具体为:
将烟叶样品置于40℃烘箱中烘干2小时,旋风磨粉碎过40目筛,称取3g烟叶粉末置于样品杯中,扫描4000-9000cm-1波段的光谱,每个样品重复操作10次取光谱平均值。
结合近红外光谱中各分子官能团的吸收峰位置,提取烟叶化学成分指标与近红外光谱的关联关系,筛选烟叶近红外特征谱段。如图2所示,分别筛选烟叶近红外光谱特征谱段:4350-4450cm-1,4500-4700cm-1,4800-4900cm-1,5050-5100cm-1,5220-5300cm-1,6050-6250cm-1,6400-6600cm-1,6950-7220cm-1
调用烟叶70种内在化学成分指标的近红外预测模型,得到烟叶的内在化学成分数据,如表3所示。
表3烟叶70种内在化学成分数据(以1#-5#样本为例)
(3)针对烟叶的“静态”品质特征,运用基于卷积神经网络的多模态特征融合算法,采用卷积神经网络算法对配方中烟叶和库存烟叶的内在化学成分指标数据和近红外特征谱段数据进行特征融合;首先,将近红外特征谱段全连接层fm和热重曲线特征谱段全连接层fn相乘,构成二维的特征融合转换矩阵Am×n;然后,对Am×n进行最大值池化,形成m个特征节点,作为新的融合特征层Bm;最后,应用softmax层对Bm进行对数归一化,从而在压缩变量的同时将变量归于[0,1]之间,从而得到最终的配方中烟叶融合特征矩阵X和库存烟叶融合特征矩阵Y,如表4所示。
表4配方中烟叶融合特征矩阵X和库存烟叶融合特征矩阵Y
(3)计算矩阵X和Y的马氏距离值d1,并进行归一化处理后,作为配方中烟叶与库存烟叶“静态品质”相似性值a1,结果如表5所示。
表5配方中烟叶和库存烟叶的“静态”品质特征融合矩阵的相似性值a1
(5)烟叶热重检测分析:采用德国Mettler Toledo公司的TGA/DSC 1LF型热重分析仪,称取(5.00±0.05)mg样品置于热重氧化铝坩埚内,在30mL/min氮气流量下,升温程序为10℃/min的升温速率从30℃加热至900℃,从而获得烟叶热重曲线。以烟叶燃烧过程中主要的热转移失重阶段,分别筛选烟叶热重曲线特征谱段:190℃-240℃、320℃-360℃。选取配方中烟叶样品热重曲线特征谱段数据和库存烟叶样品热重曲线特征谱段数据,分别组成配方中烟叶“动态”品质特征矩阵U和库存烟叶“动态”品质特征矩阵V。
(6)计算矩阵U和V的马氏距离值d2,并进行归一化处理后,作为配方中烟叶与库存烟叶“动态品质”相似性值a2,结果如表6所示。
表6配方中烟叶和库存烟叶的“动态”品质特征融合矩阵的相似性值a2
(7)针对每一个库存烟叶的“静态”品质特征相似性值a1和“动态”品质特征相似性值a2,运用基于模糊综合评判的决策融合方法,测算库存烟叶是否可对配方中烟叶进行替代的最终判断值r,并针对可替换烟叶给出配方替换风险概率1-r。给出全部库存烟叶是否可进行配方替代的清单,并依据r值从大到小进行排序,推荐给配方员,如表7所示。即:将a1和a2代入公式r=0.3*f(a1)+0.7*f(a2)进行计算,若r>0.5,则库存烟叶可替换卷烟配方中烟叶,其中替换风险概率为1-r;若r≤0.5,则库存烟叶不可替换卷烟配方中烟叶;其中,f(a)为设定好的隶属度函数为:/>
表7库存烟叶是否可进行配方替代的清单
/>

Claims (7)

1.一种基于多模态混合融合的烟叶替代判断方法,其特征在于,包括如下步骤:
(1)将卷烟配方中烟叶的内在化学成分指标数据和近红外特征谱段数据,运用基于卷积神经网络的多模态特征融合算法进行融合,得到卷烟配方中烟叶“静态”品质特征矩阵X;将不同库存烟叶的内在化学成分指标数据和近红外特征谱段数据,运用基于卷积神经网络的多模态特征融合算法进行融合,得到库存烟叶“静态”品质特征矩阵Y;
(2)计算矩阵X和Y的马氏距离值d1,并进行归一化处理,得到作为配方中烟叶与库存烟叶“静态”品质相似性值a1
(3)依据烟叶燃烧过程中主要的热转移失重阶段,分别筛选烟叶热重曲线特征谱段,组成卷烟配方中烟叶的的“动态”品质特征矩阵U和不同库存烟叶“动态”品质特征矩阵V;
(4)计算矩阵U和V的马氏距离值d2,并进行归一化处理,得到作为配方中烟叶与库存烟叶“动态”品质相似性值a2
(5)综合烟叶“静态”品质特征相似性值a1和“动态”品质特征相似性值a2,判断库存烟叶是否可以对配方中烟叶进行替换、以及替换风险概率。
2.根据权利要求1所述的基于多模态混合融合的烟叶替代判断方法,其特征在于,步骤(1)选取的烟叶的化学成分指标数据为70种,烟叶近红外特征谱段为:4350-4450cm-1,4500-4700cm-1,4800-4900cm-1,5050-5100cm-1,5220-5300cm-1,6050-6250cm-1,6400-6600cm-1,6950-7220cm-1
3.根据权利要求2所述的基于多模态混合融合的烟叶替代判断方法,其特征在于,运用基于卷积神经网络的多模态特征融合算法进行融合的步骤为:首先,将内在化学成分指标全连接层fm和近红外特征谱段全连接层fn相乘,构成二维的特征融合转换矩阵Am×n;然后,对Am×n进行最大值池化,形成m个特征节点,作为新的融合特征层Bm;最后,应用softmax层对Bm进行对数归一化,从而在压缩变量的同时将变量归于[0,1]之间,从而得到最终的融合特征层;其中,配方中烟叶融合特征矩阵X,库存烟叶融合特征矩阵Y。
4.根据权利要求1所述的基于多模态混合融合的烟叶替代判断方法,其特征在于,步骤(2)马氏距离值d1计算公式为:其中,X为卷烟配方中烟叶“静态”品质融合特征矩阵,Y为库存烟叶“静态”品质融合特征矩阵,Σ为X与Y的协方差矩阵;归一化公式为:/>
5.根据权利要求1所述的基于多模态混合融合的烟叶替代判断方法,其特征在于,步骤(3)烟叶热重曲线特征谱段为:190℃-240℃、320℃-360℃。
6.根据权利要求1所述的基于多模态混合融合的烟叶替代判断方法,其特征在于,步骤(4)马氏距离计算公式:其中,U为卷烟配方中烟叶“动态”品质特征矩阵,V为库存烟叶“动态”品质特征矩阵,Σ为U与V的协方差矩阵;归一化公式为:
7.根据权利要求1所述的基于多模态混合融合的烟叶替代判断方法,其特征在于,步骤(5)的判断方法为:将a1和a2代入公式r=0.3*f(a1)+0.7*f(a2)进行计算,若r>0.5,则库存烟叶可替换卷烟配方中烟叶,其中替换风险概率为1-r;若r≤0.5,则库存烟叶不可替换卷烟配方中烟叶;其中,f(a)为:
CN202310740445.2A 2023-06-21 2023-06-21 一种基于多模态混合融合的烟叶替代判断方法 Pending CN116699075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310740445.2A CN116699075A (zh) 2023-06-21 2023-06-21 一种基于多模态混合融合的烟叶替代判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310740445.2A CN116699075A (zh) 2023-06-21 2023-06-21 一种基于多模态混合融合的烟叶替代判断方法

Publications (1)

Publication Number Publication Date
CN116699075A true CN116699075A (zh) 2023-09-05

Family

ID=87844886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310740445.2A Pending CN116699075A (zh) 2023-06-21 2023-06-21 一种基于多模态混合融合的烟叶替代判断方法

Country Status (1)

Country Link
CN (1) CN116699075A (zh)

Similar Documents

Publication Publication Date Title
CN109100321A (zh) 一种卷烟叶组配方维护方法
CN107796782B (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
CN109975238B (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
CN109588753B (zh) 一种加热不燃烧卷烟叶组配方设计方法及其应用
CN107563672A (zh) 一种基于层次分析法构建卷烟制丝质量评价模型的方法
CN111160425A (zh) 一种基于神经网络的烤烟舒适性分类评价方法
CN104568825B (zh) 烤烟烟叶打叶复烤模块组配的方法
CN113190967B (zh) 一种基于多目标筛选的细支卷烟材料组配方法
CN107860868A (zh) 烟草匹配方法和系统
CN109994162B (zh) 一种感官品质导向的烤烟烟叶化学成分适宜性量化评价方法
CN111239316A (zh) 一种基于烟气全化学成分色谱数据的卷烟感官质量分析方法
WO2020248961A1 (zh) 一种无参考值的光谱波数选择方法
CN111596010A (zh) 一种烟草工业可用性的量化评价和分类方法
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
CN110990782B (zh) 基于加权犹豫模糊幂集结算子的卷烟感官质量评价方法
CN109342279A (zh) 基于粉磨机理和神经网络的混合软测量方法
CN111426645A (zh) 一种快速测定植株不同器官氮含量的方法
CN109324016A (zh) 一种复烤片烟香型风格的判定方法
CN116699075A (zh) 一种基于多模态混合融合的烟叶替代判断方法
CN115931738B (zh) 一种对成品片烟质量稳定性进行评价的方法及评价系统
CN102706811A (zh) 一种应用近红外光谱分析技术鉴别卷烟糖料质量的方法
CN111543668B (zh) 一种打叶复烤配方模块的设计方法
CN110736718B (zh) 一种烤烟烟丝的产地及等级识别方法
CN116665811A (zh) 一种融合烟叶静态动态品质特性的卷烟配方烟叶替换方法
CN114839105A (zh) 一种松散回潮加工参数的适应性评价方法

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