基于BP神經網絡的煙葉醇化感官質量仿真模擬

鄧羽翔 - 羅 誠 李東亮 - 楊 杰 周 東 杜 薇 陳思昂 -

(四川中煙工業有限責任公司技術中心，四川 成都 610066)

煙葉發酵是卷煙加工中極為重要的環節，良好的發酵工藝可以改善煙葉品質，降低煙葉青雜氣和刺激性，使煙草特征香氣顯露，顯著提高其可用性[1]。打葉復烤后煙葉需自然醇化，醇化會使煙葉內主要化合物和致香成分發生急劇的變化[2-3]，經相關性分析和回歸分析發現主要化學成分與感官質量存在直接或間接的關系[4-7]。楊波等[8]對四川涼山會理的煙葉進行了跟蹤倉儲試驗，采用了描述統計和回歸分析擬合了煙葉醇化品質變化的曲線方程，得到了煙葉適宜的醇化時間。劉紅光等[9]發現復烤片煙感官品質和化學成分可用性指數(CCUI)隨醇化時間的延長均呈現先上升后下降的變化趨勢。對于煙葉醇化感官評價研究，大多數研究僅限于傳統的數理統計方法，包括一般線性相關性分析、主成分分析、多元回歸分析、曲線回歸分析、邏輯回歸分析、因子分析等，這類統計方法在定性研究中能夠快速找到規律性，但目前已知影響煙葉醇化質量的主要因子是微生物群落在一定溫度、相對濕度、氧氣濃度下發生的生化、物理反應，而煙葉醇化質量不能僅以感官質量中的雜氣、刺激性或主要化合物和致香成分含量所決定，選用何種因子和因子采用何種表達式是一種推測，影響了因子的多樣性和某些因子的不可測性，使得回歸分析在某些情況下受到限制，且無法達到有效預測效果。

神經網絡的優點在于它具有模擬多變量而不需要對輸入變量做復雜的相關假設的能力[10]。楊淑娥等[11]研究表明，經過BP(Back Propagation)神經網絡訓練可避免重復的因子表達，在指標間相關度較高、呈非線性變化，或數據缺漏不全的情況下仍可得到比較滿意的結果。試驗擬通過對醇化周期內煙葉感官質量評分進行BP神經網絡訓練，對煙葉醇化過程中感官質量變化的預測方法進行研究，旨在建立BP神經網絡模型，為倉儲環節煙葉周轉、配方設計使用提供指導。

1 材料和方法

1.1 材料

醇化樣品：2012年廣東南雄、云南曲靖、福建三明、河南洛陽、重慶豐都、四川涼山6個產區的打葉復烤后的片煙，每個產區均包含上(B2F)、中(C3F)、下(X2F)3個部位等級，共計18種片煙樣品，四川中煙工業有限責任公司。每種樣品各取同一批次的成品片煙24件，分別存放于四川中煙工業有限責任公司的成都多寶寺倉庫、成都多寶寺氣調倉庫、什邡李子園倉庫、西昌新廠倉庫進行自然醇化，每種樣品每個倉庫存放6件。

1.2 試驗設備

卷煙機：ZB25型，上海煙草機械廠。

1.3 方法

1.3.1 醇化后樣品取樣及卷煙樣品制備 從復烤片煙入庫起，以每6個月為周期對醇化的片煙樣品取樣，試驗周期36個月，共取樣6次。抽樣方法按GB/T 19616—2004，每次隨機取1箱(下次取樣時，排除前期已取樣的煙箱)，從上、中、下3個取樣點，每個取樣點取5 kg左右。剔除煙葉中殘留的煙梗后，將煙片切成1.0 mm左右的煙絲。切絲前要求煙葉的水分在12%左右，若煙葉較濕，采用自然晾干的方法平衡水分，若煙葉較干，采用蒸鍋來增大水分。切絲后，將煙絲混合均勻，采用四分法保留500 g，用于評吸卷煙樣品的卷制。在同一機臺，按照“嬌子(時代陽光)”工藝標準，進行卷煙樣品的卷制。

1.3.2 感官評吸方法 采用“九分值”行業單料煙感官評價方法[12]，從香氣特性、煙氣特性、口感特性三方面進行評價，其中：香氣特性包括香氣質、香氣量、豐滿程度及雜氣，煙氣特性包括濃度、勁頭、細膩程度及成團性，口感特性包括刺激性、干燥感、干凈程度、甜度及余味。

1.3.3 訓練樣本集的準備 6位感官評吸專業人員按“九分值”單料煙感官評吸方法每隔6個月，共6次感官評吸，結果見表1。

表1 樣本的感官評吸總分描述性統計

2 綜合評分指數的構建與等級劃分

基于主成分分析分別對4個倉庫在6個時間節點年的感官評吸結果進行因子分析、指數構建與等級劃分。以成都多寶倉庫為例。

2.1 綜合指數的構建

根據主成分分析方法的原理，以因子方差累計貢獻率>80%為準則來提取主成分因子[13]。由表2可知，3個因子解釋了18個指標91.64%的方差。因此提取前3個主成分可以代替整體信息。

表2 主成分分析結果

根據SPSS算出成分載荷矩陣，再用載荷矩陣中的指標系數除以對應各個主因子的特征根，得出各個原始變量的系數，進一步得到因子得分系數矩陣，主成分因子表示：

F1=0.774x1+0.661x2+0.114x3+0.669x4+0.873x5+0.859x6+0.503x7+0.901x8+0.930x9+0.837x10+0.913x11+0.863x12+0.959x13+0.968x14-0.797x15+0.971x16+0.971x17+0.846x18,

(1)

F2=-0.144x1+0.272x2+0.758x3+0.279x4+0.246x5+0.473x6-0.843x7-0.410x8-0.034x9+0.465x10-0.176x11+0.187x12-0.023x13-0.133x14+0.456x15-0.234x16-0.039x17+0.299x18，

(2)

F3=0.399x1-0.268x2-0.492x3+0.559x4-0.367x5-0.194x6-0.182x7-0.137x8-0.148x9+0.277x10+0.288x11-0.202x12+0.130x13-0.162x14+0.363x15+0.005x16+0.117x17+0.322x18。

(3)

根據因子的貢獻率，將每個變量的原數據代入，即可得到每個變量的綜合評價得分，計算公式為：

(4)

綜合評分結果如表3所示，評分越大則等級越高，評分越小則等級越低。

表3 各個倉庫煙葉醇化度綜合評分

2.2 評分等級的劃分

取各個地區各個時間節點的綜合指數的前3個四分位數，得到3個等級臨界值，將醇化得分指數劃分為4個區間，即對各個倉庫評分進行等級劃分。劃分區間即可確定每個倉庫對應時間節點相應的煙葉醇化等級，見表4。

表4 煙葉醇化度等級評分

3 BP神經網絡在模擬應用中的訓練與應用

BP神經網絡具有任意復雜的模式分類能力和優良的多維函數映射能力，解決了簡單感知器不能解決的異或(Exclusive OR，XOR)和一些其他問題。從結構上講，BP網絡具有輸入層、隱藏層和輸出層見圖1。從本質上講，BP算法就是以網絡誤差平方為目標函數、采用梯度下降法來計算目標函數的最小值[14]。

根據BP神經網絡模型原理，需將采集到煙葉醇化得分指標數據劃分為訓練集、檢驗集和預測集。具體而言，將4個倉庫中的前4個時間節點的樣本數據作為網絡模型的訓練集，以后第5個時間節點(間隔30個月)的數據作為檢測集，以最后時間節點(間隔36個月)作為預測集，對4個倉庫的煙葉醇化度進行檢驗與預測。

圖1 BP神經網絡映射結構圖

3.1 BP神經網絡模型建立

采用Matlab軟件對煙葉醇化得分模型進行訓練。調用Trainlm函數網絡對輸入數據和期望輸出值進行神經網絡訓練，訓練策略采用調節訓練次數和期望誤差進行對比試驗，使實際輸出值和期望輸出間的誤差達到最小。當達到較合適的期望誤差值，則網絡的訓練結束。確定較合適的值是通過不斷調整隱含層神經元個數來確定的，一般認為增加隱含層可以降低網絡誤差，提高精度，但也會使網絡復雜化，增加了網絡的順聯時間和出現“過擬合”，通過試驗可知增加隱含層神經元個數來獲得較低的誤差，其訓練效果要比增加隱含層層數更容易實現[15]。其輸入數據為4個倉庫中的前4個時間節點的72組數據，建立的BP神經網絡模型的輸入層節點有11個，試驗對比確認網絡誤差最小時對應隱含層節點為10；對應的期望輸出值則是根據綜合指數和煙葉醇化等級劃分區間，該倉庫不同種類的煙葉醇化等級，模型輸出層節點有4個。當網絡性能達到期望誤差要求時訓練結束，網絡訓練學習率為0.01，將期望誤差設置為1.00E-06。網絡訓練的誤差擬合圖見圖2，BP神經網絡訓練界面見圖3。

3.2 BP神經網絡模型的檢驗

期望目標輸出由主成分因子分析法得出的煙葉醇化綜合指數轉化而來，BP神經網絡模型檢驗通過比較實際輸出和期望目標輸出大小判斷，若實際輸出小于期望目標輸出，判斷模型準確性較高，反之較低。采用樣本數據中第5個時間節點(間隔30個月)數據作為檢驗集，將其煙葉醇化度等級狀況與期望的目標輸出進行檢驗，誤差較小則表示模型通過檢測。由表5中模型的檢驗輸出煙葉醇化度等級狀態與期望輸出結果基本一致，模型檢驗結果較滿意，表明網絡有較好的預測效果。

圖2 BP神經網絡誤差擬合圖

圖3 BP神經網絡訓練

表5 BP神經網絡模型的檢驗輸出與期望輸出對比

3.3 基于BP神經網絡的預測

如神經網絡原理所述，神經網絡第n年的輸入值對應的期望目標輸出值則是第n+1個月的煙葉醇化等級狀況，這就使網絡模型訓練得到的輸出值具有預測下一年醇化等級的功效[16]。因此，將間隔36個月數據輸入模型，則可得間隔42個月的4個倉庫18個不同產地等級煙葉的預測結果，預測結果以成都多寶庫為例見表6。

根據結果可知，在下一次抽檢過程中，煙葉醇化為優的產地和種類有：福建三明B2F、福建三明C3F、云南羅平B2F、C3F，重慶豐都C3F、B2F、X2F，可以預測這些產地不同等級煙葉在成都多寶庫經42個月醇化水平較高，其感官評吸預測結果也較好，配方設計使用價值高。處于不合格或剛合格的煙葉醇化級別的為：福建三明X2F、廣東南雄X2F、云南羅平C3F以及涼山會理B2F，可能是由于不同地區煙葉種植條件環境不同，煙葉化學成分差異性較大造成，在成都多寶庫條件下醇化在這一時間節點處于低水平狀態，使用價值欠佳，因此，建議盡快處理，并需進一步探討合理的醇化環境和方式。

4 結論

煙葉醇化過程中發生復雜的生化、物理反應，這一類問題的共同特點是：難以達到解析解，而神經網絡具有識別復雜非線性可反映射的特征，BP神經網絡能學習和儲存大量輸入—輸出模式映射關系，而無須事先了解描述這類映射關系的數學方程。通過Matlab軟件，建立煙葉醇化感官質量BP神經網絡模型，應用在時間節點質量預測方面，從檢驗結果可知具有準確性，為煙葉醇化質量評價和預測提供了科學的實踐方法和可靠的理論依據，可指導煙葉倉儲養護工作者、卷煙配方師提前采取風險預控措施，規避由醇化不當導致煙葉質量下降所帶來的損失。

表6 成都多寶倉庫煙葉醇化結果分析

Table 6 Analysis of alcoholification results of tobacco leaves in Chengdu Duobao warehouse

醇化度等級產地種類不合格涼山會理C3F合格河南洛陽C3F云南羅平C3F涼山會理B2F醇化良廣東南雄X2F、C3F、B2F河南洛陽B2F、X2F福建三明X2F涼山會理X2F醇化度優福建三明B2F、C3F云南羅平B2F、C3F重慶豐都C3F、B2F、X2F