基于烤煙理化指標構建烤煙感官質量預測模型

常安然，張 聳，武勁草，魏登輝，王偉寧，范文思，廖紅渠，于建軍*

(1.河南農業大學 煙草學院，河南 鄭州 450002;2.重慶市煙草公司 萬州分公司，重慶 400400)

基于烤煙理化指標構建烤煙感官質量預測模型

常安然1，張 聳1，武勁草1，魏登輝1，王偉寧2，范文思1，廖紅渠1，于建軍1*

(1.河南農業大學 煙草學院，河南 鄭州 450002;2.重慶市煙草公司 萬州分公司，重慶 400400)

通過烤煙理化指標建立烤煙感官評價BP神經網絡預測模型。以河南地區223個烤煙樣本為研究對象，通過因子分析，篩選了12項烤煙理化指標作為網絡輸入變量、10項感官評價指標作為輸出變量構建預測模型。結果表明：構建的10個網絡預測模型目標值與預測值擬合度較好。各網絡模型線性回歸分析預測值和目標值均呈現極顯著相關性。除勁頭模型(R2=0.6839)外，其余各感官指標預測模型對樣本的整體方差解釋率均可達到70%以上。說明所構建的BP網絡模型可以較好地對烤煙各感官指標得分進行預測評價。

烤煙；化學指標；物理指標；BP神經網絡模型

烤煙的感官質量是煙葉質量評價的核心內容。目前，煙草感官質量評價的主要方式是評吸人員通過吸食借助感官對煙草及其制品進行品質鑒定[1]，而在人工評吸的過程中，不可避免地存在很大的主觀性和隨意性。影響烤煙感官質量的因素是復雜多樣的，其中烤煙化學成分作為烤煙品質的物質基礎，是決定烤煙感官質量的主要因素,而烤煙的物理特性是烤煙內在品質的宏觀反映，同時也是卷煙原料配方設計重要工藝指標，因此將烤煙化學成分、物理特性與烤煙感官質量之間的關系進行研究具有重要意義[2-3]。現有研究大多利用相關性分析、回歸分析、關聯分析等傳統數理統計的方法，對煙葉質量指標之間的關系進行定性分析，但無法直接給出煙葉評吸質量的預測及評價結果[4]。

BP神經網絡作為一種有效的智能信息處理技術，具有良好的非線性逼近能力和對雜亂信息的綜合處理能力，在樣本預測中顯示出一定的優越性[5]。利用BP神經網絡,通過烤煙物理特性和化學指標建立烤煙感官預測模型，減少烤煙評吸過程中人為因素造成的主觀差異，從而更為客觀精準地量化烤煙感官質量。

1 材料與方法

1.1 試驗材料

供試材料為2014年河南煙區南陽、漯河、駐馬店、許昌、平頂山、洛陽、三門峽等7個地(市)33個縣的X2F、C3F、B2F共計223個煙葉樣品。

1.2 試驗方法

煙葉各理化指標測定均依據相關標準進行[6]。煙葉感官質量評吸打分采用“九分制”評吸指標包括香氣質、香氣量、濃度、雜氣、勁頭、刺激性、余味、燃燒性、灰色，共9項指標評吸得分標準參照表1，感官評吸總分計算按照各評吸指標權重所得，具體計算方式如下：

總分=(0.25X1+0.25X2+0.05X3+0.1X4+0.03X5+0.1X6+0.15X7+0.05X8+0.02X9)×10

(1)

式中X1～X9依次表示香氣質、香氣量、濃度、雜氣、勁頭、刺激性、余味、燃燒性、灰色。

表1 單料煙評吸打分標準

1.3 河南煙葉樣品的基本特征

對烤煙感官質量進行描述性統計，結果見表2。河南煙區烤煙樣品感官質量各項評吸指標變異系數均小于10%，樣本較為集中，且樣本整體符合正態分布，達到統計分析要求。評吸樣品中濃度、刺激性偏度系數大于0，為正向偏態峰；其余指標偏度系數均小于0，為負向偏態峰。香氣量、雜氣峰度系數小于0，呈現為平闊峰，數據分布較為分散；其余各指標峰度系數均大于0，呈現為尖峭峰，數據分布多集中在平均值附近。

表2 樣本感官質量的描述性統計

對烤煙樣品物理特性和常規化學成分進行描述統計，結果見表3。可以看出各理化指標變異系數均小于10%，樣本數據相對穩定。總氮、含梗率和平衡含水率，變異系數相對較大；氯含量變異系數最小。煙堿、總糖、還原糖、淀粉、含梗率和單葉重峰度系數小于0，呈現為平闊峰，數據較為分散；其余各指標峰度系數均大于0，呈現為尖峭峰，數據較為集中，多在平均值附近。淀粉和含梗率偏度系數小于0，為負向偏態峰；其余各指標偏度系數均大于0，為正向偏態峰。

表3 樣本物理特性和常規化學成分描述性統計

1.4 神經網絡數據的處理與設計

對14項物理和化學指標進行因子分析，依據方差最大進行正交旋轉，旋轉后10項因子累計貢獻率達到92%，解釋總體方差92%。由表4可知，因子1主要反映含梗率和葉質重的影響；因子2主要反映總氮和總糖的影響；因子3主要反映鉀含量的影響；因子4主要反映淀粉的影響；因子5主要反映了單葉重的影響；因子6主要反映填充值的影響；因子7主要反映煙葉氯元素的影響；因子8主要反映抗張強度的影響；因子9主要反映煙葉平衡含水率的影響；因子10主要反映煙堿的影響。根據上述分析，最終選擇總氮、煙堿、總糖、淀粉、鉀、氯、抗張強度、煙葉含梗率、單葉重、葉質重、填充值以及煙葉平衡含水率12項指標作為神經網絡模型構建的輸入變量。

采用Matlab 2014軟件，以223個煙葉樣品煙葉感官質量中香氣質、香氣量、雜氣、刺激性、透發性、灰色、余味、濃度、勁頭以及評吸總分共10個指標分別作為網絡模型的輸出值，共建立10個BP神經網絡模型。由于網絡的輸入節點物理量各不相同，有的數值之間相差很大，無法進行綜合評估，同時，為避免受激活函數s型函數值域范圍的影響，發生小數值信息被大數值信息淹沒的影響，采用式(2)對樣本數據進行歸一化處理，以提高神經網絡的訓練精度和訓練速度。

(2)

式(2)中：a，b是常量；xi，分別是歸一化前和歸一化后的值；xmin，xmax是每組因子變量的最小值和最大值。

1) 兩拖線陣水聽器所在線陣的組合陣型變化，若線陣間距離變化過大，則不能很好地利用拖線陣水聽器所接收的信號進行波束形成。

(3)

式(3)中：l為隱含層節點數，n為輸入節點數，m為輸出節點數；a為1～10之間的調節常數。

隱含層節點數設計參照式(3)多次訓練試驗確定，最終以節點數為11的隱含層節點數所構建的網絡模型的擬合殘差最小，因此建立網絡拓撲結構為12-11-1的神經網絡模型，網絡訓練在Matlab2014軟件中進行。所建立的BP神經網絡的Matlab程序代碼如下：

P=1:2:100;

T=sin(P*0.1);

NodeNum=12;

TypeNum=1;

Epochs=1000;

TF1=’tansig’;TF2=’purelin’;

net=newff(minmax(P),[NodeNum TypeNum],{TF1 TF2},’trainlm’);

net.trainParam.epochs=Epochs;

net.trainParam.goal=le-8;

net.trainParam.min_grad=le-20;

net.trainParam.show=200;

net.trainParam.time=inf;

net=train(net,P,T);

代碼中：P代表12個理化指標，T代表煙葉的感官質量指標。

表4 因子載荷矩陣

2 神經網絡訓練

利用223組數據進行神經網絡模型構建，隨機挑取其中183組數據作為訓練樣本，進行模型預測訓練，剩余50組作為測試樣本，用于模型檢測。以訓練完成后各感官質量指標的網絡模型模擬值為縱坐標，以各感官質量指標的實際值為橫坐標，建立統計回歸分析圖，圖中的直線為y=x，表示模擬值與實際值完全相同時的結果(圖1)[7-9]。回歸分析結果表明，構建出的10個網絡模型的預測值與目標值均呈現出極顯著的相關性(P<0.0001)，除勁頭模型外，各指標決定系數R2值都在0.7以上，其中香氣量、雜氣、燃燒性和灰色決定系數R2大于0.9，說明通過神經網絡分析，各單項評吸得分的模型預測值與目標值非常接近，模型預測評吸指標準確性較高；勁頭模型整體方差解釋率為68.39%，略小于其他指標，說明影響煙氣勁頭的因素較為復雜，可進一步引入其他指標，提高預測模型的精準度。

圖1 訓練后網絡模擬值與目標輸出的統計回歸分析

3 結論與討論

試驗統計分析表明，通過烤煙主要理化指標與烤煙香氣質、香氣量、濃度、雜氣、勁頭、刺激性、余味、燃燒性、灰色及評吸總分等單項感官指標經過模擬訓練建立的拓撲結構為12-11-1的BP神經網絡系統模型，結果有較高的預測準確度，具有研究意義和實用價值。

利用BP神經網絡對烤煙香氣質、雜氣、燃燒性、灰色的預測效果最好；刺激性、評吸總分、勁頭預測模型對樣本的方差解釋率稍低于其他指標，說明影響烤煙刺激性、評吸總分和勁頭的因素相對更為復雜。例如有研究表明，煙葉的刺激性除與煙葉常規化學成分和物理特性關系密切外，還與煙葉中木質素、纖維素和果膠的含量有很大關系[10]；而烤煙勁頭實際得分情況主要依據評吸人員的生理感受強度，較其余指標存在更為明顯的主觀性和隨意性，這些因素都會對預測模型的構建產生影響[11-12]。

對煙葉原料進行感官評價的目的是為了確定烤煙煙葉整體質量的優劣，而影響煙葉品質的因素極為復雜，單純的依靠常規化學成分和物理特性所構建的預測模型顯然不能絕對精準地反映煙葉的感官品質[13-14]。在今后的研究中應擴大樣品來源，結合更多的有效因素進行烤煙感官質量網絡預測模型的探索建立，進一步提高模型的精準度，為烤煙感官質量評價提供更為客觀準確的依據。

[1] 于建軍.卷煙工藝學[M].北京:中國農業出版社,2009.

[2] 孫弋媛,徐宜民,申國明,等.湖北地方曬晾煙物理性狀與其他質量評價指標的典型相關分析[J].中國農學通報,2014,30(12):316-320.

[3] 邵惠芳,趙昕宇,許自成,等.基于SOFM網絡的烤煙感官質量聚類模式分析[J].中國煙草學報,2016,22(1):13-23.

[4] 邵惠芳,許自成,李東亮,等.基于BP神經網絡建立烤煙感官質量的預測模型[J].中國煙草學報,2011,17(1):19-25.

[5] 傅薈璇,趙紅.MATLAB神經網絡應用設計[M].北京：機械工業出版社,2010.

[6] 于建軍，宮長榮.煙草原料初加工[M].北京：中國農業出版社,2009.

[7] 李東亮.基于化學成分的煙草質量評價方法研究與應用[D].鄭州：河南農業大學,2008.

[8] 潘文杰.基于人工神經網絡技術的烤煙重金屬積累特征研究[D].重慶：西南大學,2006.

[9] 林麗莉,馮天瑾,周文暉,等.基于神經-模糊方法的單料煙感官質量評價專家系統[J].青島海洋大學學報:自然科學版,2001(6):931-936.

[10] 郭松.我國烤煙煙葉果膠、纖維素含量分布特點及對評吸品質的影響[D].鄭州：河南農業大學,2011.

[11] 彭斌,金征宇,翁昔陽,等.碳酸鉀對卷煙主流煙氣焦油、煙堿、游離煙堿、pH值及勁頭的影響[J].煙草科技,2007(7):8-10.

[12] 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.

[13] 李廣才,余玉梅,胡建軍,等.湖南烤煙主要化學成分與評吸質量的非線性關系解析[J].中國煙草學報,2012,18(4):17-26.

[14] 閆克玉,王光耀,李春松.我國烤煙質量分析評價研究進展[J].鄭州輕工業學院學報:自然科學版,2007,22(Z1):49-52.

(責任編輯：曾小軍)

Establishment of Models for Predicting Sensory Quality of Flue-cured Tobacco Leaf Based on Physicochemical Indexes

CHANG An-ran1, ZHANG Song1, WU Jin-cao1, WEI Deng-hui1,WANG Wei-ning2, FAN Wen-si1, LIAO Hong-qu1, YU Jian-jun1*

(1. College of Tobacco Science, Henan Agricultural University, Zhengzhou 450002, China;2. Wanzhou Branch, Chongqing Tobacco Company, Chongqing 400400, China)

In this study, several BP neural network prediction models for the sensory quality evaluation of flue-cured tobacco leaves were built based on their physicochemical indexes. A total of 223 flue-cured tobacco samples in Henan province were taken as the research objects. Through factor analysis, 12 physicochemical indexes of these samples were screened out as the network input variables, 10 sensory quality evaluation indexes were used as the output variables, and some BP models were constructed. The results showed that the predicted values of the built 10 network forecasting models well fitted to the target values. The linear regression analysis indicated that there was an extremely significant correlation between the predicted value and the target value of each network model. Except for the model for the prediction of mildness (R2=0.6839), each sensory index prediction model could explain more than 70% of the total variance of the samples. The above results suggested that the constructed BP network models could be used to predict the scores of various sensory indexes of flue-cured tobacco.

Flue-cured tobacco; Chemical index; Physical index; BP neural network model

2016-07-12

河南省煙草公司資助項目“秸稈生物質炭對土壤——烤煙養分高效協同利用機制研究”(HYKJ201301)。

常安然(1991─)，女，河南南陽人，碩士研究生，研究方向：卷煙工藝。*通訊作者：于建軍。

S572

A

1001-8581(2017)01-0075-05