基于人工神經(jīng)網(wǎng)絡(luò)的烤煙評(píng)吸質(zhì)量評(píng)估模型及實(shí)現(xiàn)

陳偉 周浩 潘文杰 熊永華

摘要：為提高烤煙評(píng)吸質(zhì)量評(píng)估的效率，采用Spearman相關(guān)分析和偏相關(guān)分析確定影響烤煙評(píng)吸質(zhì)量的7種化學(xué)成分，利用BP人工神經(jīng)網(wǎng)絡(luò)建立7種化學(xué)成分和烤煙評(píng)吸質(zhì)量之間的人工神經(jīng)網(wǎng)絡(luò)模型，最后通過人工神經(jīng)網(wǎng)絡(luò)對(duì)不同烤煙樣品評(píng)吸質(zhì)量進(jìn)行預(yù)測(cè)。結(jié)果表明，利用人工神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)烤煙評(píng)吸質(zhì)量與人工法具有較好的相關(guān)性和較低的誤差。利用C++語言設(shè)計(jì)的烤煙評(píng)吸質(zhì)量評(píng)估軟件可以方便地進(jìn)行烤煙評(píng)吸質(zhì)量模型的訓(xùn)練和評(píng)吸質(zhì)量的評(píng)估，具有較好的實(shí)用性。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);相關(guān)分析;烤煙評(píng)吸;評(píng)估模型

中圖分類號(hào)：TS41+1;TS47? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2018）24-0108-04

DOI：10.14088/j.cnki.issn0439-8114.2018.24.030? ? ? ? ? ?開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Abstract： In order to improve the smoking quality evaluation efficiency， Spearman correlation analysis and partial correlation analysis were used to determine the seven chemical components which affected the smoking quality of flue-cured tobacco. The artificial neural network between seven chemical components and smoking quality was established using BP artificial neural network. Finally， the artificial neural network was used to predict the smoking quality of different flue-cured tobacco samples. The results showed that the use of artificial neural network to evaluate the smoking quality of flue-cured tobacco had a good correlation with the artificial method and a low error. Flue-cured tobacco smoking quality evaluation software designed in C++ language can facilitate the training of tobacco smoking quality model and the evaluation of smoking quality， and it had good practicability.

Key words： artificial neural network; correlation analysis; tobacco smoking; evaluation model

烤煙評(píng)吸質(zhì)量是反映烤煙綜合性狀的指標(biāo)，其與多種因素有關(guān)，如烤煙化學(xué)成分、煙氣成分、主觀感受等。目前對(duì)烤煙評(píng)吸質(zhì)量的評(píng)判往往采用人工評(píng)定法，即通過多位專家對(duì)不同樣品進(jìn)行試吸，根據(jù)不同的評(píng)吸環(huán)節(jié)給出各環(huán)節(jié)的質(zhì)量分?jǐn)?shù)，最終將各環(huán)節(jié)的質(zhì)量分?jǐn)?shù)相加確定出不同樣品的評(píng)吸質(zhì)量[1]。但人工評(píng)定的效率較低，難以對(duì)大范圍的烤煙進(jìn)行有效的評(píng)定。

由于烤煙化學(xué)成分復(fù)雜，多種化學(xué)成分間還存在相互作用，所以難以通過固定的數(shù)學(xué)模型確定烤煙化學(xué)成分與評(píng)吸質(zhì)量之間的關(guān)系[2]。人工神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜系統(tǒng)模型時(shí)不用考慮模型變量間的內(nèi)在作用規(guī)律，通過對(duì)一定數(shù)量測(cè)試樣本的學(xué)習(xí)和訓(xùn)練，可以按照提供樣本的規(guī)律實(shí)現(xiàn)滿足要求的輸出，因此人工神經(jīng)網(wǎng)絡(luò)廣泛用于開發(fā)基于經(jīng)驗(yàn)的農(nóng)業(yè)模型，例如農(nóng)作物的產(chǎn)量預(yù)測(cè)、質(zhì)量評(píng)估等[3-5]。

通過相關(guān)分析確定與烤煙評(píng)吸質(zhì)量具有聯(lián)系的化學(xué)成分指標(biāo)，通過這些化學(xué)成分指標(biāo)，利用BP人工神經(jīng)網(wǎng)絡(luò)建立化學(xué)成分與烤煙評(píng)吸質(zhì)量的人工神經(jīng)網(wǎng)絡(luò)模型。利用該人工神經(jīng)網(wǎng)絡(luò)模型對(duì)多組不同的烤煙樣本評(píng)吸質(zhì)量進(jìn)行預(yù)測(cè)，通過與實(shí)際評(píng)吸質(zhì)量的對(duì)比，表明相比于傳統(tǒng)的人工評(píng)吸法，利用本研究方法建立的烤煙評(píng)吸質(zhì)量模型具有較好的相關(guān)性和準(zhǔn)確性，對(duì)烤煙質(zhì)量的評(píng)定具有一定的參考意義。利用C++語言開發(fā)出的烤煙評(píng)吸質(zhì)量評(píng)估軟件可以實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練、導(dǎo)入等功能，能夠方便地對(duì)烤煙評(píng)吸質(zhì)量進(jìn)行評(píng)估，具有較好的實(shí)用性。

1? 數(shù)據(jù)來源與分析方法

1.1? 數(shù)據(jù)來源

數(shù)據(jù)來源于某省不同煙草產(chǎn)區(qū)、不同煙草品種的烤煙化學(xué)成分含量及烤煙評(píng)吸質(zhì)量，數(shù)據(jù)涵蓋范圍廣，代表性強(qiáng)。所選取的烤煙化學(xué)成分包含總糖、還原糖、鉀、氯、總堿、總氮、蛋白質(zhì)、淀粉、錳、鐵、銅、鋅及其他微量元素。評(píng)吸質(zhì)量通過多位專家對(duì)不同烤煙樣品進(jìn)行試吸，給出對(duì)應(yīng)的分?jǐn)?shù)，最后將不同專家分?jǐn)?shù)平均后確定最終的烤煙評(píng)吸質(zhì)量。

由于烤煙生產(chǎn)過程是一個(gè)多輸入多輸出的復(fù)雜農(nóng)作物生產(chǎn)過程，具有多變量、非線性、不確定性等特點(diǎn)[6];烤煙生物質(zhì)量綜合效益的影響因素涉及領(lǐng)域廣闊，同時(shí)評(píng)價(jià)指標(biāo)眾多，各類指標(biāo)之間量綱差異較大，難以直接建立烤煙生物質(zhì)量效益綜合生產(chǎn)目標(biāo)與其影響因素之間的機(jī)理模型。

1.2? 分析方法

烤煙評(píng)吸質(zhì)量與煙葉化學(xué)成分含量存在一定的相關(guān)性[7，8]，但烤煙中化學(xué)成分與評(píng)吸質(zhì)量的關(guān)系復(fù)雜，對(duì)于各項(xiàng)化學(xué)成分與評(píng)吸質(zhì)量之間的關(guān)系，在一定范圍內(nèi)可以簡(jiǎn)單分類為正相關(guān)、負(fù)相關(guān)和無相關(guān)。

斯皮爾曼相關(guān)系數(shù)（Spearman correlation coefficient）利用單調(diào)方程評(píng)價(jià)兩個(gè)統(tǒng)計(jì)變量的相關(guān)性，Spearman相關(guān)系數(shù)的計(jì)算方法見公式（1）。

由于斯皮爾曼相關(guān)系數(shù)不表示變量之間的線性關(guān)系，僅表示變量之間的單調(diào)性關(guān)系，對(duì)于存在相關(guān)性但是沒有線性關(guān)系的統(tǒng)計(jì)變量能夠更好地找出其中的相關(guān)性關(guān)系。

當(dāng)研究某一個(gè)要素對(duì)另一個(gè)要素的影響或相關(guān)程度時(shí)，把其他要素的影響視作常數(shù)（保持不變），即暫時(shí)不考慮其他要素影響，單獨(dú)研究兩個(gè)要素之間的相互關(guān)系的密切程度，所得數(shù)值結(jié)果為偏相關(guān)系數(shù)。

2? BP人工神經(jīng)網(wǎng)絡(luò)模型建立

BP（Back propagation）人工神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，它能通過自身的訓(xùn)練，學(xué)習(xí)某種規(guī)則，在給定輸入值時(shí)得到最接近期望輸出值的結(jié)果。其基本思想是梯度下降法，利用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小。

在BP人工神經(jīng)網(wǎng)絡(luò)中，為了保證消除指標(biāo)之間的量綱影響，利用線性函數(shù)歸一化方法，通過查找各指標(biāo)的最大值和最小值，將所有指標(biāo)的數(shù)值映射到區(qū)間[0，1]內(nèi)，以減少不同的量綱對(duì)BP人工神經(jīng)網(wǎng)絡(luò)模型的影響。歸一化所采用的線性函數(shù)見公式2。

其中，y為歸一化后的值，x為歸一化前的值，Min和Max為該項(xiàng)指標(biāo)的最小值與最大值。通過公式（2）可以消除不同指標(biāo)的量綱的影響。

在得出評(píng)吸質(zhì)量后，為了能夠更為直觀地與實(shí)際評(píng)吸質(zhì)量對(duì)比，需要將結(jié)果進(jìn)行逆歸一化。逆歸一化見公式（3）。

其中，y為逆歸一化后的值，x為逆歸一化之前的值，Min和Max為評(píng)吸質(zhì)量的最小值與最大值。

BP人工神經(jīng)網(wǎng)絡(luò)的擬合結(jié)果的精度與網(wǎng)絡(luò)結(jié)構(gòu)有很大的關(guān)系。1989年，Hornik等[9]證明只需要一個(gè)擁有足夠多節(jié)點(diǎn)數(shù)量的隱含層，神經(jīng)網(wǎng)絡(luò)就可以以任意的精度逼近任意復(fù)雜度的連續(xù)函數(shù)。但是目前對(duì)于隱含層節(jié)點(diǎn)數(shù)量的設(shè)定仍然是一個(gè)未解決的問題。

本研究利用基于黃金分割的網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)優(yōu)化算法[10]確定隱含層節(jié)點(diǎn)數(shù)量的大致范圍，通過對(duì)不同隱含層節(jié)點(diǎn)數(shù)量進(jìn)行測(cè)試、對(duì)比，最終確定的BP人工神經(jīng)網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)數(shù)量為12。此外，輸入層的節(jié)點(diǎn)數(shù)量為7個(gè)，輸入量為7種化學(xué)成分。輸出層節(jié)點(diǎn)數(shù)量為1個(gè)，輸出量為烤煙評(píng)吸質(zhì)量。所采用的傳遞函數(shù)為Sigmoid函數(shù)，即公式（4）。

在確定了BP人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)后，利用C++語言設(shè)計(jì)了BP人工神經(jīng)網(wǎng)絡(luò)的相關(guān)算法。BP人工神經(jīng)網(wǎng)絡(luò)模型的參數(shù)設(shè)定為：網(wǎng)絡(luò)目標(biāo)誤差為10-5，學(xué)習(xí)率為0.1。在BP人工神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)目標(biāo)誤差設(shè)置過小容易導(dǎo)致網(wǎng)絡(luò)不收斂或網(wǎng)絡(luò)過擬合，過大容易導(dǎo)致網(wǎng)絡(luò)欠擬合。學(xué)習(xí)率設(shè)置過小會(huì)導(dǎo)致收斂速度較慢，學(xué)習(xí)率設(shè)置過大可能導(dǎo)致網(wǎng)絡(luò)振蕩無法收斂。當(dāng)BP人工神經(jīng)網(wǎng)絡(luò)輸出和實(shí)際值的誤差小于目標(biāo)誤差后，算法自動(dòng)結(jié)束，此時(shí)各個(gè)神經(jīng)元之間的連接權(quán)重和神經(jīng)元輸出的閾值即為所得到的BP神經(jīng)網(wǎng)絡(luò)模型。

利用C++語言實(shí)現(xiàn)的BP人工神經(jīng)網(wǎng)絡(luò)算法的主要步驟如下：

步驟1：初始化。隨機(jī)初始化神經(jīng)網(wǎng)絡(luò)中所有節(jié)點(diǎn)的閾值和節(jié)點(diǎn)之間的權(quán)重。

步驟2：將樣本數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中，根據(jù)步驟1中隨機(jī)初始化的閾值和權(quán)重，分別計(jì)算不同樣本的輸出值。

步驟3：根據(jù)步驟2中BP人工神經(jīng)網(wǎng)絡(luò)輸出的樣本值和實(shí)際值進(jìn)行計(jì)算，得出其均方根誤差，判斷此時(shí)的均方根誤差是否已經(jīng)滿足BP人工神經(jīng)網(wǎng)絡(luò)的性能要求。若此時(shí)均方根誤差大于設(shè)定值，則進(jìn)行步驟4，否則，進(jìn)行步驟5。

步驟4：根據(jù)步驟3中的均方根誤差，從輸出層開始反向、依次計(jì)算BP人工神經(jīng)網(wǎng)絡(luò)中輸出層、隱含層的梯度項(xiàng)，并依次對(duì)網(wǎng)絡(luò)中節(jié)點(diǎn)的閾值和節(jié)點(diǎn)之間的權(quán)重進(jìn)行更新。

步驟5：算法停止迭代，記錄、保存當(dāng)前的節(jié)點(diǎn)閾值和節(jié)點(diǎn)間的權(quán)重，完成BP人工神經(jīng)網(wǎng)絡(luò)模型的建立。

3? 質(zhì)量評(píng)估系統(tǒng)的實(shí)現(xiàn)

為了能夠方便地完成對(duì)烤煙評(píng)吸質(zhì)量的評(píng)估，需要利用計(jì)算機(jī)高級(jí)語言將本研究所利用的方法開發(fā)成計(jì)算機(jī)應(yīng)用程序。

利用C++語言，基于MFC類庫，實(shí)現(xiàn)了烤煙評(píng)吸質(zhì)量評(píng)估應(yīng)用程序。該應(yīng)用程序由三個(gè)部分組成，如圖1所示。第一部分為數(shù)據(jù)庫。數(shù)據(jù)庫由SQL Server 2012開發(fā)，用于存放烤煙化學(xué)成分和對(duì)應(yīng)的評(píng)吸質(zhì)量數(shù)據(jù)。第二部分為核心功能部分，包含實(shí)現(xiàn)七個(gè)主要功能的相關(guān)函數(shù)。第三部分為人機(jī)交互界面，可以方便、直觀地完成各項(xiàng)功能，如圖2所示。

應(yīng)用程序的主要功能如下。

1）導(dǎo)入樣本數(shù)據(jù)。導(dǎo)入數(shù)據(jù)功能運(yùn)用ODBC（Open database connectivity）結(jié)構(gòu)，在服務(wù)器端配置好ODBC數(shù)據(jù)源后，可以很方便地訪問SQL 2012數(shù)據(jù)庫并對(duì)數(shù)據(jù)進(jìn)行讀、寫操作。

2）導(dǎo)出樣本數(shù)據(jù)。為方便對(duì)數(shù)據(jù)進(jìn)行管理，應(yīng)用程序可以將導(dǎo)入的數(shù)據(jù)導(dǎo)出保存為.xls文件。

3）樣本數(shù)據(jù)歸一化。利用線性函數(shù)歸一化方法，將所有指標(biāo)的數(shù)值在程序內(nèi)映射到區(qū)間[0，1]，在人機(jī)交互界面中，數(shù)值的大小不會(huì)發(fā)生變化，以保證原始數(shù)據(jù)具有較好的可讀性，方便用戶操作。

4）訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。完成導(dǎo)入數(shù)據(jù)和歸一化處理后，可以利用BP人工神經(jīng)網(wǎng)絡(luò)建立評(píng)估模型。在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的過程中，程序會(huì)自動(dòng)等待訓(xùn)練結(jié)束，并在結(jié)束時(shí)進(jìn)行提示。

5）保存神經(jīng)網(wǎng)絡(luò)模型。由于利用BP人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型需要耗費(fèi)一定的時(shí)間，為了提高程序運(yùn)行效率，程序可以將當(dāng)前訓(xùn)練得出的BP人工神經(jīng)網(wǎng)絡(luò)模型保存為本地的模型文件方便后續(xù)使用。

6）導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型。如果已經(jīng)存在BP人工神經(jīng)網(wǎng)絡(luò)的模型文件，則可以直接導(dǎo)入該模型，避免由于多次訓(xùn)練模型造成的時(shí)間浪費(fèi)。

7）評(píng)估烤煙評(píng)吸質(zhì)量。當(dāng)軟件已經(jīng)訓(xùn)練得出BP人工神經(jīng)網(wǎng)絡(luò)模型或通過導(dǎo)入功能直接導(dǎo)入神經(jīng)網(wǎng)絡(luò)模型后，輸入對(duì)應(yīng)的化學(xué)成分指標(biāo)就可以直接評(píng)估得出評(píng)吸質(zhì)量并將結(jié)果顯示在人機(jī)交互界面中。

利用該應(yīng)用程序進(jìn)行烤煙評(píng)吸質(zhì)量評(píng)估的大致流程如圖3所示。通過該計(jì)算機(jī)應(yīng)用程序可以從數(shù)據(jù)庫中導(dǎo)入化學(xué)成分和評(píng)吸得分的數(shù)據(jù)，將這些數(shù)據(jù)歸一化后訓(xùn)練得出化學(xué)成分和評(píng)吸質(zhì)量之間的BP人工神經(jīng)網(wǎng)絡(luò)模型，并可以將這些模型保存在計(jì)算機(jī)上。同時(shí)，也可以導(dǎo)入模型并進(jìn)行烤煙評(píng)吸質(zhì)量的評(píng)估。

4? 結(jié)果與分析

4.1? 相關(guān)分析結(jié)果

在SPSS 23.0軟件中，利用Spearman相關(guān)分析和偏相關(guān)分析相結(jié)合的方法，對(duì)不同的化學(xué)成分和烤煙評(píng)吸質(zhì)量進(jìn)行了相關(guān)性分析。分析結(jié)果見表1。從表1可以看出，總糖、還原糖、淀粉與烤煙評(píng)吸質(zhì)量之間具有一定的正相關(guān)關(guān)系;鉀、氯、總堿、總氮與評(píng)吸質(zhì)量之間為負(fù)相關(guān)關(guān)系，而其他的化學(xué)成分與評(píng)吸質(zhì)量之間的相關(guān)性較弱?？紤]到模型的精簡(jiǎn)性，最終選取了總糖、還原糖、鉀、氯、總堿、總氮、淀粉這7個(gè)化學(xué)成分指標(biāo)作為BP人工神經(jīng)網(wǎng)絡(luò)模型的輸入。

在本研究中，可用的樣本總數(shù)為40。將其中的30個(gè)作為訓(xùn)練樣本，剩下的10個(gè)作為驗(yàn)證樣本。

4.2? BP人工神經(jīng)網(wǎng)絡(luò)評(píng)估結(jié)果

為了確定BP人工神經(jīng)網(wǎng)絡(luò)模型的性能，本研究使用了4個(gè)統(tǒng)計(jì)學(xué)標(biāo)準(zhǔn)：BP人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與期望輸出值之間的誤差（Δ）及相對(duì)誤差（δ）、線性回歸的均方根誤差（RMSE）和兩者間的相關(guān)系數(shù)（r）。

將10個(gè)驗(yàn)證樣本用于烤煙評(píng)吸質(zhì)量的評(píng)估，這些樣本的實(shí)際評(píng)吸質(zhì)量和利用應(yīng)用程序得出的評(píng)估質(zhì)量以及它們的誤差如表2所示，兩者的散點(diǎn)圖如圖4所示。

從表2可以計(jì)算得出，利用BP人工神經(jīng)網(wǎng)絡(luò)模型評(píng)估得出的評(píng)吸質(zhì)量與實(shí)際的評(píng)吸質(zhì)量之間的平均絕對(duì)誤差為-0.073，平均相對(duì)誤差為-0.081%，相關(guān)性為0.524，均方根誤差為1.326 5。這表明利用BP人工神經(jīng)網(wǎng)絡(luò)模型評(píng)估得出烤煙評(píng)吸質(zhì)量和專家評(píng)吸得出的評(píng)吸質(zhì)量之間具有較小的誤差和較好的相關(guān)性，通過本研究方法建立的模型在烤煙評(píng)吸質(zhì)量的評(píng)估上具有可靠性。

5? 小結(jié)與討論

采用相關(guān)分析和BP人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)烤煙評(píng)吸質(zhì)量進(jìn)行評(píng)估?；趯?duì)烤煙化學(xué)成分和評(píng)吸質(zhì)量之間的偏相關(guān)分析，首先篩選出影響烤煙評(píng)吸質(zhì)量的主要化學(xué)成分，之后利用BP人工神經(jīng)網(wǎng)絡(luò)建立了烤煙評(píng)吸質(zhì)量評(píng)估模型?？傮w而言，本研究表明BP人工神經(jīng)網(wǎng)絡(luò)是評(píng)估烤煙評(píng)吸質(zhì)量的有效、可靠的方法。利用該方法得到的評(píng)估質(zhì)量與專家得到的評(píng)吸質(zhì)量之間的誤差較小，且具有一定的相關(guān)性，通過對(duì)烤煙樣本進(jìn)行常規(guī)化學(xué)成分檢測(cè)就可以有效對(duì)其評(píng)吸質(zhì)量進(jìn)行評(píng)估，可以提高評(píng)估效率。利用本研究方法開發(fā)的計(jì)算機(jī)應(yīng)用程序具有使用方便、流程簡(jiǎn)單的特點(diǎn)，可以將本研究所采用的建模方法推廣與應(yīng)用。

烤煙特定化學(xué)成分與烤煙評(píng)吸質(zhì)量之間的關(guān)系需要更多、更全面的數(shù)據(jù)作為進(jìn)一步研究的基礎(chǔ)，如何更準(zhǔn)確地選擇影響烤煙評(píng)吸質(zhì)量的主要因素是進(jìn)一步研究的方向之一。

參考文獻(xiàn)：

[1] 聶? 銘，周冀衡，楊榮生，等.基于MIV-SVM的烤煙評(píng)吸質(zhì)量預(yù)測(cè)模型[J].中國煙草學(xué)報(bào)，2014，20（6）：56-62.

[2] 段俊杰，蔣美紅，王? 嵐，等.基于化學(xué)成分的煙葉質(zhì)量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].西南農(nóng)業(yè)學(xué)報(bào)，2012，25（1）：48-53.

[3] DAHIKAR S，RODE S. Agricultural crop yield prediction using artificial neural network approach[J].International Journal of Innovative Research in Electrical， Electronics， Instrumentation and Control Engineering，2014，2（1）：683-686.

[4] ZENG W Z，XU C，ZHAO G，et al. Estimation of sunflower seed yield using partial least squares regression and artificial neural network models[J].Pedosphere，2018，28（5）：764-774.

[5] ALVAREZ R. Predicting average regional yield and production of wheat in the Argentine Pampas by an artificial neural network approach[J].European Journal of Agronomy，2009，30（2）：70-77.

[6] WU J，YANG S X，TIAN F C. An adaptive neuro-fuzzy approach to bulk tobacco flue-curing control process[J].Drying Technology，2017，35（4）：465-477.

[7] 許安定，杜國偉，劉洪斌.基于CART模型的烤煙評(píng)吸質(zhì)量影響因子研究[J].西南農(nóng)業(yè)學(xué)報(bào)，2013，26（4）：1356-1361.

[8] 李洪勛，潘文杰，李建偉，等.烤煙內(nèi)在化學(xué)成分含量與感官評(píng)吸指標(biāo)的關(guān)系分析[J].湖北農(nóng)業(yè)科學(xué)，2013，52（8）：1836-1841.

[9] HORNIK K，STINCHCOMBE M，WHITE H. Multilayer feedforward networks are universal approximators[J].Neural Networks，1989，2（5）：359-366.

[10] 夏克文，李昌彪，沈鈞毅.前向神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的一種優(yōu)化算法[J].計(jì)算機(jī)科學(xué)，2005，32（10）：143-145.