申玉姝 曹曉衛(wèi) 于潔 沙云菲 岳寶華

摘 要： 采用高效液相色譜-氣相色譜-質(zhì)譜聯(lián)用法（HPLCGCMS）測(cè)定中部和下部煙葉的巨豆三烯酮、β-紫羅蘭酮、氧化紫羅蘭酮、茄酮等11種致香成分，應(yīng)用遺傳算法（GA）對(duì)篩選出的8種致香成分建立中部和下部煙葉支持向量機(jī)（SVM）分類判別模型.結(jié)果表明，中部和下部煙葉的SVM分類判別模型的建模、留一法及預(yù)報(bào)準(zhǔn)確率分別為95.45%，89.39%和81.25%.利用Fisher判別矢量方法考察了中部和下部煙葉的空間分布規(guī)律，分析出中部和下部煙葉致香成分中，巨豆三烯酮、β-紫羅蘭酮、氧化紫羅蘭酮差異顯著.

關(guān)鍵詞： 煙葉部位; 致香成分; 遺傳算法（GA）; 支持向量機(jī)（SVM）

中圖分類號(hào)： S 572; TP 18? 文獻(xiàn)標(biāo)志碼： A? 文章編號(hào)： 10005137（2019）04042007

Abstract： Eleven different aromatic components including megastigmatrienone，betaIonone，Ionone oxide and solanone from middle and lower tobacco leaves were determined successfully via high performance liquid chromatographygas chromatographymass spectrometry （HPLCGCMS） system.By using genetic algorithm（GA），8 aromatic components were selected to build a support vector machine（SVM） classification model for discriminating middle and lower tobacco leaves.The results showed that the accuracies of modeling，leaveoneout，and prediction were 95.45%，89.39% and 81.25%，respectively.The spatial distribution of middle and lower tobacco leaves was investigated by Fisher discriminant vector method，which showed that megastigmatrienone，betaIonone，and Ionone oxide were evidently different in the middle and lower tobaccos leaves.

Key words： tobacco leaves stalk positions; aromatic components; genetic algorithm（GA）; support vector machine（SVM）

0 引 言

煙葉的風(fēng)格特征很大程度上取決于煙葉中的致香成分.長(zhǎng)期以來(lái)，對(duì)煙葉香氣質(zhì)量及香型的評(píng)價(jià)，一直建立在評(píng)吸人員對(duì)煙葉燃燒所形成煙氣的感官評(píng)價(jià)上，其主觀性會(huì)導(dǎo)致一些誤差，因此可以通過(guò)分析致香的化學(xué)成分來(lái)對(duì)煙葉質(zhì)量進(jìn)行更科學(xué)準(zhǔn)確的檢測(cè)[1].而煙葉致香成分眾多、組分復(fù)雜，且含量較低[2]，所以研究煙葉中的重要化學(xué)致香成分，一直是一項(xiàng)很重要的工作.

目前，由于氣相色譜-質(zhì)譜聯(lián)用法（GCMS）具有定性和定量準(zhǔn)確的優(yōu)勢(shì)，可以采用GCMS結(jié)合化學(xué)計(jì)量學(xué)方法進(jìn)行煙葉致香成分及其影響因素的研究[3].2016年，楊艷芹等[4]采用GCMS測(cè)定煙草干餾香料中的致香成分，并對(duì)其進(jìn)行了定性和定量分析.利用GCMS等方法檢測(cè)出煙葉中不同致香成分之后，需要使用化學(xué)計(jì)量學(xué)方法進(jìn)一步分析這些致香成分對(duì)煙葉的品質(zhì)和感官的影響.對(duì)于煙草這個(gè)復(fù)雜體系，其致香成分綜合影響著煙葉質(zhì)量和感官，而且這些致香成分之間也不是簡(jiǎn)單的線性關(guān)系，因此常規(guī)的數(shù)理統(tǒng)計(jì)分析很難奏效，需要使用主成分、判別矢量、支持向量機(jī)（SVM）等化學(xué)計(jì)量學(xué)方法分析.隨著化學(xué)計(jì)量學(xué)算法的不斷發(fā)展，GCMS也與其相結(jié)合，被廣泛應(yīng)用于煙葉化學(xué)領(lǐng)域.2013年，ZHANG等[5]基于煙葉的GCMS數(shù)據(jù)，結(jié)合層次聚類算法、主成分分析和正交偏最小二乘判別分析方法，分析了我國(guó)不同省份煙葉致香成分含量的差異性以及影響因素.2017年，朱海濱等[6]采用GCMS探究了薰衣草油不同添加時(shí)期對(duì)烤煙致香成分和感官質(zhì)量的影響.董惠忠等[7]研究了上部和中部煙葉致香成分差異性，發(fā)現(xiàn)3-羥基-β-二氫大馬酮、巨豆三烯酮和茄酮為影響上部和中部煙葉差異性的主要致香成分.利用化學(xué)計(jì)量學(xué)方法研究出不同部位煙葉致香成分的差異后，在煙葉實(shí)際生產(chǎn)過(guò)程中，可以嘗試增加或減少上部煙葉中的某些致香成分，進(jìn)而提高其品質(zhì).

本研究將著眼于中部和下部煙葉致香成分的差異性，基于高效液相色譜-氣相色譜-質(zhì)譜聯(lián)用法（HPLCGCMS）測(cè)定了88個(gè)煙葉樣本中的11種致香成分含量.由于傳統(tǒng)的液相色譜-氣相色譜-質(zhì)譜聯(lián)用法（LCGCMS）聯(lián)用技術(shù)不適合對(duì)易揮發(fā)的煙葉致香成分的檢測(cè)，沙云菲課題組基于柱上進(jìn)樣恒流恒陽(yáng)切換接口技術(shù)，開(kāi)發(fā)了適合檢測(cè)煙葉致香成分的裝置.本研究收集到的樣本數(shù)比較少，而且測(cè)得的致香成分比較多，因此利用遺傳算法（GA）篩選出影響中部和下部煙葉的主要致香成分，并建立中部和下部煙葉的SVM快速分類判別模型[8]，為煙葉的品質(zhì)監(jiān)控與優(yōu)化，以及產(chǎn)品配方維護(hù)和煙葉分組加工提供參考[9].

1 實(shí)驗(yàn)和算法

1.1 實(shí)驗(yàn)材料和設(shè)備

實(shí)驗(yàn)所用煙葉樣品由某煙草公司提供，來(lái)自9個(gè)產(chǎn)地的初烤煙葉，共計(jì)82種，根據(jù)煙葉生長(zhǎng)部位分為中部和下部煙葉.煙葉樣品統(tǒng)計(jì)結(jié)果如表1所示.隨機(jī)提取其中16個(gè)樣品作為獨(dú)立測(cè)試集，剩余的66個(gè)樣品作為建模訓(xùn)練集.

實(shí)驗(yàn)設(shè)備：Aglient1260型液相色譜系統(tǒng)（美國(guó)Agilent）配備自動(dòng)進(jìn)樣器、二元泵和二極管陣列檢測(cè)器;Agilent 5975 型氣相色譜系統(tǒng)配備OnColumn進(jìn)樣系統(tǒng)和火焰離子檢測(cè)器;AA3型連續(xù)流動(dòng)分析儀（德國(guó)BranLuebee）;CYCLOTEL 1093型旋風(fēng)粉碎機(jī)（丹麥FOSS）;PB 303S型電子天平（瑞士METTLER TOLEDO，精度為0.001 g）.

1.2 實(shí)驗(yàn)方法

1.2.1 樣品處理

稱取煙葉粉末樣品0.2 g于15 mL厚壁離心管中，加入5 mL甲基叔丁基醚：正己烷提取溶劑和0.2 mL α-紫羅蘭酮內(nèi)標(biāo)工作溶液，渦旋振蕩1 min，靜置過(guò)夜，再次渦旋振蕩，3000 r·min-1離心5 min，取上清液1 mL至色譜樣品瓶待測(cè).

1.2.2 GCMS分析條件

液相色譜柱：Styragel HR 0.5 （4.6 mm I.D×300 mm，Waters）;流動(dòng)相：二氯甲烷;流速：0.25 mL·min-1;進(jìn)樣量：10 μL;柱溫：30 ℃;DAD檢測(cè)波長(zhǎng)：238，254和320 nm;LC切割范圍：11.1～12.1 min.

氣相色譜柱：DB5MS （30 m×0.25 mm I.D，0.25 md.f.），柱溫箱初始溫度為39 ℃，保持14 min，以5 ℃·min-1升到200 ℃，再以20 ℃·min-1升至290 ℃，保持5 min;色譜柱恒流模式，1.2 mL·min-1，溶劑蒸發(fā)流量為50 mL·min-1;12.9 min分析柱和預(yù)柱相聯(lián)，50 min分析柱和預(yù)柱分離.

質(zhì)譜條件：MS電離方式：EI;電離能量：70 eV;傳輸線溫度：280 ℃;離子源溫度：230 ℃;質(zhì)量掃描范圍：50～350 amu;溶劑延遲：25 min.

利用LCGCMS法測(cè)定煙葉樣品中的不同致香成分，本研究選取茄酮、香葉基丙酮、β-紫羅蘭酮、二氫獼猴桃內(nèi)酯、巨豆三烯酮、新植二烯、β-法尼烯、氧化紫羅蘭酮、3-羥基-β-二氫大馬酮、3-氧代-α-紫羅蘭醇和3-羥基索拉韋惕酮，共11種中性致香成分進(jìn)行研究.

1.3 算法介紹

1.3.1 GA

GA是模擬達(dá)爾文生態(tài)進(jìn)化論的自然選擇和遺傳機(jī)理的生物進(jìn)化過(guò)程的計(jì)算方法，是一類借鑒自然界的進(jìn)化規(guī)律（適者生存、優(yōu)勝劣汰的遺傳機(jī)制）演化而來(lái)的隨機(jī)化搜索方法[10].其主要特點(diǎn)是：直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不存在求導(dǎo)和函數(shù)連續(xù)性的限定[11];具有更好的全局尋優(yōu)能力;采用概率化的尋優(yōu)方法，能自動(dòng)獲取和指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地調(diào)整搜索方向，不需要確定的規(guī)則[12].GA的這些性質(zhì)，已被人們廣泛地應(yīng)用于組合優(yōu)化、機(jī)器學(xué)習(xí)、信號(hào)處理、自適應(yīng)控制和人工生命等領(lǐng)域.

1.3.2 SVM算法

SVM算法是在VAPNIK等創(chuàng)立的統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上，結(jié)合HUBER穩(wěn)健回歸理論和WOLFE對(duì)偶規(guī)劃理論形成的[13].該方法采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化（SRM）代替?zhèn)鹘y(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化（ERM），具有全局優(yōu)化、泛化能力強(qiáng)等優(yōu)點(diǎn)[14]，克服了神經(jīng)網(wǎng)絡(luò)的許多缺點(diǎn)，且在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出獨(dú)有的優(yōu)勢(shì)[15]，具有小樣本學(xué)習(xí)、泛化能力強(qiáng)等特點(diǎn)，能有效避免過(guò)學(xué)習(xí)、局部極小點(diǎn)以及“維數(shù)災(zāi)難”等問(wèn)題[16].因此，本研究嘗試用SVM算法建立煙葉不同部位的分類模型，并進(jìn)行可用性和預(yù)測(cè)性驗(yàn)證，以便更好地進(jìn)行煙葉評(píng)價(jià).

1.3.3 Fisher 判別矢量法

Fisher 判別矢量法是模式識(shí)別中使用較為廣泛的一種線性映射，這種線性映射使數(shù)據(jù)中各類別之間的分離性較強(qiáng)，由一組判別矢量實(shí)現(xiàn)[17].Fisher 判別矢量法可直接應(yīng)用于多類別（兩類以上）的模式識(shí)別問(wèn)題，對(duì)于兩類別的模式識(shí)別問(wèn)題，F(xiàn)isher判別矢量法能得到模式識(shí)別投影圖[18].對(duì)于樣本型的數(shù)據(jù)分布屬于“偏置型”結(jié)構(gòu)，即兩類不同的樣本沿某個(gè)方向分布，F(xiàn)isher判別方法也能得到分類效果較好的模式識(shí)別投影圖[19].

2 結(jié)果與分析

2.1 SVM建模

2.1.1 核函數(shù)和懲罰因子C的選擇

在SVM建模過(guò)程中，核函數(shù)的選擇對(duì)模型的結(jié)果有著直接的影響，核函數(shù)一般有線性、多項(xiàng)式、徑向基核函數(shù)等.此外，懲罰因子C的選擇也會(huì)影響到模型的準(zhǔn)確率，因此也需要對(duì)懲罰因子進(jìn)行優(yōu)化.

以SVM留一法的準(zhǔn)確率作為挑選核函數(shù)和懲罰因子C的依據(jù)，留一法預(yù)報(bào)的正確率為：PA=NCNT×100%，其中，NT是樣本總數(shù);NC是預(yù)報(bào)正確的樣本數(shù).不同核函數(shù)的PA和C的關(guān)系圖如圖1所示.從圖1中可以看出，多項(xiàng)式核函數(shù)中，當(dāng)懲罰因子C為90時(shí)，PA最高，為89.39%.

2.1.2 SVM建模結(jié)果

考慮多項(xiàng)式核函數(shù)，懲罰因子C取90，隨機(jī)提取16個(gè)樣品作為獨(dú)立測(cè)試集，剩余的66個(gè)樣品作為建模訓(xùn)練集.利用GA進(jìn)行變量選擇，種群大小為50，交叉概率為0.80，變異概率為0.85，最大進(jìn)化代數(shù)為100，變量初始概率為0.90.基于GA對(duì)致香成分進(jìn)行變量選擇，以SVM模型的留一法結(jié)果作為判別指標(biāo)，最終選出了茄酮、β-紫羅蘭酮、二氫獼猴內(nèi)酯、巨豆三烯酮、新植二烯、β-法尼烯、氧化紫羅蘭酮、3-氧代-α-紫羅蘭醇8種致香成分作為中部和下部煙葉識(shí)別的主要影響因素，建立中部與下部煙葉的分類模型，如圖2所示.

由圖2可以看出，SVM分類判別中，有3個(gè)樣本判別錯(cuò)誤，準(zhǔn)確率較高，為95.45%.36個(gè)中部煙葉中有2個(gè)被判別為下部煙葉，準(zhǔn)確率為94.44%.30個(gè)下部煙葉中有1個(gè)被判別為中部煙葉，準(zhǔn)確率為96.67%.

表2呈現(xiàn)了SVM分類模型的建模、留一法、預(yù)報(bào)結(jié)果的準(zhǔn)確率，可以看出中部和下部煙葉整體的建模、留一法以及預(yù)報(bào)的準(zhǔn)確率分別為95.45%，89.39%和81.25%，均在80%以上.

[7] 董惠忠，畢艷玖，趙曉華，等.基于致香成分的上部和中部煙葉分類判別 [J].上海大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，25（2）：309-316.

DONG H Z，BI Y J，ZHAO X H，et al.Classification and discrimination of upper and middle tobacco based on aroma components [J].Journal of Shanghai University （Natural Science Edition），2019，25（2）：309-316.

[8] 張浩博，劉太昂，束茹欣，等.基于煙葉電子鼻-近紅外數(shù)據(jù)融合的支持向量機(jī)分類判別煙葉年份 [J].光譜學(xué)與光譜分析，2018，38（5）：1620-1625.

ZHANG H B，LIU T A，SHU R X，et al.Support vector machine classification and discrimination of tobacco years based on electronic nosenear infrared data fusion [J].Spectroscopy and Spectral Analysis，2018，38（5）：1620-1625.

[9] HOU X W，WANG G L，SU G Q，et al.Rapid identification of edible oil species using supervised support vector machine based on lowfield nuclear magnetic resonance relaxation features [J].Food Chemistry，2018，80：139-145.

[10] 鄧燦勇，陳志剛，趙明.遺傳算法在煙草企業(yè)排產(chǎn)中的應(yīng)用研究 [J].電腦與信息技術(shù)，2010，18（6）：13-15.

DENG C Y，CHEN Z G，ZHAO M.Research on application of genetic algorithms in production scheduling of tobacco enterprises [J].China Computer & Communication，2010，18（6）：13-15.

[11] 周瑩，陳軍華.基于多蟻群遺傳算法的分布式數(shù)據(jù)庫(kù)查詢優(yōu)化 [J].上海師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，47（1）：37-42.

ZHOU Y，CHEN J H.Query optimization of distributed database based on multiant colony genetic algorithm [J].Journal of Shanghai Normal University （Natural Sciences），2018，47（1）：37-42.

[12] 李國(guó)友，夏永彬，張鳳嶺.遺傳算法優(yōu)化的RSBP神經(jīng)網(wǎng)絡(luò)在聚合釜故障診斷中的應(yīng)用研究 [J].計(jì)算機(jī)與應(yīng)用化學(xué)，2017，34（8）：621-624.

LI G Y，XIA Y B，ZHANG F L.Application of RSBP neural network optimized by genetic algorithm in fault diagnosis of polymerization kettle [J].Computers and Applied Chemistry，2017，34（8）：621-624.

[13] LU K L，HU B，ZHANG Q，et al.Prediction of fluoride adsorption capacity of cobaltaluminum layered bimetallic hydroxide based on support vector regression [J].Computers and Applied Chemistry，2017，34（8）：577-582.

[14] 徐小華，胡曉飛，全曉松.支持向量機(jī)對(duì)煙草化學(xué)成分協(xié)調(diào)性的分類應(yīng)用 [J].江蘇農(nóng)業(yè)科學(xué)，2014，42（7）：431-432.

XU X H，HU X F，QUAN X S.Application of support vector machine in classification of tobacco chemical constituents coordination [J].Jiangsu Agricultural Science，2014，42（7）：431-432.

[15] 章平泉，杜秀敏，金嵐峰.支持向量機(jī)方法在煙葉可用性預(yù)測(cè)中的應(yīng)用 [J].中國(guó)煙草科學(xué)，2011，32（4）：19-22.

ZHANG P Q，DU X M，JIN L F.Application of support vector machine in prediction of tobacco availability [J].Chinese Tobacco Science，2011，32（4）：19-22.

[16] 馬志賢，吳中耀，游寒旭.基于SVM的X射線天文圖像點(diǎn)源探測(cè)算法 [J].上海師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，45（2）：230-236.

MA Z X，WU Z Y，YOU H X.Xray astronomical image point source detection algorithm based on SVM [J].Journal of Shanghai Normal University （Natural Sciences），2016，45（2）：230-236.

[17] 吳圣超，劉太昂，葛炯.化學(xué)成分-樸素貝葉斯分類算法的煙葉產(chǎn)地模式識(shí)別 [J].河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，46（1）：77-83.

WU S C，LIU T A，GE J.Patterns recognition of tobacco origin based on chemical compositionnaive bayesian classification [J].Journal of Henan Normal University （Natural Science Edition），2018，46 （1）：77-83.

[18] 趙明富，唐平，湯斌.主成分分析聯(lián)合Fisher判別在紫外-可見(jiàn)光譜法水質(zhì)檢測(cè)中的應(yīng)用 [J].大氣與環(huán)境光學(xué)學(xué)報(bào)，2018，13（6）：436-446.

ZHAO M F，TANG P，TANG B.Application of principal component analysis and Fisher discrimination in water quality detection by ultravioletvisible spectroscopy [J].Journal of Atmospheric and Environmental Optics，2018，13（6）：436-446.

[19] 代雪珍，衛(wèi)軍超，常在斌.基于Fisher判別分析的分類模型研究 [J].價(jià)值工程，2018，37（26）：211-213.

DAI X Z，WEI J C，CHANG Z B.Research on classification model based on Fisher discriminant analysis [J].Value Engineering，2018，37（26）：211-213.

（責(zé)任編輯：郁 慧）