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(nóng)業(yè)大學(xué) 煙草學(xué)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(biāo)構(gòu)建烤煙感官質(zhì)量預(yù)測(cè)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(nóng)業(yè)大學(xué) 煙草學(xué)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(biāo)建立烤煙感官評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。以河南地區(qū)223個(gè)烤煙樣本為研究對(duì)象，通過因子分析，篩選了12項(xiàng)烤煙理化指標(biāo)作為網(wǎng)絡(luò)輸入變量、10項(xiàng)感官評(píng)價(jià)指標(biāo)作為輸出變量構(gòu)建預(yù)測(cè)模型。結(jié)果表明：構(gòu)建的10個(gè)網(wǎng)絡(luò)預(yù)測(cè)模型目標(biāo)值與預(yù)測(cè)值擬合度較好。各網(wǎng)絡(luò)模型線性回歸分析預(yù)測(cè)值和目標(biāo)值均呈現(xiàn)極顯著相關(guān)性。除勁頭模型(R2=0.6839)外，其余各感官指標(biāo)預(yù)測(cè)模型對(duì)樣本的整體方差解釋率均可達(dá)到70%以上。說明所構(gòu)建的BP網(wǎng)絡(luò)模型可以較好地對(duì)烤煙各感官指標(biāo)得分進(jìn)行預(yù)測(cè)評(píng)價(jià)。

烤煙；化學(xué)指標(biāo)；物理指標(biāo)；BP神經(jīng)網(wǎng)絡(luò)模型

烤煙的感官質(zhì)量是煙葉質(zhì)量評(píng)價(jià)的核心內(nèi)容。目前，煙草感官質(zhì)量評(píng)價(jià)的主要方式是評(píng)吸人員通過吸食借助感官對(duì)煙草及其制品進(jìn)行品質(zhì)鑒定[1]，而在人工評(píng)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(zhì)量的因素是復(fù)雜多樣的，其中烤煙化學(xué)成分作為烤煙品質(zhì)的物質(zhì)基礎(chǔ)，是決定烤煙感官質(zhì)量的主要因素,而烤煙的物理特性是烤煙內(nèi)在品質(zhì)的宏觀反映，同時(shí)也是卷煙原料配方設(shè)計(jì)重要工藝指標(biāo)，因此將烤煙化學(xué)成分、物理特性與烤煙感官質(zhì)量之間的關(guān)系進(jìn)行研究具有重要意義[2-3]?，F(xiàn)有研究大多利用相關(guān)性分析、回歸分析、關(guān)聯(lián)分析等傳統(tǒng)數(shù)理統(tǒng)計(jì)的方法，對(duì)煙葉質(zhì)量指標(biāo)之間的關(guān)系進(jìn)行定性分析，但無法直接給出煙葉評(píng)吸質(zhì)量的預(yù)測(cè)及評(píng)價(jià)結(jié)果[4]。

BP神經(jīng)網(wǎng)絡(luò)作為一種有效的智能信息處理技術(shù)，具有良好的非線性逼近能力和對(duì)雜亂信息的綜合處理能力，在樣本預(yù)測(cè)中顯示出一定的優(yōu)越性[5]。利用BP神經(jīng)網(wǎng)絡(luò),通過烤煙物理特性和化學(xué)指標(biāo)建立烤煙感官預(yù)測(cè)模型，減少烤煙評(píng)吸過程中人為因素造成的主觀差異，從而更為客觀精準(zhǔn)地量化烤煙感官質(zhì)量。

1 材料與方法

1.1 試驗(yàn)材料

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

1.2 試驗(yàn)方法

煙葉各理化指標(biāo)測(cè)定均依據(jù)相關(guān)標(biāo)準(zhǔn)進(jìn)行[6]。煙葉感官質(zhì)量評(píng)吸打分采用“九分制”評(píng)吸指標(biāo)包括香氣質(zhì)、香氣量、濃度、雜氣、勁頭、刺激性、余味、燃燒性、灰色，共9項(xiàng)指標(biāo)評(píng)吸得分標(biāo)準(zhǔn)參照表1，感官評(píng)吸總分計(jì)算按照各評(píng)吸指標(biāo)權(quán)重所得，具體計(jì)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(zhì)、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(píng)吸打分標(biāo)準(zhǔn)

1.3 河南煙葉樣品的基本特征

對(duì)烤煙感官質(zhì)量進(jìn)行描述性統(tǒng)計(jì)，結(jié)果見表2。河南煙區(qū)烤煙樣品感官質(zhì)量各項(xiàng)評(píng)吸指標(biāo)變異系數(shù)均小于10%，樣本較為集中，且樣本整體符合正態(tài)分布，達(dá)到統(tǒng)計(jì)分析要求。評(píng)吸樣品中濃度、刺激性偏度系數(shù)大于0，為正向偏態(tài)峰；其余指標(biāo)偏度系數(shù)均小于0，為負(fù)向偏態(tài)峰。香氣量、雜氣峰度系數(shù)小于0，呈現(xiàn)為平闊峰，數(shù)據(jù)分布較為分散；其余各指標(biāo)峰度系數(shù)均大于0，呈現(xiàn)為尖峭峰，數(shù)據(jù)分布多集中在平均值附近。

表2 樣本感官質(zhì)量的描述性統(tǒng)計(jì)

對(duì)烤煙樣品物理特性和常規(guī)化學(xué)成分進(jìn)行描述統(tǒng)計(jì)，結(jié)果見表3?？梢钥闯龈骼砘笜?biāo)變異系數(shù)均小于10%，樣本數(shù)據(jù)相對(duì)穩(wěn)定?？偟⒑Ｂ屎推胶夂?，變異系數(shù)相對(duì)較大；氯含量變異系數(shù)最小。煙堿、總糖、還原糖、淀粉、含梗率和單葉重峰度系數(shù)小于0，呈現(xiàn)為平闊峰，數(shù)據(jù)較為分散；其余各指標(biāo)峰度系數(shù)均大于0，呈現(xiàn)為尖峭峰，數(shù)據(jù)較為集中，多在平均值附近。淀粉和含梗率偏度系數(shù)小于0，為負(fù)向偏態(tài)峰；其余各指標(biāo)偏度系數(shù)均大于0，為正向偏態(tài)峰。

表3 樣本物理特性和常規(guī)化學(xué)成分描述性統(tǒng)計(jì)

1.4 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的處理與設(shè)計(jì)

對(duì)14項(xiàng)物理和化學(xué)指標(biāo)進(jìn)行因子分析，依據(jù)方差最大進(jìn)行正交旋轉(zhuǎn)，旋轉(zhuǎn)后10項(xiàng)因子累計(jì)貢獻(xiàn)率達(dá)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(zhì)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(qiáng)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(jù)上述分析，最終選擇總氮、煙堿、總糖、淀粉、鉀、氯、抗張強(qiáng)度、煙葉含梗率、單葉重、葉質(zhì)重、填充值以及煙葉平衡含水率12項(xiàng)指標(biāo)作為神經(jīng)網(wǎng)絡(luò)模型構(gòu)建的輸入變量。

采用Matlab 2014軟件，以223個(gè)煙葉樣品煙葉感官質(zhì)量中香氣質(zhì)、香氣量、雜氣、刺激性、透發(fā)性、灰色、余味、濃度、勁頭以及評(píng)吸總分共10個(gè)指標(biāo)分別作為網(wǎng)絡(luò)模型的輸出值，共建立10個(gè)BP神經(jīng)網(wǎng)絡(luò)模型。由于網(wǎng)絡(luò)的輸入節(jié)點(diǎn)物理量各不相同，有的數(shù)值之間相差很大，無法進(jìn)行綜合評(píng)估，同時(shí)，為避免受激活函數(shù)s型函數(shù)值域范圍的影響，發(fā)生小數(shù)值信息被大數(shù)值信息淹沒的影響，采用式(2)對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，以提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度和訓(xùn)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(hào)進(jìn)行波束形成。

(3)

式(3)中：l為隱含層節(jié)點(diǎn)數(shù)，n為輸入節(jié)點(diǎn)數(shù)，m為輸出節(jié)點(diǎn)數(shù)；a為1～10之間的調(diào)節(jié)常數(shù)。

隱含層節(jié)點(diǎn)數(shù)設(shè)計(jì)參照式(3)多次訓(xùn)練試驗(yàn)確定，最終以節(jié)點(diǎn)數(shù)為11的隱含層節(jié)點(diǎn)數(shù)所構(gòu)建的網(wǎng)絡(luò)模型的擬合殘差最小，因此建立網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為12-11-1的神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)訓(xùn)練在Matlab2014軟件中進(jìn)行。所建立的BP神經(jīng)網(wǎng)絡(luò)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(gè)理化指標(biāo)，T代表煙葉的感官質(zhì)量指標(biāo)。

表4 因子載荷矩陣

2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

利用223組數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)模型構(gòu)建，隨機(jī)挑取其中183組數(shù)據(jù)作為訓(xùn)練樣本，進(jìn)行模型預(yù)測(cè)訓(xùn)練，剩余50組作為測(cè)試樣本，用于模型檢測(cè)。以訓(xùn)練完成后各感官質(zhì)量指標(biāo)的網(wǎng)絡(luò)模型模擬值為縱坐標(biāo)，以各感官質(zhì)量指標(biāo)的實(shí)際值為橫坐標(biāo)，建立統(tǒng)計(jì)回歸分析圖，圖中的直線為y=x，表示模擬值與實(shí)際值完全相同時(shí)的結(jié)果(圖1)[7-9]?；貧w分析結(jié)果表明，構(gòu)建出的10個(gè)網(wǎng)絡(luò)模型的預(yù)測(cè)值與目標(biāo)值均呈現(xiàn)出極顯著的相關(guān)性(P<0.0001)，除勁頭模型外，各指標(biāo)決定系數(shù)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(shù)R2大于0.9，說明通過神經(jīng)網(wǎng)絡(luò)分析，各單項(xiàng)評(píng)吸得分的模型預(yù)測(cè)值與目標(biāo)值非常接近，模型預(yù)測(cè)評(píng)吸指標(biāo)準(zhǔn)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(biāo)，說明影響煙氣勁頭的因素較為復(fù)雜，可進(jìn)一步引入其他指標(biāo)，提高預(yù)測(cè)模型的精準(zhǔn)度。

圖1 訓(xùn)練后網(wǎng)絡(luò)模擬值與目標(biāo)輸出的統(tǒng)計(jì)回歸分析

3 結(jié)論與討論

試驗(yàn)統(tǒng)計(jì)分析表明，通過烤煙主要理化指標(biāo)與烤煙香氣質(zhì)、香氣量、濃度、雜氣、勁頭、刺激性、余味、燃燒性、灰色及評(píng)吸總分等單項(xiàng)感官指標(biāo)經(jīng)過模擬訓(xùn)練建立的拓?fù)浣Y(jié)構(gòu)為12-11-1的BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，結(jié)果有較高的預(yù)測(cè)準(zhǔn)確度，具有研究意義和實(shí)用價(jià)值。

利用BP神經(jīng)網(wǎng)絡(luò)對(duì)烤煙香氣質(zhì)、雜氣、燃燒性、灰色的預(yù)測(cè)效果最好；刺激性、評(píng)吸總分、勁頭預(yù)測(cè)模型對(duì)樣本的方差解釋率稍低于其他指標(biāo)，說明影響烤煙刺激性、評(píng)吸總分和勁頭的因素相對(duì)更為復(fù)雜。例如有研究表明，煙葉的刺激性除與煙葉常規(guī)化學(xué)成分和物理特性關(guān)系密切外，還與煙葉中木質(zhì)素、纖維素和果膠的含量有很大關(guān)系[10]；而烤煙勁頭實(shí)際得分情況主要依據(jù)評(píng)吸人員的生理感受強(qiáng)度，較其余指標(biāo)存在更為明顯的主觀性和隨意性，這些因素都會(huì)對(duì)預(yù)測(cè)模型的構(gòu)建產(chǎn)生影響[11-12]。

對(duì)煙葉原料進(jìn)行感官評(píng)價(jià)的目的是為了確定烤煙煙葉整體質(zhì)量的優(yōu)劣，而影響煙葉品質(zhì)的因素極為復(fù)雜，單純的依靠常規(guī)化學(xué)成分和物理特性所構(gòu)建的預(yù)測(cè)模型顯然不能絕對(duì)精準(zhǔn)地反映煙葉的感官品質(zhì)[13-14]。在今后的研究中應(yīng)擴(kuò)大樣品來源，結(jié)合更多的有效因素進(jìn)行烤煙感官質(zhì)量網(wǎng)絡(luò)預(yù)測(cè)模型的探索建立，進(jìn)一步提高模型的精準(zhǔn)度，為烤煙感官質(zhì)量評(píng)價(jià)提供更為客觀準(zhǔn)確的依據(jù)。

[1] 于建軍.卷煙工藝學(xué)[M].北京:中國農(nóng)業(yè)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(zhì)量評(píng)價(jià)指標(biāo)的典型相關(guān)分析[J].中國農(nóng)學(xué)通報(bào),2014,30(12):316-320.

[3] 邵惠芳,趙昕宇,許自成,等.基于SOFM網(wǎng)絡(luò)的烤煙感官質(zhì)量聚類模式分析[J].中國煙草學(xué)報(bào),2016,22(1):13-23.

[4] 邵惠芳,許自成,李東亮,等.基于BP神經(jīng)網(wǎng)絡(luò)建立烤煙感官質(zhì)量的預(yù)測(cè)模型[J].中國煙草學(xué)報(bào),2011,17(1):19-25.

[5] 傅薈璇,趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社,2010.

[6] 于建軍，宮長(zhǎng)榮.煙草原料初加工[M].北京：中國農(nóng)業(yè)出版社,2009.

[7] 李東亮.基于化學(xué)成分的煙草質(zhì)量評(píng)價(jià)方法研究與應(yīng)用[D].鄭州：河南農(nóng)業(yè)大學(xué),2008.

[8] 潘文杰.基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的烤煙重金屬積累特征研究[D].重慶：西南大學(xué),2006.

[9] 林麗莉,馮天瑾,周文暉,等.基于神經(jīng)-模糊方法的單料煙感官質(zhì)量評(píng)價(jià)專家系統(tǒng)[J].青島海洋大學(xué)學(xué)報(bào):自然科學(xué)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(diǎn)及對(duì)評(píng)吸品質(zhì)的影響[D].鄭州：河南農(nóng)業(yè)大學(xué),2011.

[11] 彭斌,金征宇,翁昔陽,等.碳酸鉀對(duì)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(xué)成分的相關(guān)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(xué)成分與評(píng)吸質(zhì)量的非線性關(guān)系解析[J].中國煙草學(xué)報(bào),2012,18(4):17-26.

[14] 閆克玉,王光耀,李春松.我國烤煙質(zhì)量分析評(píng)價(jià)研究進(jìn)展[J].鄭州輕工業(yè)學(xué)院學(xué)報(bào):自然科學(xué)版,2007,22(Z1):49-52.

(責(zé)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(xiàng)目“秸稈生物質(zhì)炭對(duì)土壤——烤煙養(yǎng)分高效協(xié)同利用機(jī)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