江西中烟南昌卷烟厂 江西南昌 330000
摘要：到目前为止，卷烟质量的感官评价一直由卷烟评价专家进行。由于许多主观和客观因素的影响，往往难以保证评价结果的准确性。为此，提出了一种基于支持向量机的卷烟质量评价方法。例子表明，这种方法可以通过测量烟草的化学成分来确定香烟的质量。为今后评价卷烟的质量奠定了基础。
关键词：卷烟质量；评估方法；化学成分；支持向量机
卷烟质量的优劣和风格的变异主要依靠感官评估专家来评估。感官评价主要取决于人的生理和心理状况，本身就是一项复杂的技术。但是，这种评价的结果往往受到诸如知识结构、经验、情绪、专家的环境条件等因素的影响。此外，长期从事评价工作对评价人员的生理和心理都有一定的危险。
一、慨况
许多烟草工作者通过直接从烟草的化学成分中确定香烟的内在质量，探讨了烟草的化学成分与其内在质量之间的关系。这些研究大多采用传统的数学和统计方法进行分析。然而，烟草的化学成分是极其复杂的，其感官刺激和主观感觉之间的关系是如此复杂和微妙，以至于不可能建立一个数学模型来确定烟草的化学成分和香烟的内在质量之间的关系。数学和统计方法只能分析影响卷烟质量的因素，不能直接给出评价结果。近年来，利用各种智能技术对产品进行计算机辅助感官评价，促进产品质量感官评价的数字化和智能化，已成为国内外的一种趋势。知识载体机器（SVM）是由Vapnik和他的团队开发的一种智能学习技术，用于解决小样本中的机器学习问题。基础理论层面的VC维度（vapnik-chervo nenkis）和结构化风险模型的SVM（SRM），解决了神经网络无法避免的局部最小问题，并提供了良好的学习机器。最后，将支承向量机的解转化为二次方程。这个编程问题保证了算法的全局优化，解决了神经网络中不可避免的局部最小化问题。SVM方法最早是针对模式识别问题提出来的，随着Vapnik对不敏感损失函数的引入，SVM已推广到非线性系统的回归估计，并展现了极好的学习性能。Application SVM非线性系统的回归估计不需要对函数关系进行任何假设。根据历史数据评价手工卷烟的烟雾，卷烟的化学组成之间的关系和卷烟产品的内在质量的帮助下建立了支持向量机，从而得以提出一个新的问题卷烟的质量评估。
二、SVM学习算法
对于样本集
.png)
为输入向量，di为相应的目标值，n为样本数，SVM回归函数为
.png)
（1）
其中，
.png)
由输入空间x通过非线性变换得到的高维特征空间。b系列的总和是通过对应最小风险得到的：
.png)
（2）
.png)
（3）
在式（2）的风险函数中，第1项
.png)
经验风险表示，由式（3）中的
.png)
不敏感损失函数来衡量。损失函数允许用稀疏数据描述方程（1）中的回归函数。第2项正则化项是
.png)
。正则化参数C，控制回归函数的复杂性和泛化能力。这个设计参数直接关系到函数估计的准确性。参数C和
.png)
它必须事先确定。当应力无法实现时，引入松弛变量
.png)
和
.png)
，这样式（2）改写为
.png)
（4）
利用Lagrange乘子法求解线性不等式约束下的二次规划问题，使式（1）的回归函数为
.png)
（5）
1.Lagrange乘子。式（5）中，
.png)
和
.png)
为Lag rang e乘子，满足方程
.png)
，
并通过求解式（4）的对偶问题得到：
.png)
（6）
根据（KKT条件）最优化的充要条件知，式（5）系数少数
.png)
不为0，支持向量是与之对应的xi。数据点落在
.png)
管道上或是超出管道之外。因此
.png)
越大
.png)
支持向量数越少，但函数估计精度越低。
2. 核函数。K（xi，xj）是一个核函数，其值等于特征空间中的向量xi和xj
.png)
的内积，即
.png)
。任意的特征空间可以用核函数来处理，而不需要知道它们的具体形式。任何满足要求的函数都可以被认为是核函数。典型的核函数如下：
项式核函数
.png)
（7）
RBF核函数
.png)
（8）
Sigm oid核函数
.png)
（9）
三、基于SVM的卷烟质量评估模型
卷烟样本集设X={x1，x2，…，xn}，（如总糖、还原糖、总氮、尼古丁、蛋白质、氯等）。矩阵A=（aij）n×m为香烟样本集X相对于测量指标集Y的指标矩阵，其中aij=yj（xi）（i=1，2，…）n；J=1，2等，m）为测量指数yj下香烟样本xi的指数值。为了消除不同物理维度的影响，必须将指标矩阵A转换为标准矩阵R=（R rj）n×m。评估香烟质量的问题可以看作是一种数学制图映射的输入单位是香烟样本xi在测量指数yj下的测量向量（ri1，ri2，…）。（rim），输出单元是由评价专家对香烟xi样品的感官质量进行评价。可以认为R和u之间存在非线性映射F，使得ui=F（R ij）（10），香烟样本xi=（ri1，ri2，…））作为SVM输入向量是用来评估价值iu的香烟样品的感官质量评价习近平像专家所进行的回归目标值为SVM，以致整个样本学习G=i（xi，iu）}n。式（6），并获得解决回归函数
.png)
（11）
xk=（rk1，rk2，…，rkm）为支持向量（k=1，2，…，S），S为支持向量的个数。式（11）给出了化学成分为yj的卷烟样品xi的指数向量（ri1，ri2，…，rim）和专家评价人员对卷烟样品xi的感官质量评价值ui之间的非线性映射F。在这个阶段，SVM充当一个“黑箱”，存储关于香烟质量评估专家的偏好和推理机制（如经验、知识、主观判断等）的信息。在对其他卷烟样品进行质量评价时，SVM能够重现专家评价偏好的信息，对卷烟样品的质量作出合理判断，并获得评价结果。模型的拓扑结构如图1所示。
.png)
图1基于SV M的卷烟质量评估模型拓朴结构
四、卷烟质量评估SVM方法的算法实现
基于SVM的上述学习算法和模型的卷烟的质量评价基于SVM算法步骤实施SVM方法为卷烟的质量评价（见图2）如下：
1.指标矩阵A，识别香烟质量评价问题。
2.将指标矩阵A转换为标准矩阵R。
3.从香烟样本xi=（ri1，ri2，…）（xi，ii）
4.选择中心函数，确定适当的参数（SVM模型参数和中心函数参数），解式（6），得到回归函数方程（11）。在评价香烟质量时，参数的选择标准如下：
.png)
（12）
式中：M AE为验证样本的平均绝对误差；M SE为验证样本的平均方差；Ul p为专家对样品验证的评估值；Ul SVM计算验证样本的SVM值，l计算验证样本的总数。
5.在获得理想参数后，vm的学习过程就完成了。然后SVM可以评估卷烟的质量。为了进行评价，只需要指出要评价xi的香烟样品的化学成分指数（ri1，ri2，…，rim）的测量向量。（rim），即得到相应样本的SVM估计值
.png)
。
.png)
图2卷烟质量评估SVM方法的算法框图
本文提出了一种基于svm的卷烟质量评价方法。实验结果表明，该方法可用于建立一个测量值之间的非线性映射关系，卷烟的化学成分和质量各方面专家的评估值，反映的偏好信息领域的专家和推理机制。该方法可作为专家评价方法的补充，是获得已知烟草化学成分数据后评价烟草内在质量的一种更客观、更可靠的方法。这使得卷烟企业能够科学有效地开发和设计卷烟产品，减少了评估专家的工作量，提高了卷烟的质量。在实践中，重要的是提高劳动生产率，增加香烟生产的稳定性，从而提高市场竞争力。应当指出的是，随着对样品选择的研究、化学成分指数的确定的合理化和vm技术的深入发展，这种方法肯定会更好地评价卷烟的质量。
参考文献：
[1]王宝芳.影响烤烟评吸质量的主要化学成分研究[J].中国农业科学，2018，31（1）：89-91.
[2]闫建波.河南烤烟评吸质量与主要理化指标的相关分析[J].烟草科技，2018（10）：5-9