BP神經(jīng)網(wǎng)絡(luò)煙葉化學(xué)成分預(yù)測模型構(gòu)建

張明乾， 劉立博， 趙羨波， 吳 龍， 張永安， 林志華， 許山河， 胡興川*

(1.福建中煙工業(yè)有限責(zé)任公司， 福建 廈門 361012； 2.福建省煙草公司 龍巖市公司， 福建 龍巖 364000)

煙葉內(nèi)在化學(xué)成分是用來評價烤煙品質(zhì)的常用指標(biāo)之一，化學(xué)成分特別是常規(guī)化學(xué)成分是影響煙葉內(nèi)在品質(zhì)的重要因素，其含量決定了煙草的品質(zhì)特征和工業(yè)可用性[1]，目前已普遍將烤煙內(nèi)在化學(xué)成分作為評價烤煙品質(zhì)的重要指標(biāo)[2]。土壤養(yǎng)分是影響優(yōu)質(zhì)煙葉生產(chǎn)的關(guān)鍵因素之一，植煙土壤的養(yǎng)分狀況直接影響煙草生長發(fā)育的營養(yǎng)水平，進而影響煙葉的化學(xué)成分和產(chǎn)量，最終影響煙葉品質(zhì)[3-6]。因此，土壤養(yǎng)分與煙葉化學(xué)成分及煙葉最終品質(zhì)的形成緊密相關(guān)[7-9]。目前對土壤養(yǎng)分與煙草生長發(fā)育及其品質(zhì)形成的研究報道較多，但利用土壤養(yǎng)分與煙葉化學(xué)成分的相關(guān)關(guān)系對煙葉化學(xué)成分進行預(yù)測的研究還較少。因此，研究選用影響煙葉化學(xué)成分的土壤養(yǎng)分因子，采用回歸分析法和BP神經(jīng)網(wǎng)絡(luò)(Back Propagation neural network)分別構(gòu)建預(yù)測模型，分析構(gòu)建模型的預(yù)測精度，以期為煙葉化學(xué)成分預(yù)測和卷煙工業(yè)原料使用提供理論依據(jù)。

1 材料與方法

1.1 試驗概況

供試品種為云煙87，由龍巖市煙草公司永定分公司提供。試驗于2014年1月至2018年12月在福建省龍巖市永定區(qū)湖雷基地單元湖雷鎮(zhèn)(24°47′N，116° 48′E)和湖坑鎮(zhèn)(24°62′N，116° 98′E)進行，兩地相距20.7 km。5年試驗煙田均為同一片煙田，土壤為水稻土，前茬作物為水稻，田塊肥力中等均勻，排水方便。烤煙生產(chǎn)、烘烤措施均嚴(yán)格參照Q/LYYC 122-2010《龍巖市優(yōu)質(zhì)烤煙生產(chǎn)技術(shù)標(biāo)準(zhǔn)體系》執(zhí)行。

1.2 樣品采樣

1.2.1 土壤樣品 采集時間為2014-2017年，采用5點取樣法[10]于煙株移栽前15 d取0～20 cm的耕層土壤。2個鄉(xiāng)鎮(zhèn)定點采集具有代表性地塊的土壤樣品10份，土壤樣品經(jīng)登記編號后進行預(yù)處理，經(jīng)過風(fēng)干、磨細、過1 mm篩、混勻、裝瓶后待檢。

1.2.2 煙葉樣品 煙葉樣品于2014-2017年采集，每年煙葉出烤后至交售前，采用隨機抽樣法進行取樣，煙葉水分要求在16%～17%。湖雷鎮(zhèn)和湖坑鎮(zhèn)試驗田塊均采集煙葉樣品3份，每份包含中等質(zhì)量水平的X2F、C3F、B2F煙葉各1 kg，煙葉樣品經(jīng)登記編號后進行扎捆、包裝、裝箱后待檢。

1.3 測定項目及方法

土壤樣品測定項目包括有機質(zhì)、堿解氮、有效磷、速效鉀和pH。其中，有機質(zhì)含量測定采用重鉻酸鉀滴定法[11]，堿解氮含量測定采用堿解擴散法[12]，有效磷含量測定采用碳酸氫鈉浸提-鉬銻抗比色法[13]，速效鉀含量測定采用醋酸銨浸提-火焰光度法[14]，pH測定采用pH計法(水土比為1.0∶2.5)。

煙葉常規(guī)化學(xué)成分測定包括總植物堿、水溶性總糖、水溶性還原糖和總鉀，分別按照煙草行業(yè)標(biāo)準(zhǔn) YC/T 468-2013、YC/T 159-2002、YC/T 217-2007進行測定。煙葉質(zhì)量評價方法參照福建中煙《原料質(zhì)量評價體系(烤煙)取樣及質(zhì)量評價技術(shù)要求》執(zhí)行。

1.4 預(yù)測模型構(gòu)建

1.4.1 相關(guān)分析 選取湖雷鎮(zhèn)2014-2017年數(shù)據(jù)為分析對象，運用SPSS對煙葉化學(xué)成分與土壤因子進行Person相關(guān)分析，顯著性檢查采用雙尾檢驗。

1.4.2 回歸模型構(gòu)建 運用SPSS 22，以湖雷鎮(zhèn)2014—2017測定的5個參數(shù)作(有機質(zhì)、堿解氮、有效磷、速效鉀和pH)為自變量及其對應(yīng)的4個參數(shù)(總植物堿、水溶性總糖、水溶性還原糖和總鉀)為因變量，采用基于最小二乘法的逐步回歸方式建立線性模型F1-F5，Probability-of-F-to-enter≤0.050，Probability-of-F-to-remove≥0.100。

1.4.3 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建 BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層(input)、隱含層(hide layer)和輸出層(output layer)[15-16]。以湖雷鎮(zhèn)2014-2017年5個參數(shù)(有機質(zhì)、堿解氮、有效磷、速效鉀和pH)為輸入層因子，以其對應(yīng)的4個參數(shù)(總植物堿、水溶性總糖、水溶性還原糖和總鉀)為輸出層因子構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。

神經(jīng)網(wǎng)絡(luò)法的判定精度主要受制于隱含層神經(jīng)元數(shù)，若隱含層神經(jīng)元數(shù)過少，將影響網(wǎng)絡(luò)的學(xué)習(xí)效果，則需要增加訓(xùn)練次數(shù)，而這又會降低訓(xùn)練的精度；反之，網(wǎng)絡(luò)訓(xùn)練時間增加，網(wǎng)絡(luò)易過擬合。先由經(jīng)驗公式(A)確定不同的神經(jīng)元數(shù)[17-20]，然后進行訓(xùn)練對比，取訓(xùn)練判定結(jié)果與實際誤差最小的隱含層神經(jīng)元數(shù)為最優(yōu)拓撲結(jié)構(gòu)。

(1)

研究采用MATLAB的Neural Network Toolbox構(gòu)建化學(xué)成分預(yù)測的BP網(wǎng)絡(luò)神經(jīng)模型，操作步驟如下：

1) 數(shù)據(jù)的歸一化處理。由于反映輸入層各參數(shù)原始數(shù)據(jù)的級差差異明顯，在進行BP神經(jīng)網(wǎng)絡(luò)構(gòu)建前先對原始數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)線性壓縮到[—1,1]的范圍，使其在訓(xùn)練階段的網(wǎng)絡(luò)更易收斂。

2) 神經(jīng)網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)中間層神經(jīng)元傳遞函數(shù)采用Logsig函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用線性函數(shù)Purelin，訓(xùn)練函數(shù)采用Trainlm。將數(shù)據(jù)的70%用于模型訓(xùn)練，15%用于預(yù)測驗證，15%用于模型測試。設(shè)置模型的收斂誤差為0.000 1，學(xué)習(xí)速率為0.05，最大訓(xùn)練次數(shù)為1 000。

1.5 模型預(yù)測準(zhǔn)確度比較

分別將湖坑鎮(zhèn)2014—2017土壤數(shù)據(jù)輸入回歸模型和BPNN模型中，記錄其對不同年份不同化學(xué)成分指標(biāo)的預(yù)測結(jié)果，計算其預(yù)測精準(zhǔn)度。

式中，N為模型預(yù)測值，M為湖坑化學(xué)成分真實值。

2 結(jié)果與分析

2.1 土壤養(yǎng)分與云煙87煙葉化學(xué)成分的相關(guān)性

從表1可以看出，云煙87的4項化學(xué)成分指標(biāo)與5項土壤養(yǎng)分指標(biāo)均無顯著線性相關(guān)，因此，無法構(gòu)建云煙87化學(xué)成分指標(biāo)-土壤養(yǎng)分指標(biāo)回歸模型，傳統(tǒng)的回歸方式已不適用。

表1 云煙87化學(xué)成分與土壤養(yǎng)分的相關(guān)性

2.2 BP模型對云煙87煙葉化學(xué)成分預(yù)測的精準(zhǔn)度

通過多次模型訓(xùn)練，確定永定地區(qū)云煙87化學(xué)成分預(yù)測BP模型最佳拓撲結(jié)構(gòu)如表2所示，這些模型的決定系數(shù)(R2)均在0.98以上，具有良好的擬合效果。

從表3看出，模型總體預(yù)測精準(zhǔn)度以C3F最高，為93.71%，較B2F及X2F分別高3.18及2.79百分點。從圖1看出，BP模型對2017年的預(yù)測精準(zhǔn)度最高，達95.67%，對2015年最低，只有87.36%；對水溶性還原糖和水溶性總糖預(yù)測精準(zhǔn)度最高，分別達94.30%及94.07%，而總植物堿最低，總體精準(zhǔn)度只有87.06%。

表2 云煙87化學(xué)成分BP預(yù)測模型最佳拓撲結(jié)構(gòu)

注：A、B、C分別為隱含層、輸入層及輸出層的神經(jīng)元數(shù)。

Note: A, B and C are the neuron in hide layer, input layer and output layer respectively.

表3 BP模型對龍巖永定云煙87化學(xué)成分預(yù)測的精準(zhǔn)度

圖1BP模型對云煙87化學(xué)成分預(yù)測精準(zhǔn)度

Fig.1 Prediction accuracy of chemical components of Yunyan 87 analyzed by BP model

3 結(jié)論與討論

煙葉內(nèi)在化學(xué)成分預(yù)測是煙葉生產(chǎn)中工商企業(yè)關(guān)注的重要問題之一。研究表明，采用回歸模型預(yù)測龍巖永定煙葉化學(xué)成分和土壤養(yǎng)分指標(biāo)無顯著線性相關(guān)性；而采用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測顯示出較高的相關(guān)性和模型精準(zhǔn)度，原因可能是回歸模型屬線性預(yù)測，受空間數(shù)據(jù)相互作用而出現(xiàn)對稱、叢聚和屏蔽等效應(yīng)，導(dǎo)致精度不高；而BP神經(jīng)網(wǎng)絡(luò)可以處理復(fù)雜空間的非線性系統(tǒng)，受樣本空間分布影響較小，其通過調(diào)整內(nèi)部的權(quán)重來提高網(wǎng)絡(luò)優(yōu)化效果，減小樣本位置對預(yù)測結(jié)果的影響，使其比多元回歸模型在空間預(yù)測上具有更高的精度和應(yīng)用范圍[20]。有研究[21-22]表明，土壤pH、有效磷、速效鉀與烤后煙葉鉀、總糖、還原糖、鉀氯比、糖堿比密切相關(guān)，這與筆者等研究利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型顯示土壤養(yǎng)分和煙葉化學(xué)成分之間存在高度相關(guān)性的結(jié)果一致。BP預(yù)測結(jié)果表明，C3F等級的預(yù)測精準(zhǔn)度較高且年度間變化較為平穩(wěn)，B2F和X2F的預(yù)測精準(zhǔn)度年度間變化略大；在煙葉化學(xué)成分指標(biāo)的精準(zhǔn)度方面表現(xiàn)為對水溶性糖的預(yù)測精準(zhǔn)度較高。綜上，BP神經(jīng)網(wǎng)絡(luò)相比多元回歸在對龍巖永定煙區(qū)云煙87化學(xué)成分分析預(yù)測上具有更好的穩(wěn)定性和精確性。運用BP神經(jīng)網(wǎng)絡(luò)可較好地服務(wù)于煙葉化學(xué)成分的預(yù)測，為煙葉生產(chǎn)和工業(yè)使用提供科學(xué)合理的預(yù)見性支持。