烤煙煙葉細(xì)胞壁物質(zhì)含量預(yù)測(cè)

張 強(qiáng)，董高峰，黃，楊 威，王理珉，洪波，和智君

1.云南煙草科學(xué)研究院，昆明市科醫(yī)路41號(hào) 650106

2.云南省煙草公司昭通市公司，云南省昭通市昭陽(yáng)區(qū)鳳霞路48號(hào) 657000

烤煙煙葉中細(xì)胞壁物質(zhì)含量約占干物質(zhì)總量的1/3［1-2］，在煙梗中占43%左右［3］。煙葉細(xì)胞壁物質(zhì)主要包括纖維素、半纖維素、果膠質(zhì)和木質(zhì)素等，其中纖維素、半纖維素比值約為6.7∶1［4］。閆克玉［5-6］、李興波［1］等分別研究了不同烤煙煙葉等級(jí)細(xì)胞壁物質(zhì)含量以及細(xì)胞壁物質(zhì)含量與外觀品質(zhì)、物理特性、化學(xué)成分之間的相關(guān)性。陳紅麗等［7］報(bào)道了烤煙煙葉細(xì)胞壁物質(zhì)含量與外觀品質(zhì)、感官品質(zhì)的關(guān)系。任曉紅等［8］提出烤煙煙葉細(xì)胞壁物質(zhì)含量對(duì)煙葉外觀、物理特性和感官品質(zhì)有一定影響。以上研究表明，煙葉細(xì)胞壁物質(zhì)對(duì)烤煙煙葉的物理特性有不同程度的影響，進(jìn)而影響煙葉的加工特性。同時(shí)這些物質(zhì)還影響煙葉的外觀品質(zhì)、化學(xué)成分和感官品質(zhì)。因此，采用煙葉物理特性指標(biāo)，基于二次多項(xiàng)式逐步回歸分析、主成分回歸分析和BP 神經(jīng)網(wǎng)絡(luò)分析來(lái)預(yù)測(cè)煙葉細(xì)胞壁物質(zhì)含量，并比較了不同模型的預(yù)測(cè)效果，旨在為快速檢測(cè)煙葉細(xì)胞壁物質(zhì)含量提供參考。

1 材料與方法

1.1 材料

選取云南省昭通市8 個(gè)縣（區(qū)）（昭陽(yáng)區(qū)、巧家縣、鎮(zhèn)雄縣、威信縣、彝良縣、魯?shù)榭h、大觀縣、永善縣）2010年生產(chǎn)的烤煙，品種為當(dāng)?shù)刂髟云贩NK326。選取X2F，C3F 和B2F 3 個(gè)等級(jí)的初烤煙葉3 kg，等級(jí)合格率85%以上，共選取210 份樣品。

1.2 測(cè)定項(xiàng)目與分析方法

1.2.1 物理指標(biāo)的測(cè)定

［9-11］的方法測(cè)定煙葉拉力、延伸率、含梗率、葉質(zhì)重、平衡含水率、葉長(zhǎng)、葉寬和厚度。

1.2.2 煙葉細(xì)胞壁物質(zhì)含量的測(cè)定參考陳紅麗等［7］的方法測(cè)定煙葉木質(zhì)素，果膠，全纖維素和細(xì)胞壁物質(zhì)總量。各指標(biāo)分別用Y1，Y2，Y3和Y4表示。

1.2.3 分析方法

運(yùn)用Matlab7.0 統(tǒng)計(jì)軟件對(duì)210 份烤煙樣品的8 個(gè)物理指標(biāo)進(jìn)行相關(guān)分析；編號(hào)1～168 號(hào)（樣品數(shù)量的80%）煙葉樣品作為建模樣品，分別進(jìn)行二次多項(xiàng)式逐步回歸分析、主成分回歸分析和BP 神經(jīng)網(wǎng)絡(luò)分析，并建立模型；編號(hào)為169～210 號(hào)（樣品數(shù)量的20%）煙葉樣品作為驗(yàn)證樣品，用于驗(yàn)證所建立模型的預(yù)測(cè)效果。

2 結(jié)果與分析

2.1 昭通煙區(qū)烤煙主要物理指標(biāo)的描述性分析

拉力、葉質(zhì)重、葉寬、厚度的變異系數(shù)在20%以上，變幅較大；平衡含水率、葉長(zhǎng)變異系數(shù)小于10%，變幅較小。對(duì)煙葉樣品8 項(xiàng)物理指標(biāo)檢測(cè)數(shù)據(jù)的峰度系數(shù)采用u 法檢驗(yàn)［12］，由表1 可知，8 項(xiàng)物理指標(biāo)峰度系數(shù)u值的顯著水平p＞0.05，說(shuō)明樣本的這8 個(gè)物理指標(biāo)的檢測(cè)數(shù)據(jù)分布接近于正態(tài)分布。

表2 表明，樣本木質(zhì)素含量的變異系數(shù)為17.31%，變幅較大；細(xì)胞壁物質(zhì)含量的變異系數(shù)為8.81%，變幅較小。對(duì)煙葉樣品的木質(zhì)素、果膠、全纖維素、細(xì)胞壁物質(zhì)總量檢測(cè)數(shù)據(jù)的峰度系數(shù)采用u 法檢驗(yàn)，結(jié)果表明：煙葉樣品果膠、全纖維素和細(xì)胞壁物質(zhì)含量的峰度系數(shù)u 值的顯著水平p＜0.05，表明樣本的細(xì)胞壁物質(zhì)、全纖維素和果膠含量的檢測(cè)數(shù)據(jù)分布為偏態(tài)分布；木質(zhì)素含量的峰度系數(shù)u 值的顯著水平p>0.05，表明樣本木質(zhì)素含量的檢測(cè)數(shù)據(jù)分布接近于正態(tài)分布。

2.2 簡(jiǎn)單相關(guān)分析

由表3 可知，含梗率與煙葉果膠、細(xì)胞壁物質(zhì)含量呈極顯著正相關(guān)，與全纖維素含量呈顯著正相關(guān)；葉質(zhì)重、葉寬與煙葉果膠、全纖維素、細(xì)胞壁物質(zhì)含量呈極顯著負(fù)相關(guān)；葉長(zhǎng)與煙葉全纖維素、細(xì)胞壁物質(zhì)含量呈極顯著負(fù)相關(guān)，與煙葉果膠含量呈顯著負(fù)相關(guān)；厚度與煙葉果膠含量呈極顯著負(fù)相關(guān)，與細(xì)胞壁物質(zhì)含量呈顯著負(fù)相關(guān)。煙葉木質(zhì)素含量與拉力呈正相關(guān)，與其余指標(biāo)呈負(fù)相關(guān)，但均未達(dá)到顯著水平。

表1 昭通烤煙主要物理指標(biāo)描述性統(tǒng)計(jì)分析Tab.1 Descriptive statistics of main physical indexes of flue-cured tobacco in Zhaotong

表2 昭通烤煙煙葉細(xì)胞壁物質(zhì)含量的描述性統(tǒng)計(jì)分析Tab.2 Descriptive statistics of cell wall matter content of flue-cured tobacco in Zhaotong

表3 烤煙煙葉細(xì)胞壁物質(zhì)含量與煙葉物理指標(biāo)的簡(jiǎn)單相關(guān)分析①Tab.3 Simple coefficient correlation of cell wall matter content between physical characteristics indexes

2.3 二次多項(xiàng)式逐步回歸分析

將168 個(gè)烤煙樣品的8 個(gè)物理指標(biāo)作為自變量，與之對(duì)應(yīng)的木質(zhì)素、果膠、全纖維素、細(xì)胞壁物質(zhì)總量分別作為因變量進(jìn)行二次多項(xiàng)式逐步回歸分析，并建立回歸方程：

式中：X1為拉力、X2為延伸率、X3為含梗率、X4為葉質(zhì)重、X5為平衡含水率、X6為葉長(zhǎng)、X7為葉寬、X8為厚度；Y1為木質(zhì)素、Y2為果膠、Y3為全纖維素、Y4為細(xì)胞壁物質(zhì)總量。

所建立的4 個(gè)二次多項(xiàng)式回歸方程的顯著性檢驗(yàn)結(jié)果p 值均小于0.01，表明這4 個(gè)回歸方程都達(dá)到了極顯著水平，所建立的回歸方程是有意義的；方程（1）、方程（2）的Durbin-Watson 統(tǒng)計(jì)量大于方程（3）和方程（4）接近于2，表明其殘差之間獨(dú)立性較好。

2.4 主成分回歸分析

對(duì)168 個(gè)烤煙樣品的8 個(gè)物理指標(biāo)進(jìn)行主成分分析，所得相關(guān)矩陣的特征值見表4。提取5 個(gè)主成分，其特征值分別為2.94，1.47，1.01，0.87 和0.77 累計(jì)方差貢獻(xiàn)率達(dá)88.28%，保留了原來(lái)8 個(gè)物理指標(biāo)88.28%的信息，信息量丟失很少，基本反映了原始變量的信息。

通過主成分分析（表5）得到了5 個(gè)無(wú)相關(guān)性的綜合指標(biāo)模型：

表4 公因子、特征值及貢獻(xiàn)率Tab.4 Principal components，eigenvalue and contribution rate

表5 煙葉物理指標(biāo)的主成分得分系數(shù)矩陣Tab.5 Principal components score coefficient matrix of physical indexes

式中：x1，x2，x3，x4，x5，x6，x7，x8分別對(duì)應(yīng)拉力、延伸率、含梗率、葉質(zhì)重、平衡含水率、葉長(zhǎng)、葉寬、厚度的標(biāo)準(zhǔn)化量；Z1，Z2，Z3，Z4分別對(duì)應(yīng)煙葉中木質(zhì)素、果膠、全纖維素和細(xì)胞壁物質(zhì)總量的標(biāo)準(zhǔn)化值。

將上述建立的模型還原為關(guān)于原始變量的回歸方程：

式中：變量同回歸方程（1）～（4）。

2.5 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

2.5.1 數(shù)據(jù)處理

BP 神經(jīng)網(wǎng)絡(luò)的隱層采用Sigmoid 轉(zhuǎn)換函數(shù)。為提高訓(xùn)練速度和靈敏性以及有效避開Sigmoid 函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0～1 之間［13］。因此，對(duì)輸入數(shù)據(jù)進(jìn)行了預(yù)處理。將煙葉各個(gè)物理指標(biāo)和預(yù)測(cè)值進(jìn)行0.2～0.8 標(biāo)準(zhǔn)化后形成建模數(shù)據(jù)。預(yù)處理的數(shù)據(jù)訓(xùn)練完成后，網(wǎng)絡(luò)輸出的結(jié)果進(jìn)行反變換得到實(shí)際值。

2.5.2 網(wǎng)絡(luò)設(shè)計(jì)與樣本劃分

2.5.2.1 網(wǎng)絡(luò)設(shè)計(jì)

以8 個(gè)物理特性指標(biāo)的檢測(cè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入的輸入值，分別建立木質(zhì)素、果膠、全纖維素和細(xì)胞壁物質(zhì)總量的網(wǎng)絡(luò)預(yù)測(cè)模型。經(jīng)不斷測(cè)試，最終構(gòu)建的網(wǎng)絡(luò)為8-27-13-41 結(jié)構(gòu)的4 層BP 神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的輸入層單元數(shù)為8，輸出層單元數(shù)為4，隱層數(shù)為2。第一隱含層節(jié)點(diǎn)數(shù)為27，第二隱含層節(jié)點(diǎn)數(shù)為13。

2.5.2.2 樣本劃分

隨機(jī)選取168 個(gè)煙葉樣本（編號(hào)1～168 號(hào)）中的42個(gè)作為測(cè)試數(shù)據(jù)，其余的126 個(gè)樣本作為訓(xùn)練樣本；剩余的42 個(gè)樣本（編號(hào)169 號(hào)～210 號(hào)）則作為驗(yàn)證樣本。BP 神經(jīng)網(wǎng)絡(luò)建模與仿真在Matlab 7.0 環(huán)境中進(jìn)行。

2.5.3 模型的建立

采用的BP 神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為1000 次，輸入層和輸出層的傳輸函數(shù)為tansig，隱層采用tan-sigmoid 飽和正切轉(zhuǎn)換函數(shù)，訓(xùn)練方法為traingdx 動(dòng)量梯度下降算法。以8 個(gè)物理指標(biāo)為自變量，以木質(zhì)素、果膠、全纖維素和細(xì)胞壁物質(zhì)總量為因變量建立BP 神經(jīng)網(wǎng)絡(luò)模型。

神經(jīng)網(wǎng)絡(luò)的誤差臨界值Emin 為0.00001，即在迭代計(jì)算時(shí)誤差值E

2.6 結(jié)果驗(yàn)證

將編號(hào)為169～210 號(hào)煙葉樣品的拉力、延伸率、含梗率、葉質(zhì)重、平衡含水率、葉長(zhǎng)、葉寬和厚度8 項(xiàng)物理特性指標(biāo)代入所建立的模型，分別預(yù)測(cè)煙葉木質(zhì)素、果膠、全纖維素和細(xì)胞壁物質(zhì)總量。將木質(zhì)素、果膠、全纖維素、細(xì)胞壁物質(zhì)總量的實(shí)測(cè)值與預(yù)測(cè)值進(jìn)行擬合。

由圖1～圖4 和表6 可知：二次多項(xiàng)式逐步回歸分析方法預(yù)測(cè)煙葉細(xì)胞壁木質(zhì)素、果膠、全纖維素和細(xì)胞壁物質(zhì)總量效果不理想，其預(yù)測(cè)值與實(shí)測(cè)值基于1∶1 線的R2在0.004～0.093，RMSE 在0.21～1.60。表明其擬合度較差，預(yù)測(cè)精度較低。

圖1 煙葉木質(zhì)素含量的預(yù)測(cè)值與實(shí)測(cè)值比較Fig.1 Comparison between predicted and observed of the content of lignin in tobacco leaves

圖2 煙葉果膠含量的預(yù)測(cè)值與實(shí)測(cè)值比較Fig.2 Comparison between predicted and observed of the content of pectin in tobacco leaves

圖3 煙葉全纖維素含量的預(yù)測(cè)值與實(shí)測(cè)值比較Fig.3 Comparison between predicted and observed of the content of total cellulose in tobacco leaves

圖4 煙葉細(xì)胞壁物質(zhì)總量的預(yù)測(cè)值與實(shí)測(cè)值比較Fig.4 Comparison between predicted and observed of the content of total cell wall matter in tobacco leaves

主成分回歸分析方法預(yù)測(cè)值與實(shí)測(cè)值基于1∶1 線的確定系數(shù)R2為0.15～0.37，RMSE 為0.025～0.990。其預(yù)測(cè)精度稍高于二次多項(xiàng)式逐步回歸分析方法。

BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煙葉木質(zhì)素、果膠、全纖維素和細(xì)胞壁物質(zhì)總量取得了較好的效果，其預(yù)測(cè)值與實(shí)測(cè)值基于1∶1 線的R2為0.9900～0.9975，RMSE 為0.03～0.14，明顯高于二次多項(xiàng)式逐步回歸分析方法的預(yù)測(cè)效果。BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煙葉果膠、全纖維素和細(xì)胞壁物質(zhì)總量驗(yàn)證模型的RMSE 小于主成分分析法，但BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煙葉木質(zhì)素含量驗(yàn)證模型的RMSE 稍高于主成分分析法。

表6 不同預(yù)測(cè)模型的驗(yàn)證結(jié)果比較Tab.6 comparison of validation models by different prediction models

3 結(jié)論與討論

建立的預(yù)測(cè)煙葉木質(zhì)素的逐步回歸模型精度高于果膠、全纖維素含量以及細(xì)胞壁物質(zhì)總量的預(yù)測(cè)模型，可能是由于煙葉樣品中果膠、全纖維素、細(xì)胞壁物質(zhì)總量檢測(cè)數(shù)據(jù)呈偏態(tài)分布，影響了其逐步回歸模型的預(yù)測(cè)精度。

主成分分析法預(yù)測(cè)煙葉木質(zhì)素、果膠、全纖維素含量以及細(xì)胞壁物質(zhì)總量的精度高于二次多項(xiàng)式逐步回歸分析方法，可能是由于主成分分析是研究如何通過原始變量的少數(shù)幾個(gè)線性組合來(lái)解釋原始變量絕大多數(shù)信息的一種方法，通過降維減少了變量中大量重疊信息對(duì)事物真實(shí)特征與內(nèi)在規(guī)律的影響，從而提高了其預(yù)測(cè)精度。

BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煙葉木質(zhì)素、果膠、全纖維素含量以及細(xì)胞壁物質(zhì)總量的預(yù)測(cè)精度高于二次多項(xiàng)式逐步回歸分析方法和主成分回歸分析法。這可能是由于煙葉細(xì)胞壁物質(zhì)類含量與煙葉物理特性之間是一個(gè)復(fù)雜的線性和非線性的關(guān)系，二次多項(xiàng)式逐步回歸模型、主成分回歸模型是建立在因變量和自變量有線性關(guān)系的基礎(chǔ)上，因此，造成其預(yù)測(cè)效果不理想；而BP 神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的線性和非線性擬合能力［14-15］，其預(yù)測(cè)效果明顯優(yōu)于二次多項(xiàng)式逐步回歸分析法和主成分回歸分析法。

本試驗(yàn)基于易于檢測(cè)的8 項(xiàng)煙葉物理指標(biāo)，采用BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)煙葉中木質(zhì)素、果膠、全纖維素含量以及細(xì)胞壁物質(zhì)總量，具有檢測(cè)方便、快捷、預(yù)測(cè)精度高的特點(diǎn)，可用于快速預(yù)測(cè)煙葉細(xì)胞壁物質(zhì)的含量。

參考文獻(xiàn)

［1］李興波，閆克玉，丁海燕，等.河南烤煙（40 級(jí)）細(xì)胞壁物質(zhì)含量及其規(guī)律性研究［J］.鄭州輕工業(yè)學(xué)院學(xué)報(bào)：自然科學(xué)版，1999，14（3）：27-30.

［2］左天覺.煙草的生產(chǎn)、生理和生物化學(xué)［M］.朱尊權(quán)，等譯.上海：上海遠(yuǎn)東出版社，1993：371-373.

［3］周正紅，高孔榮，張水華.煙草中化學(xué)成分對(duì)卷煙色香味品質(zhì)的影響及其研究進(jìn)展［J］.煙草科技，1997（2）：22-25.

［4］王瑞新.煙草化學(xué)［M］.北京：中國(guó)農(nóng)業(yè)出版社，2003：29-34.

［5］閆克玉，王建民，屈劍波，等.河南烤煙評(píng)吸質(zhì)量與主要理化指標(biāo)的相關(guān)分析［J］.煙草科技，2001（10）：5-9.

［6］閆克玉，李興波，趙學(xué)亮，等.河南烤煙理化指標(biāo)間的相關(guān)性研究［J］.鄭州輕工業(yè)學(xué)院學(xué)報(bào)：自然科學(xué)版，2000，15（3）：20-24.

［7］陳紅麗，任曉紅，楊永鋒，等.四川烤煙煙葉細(xì)胞壁物質(zhì)含量與外觀質(zhì)量、感官質(zhì)量的關(guān)系［J］.煙草科技，2011（1）：9-12.

［8］任曉紅，陳剛，馬海燕，等.烤煙細(xì)胞壁物質(zhì)對(duì)煙葉質(zhì)量影響研究［J］.中國(guó)農(nóng)學(xué)通報(bào)，2010，26（4）：113-116.

［9］楊虹琦，周冀衡，李永平，等.云南不同產(chǎn)區(qū)主栽烤煙品種煙葉物理特性的分析［J］.中國(guó)煙草學(xué)報(bào)，2008，14（6）：30-36.

［10］于建軍.卷煙工藝學(xué)［M］.北京：中國(guó)農(nóng)業(yè)出版社，2003：37-49.

［11］王浩雅，王理珉，張強(qiáng)，等.煙葉顏色指標(biāo)與其他物理指標(biāo)的相關(guān)研究［J］.廣東農(nóng)業(yè)科學(xué)，2011，38（11）：41-44.

［12］唐啟義，馮光明.實(shí)用統(tǒng)計(jì)分析及其DPS 數(shù)據(jù)處理系統(tǒng)［M］.北京：科學(xué)出版社，2002：23-25.

［13］張強(qiáng)，師建全，董高峰，等.配方模塊制絲關(guān)鍵工藝參數(shù)的優(yōu)化設(shè)計(jì)［J］.中國(guó)煙草學(xué)報(bào)，2013，19（3）：28-34.

［14］王大成，王紀(jì)華，靳寧.用神經(jīng)網(wǎng)絡(luò)和高光譜植被指數(shù)估算小麥生物量［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24（S2）：196-201.

［15］張正楊，馬新明，賈方方，等.煙草葉面積指數(shù)的高光譜估算模型［J］.生態(tài)學(xué)報(bào)，2012，32（1）：168-175.