CN1828305A - 基于信息扩散近似推理实现配方产品的感官指标相关性分析方法 - Google Patents

Abstract

本发明所述基于信息扩散近似推理实现配方产品的感官指标相关性分析方法，其目的在于解决上述问题和不足而基于信息扩散近似推理和模糊散点图，能够处理小样本提供的模糊信息，以实现配方产品感官指标相关性的分析，达到避免专家经验所造成的评估结果差异，提高感官评估的精度。所述的相关性分析方法是结合信息扩散近似推理和模糊散点图。感官评估本身具有很强的模糊性，其评估结果往往有很大的差异。信息扩散技术的处理对象主要是小样本提供的模糊信息，并独立发展成为一种函数逼近方法体系，其扩散函数不依赖于专家经验，完全取决于提供的样本。感官评估中的输入输出关系大部分具有强烈的非线性，在将样本建模之前，利用信息扩散近似推理对原有样本进行降噪和光滑处理，将原有的矛盾样本转换生成新的光滑样本。

Description

基于信息扩散近似推理实现配方产品的感官指标相关性分析方法

技术领域

本发明涉及一种新型方法流程，具体地是基于信息扩散近似推理和模糊散点图来实现与配方产品的感官指标具有相关性的数据分析。

背景技术

在现有配方产品制造行业，如卷烟、食品、香料、口香糖、食品添加剂等，针对产品所采用的配方及其成份组成，需要在生产质量管理和原料分级等工艺流程进行感官质量的评定。如吸烟过程中，生产卷烟的烟叶原料中的多种化学组分相互作用，共同刺激吸烟人的感官，包括味觉、嗅觉、触觉。从统计学角度来分析，这些化学组分与形成人的感官指标之间必然形成各种因果关系，即形成简单的线型和复杂的非线性映射关系。

以往的感官指标评定过程，主要是依靠行业专家通过品尝、以及凭借其感官体验来划分等级、优劣。配方产品的生产企业虽然经过长期的生产管理而积累了一定数量的专家评估数据，但是由于执行质量评定的是个人行为，因而这些评估数据本身不可避免地存在诸多人为因素。如专家在质量评定过程中，会受其本人情绪、身体状况、个人感官喜好、以及感受疲劳程度等因素的干扰，在客观上存在着感觉误差，最终反映在配方产品的等级划分不准确、难以进行生产工艺的进一步提高和优化。而且，组织专家进行质量评估也需较高的费用和大量时间。

如何利用现行积累的评定数据和样本标准、在脱离人为因素干扰的前提下，利用数学统计和逻辑分析来提示配方产品的理化数据与感官指标之间的相关性，以实现指导配方产品的质量评定和等级划分，一直是配方产品生产企业急待解决的技术课题。

发明内容

本发明所述基于信息扩散近似推理实现配方产品的感官指标相关性分析方法，其目的在于解决上述问题和不足而基于信息扩散近似推理和模糊散点图，能够处理小样本提供的模糊信息，以实现配方产品感官指标相关性的分析，达到避免专家经验所造成的评估结果差异，提高感官评估的精度。

现有配方产品的感官指标相关性分析是通过所积累的专家评估数据，来寻找其中所存在的理化数据与感官指标相互间的映射关系。但是对于现有配方产品生产过程中，往往存在着的小样本(经验数据积累少)、高维、非线性等的数据特征，因而依赖于专家评定数据难以达到应有的实现评估准确度。

本发明所述的相关性分析方法是结合信息扩散近似推理和模糊散点图。感官评估本身具有很强的模糊性，其评估结果往往有很大的差异。信息扩散技术的处理对象主要是小样本提供的模糊信息，并独立发展成为一种函数逼近方法体系，其扩散函数不依赖于专家经验，完全取决于提供的样本。感官评估中的输入输出关系大部分具有强烈的非线性，在将样本建模之前，利用信息扩散近似推理对原有样本进行降噪和光滑处理，将原有的矛盾样本转换生成新的光滑样本。

本发明所采用的信息扩散近似推理，如北京师范大学出版社于2001年出版的《自然灾害风险分析》一书中所公开的相关内容。

当用一个不完备的数据估计一个关系时，一定存在合理的扩散方式可以将观测值变为模糊集，以填充由不完备性造成的部分缺陷从而改进非扩散估计。

若样本X不完备，也就意味着得到的观测值是所有可能观测值的代表。即在每一个观测值x_i后面可能是有一个群体，这些群体是模糊的。因此，当想用X去得到某种关系R时，如果X不完备，我们必须把它看作模糊信息。

定义：令X是一个样本，V是论域U的一个子集。从X×V到[0，1]的一个映射

               μ：X×V→[0，1]

                   (x，v)αμ(x，v)，(x，v)∈X×V

称为X在V上的信息扩散(Information Diffusion)。如果μ是递减的，则称为一个扩散函数(Diffusion Function)，V被称为一个监控空间(Monitoring Space)，简称为扩散。

其方法流程是：

第一步：模糊关系R的生成。

假设μ(x，u)是样本x_i在其控制论域U＝{u₁，u₂，Λ，u_m上的信息扩散函数，于是，可以得到一个模糊分类函数，其指明u属于模糊集“x_i周围”的程度，越靠近x_i实测值的点隶属程度越大，反之越小。

按照扩散函数，观测点x_i扩散给U＝{u₁，u₂，Λ，u_m中每一个点的信息量是不同的。利用正态扩散函数：

$\mathrm{\μ}(x_i,u)=\frac{1}{h_x\sqrt{2\mathrm{\π}}}\exp [-\frac{{(u-x_i)}^2}{2h_x^2}],$ 以及 $\mathrm{\μ}(y_i,v)=\frac{1}{h_x\sqrt{2\mathrm{\π}}}\exp [-\frac{{(u-y_i)}^2}{2h_y^2}]$ 并分别用

和

除之而实现归一化，我们可以将任一输入-输出模式(x_i，y_i)∈X转化为两个模糊集A_i和B_i，即：

$A_i:{\mathrm{\μ}}_x\left(u\right)=\exp [-\frac{{(u-x_i)}^2}{{2h}_x^2}]u\∈U,$ $A_i={\∫}_U{\mathrm{\μ}}_{x_i}\left(u\right)/u,$ $B_i={\∫}_U{\mathrm{\μ}}_{y_i}\left(v\right)/v,$ 也就是， $B_i:{\mathrm{\μ}}_{y_i}\left(v\right)=\exp [-\frac{{(v-y_i)}^2}{2h_y^2}],$ v∈V，

为了保留较多的信息，采用关联乘积编码来产生基于A_i→B_i的模糊关系即：

${\mathrm{\μ}}_{R_{i}i}(u,v)={\mathrm{\μ}}_{A_{i}i}\left(u\right){\mathrm{\μ}}_{B_{i}i}\left(u\right);$ u∈U，v∈V

这样构成了一种模糊规则R_i:A_i→B_i。利用信息扩散技术，每一个样本都可构成一个模糊规则，所以从n个样本，就可以得到n个模糊规则，且由样本产生的所有模糊规则的权重w是相同的。

第二步：将已知的分明输入值x₀转化为模糊集。

假设，现在有已知输入值x₀，则有一种方法来推断从x₀和R_i得到的结果y₀。

在实际计算中，U通常不连续，所以x0不等于U中的任何值。我们可以利用信息分配公式得到一个模糊集，作为输入：，其中，Δ＝u_j+1-u_j。 ${\mathrm{\μ}}_{x_0}\left(u_j\right)=\left\{\begin{array}{cc}1-|x_0-u_j|/\mathrm{\Δ}& |x_0-u_i|\≤\mathrm{\Δ},\\ 0,& |x_0-u_j|>\mathrm{\Δ}.\end{array}\right.,\mathrm{\Δ}=u_{j+1}-u_j$

第三步：利用“和-积”组合方式和R_i产生模糊结论，并利用“取大”原理进行非模糊化的分明值。

从输入模糊集 和模糊关系R_i得到模糊推论 其隶属函数是，

${\mathrm{\μ}}_{y_0}\left(v\right)=\underset{u}{\mathrm{\Σ}}{\mathrm{\μ}}_{x_0}\left(u\right){\mathrm{\μ}}_{R_i}(u,v)$

利用“取大”原理，我们可以将 非模糊化为一个分明值

并得到其权值w_i。假定 ${\mathrm{\μ}}_{y_0}\left(v^{\′}\right)=\underset{v\∈V}{\max }\{{\mathrm{\μ}}_{y_0}\left(v\right),$ 则最大非模糊化值为 ${\hat{y}}_i=v^{\′},$ 其权值是 $w_i={\mathrm{\μ}}_{y_0}\left(v^{\′}\right).$

第四步：综合从所有模糊规则得到的结果，产生新的输出值。

组合所有由R₁、R₂......R_n得到的结果，即可得到相应的最终输出结果y₀。

$y_0=\left(\underset{i=11}{\overset{n}{\mathrm{\Σ}}}{w}_i{\hat{y}}_i\right)/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i$

本发明所述的模糊散点图，当研究输入变量x和输出变量y之间的相关性时，其能将y随x的变化而变化的趋势以图形方式表现出来，从而揭示出二者的相关关系。

具体方法如下，设现有样本集Ψ＝{α_i|i＝1，2，...，n。以自变量为横坐标，因变量为纵坐标，在二维空间中将该样本集表示为n个实点，从而根据这些样本点的分布规律可以看出y随x变换的规律。

应用上述信息扩散近似推理方法，对原有的小样本进行降噪和光滑处理，能将原有的矛盾样本转换生成新的光滑样本，同时在尽可能不改变原有样本信息(规律)的情况下将离散的数值转变成连续值，从而形成模糊散点图方法来分析配方产品的相关性。

本发明所述基于信息扩散近似推理实现配方产品的感官指标相关性分析方法，其方法流程是：

实际检测配方产品的各项理化指标并组织行业专家对成品进行评定，将所得到的评定数据进行积累、记录，并形成以数据样本集；

根据专家的行业经验剔除上述数据样本集中的错误或特异样本，以求尽量直观地映射出理化数据与感官指标之间的相关性及其程度大小；

根据产地、等级、风格等指标将整理后的理化数据样本集分为若干组样本集；

对某一组样本集进行数据预处理，包括剔除目标值缺失的样本、填补输入属性值缺失的样本；

将样本数据进行信息扩散近似推理过程，对原有样本进行降噪和光滑处理，将原有的矛盾样本转换生成新的光滑样本，同时将离散的数值转变成连续值；

将需要进行相关性分析的某一个理化指标为横坐标，感官质量指标为纵坐标画二维散点图；

根据所绘模糊散点图分析二者的正、负相关性、以及相关程度的大小。

所述方法流程结束。

综上所述，基于信息扩散近似推理实现配方产品的感官指标相关性分析方法，其优点和有益效果是：

1、利用现行积累的评定数据和样本标本，可以实现在脱离单纯的专家行为而通过现场实测数据直接映射出各相关感官指标，实现了从人脑分析到硬件设备的直接转化，从而实现了机器学习和分析评定的转型。

2、应用上述方法可以依靠小样本数据即可建立指导配方产品生产和等级的分析流程，简单可行、准确率高、易于在现有配方产品生产企业推广使用。

3、不再依赖于反复组织专家进行现场评定，可以节约大量的资金和时间。

附图说明

图1是应用本发明所述分析方法得到的总烟碱与单料烟刺激性的模糊散点图；

图2是总氮与单料烟刺激性的模糊散点图；

图3是氯与单料烟刺激性的模糊散点图；

图4是糖碱比与单料烟刺激性的模糊散点图；

图5是施木克与单料烟刺激性的模糊散点图；

图6是总糖与单料烟刺激性的模糊散点图；

图7是还原糖与单料烟刺激性的模糊散点图。

具体实施方式

实施例1，结合图1至图7所示，应用所述基于信息扩散近似推理实现配方产品的感官指标相关性分析方法，来分析单料烟的感官质量——刺激性与烟叶中各种理化指标的相关性：

检测单料烟、成品烟的理化指标，组织行业专家对单料烟和成品烟进行评吸，将所得数据记录作为算法的样本集。

将刺激性大小等级进行数值化。根据行业标准，刺激性共分为轻、微有、有、略大、大；对应分值为1，2，3，4，5。

根据产地不同，将整理后的数据样本分为若干组样本集。然后针对某一产地，研究烟叶中各种理化指标与刺激性的相关关系。

对某一组样本集进行数据预处理，包括剔除目标值缺失的样本、填补输入属性值缺失的样本。

将样本数据进行信息扩散近似推理，对原有样本进行降噪和光滑处理，将原有的矛盾样本转换生成新的光滑样本，同时将离散的数值转变成连续值。

以待分析的一理化指标为横坐标，感官质量指标为纵坐标画二维散点图。

根据模糊散点图分析二者的相关性如何。从图1至图7分析，同刺激性正相关的理化指标有：总烟碱、氯、总氮；

同刺激性负相关的理化指标有：糖碱比、总糖、还原糖、施木克；

同刺激性弱相关的是：钾、钾氯比。

Claims (2)

1、一种基于信息扩散近似推理实现配方产品的感官指标相关性分析方法，其特征在于：所述方法的流程是，

实际检测配方产品的各项理化指标并组织行业专家对成品进行评定，将所得到的评定数据进行积累、记录，并形成以数据样本集；

根据专家的行业经验剔除上述数据样本集中的错误或特异样本，以求尽量直观地映射出理化数据与感官指标之间的相关性及其程度大小；

根据产地、等级、风格等指标将整理后的理化数据样本集分为若干组样本集；

对某一组样本集进行数据预处理，包括剔除目标值缺失的样本、填补输入属性值缺失的样本；

将样本数据进行信息扩散近似推理过程，对原有样本进行降噪和光滑处理，将原有的矛盾样本转换生成新的光滑样本，同时将离散的数值转变成连续值；

将需要进行相关性分析的某一个理化指标为横坐标，感官质量指标为纵坐标画二维散点图；

根据模糊散点图分析二者的正、负相关性、以及相关程度的大小。

2、根据权利要求1所述的基于信息扩散近似推理实现配方产品的感官指标相关性分析方法，其特征在于：所述相关性分析方法中采用的信息扩散近似推理流程是，

第一步，模糊关系R的生成，即构成一模糊规则R_i：A_i→B_i；

第二步，将已知的分明输入值x₀转化为模糊集，以推断从x₀和R_i得到的结果y₀；

第三步，利用“和-积”组合方式和R_i产生模糊结论，并进行非模糊化分明值；

第四步，综合从所有模糊规则得到的结果，产生新的输出值。

Images