基于RBF神經(jīng)網(wǎng)絡(luò)建立庫存煙葉香型的預(yù)測模型

周澤弘，曹淋海，王昌全*，李啟權(quán)，李 冰，李 珊（.四川農(nóng)業(yè)大學(xué)資源學(xué)院，成都 630；.四川省邛崍市國土資源局，四川 邛崍 6500）

?

基于RBF神經(jīng)網(wǎng)絡(luò)建立庫存煙葉香型的預(yù)測模型

周澤弘1，曹淋海2，王昌全1*，李啟權(quán)1，李 冰1，李 珊1
（1.四川農(nóng)業(yè)大學(xué)資源學(xué)院，成都 611130；2.四川省邛崍市國土資源局，四川 邛崍 611500）

摘 要：為建立庫存煙葉香型預(yù)測模型，采用RBF神經(jīng)網(wǎng)絡(luò)方法，對川渝中煙2009—2011年庫存煙葉樣品的香型特征進(jìn)行了分析建模。結(jié)果表明，不同香型煙葉在化學(xué)成分含量上存在差異，清香型煙葉糖含量明顯高于其他香型，氯含量遠(yuǎn)低于濃香型；采用主成分分析消除各化學(xué)指標(biāo)共線問題，并建立基于RBF神經(jīng)網(wǎng)絡(luò)的庫存煙葉香型預(yù)測模型，其準(zhǔn)確率高達(dá)90%；靈敏度檢驗(yàn)表明，清香型煙葉模型靈敏度為最優(yōu)，中間香型靈敏度較低。證明利用RBF神經(jīng)網(wǎng)絡(luò)可以較好地對煙葉的常規(guī)化學(xué)成分進(jìn)行煙葉香型預(yù)測。

關(guān)鍵詞：庫存煙葉；香型；主成分分析；RBF神經(jīng)網(wǎng)絡(luò)

烤煙香型是煙葉風(fēng)格特色的重要表征，按照其風(fēng)格特征可分為清香型、中間香型和濃香型三大類［1］。煙葉化學(xué)成分是決定煙葉內(nèi)在質(zhì)量及風(fēng)格特征的重要因素之一，煙葉中主要化學(xué)成分及其衍生值在很大程度上決定煙葉及其制品的香型特征［2］。目前烤煙香型與化學(xué)成分之間的關(guān)系已成為研究熱點(diǎn)，利用煙葉中化學(xué)成分對烤煙香型進(jìn)行預(yù)測已有相關(guān)文獻(xiàn)報(bào)道［3-8］，這些研究的特點(diǎn)與存在的問題有：1）相關(guān)研究多局限于傳統(tǒng)的數(shù)理統(tǒng)計(jì)方法，包括簡單相關(guān)分析、典型相關(guān)分析、多元回歸分析、逐步回歸分析等［3-6］，這些方法對于定性分析有較大幫助，但無法直接給出有關(guān)烤煙香型的預(yù)測和評價(jià)結(jié)果；2）傳統(tǒng)的預(yù)測方法是將所有化學(xué)及衍生指標(biāo)作為自變量輸入，由于各指標(biāo)間可能存在相關(guān)性，簡單地將所有指標(biāo)簡化或合并會造成有用信息的丟失或重疊，從而影響模型的預(yù)測精度；3）已有相關(guān)學(xué)者采用誤差反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測建模［7-8］，但BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)算法收斂速度慢，模型訓(xùn)練時(shí)間長，在訓(xùn)練過程中易出現(xiàn)過擬合等不足。

針對上述現(xiàn)狀，本文提出了基于徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)的庫存煙葉香型預(yù)測模型。RBF神經(jīng)網(wǎng)絡(luò)在一定程度上克服了BP神經(jīng)網(wǎng)絡(luò)的不足，由于其結(jié)構(gòu)簡單、應(yīng)用廣泛且對于定性型輸出變量有較高匹配程度等優(yōu)點(diǎn)被廣泛運(yùn)用于土壤、生態(tài)、地理等領(lǐng)域［9-11］。本研究首先利用主成分分析消除原始輸入層數(shù)據(jù)的相關(guān)性，然后選取對香型有顯著影響的主成分作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行烤煙香型的預(yù)測，最后通過實(shí)例仿真及靈敏度檢驗(yàn)證明此方法的可行性。

1 材料與方法

1.1 材料

分析數(shù)據(jù)來自川渝中煙公司 2009—2011年間的主要庫存煙葉，涵蓋福建、甘肅、廣東、廣西、貴州、河南、黑龍江、湖北、湖南、江西、山西、陜西、四川、云南和重慶15個(gè)地區(qū)，共計(jì)1194份。其中煙葉香型主要包括清香型、清偏中、中偏清、中間香型、中偏濃、濃偏中、濃香型和特殊香型，化學(xué)指標(biāo)包括總植物堿、還原糖、氯、鉀、總糖、總氮、糖堿比、鉀氯比、氮堿比。測定方法參照行業(yè)標(biāo)準(zhǔn) YC/T161、YC/T160、YC/T162、YC/T159進(jìn)行，化學(xué)指標(biāo)測定及香型鑒定由川渝中煙公司完成。

1.2 方法

1.2.1 RBF神經(jīng)網(wǎng)絡(luò)［9］徑向基函數(shù)網(wǎng)絡(luò)是一種結(jié)構(gòu)簡單、應(yīng)用廣泛的前饋神經(jīng)網(wǎng)絡(luò)。其結(jié)構(gòu)包含輸入層、隱含層和輸出層（圖1）。

圖1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)Fig.1 Structure of radial basis function neural network

輸入層單元的輸出等于其輸入。隱含層單元采用徑向基函數(shù)作為其輸出特性。通常定義為空間中任一點(diǎn)到某個(gè)中心之間的距離的單調(diào)函數(shù)，其作用是局部的。最常用的徑向基函數(shù)是高斯函數(shù)，其形式為：

網(wǎng)絡(luò)的輸出表達(dá)為：

其中wji為隱含層到輸出層的連接權(quán)值；i為隱含層節(jié)點(diǎn)數(shù)；yj為與輸入樣本對應(yīng)的網(wǎng)絡(luò)的第 j個(gè)輸出節(jié)點(diǎn)的實(shí)際輸出。

1.2.2 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的MATLAB實(shí)現(xiàn)本文采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型來構(gòu)建基于煙葉化學(xué)指標(biāo)主成分的烤煙香型識別模型。先將樣本數(shù)據(jù)進(jìn)行主成分分析，以主成分得分值為訓(xùn)練樣本，利用MATLAB 2010b提供的函數(shù)newrb對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其命令調(diào)用格式為：

其中，net為需要建立的神經(jīng)網(wǎng)絡(luò)模型；newrb為MATLAB中徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的調(diào)用命令；P模型輸入矩陣，文中為化學(xué)指標(biāo)及其派生值的主成分分值；T為目標(biāo)輸出矩陣，文中為香型；goal為均方誤差函數(shù)；spread為擴(kuò)展常數(shù)；mn為隱層的最大神經(jīng)元個(gè)數(shù)；df為迭代過程的顯示頻數(shù)。

1.3 靈敏度評價(jià)

本文采用平均絕對誤差、誤差均方根和平均相對誤差三項(xiàng)指標(biāo)來評價(jià)RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測的靈敏度［11］，其計(jì)算公式如下：

1.4 數(shù)據(jù)統(tǒng)計(jì)分析

采用 SPSS19.0軟件對樣本數(shù)據(jù)進(jìn)行簡單統(tǒng)計(jì)及主成分分析，采用MATLAB 2010b進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練及檢驗(yàn)。

2 結(jié) 果

2.1 不同香型煙葉化學(xué)指標(biāo)的統(tǒng)計(jì)特征分析

由表1可知，不同香型煙葉在化學(xué)成分含量有一定差異，清香型煙葉在糖含量尤其是還原糖含量明顯高于其他香型，氯含量遠(yuǎn)遠(yuǎn)低于濃香型，鉀和總氮含量則略低于中間香型和濃香型。隨著香型由清香到濃香，糖含量呈現(xiàn)明顯下降的趨勢，氯含量呈現(xiàn)明顯上升趨勢。不同香型的煙葉在總植物堿含量上不存在顯著差異（p=0.812），在氮堿比上表現(xiàn)為顯著差異（p＜0.05），在其余7個(gè)指標(biāo)上均存在極顯著差異（p＜0.01）。

2.2 煙葉化學(xué)指標(biāo)的主成分分析

為消除各化學(xué)指標(biāo)間共線問題，采用主成分分析提取主成分信息（表2）。結(jié)果表明，前3個(gè)主成分可揭示原變量86.07%的數(shù)據(jù)方差，前5個(gè)主成分則可以反映95.30%的方差。盡管第六至第九主成分的貢獻(xiàn)率不大，但考慮到煙葉評吸質(zhì)量可能存在的隱性因子，分析中只消除共線問題而不剔除任何主成分。由表2可以看出，第1主成分在堿和糖相關(guān)指標(biāo)上有較大載荷，第2主成分在鉀上有較大載荷，第3主成分在氯相關(guān)指標(biāo)上有較大載荷，第4主成分在氮相關(guān)指標(biāo)上有較大載荷，第5主成分反映由鉀氮組合反應(yīng)的信息，第6主成分反映由氯鉀組合反應(yīng)的信息，第7主成分反映植物堿的信息，第8主成分反映由糖堿組合反應(yīng)的信息，第9主成分反映兩糖的信息。

表1 不同香型煙葉的化學(xué)指標(biāo)統(tǒng)計(jì)平均值及方差分析Table 1 The average values， statistics analysis and variance of chemical indices in different flavor types of tobacco

通過主成分分析得到的9個(gè)無相關(guān)性的綜合指標(biāo)模型為：

其中，x1～x9分別表示總植物堿，還原糖，氯，鉀，總糖，總氮，糖堿比，鉀氯比，氮堿比。

表2 煙葉化學(xué)指標(biāo)的主成分分析Table 2 Principal component analysis results of chemical indices of tobacco leaf

2.3 不同香型煙葉化學(xué)指標(biāo)主成分的方差分析

根據(jù)公式（*）計(jì)算出不同香型煙葉化學(xué)指標(biāo)在9個(gè)主成分上的得分值，求其均值并進(jìn)行方差分析（表3）。結(jié)果表明，不同香型間煙葉化學(xué)指標(biāo)主成分得分值除在第8主成分上不顯著外，在其余得分值上差異極顯著。清香型在第1、4、5主成分上的得分值總體上高于其他香型，在第 2、3、7、9主成分上的得分值則低于其他香型。在第6主成分上，清香型和濃香型的得分相同并高于中間香型。

表3 不同香型煙葉化學(xué)指標(biāo)主成分平均值及方差分析Table 3 Principal component analysis of the chemical indices of different tobacco flavors the average value and variance

2.4 不同香型煙葉識別結(jié)果及驗(yàn)證

2.4.1 樣本數(shù)據(jù)整理及RBF建模 將評吸結(jié)果中3種典型的香型：清香型、中間香型和濃香型選出進(jìn)行識別?？紤]到數(shù)據(jù)質(zhì)量，以主成分均值加減2倍標(biāo)準(zhǔn)差對數(shù)據(jù)進(jìn)行篩選，其獲得333個(gè)有效數(shù)據(jù)。隨機(jī)抽取60個(gè)作為驗(yàn)證樣，其余則作為訓(xùn)練樣點(diǎn)。以對3種香型有顯著差異的主成分為輸入層，輸出層包含3個(gè)節(jié)點(diǎn)，對應(yīng)3種香型。如果某個(gè)煙樣符合清香型，則第1個(gè)輸出節(jié)點(diǎn)為1，其余2個(gè)節(jié)點(diǎn)輸出值為 0；如果某個(gè)煙樣符合中間香型，則第 2個(gè)輸出節(jié)點(diǎn)為1，其余2個(gè)節(jié)點(diǎn)輸出值為0；以此類推。網(wǎng)絡(luò)訓(xùn)練時(shí)，設(shè)置goal為0.001，經(jīng)過仿真試驗(yàn)，當(dāng)spread取0.25時(shí)，RBF神經(jīng)網(wǎng)絡(luò)逼近效果最優(yōu)。

2.4.2 識別結(jié)果分析 預(yù)測結(jié)果表明（表 4），60個(gè)驗(yàn)證點(diǎn)中有 54個(gè)的預(yù)測類型與評吸結(jié)果一致，有 6個(gè)樣品識別結(jié)果與評吸結(jié)果不同，錯(cuò)誤率為10%。3種香型中，清香型中有2個(gè)識別錯(cuò)誤，錯(cuò)誤率為8.33%；中間香型有3個(gè)識別錯(cuò)誤，錯(cuò)誤率為15%；而濃香型有1個(gè)識別錯(cuò)誤，錯(cuò)誤率為6.25%。理論上，該方法可以以0誤差逼近任意函數(shù)，在保證數(shù)據(jù)質(zhì)量的情況下，模型的識別精度還可以進(jìn)一步提高。

2.4.3 模型靈敏度檢驗(yàn) 以不同香型 RBF神經(jīng)網(wǎng)絡(luò)模型輸出節(jié)點(diǎn)值為預(yù)測值，以實(shí)際節(jié)點(diǎn)值為實(shí)際值，計(jì)算不同香型預(yù)測結(jié)果的平均絕對誤差、誤差均方根和平均相對誤差（表5）。結(jié)果表明，3種香型RBF模型預(yù)測結(jié)果的平均絕對誤差、誤差均方根和平均相對誤差相對較小，模型靈敏度較高。其中，清香型煙葉模型靈敏度為最優(yōu)，而中間香型靈敏度較低。在煙葉評吸過程中，考慮到評吸人員對區(qū)分清、濃香型煙葉較中間香型更為準(zhǔn)確，因此，RBF神經(jīng)網(wǎng)絡(luò)模型的靈敏度結(jié)果與實(shí)際評吸結(jié)果一致。

表4 驗(yàn)證煙葉香型的識別結(jié)果Table 4 Verification of tobacco flavor recognition results

表5 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型靈敏度檢驗(yàn)Table 5 Sensitivity test of RBF neural network model

3 討 論

研究表明，利用煙葉化學(xué)及其衍生指標(biāo)預(yù)測煙葉香型是可行的。但是，由于煙葉香型為定性變量，常規(guī)的統(tǒng)計(jì)及分析方法在烤煙香型的預(yù)測及評價(jià)中存在一定的限制［3-5］。目前，更多的非線性、判別及匹配模型被運(yùn)用于煙葉香型識別［12-14］，申欽鵬等［12］采用7種不同方法建立基于煙葉化學(xué)數(shù)據(jù)的烤煙香型分類模型，并從中篩選出最優(yōu)模型；王鵬澤等［13］引入因子、聚類及判別分析，對河南 31個(gè)產(chǎn)煙縣的169個(gè)煙葉樣品的風(fēng)格特征指標(biāo)進(jìn)行了分析。較傳統(tǒng)方法而言，這類模型在煙葉香型識別中準(zhǔn)確率較高，所得結(jié)果更為客觀。RBF神經(jīng)網(wǎng)絡(luò)其本身是一個(gè)非線性模型，具有模式識別的特點(diǎn)［10］，因此，可運(yùn)用 RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行煙葉香型識別模型的建立。

本研究表明，不同香型煙葉在化學(xué)成分含量上存在差異，清香型煙葉糖含量明顯高于濃香型，氯含量明顯低于濃香型，這與竇玉青等［15］、席元肖等［16］研究結(jié)果一致，但差異大小有所不同，這與本研究數(shù)據(jù)取自全國煙區(qū)有關(guān)，有研究表明，不同生態(tài)區(qū)相同香型煙葉化學(xué)成分存在著一定差異［17-19］。

本研究表明，利用RBF神經(jīng)網(wǎng)絡(luò)建立庫存煙葉香型的預(yù)測模型是可行的，在建模過程中，由于各化學(xué)指標(biāo)間存在著共線問題，在輸入變量時(shí)應(yīng)消除其影響。另外，煙葉香型取決于其化學(xué)成分和煙氣成分等多種因素，同時(shí)，煙葉的產(chǎn)地［19］、氣候［20］、品種［21］等屬性也會影響其差異，因此，未來在模型深度優(yōu)化過程中，應(yīng)該將多種因素作為輸入層進(jìn)行煙葉香型預(yù)測。

4 結(jié) 論

以川渝中煙2009—2011年庫存煙葉為研究對象，對各化學(xué)指標(biāo)進(jìn)行主成分分析提取9個(gè)不共線性因子，以對煙葉香型有顯著影響的主成分分值為輸入變量，利用newrb函數(shù)進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)建模，并進(jìn)行仿真預(yù)測，準(zhǔn)確率高達(dá)90%，且模型靈敏度較高，這說明基于RBF神經(jīng)網(wǎng)絡(luò)的煙葉香型預(yù)測較為客觀。

參考文獻(xiàn)

［1］ 唐遠(yuǎn)駒.關(guān)于烤煙香型問題的探討［J］.中國煙草科學(xué)，2011，32（3）：1-7.

［2］ 白茂軍，鄧小華.濃香型和清香型烤煙主產(chǎn)區(qū)中部煙葉彰顯度與主要化學(xué)成分的關(guān)系研究［J］.作物研究，2015，29（3）：267-271，276.

［3］ 孟霖，代遠(yuǎn)剛，王程棟，等.中間香型烤煙葉片質(zhì)量指標(biāo)間的典型相關(guān)分析［J］.江蘇農(nóng)業(yè)科學(xué)，2015，43（3）：261-264．

［4］ 吳有祥，王玉平，楊佳玫，等.清香型煙葉的感官品質(zhì)風(fēng)格特征及主要化學(xué)成分［J］.貴州農(nóng)業(yè)科學(xué)，2014，43（1）：40-44.

［5］ 夏玉珍，王毅，牟定榮，等.福建和云南烤煙香韻風(fēng)格特征差異與化學(xué)成分的關(guān)系［J］.煙草科技，2015，48 （6）：68-72.

［6］ 曹仕明，高遠(yuǎn)峰，曹勤華，等.湖北典型生態(tài)區(qū)烤煙質(zhì)量風(fēng)格特征及其影響因子分析［J］.中國煙草科學(xué)，2015，36（1）：14-18.

［7］ 彭黔榮，蔡元青，王東山，等.根據(jù)常規(guī)化學(xué)指標(biāo)識別煙葉品質(zhì)的 BP神經(jīng)網(wǎng)絡(luò)模型［J］.中國煙草學(xué)報(bào)，2005，11（5）：19-25.

［8］ 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)測模型［J］.中國煙草學(xué)報(bào)，2011，17（1）：19-25.

［9］ 陳飛香，程家昌，胡月明，等.基于 RBF神經(jīng)網(wǎng)絡(luò)的土壤鉻含量空間預(yù)測［J］.地理科學(xué)，2013，33（1）：69-74.

［10］王芹芹，雷曉云，高凡.基于主成分分析和 RBF神經(jīng)網(wǎng)絡(luò)的融雪期積雪深度模擬［J］.干旱區(qū)資源與環(huán)境，2014，28（2）：175-179.

［11］陳昌華，譚俊，尹健康，等.基于PCA-RBF神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26（8）：85-90.

［12］申欽鵬，張霞，張濤，等.基于煙葉化學(xué)成分烤煙香型分類模型的建立［J］.湖北農(nóng)業(yè)科學(xué)，2015，54（5）：1220-1226.

［13］王鵬澤，劉鵬飛，來苗，等.因子、聚類及判別分析在煙葉風(fēng)格特色評價(jià)中的應(yīng)用［J］.中國煙草科學(xué)，2015，36（2）：20-25.

［14］李偉，鄧小華，周清明，等.基于模糊數(shù)學(xué)和GIS的湖南濃香型烤煙化學(xué)成分綜合評價(jià)［J］.核農(nóng)學(xué)報(bào)，2015，29（5）：946-953.

［15］竇玉青，湯朝起，王平，等.閩西、贛中不同香型烤煙主要化學(xué)成分對吸食品質(zhì)的影響［J］.煙草科技，2009 （11）：15-20.

［16］席元肖，魏春陽，宋紀(jì)真，等.不同香型烤煙化學(xué)成分含量的差異［J］.煙草科技，2011（5）：29-33，65.

［17］李章海，王能如，王東勝，等.不同生態(tài)尺度煙區(qū)烤煙香型風(fēng)格的初步研究［J］.中國煙草科學(xué)，2009，30（5）：67-70，76.

［18］李玲燕，徐宜民，劉百戰(zhàn)，等.不同生態(tài)區(qū)域烤煙煙葉香氣物質(zhì)分析［J］.中國煙草科學(xué)，2015，36（3）：1-7.

［19］曹學(xué)鴻，申國明，向德恩，等.恩施煙區(qū)不同香型煙葉區(qū)域分布與品質(zhì)特征分析［J］.中國煙草科學(xué)，2012，33（4）：17-21.

［20］黎妍妍，王林，李錫宏，等.金神農(nóng)煙區(qū)氣候特征及其對煙葉品質(zhì)的影響［J］.中國煙草科學(xué)，2015，36（3）：13-18.

［21］張霞，張濤，段沅杏，等.烤煙香型與產(chǎn)區(qū)及品種的關(guān)系研究［J］.煙草科技，2015，48（2）：37-42.

The Establishment of Prediction Model of Inventory Tobacco Flavor Based on RBF Neural Network

ZHOU Zehong1， CAO Linhai2， WANG Changquan1*， LI Qiquan1， LI Bing1， LI Shan1
（1.College of Resource， Sichuan Agricultural University， Chengdu 611130， China； 2.Land Resources Bureau of Qionglai City，Qionglai， Sichuan 611500， China）

Abstract：In order to establish the prediction model of inventory tobacco flavor， the authors analyze the samples of 2009-2011 inventory tobacco in China Tobacco Chuanyu Industrial Co.， Ltd.by using the RBF neural network method.The results showed that there was difference of the content of chemical components between different tobacco flavors， sugar content in clean aroma type tobacco was significantly higher than the others， and chlorine content in clean aroma type tobacco was much lower than that of full-bodied type.The authors used principal component analysis to eliminate the chemical indicator collinear problem， and established prediction models based on RBF neural network of inventory tobacco flavor.The accuracy rate of the models was up to 90%.The sensitivity test showed that the clean aroma type tobacco model had the best sensitivity， the moderate type showed a lower sensitivity.Tobacco flavor can be predicted based on chemical components using the RBF neural network.

Keywords:inventory tobacco； flavor； principal component analysis； RBF neural network

中圖分類號：TS41+1

文章編號：1007-5119（2016）02-0065-06

DOI：10.13496/j.issn.1007-5119.2016.02.012

基金項(xiàng)目：四川省煙草公司重點(diǎn)項(xiàng)目“基于3S技術(shù)的四川煙區(qū)生態(tài)環(huán)境要素時(shí)空特征提取及應(yīng)用”（SCYC201402006）；四川省煙草公司重點(diǎn)項(xiàng)目“四川植煙土壤質(zhì)量監(jiān)測評價(jià)及退化阻控技術(shù)研究”（201202005）；川渝中煙工業(yè)有限責(zé)任公司重點(diǎn)項(xiàng)目“公司煙葉原料品質(zhì)數(shù)據(jù)庫建設(shè)與應(yīng)用研究”（12097）

作者簡介：周澤弘（1991-），男，碩士研究生，主要研究方向?yàn)橥寥琅c環(huán)境質(zhì)量可持續(xù)。E-mail：pyfzzh@163.com*通信作者，E-mail：w.changquan@163.com

收稿日期：2015-09-22 修回日期：2015-11-19