卷煙勁頭的BP神經網絡模型預測

李力群　紀旭東　喬月梅　牛文廣　葉亞軍　郭春生

摘要[目的]科學地評價卷煙配方中勁頭的大小，通過建立BP神經網絡模型預測卷煙勁頭。[方法]以煙葉游離煙堿百分含量、總煙堿百分含量、結合態煙堿百分含量、游離煙堿占總煙堿比率和水浸液pH作為BP神經網絡的輸入，感官勁頭作為輸出，網絡訓練前對輸入指標作歸一化處理，然后通過訓練樣本數據對網絡進行充分的訓練，獲得適宜的參數矩陣，得到卷煙勁頭的網絡預測模型，最后用訓練好的網絡模型對檢驗樣本數據進行預測。[結果]卷煙配方中勁頭大小的預測值與實際值相對標準偏差小于5%，達到了較好的預測結果。[結論]建立了卷煙勁頭的BP神經網絡預測模型，該模型對于預測卷煙勁頭具有指導意義。

關鍵詞 BP神經網絡；煙堿；卷煙勁頭

中圖分類號 S126 文獻標識碼 A 文章編號 0517-6611（2016）05-021-03

Abstract[Objective]To scientifically evaluate the cigarette impact， and to predict the cigarette impact through the BP neural network.[Method]The percentage of free nicotine in leaves， the percentage of total nicotine， the percentage of combined state nicotine， the percentage of free nicotine in total nicotine， and pH value of aqueous extracts were used as the input of BP neural network. And sensory momentum was used as the output. Normalization processing of input index was carried out before network training. Network was fully trained before network training. Then， network was fully trained by training sample data， so as to obtain the proper parameter matrix， and to obtain the network forecast model of cigarette impact. Finally， test sample data were forecasted by the trained network model.[Result]Relative standard deviation between predicted value and actual value was smaller than 5%， which reached relatively good predicted value.[Conclusion]Prediction model of cigarette impact through the BP neural network is established， which has guiding significance for the prediction of cigarette impact.

Key words BP neural network； Nicotine； Cigarette impact

煙草中煙堿含量是煙草和卷煙質量控制的一項重要指標，煙堿可以以游離態、單質子態和雙質子態3種形態存在[1-2]。質子態煙堿被口腔吸收的速度較慢，而非質子化游離態煙堿揮發性極強，可以穿過口腔黏膜迅速被人體吸收，對中樞神經的藥理作用非常強烈，抽吸時表現為勁頭較強[3-4]。卷煙勁頭不僅與煙氣中總煙堿量有關，而且與煙堿的形態密切相關，而卷煙的水浸液pH能夠影響煙堿的存在狀態[5]。

BP（Back Propagation）網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。其學習規則是使用最速下降法，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小[6-8]。丁香乾等[9]運用Kohonen神經網路和BP神經網絡集成解決方案，根據預測樣本的特征，利用相應的BP子網絡進行預測，在焦油、煙氣煙堿和C0預測中取得了較好的結果。楊再波等[10]以卷煙的總糖、總氮、總氯作為輸入變量，焦油作為輸出變量，建立了卷煙焦油的BP神經網絡預測模型，與多元線性回歸方法相比，該方法效果更優。利用BP神經網絡在并行分布處理、自組織、自適應、自學習和容錯性等方面獨特的優良性能，可以較好地處理此類多因素、非線性問題，預測出卷煙勁頭。隨著國家減害降焦戰略的實施，控制卷煙的生理強度具有重要意義[11]。目前卷煙勁頭的評價主要是通過感官評吸的方法，而感官評吸受到評吸人員專業水平的限制，且具有較強的主觀性[2，12-13]；通過化學檢測結果來評價卷煙勁頭的方法，建立卷煙勁頭的BP網絡預測模型，能減少感官評吸的主觀性和盲目性，且評價結果較為準確，從而為行業提供一種評價卷煙勁頭的方法。筆者以煙葉游離煙堿百分含量、總煙堿百分含量、結合態煙堿百分含量、游離煙堿占總煙堿比率和水浸液 pH作為BP神經網絡的輸入，感官勁頭作為輸出，網絡訓練前對輸入指標作歸一化處理，然后通過訓練樣本數據對網絡進行充分的訓練，獲得適宜的參數矩陣，得到卷煙勁頭的網絡預測模型，最后用訓練好的網絡模型對檢驗樣本數據進行預測。

1 材料與方法

1.1 試驗材料

采集不同煙區的255份烤煙樣品。

1.2 試驗儀器

THZC型恒溫振蕩器（江蘇太倉實驗設備廠）；Agilent 6890型氣相色譜儀（安捷倫科技有限公司）；PL203型電子天平（梅特勒-托利多儀器有限公司）。6890氣相色譜儀（帶FID檢測器）和6890GC/5973MS氣質聯用儀（美國安捷倫公司）；LM5+型吸煙機（德國BorgwaldtKC公司）；LA230S型電子天平（感量0.000 1 g，北京賽多利斯儀器有限公司）；賓達LP11型恒溫恒濕箱（德國BINDER公司）；恒溫振蕩器（BS4GBS4G，江蘇省金壇市金祥龍電子有限公司）；FE20）型精密pH計（梅特勒-托利多儀器有限公司）。

1.3 試驗方法

1.3.1 煙草pH的測定。

準確稱取約3 g煙末，加入30 mL pH 7.00的蒸餾水，在振蕩器上振蕩30 min，靜置1 h，過濾，取濾液測定pH。

1.3.2 煙草中游離煙堿的測定。

準確稱取約1 g樣品（精確至0.000 1 g），放入150 mL具塞三角瓶中，加入30 mL用0.01 mol/L NaOH水溶液調節至pH 7.00的去CO2蒸餾水，在室溫下振蕩萃取0.5 h，過濾，取濾液15 mL至250 mL分液漏斗中，用三氯甲烷（含內標正十七碳烷）萃取2次，每次20 mL，合并有機相，作為氣相色譜分析。將煙堿標準樣品配制成標準溶液，進行氣相色譜分析，確定煙堿峰的相對保留時間，然后通過與煙草樣品待測物質峰的相對保留時間比較進行定性，采用內標-工作曲線法對氣相色譜鑒定出的煙堿進行定量。

1.3.3 煙草中總煙堿的測定。

準確稱量1 g樣品（精確到0.000 1 g）置于150 mL錐形瓶中，加入10 mL NaOH溶液（8 mol/L）、20 mL水和40 mL萃取溶液，置于振蕩器上，振蕩萃取（60±2）min，以確保萃取完全。靜置后取上層有機相，立即進行氣相色譜分析。

1.3.4 BP神經網絡模型建立。

采集不同煙區的255份煙葉樣本，對其游離煙堿百分含量、總煙堿百分含量、結合態煙堿百分含量和水浸液pH進行測定，并對評吸勁頭進行量化評定，通過BP神經網絡模型訓練實現卷煙勁頭的評價。

建立BP神經網絡模型，在總共的5個樣本數據中，編號1～255作為訓練樣本，采用拓撲結構：5 ×p×l 的3層BP神經網絡。該網絡由1個輸入層、1個隱含層和1個輸出層組成，每層含有若干個節點，預測的卷煙勁頭BP網絡模型見圖1。

2 結果與分析

2.1 訓練仿真結果

通過DPS數據處理系統構建BP神經網絡模型，建立參數：

輸入層節點為5；隱含層節點為10；最小訓練速率為0.1；動態參數為0.6；參數SIGMOID為0.9；允許誤差為0.000 1；最大迭代次數為5 000。

將各個預測因子數據進行標準化轉換，經過學習后，收斂誤差達到標準，訓練結束。訓練誤差結果見圖2。

訓練得到隱含層各個結點的權重矩陣和輸出層各個結點的權重矩陣見圖3。根據建立BP神經網絡模型的理論公式以及隱含層和輸出層節點的權重矩陣結果，可以得到卷煙勁頭的預測模型。

2.2 基于BP神經網絡的常規化學成分預測煙氣成分和感官得分模型的預測結果驗證

以200個樣本作為訓練樣本數據，55個樣本作為驗證樣本數據，模型建立后，分別準確測定其游離煙堿百分含量、總煙堿百分含量、結合態煙堿百分含量、游離煙堿占總煙堿比率和水浸液pH這5項指標，根據結果模型將這5項指標作為輸入變量輸入，根據模型得到卷煙勁頭的預測結果，通過感官評吸得到卷煙勁頭的實際結果。

網絡輸出與目標輸出的統計回歸分析結果表明，各個網絡模型的預測值與目標值呈現顯著的相關性，相關系數R都在0.976以上。這說明卷煙勁頭得分模型的預測值與實際值非常接近（圖4）。由圖5可知，卷煙勁頭的預測值與實際值的誤差絕大多數在0～0.5，模型預測結果的準確性較高，其結果與人員實際評吸結果相比，誤差絕大多數在很小的范圍內。考慮到評吸打分的主觀性和隨機性比較強，BP網絡模型的預測結果較滿意，BP神經網絡的預測結果對感官評價具有一定的指導意義。

3 結論

為科學地評價卷煙配方中勁頭的大小，通過建立BP神經網絡模型預測卷煙勁頭。以煙葉游離煙堿百分含量、總煙堿百分含量、結合態煙堿百分含量、游離煙堿占總煙堿比率和水浸液pH作為BP神經網絡的輸入，感官勁頭作為輸出，網絡訓練前對輸入指標作歸一化處理，然后通過訓練樣本數據對網絡進行充分訓練，獲得適宜的參數矩陣，得到卷煙勁頭的網絡預測模型，隱含層節點為9，輸入函數為tansig，輸出函數為purelin。訓練方法為梯度下降法。選擇22個樣本作為訓練樣本，19個作為驗證樣本，3個作為測試樣本。訓練目標為允許誤差0.000 1，最大迭代次數為10 000次。預測卷煙勁頭結果與人員實際評吸結果相比，相對標準偏差小于5%，達到了較好的預測結果。該模型對于預測卷煙勁頭具有指導意義。

參考文獻

[1]金聞博，戴亞，楊俊.尼古丁化學[M].北京：中國輕工業出版社，1993.

[2]肖協忠.煙草化學[M].北京：中國農業科教出版社，1997.

[3]張槐苓，穆懷靜，葛翠英，等.煙草分析與檢驗[M].鄭州：河南科學技術出版社，1994.

[4]MORIE G P.Fraction of protonated and unprotonated nicotine in tobacco smoke at various pH values[J].Tob Sci，1972，16：56.

[6]高大啟.并聯神經網絡在烤煙內在品質評定中的運用[J].農業機械學報，1999，30（1）：58-62.

[7]高大啟，吳守一.基于并聯神經網絡的烤煙內在質量分析方法[J].分析化學，1998，26（10）：1174-1177.

[8]彭黔榮.煙葉的化學成分與煙葉質量的人工神經網絡預測[D].成都：四川大學，2004.

[9]丁香乾，曹均闊，賀英.Kohonen網絡與BP網絡的集成應用研究[J].青島海洋大學學報，2003，33（4）：615-620.

[10]楊再波，葉沖，韓偉，等.基于BP神經網絡在卷煙焦油預測中的應用[J].黔南民族師范學院學報，2006（6）：5-8.

[11]于川芳，盧斌斌，牟定榮，等.卷煙勁頭與其煙絲、煙氣主要化學成分的相關性[J].煙草科技，2006（9）：34-37.

[12]LEFFMGWELL J C.Nitrogen components of leaf and their relationship to smoking quality and aroma[J].Rec Adv Tob Sci，1976，2：1-31.

[13]胡建軍，馬明，李耀光，等.煙葉主要化學指標與感官質量的灰色關聯分析[J].煙草科技，2001（1）：3-7.