基于BP神經(jīng)網(wǎng)絡(luò)的煙葉醇化感官質(zhì)量仿真模擬

鄧羽翔 - 羅 誠(chéng) 李東亮 - 楊 杰 周 東 杜 薇 陳思昂 -

(四川中煙工業(yè)有限責(zé)任公司技術(shù)中心，四川 成都 610066)

煙葉發(fā)酵是卷煙加工中極為重要的環(huán)節(jié)，良好的發(fā)酵工藝可以改善煙葉品質(zhì)，降低煙葉青雜氣和刺激性，使煙草特征香氣顯露，顯著提高其可用性[1]。打葉復(fù)烤后煙葉需自然醇化，醇化會(huì)使煙葉內(nèi)主要化合物和致香成分發(fā)生急劇的變化[2-3]，經(jīng)相關(guān)性分析和回歸分析發(fā)現(xiàn)主要化學(xué)成分與感官質(zhì)量存在直接或間接的關(guān)系[4-7]。楊波等[8]對(duì)四川涼山會(huì)理的煙葉進(jìn)行了跟蹤倉(cāng)儲(chǔ)試驗(yàn)，采用了描述統(tǒng)計(jì)和回歸分析擬合了煙葉醇化品質(zhì)變化的曲線方程，得到了煙葉適宜的醇化時(shí)間。劉紅光等[9]發(fā)現(xiàn)復(fù)烤片煙感官品質(zhì)和化學(xué)成分可用性指數(shù)(CCUI)隨醇化時(shí)間的延長(zhǎng)均呈現(xiàn)先上升后下降的變化趨勢(shì)。對(duì)于煙葉醇化感官評(píng)價(jià)研究，大多數(shù)研究?jī)H限于傳統(tǒng)的數(shù)理統(tǒng)計(jì)方法，包括一般線性相關(guān)性分析、主成分分析、多元回歸分析、曲線回歸分析、邏輯回歸分析、因子分析等，這類統(tǒng)計(jì)方法在定性研究中能夠快速找到規(guī)律性，但目前已知影響煙葉醇化質(zhì)量的主要因子是微生物群落在一定溫度、相對(duì)濕度、氧氣濃度下發(fā)生的生化、物理反應(yīng)，而煙葉醇化質(zhì)量不能僅以感官質(zhì)量中的雜氣、刺激性或主要化合物和致香成分含量所決定，選用何種因子和因子采用何種表達(dá)式是一種推測(cè)，影響了因子的多樣性和某些因子的不可測(cè)性，使得回歸分析在某些情況下受到限制，且無(wú)法達(dá)到有效預(yù)測(cè)效果。

神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對(duì)輸入變量做復(fù)雜的相關(guān)假設(shè)的能力[10]。楊淑娥等[11]研究表明，經(jīng)過(guò)BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)訓(xùn)練可避免重復(fù)的因子表達(dá)，在指標(biāo)間相關(guān)度較高、呈非線性變化，或數(shù)據(jù)缺漏不全的情況下仍可得到比較滿意的結(jié)果。試驗(yàn)擬通過(guò)對(duì)醇化周期內(nèi)煙葉感官質(zhì)量評(píng)分進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，對(duì)煙葉醇化過(guò)程中感官質(zhì)量變化的預(yù)測(cè)方法進(jìn)行研究，旨在建立BP神經(jīng)網(wǎng)絡(luò)模型，為倉(cāng)儲(chǔ)環(huán)節(jié)煙葉周轉(zhuǎn)、配方設(shè)計(jì)使用提供指導(dǎo)。

1 材料和方法

1.1 材料

醇化樣品：2012年廣東南雄、云南曲靖、福建三明、河南洛陽(yáng)、重慶豐都、四川涼山6個(gè)產(chǎn)區(qū)的打葉復(fù)烤后的片煙，每個(gè)產(chǎn)區(qū)均包含上(B2F)、中(C3F)、下(X2F)3個(gè)部位等級(jí)，共計(jì)18種片煙樣品，四川中煙工業(yè)有限責(zé)任公司。每種樣品各取同一批次的成品片煙24件，分別存放于四川中煙工業(yè)有限責(zé)任公司的成都多寶寺倉(cāng)庫(kù)、成都多寶寺氣調(diào)倉(cāng)庫(kù)、什邡李子園倉(cāng)庫(kù)、西昌新廠倉(cāng)庫(kù)進(jìn)行自然醇化，每種樣品每個(gè)倉(cāng)庫(kù)存放6件。

1.2 試驗(yàn)設(shè)備

卷煙機(jī)：ZB25型，上海煙草機(jī)械廠。

1.3 方法

1.3.1 醇化后樣品取樣及卷煙樣品制備 從復(fù)烤片煙入庫(kù)起，以每6個(gè)月為周期對(duì)醇化的片煙樣品取樣，試驗(yàn)周期36個(gè)月，共取樣6次。抽樣方法按GB/T 19616—2004，每次隨機(jī)取1箱(下次取樣時(shí)，排除前期已取樣的煙箱)，從上、中、下3個(gè)取樣點(diǎn)，每個(gè)取樣點(diǎn)取5 kg左右。剔除煙葉中殘留的煙梗后，將煙片切成1.0 mm左右的煙絲。切絲前要求煙葉的水分在12%左右，若煙葉較濕，采用自然晾干的方法平衡水分，若煙葉較干，采用蒸鍋來(lái)增大水分。切絲后，將煙絲混合均勻，采用四分法保留500 g，用于評(píng)吸卷煙樣品的卷制。在同一機(jī)臺(tái)，按照“嬌子(時(shí)代陽(yáng)光)”工藝標(biāo)準(zhǔn)，進(jìn)行卷煙樣品的卷制。

1.3.2 感官評(píng)吸方法 采用“九分值”行業(yè)單料煙感官評(píng)價(jià)方法[12]，從香氣特性、煙氣特性、口感特性三方面進(jìn)行評(píng)價(jià)，其中：香氣特性包括香氣質(zhì)、香氣量、豐滿程度及雜氣，煙氣特性包括濃度、勁頭、細(xì)膩程度及成團(tuán)性，口感特性包括刺激性、干燥感、干凈程度、甜度及余味。

1.3.3 訓(xùn)練樣本集的準(zhǔn)備 6位感官評(píng)吸專業(yè)人員按“九分值”單料煙感官評(píng)吸方法每隔6個(gè)月，共6次感官評(píng)吸，結(jié)果見(jiàn)表1。

表1 樣本的感官評(píng)吸總分描述性統(tǒng)計(jì)

2 綜合評(píng)分指數(shù)的構(gòu)建與等級(jí)劃分

基于主成分分析分別對(duì)4個(gè)倉(cāng)庫(kù)在6個(gè)時(shí)間節(jié)點(diǎn)年的感官評(píng)吸結(jié)果進(jìn)行因子分析、指數(shù)構(gòu)建與等級(jí)劃分。以成都多寶倉(cāng)庫(kù)為例。

2.1 綜合指數(shù)的構(gòu)建

根據(jù)主成分分析方法的原理，以因子方差累計(jì)貢獻(xiàn)率>80%為準(zhǔn)則來(lái)提取主成分因子[13]。由表2可知，3個(gè)因子解釋了18個(gè)指標(biāo)91.64%的方差。因此提取前3個(gè)主成分可以代替整體信息。

表2 主成分分析結(jié)果

根據(jù)SPSS算出成分載荷矩陣，再用載荷矩陣中的指標(biāo)系數(shù)除以對(duì)應(yīng)各個(gè)主因子的特征根，得出各個(gè)原始變量的系數(shù)，進(jìn)一步得到因子得分系數(shù)矩陣，主成分因子表示：

F1=0.774x1+0.661x2+0.114x3+0.669x4+0.873x5+0.859x6+0.503x7+0.901x8+0.930x9+0.837x10+0.913x11+0.863x12+0.959x13+0.968x14-0.797x15+0.971x16+0.971x17+0.846x18,

(1)

F2=-0.144x1+0.272x2+0.758x3+0.279x4+0.246x5+0.473x6-0.843x7-0.410x8-0.034x9+0.465x10-0.176x11+0.187x12-0.023x13-0.133x14+0.456x15-0.234x16-0.039x17+0.299x18，

(2)

F3=0.399x1-0.268x2-0.492x3+0.559x4-0.367x5-0.194x6-0.182x7-0.137x8-0.148x9+0.277x10+0.288x11-0.202x12+0.130x13-0.162x14+0.363x15+0.005x16+0.117x17+0.322x18。

(3)

根據(jù)因子的貢獻(xiàn)率，將每個(gè)變量的原數(shù)據(jù)代入，即可得到每個(gè)變量的綜合評(píng)價(jià)得分，計(jì)算公式為：

(4)

綜合評(píng)分結(jié)果如表3所示，評(píng)分越大則等級(jí)越高，評(píng)分越小則等級(jí)越低。

表3 各個(gè)倉(cāng)庫(kù)煙葉醇化度綜合評(píng)分

2.2 評(píng)分等級(jí)的劃分

取各個(gè)地區(qū)各個(gè)時(shí)間節(jié)點(diǎn)的綜合指數(shù)的前3個(gè)四分位數(shù)，得到3個(gè)等級(jí)臨界值，將醇化得分指數(shù)劃分為4個(gè)區(qū)間，即對(duì)各個(gè)倉(cāng)庫(kù)評(píng)分進(jìn)行等級(jí)劃分。劃分區(qū)間即可確定每個(gè)倉(cāng)庫(kù)對(duì)應(yīng)時(shí)間節(jié)點(diǎn)相應(yīng)的煙葉醇化等級(jí)，見(jiàn)表4。

表4 煙葉醇化度等級(jí)評(píng)分

3 BP神經(jīng)網(wǎng)絡(luò)在模擬應(yīng)用中的訓(xùn)練與應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，解決了簡(jiǎn)單感知器不能解決的異或(Exclusive OR，XOR)和一些其他問(wèn)題。從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層見(jiàn)圖1。從本質(zhì)上講，BP算法就是以網(wǎng)絡(luò)誤差平方為目標(biāo)函數(shù)、采用梯度下降法來(lái)計(jì)算目標(biāo)函數(shù)的最小值[14]。

根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型原理，需將采集到煙葉醇化得分指標(biāo)數(shù)據(jù)劃分為訓(xùn)練集、檢驗(yàn)集和預(yù)測(cè)集。具體而言，將4個(gè)倉(cāng)庫(kù)中的前4個(gè)時(shí)間節(jié)點(diǎn)的樣本數(shù)據(jù)作為網(wǎng)絡(luò)模型的訓(xùn)練集，以后第5個(gè)時(shí)間節(jié)點(diǎn)(間隔30個(gè)月)的數(shù)據(jù)作為檢測(cè)集，以最后時(shí)間節(jié)點(diǎn)(間隔36個(gè)月)作為預(yù)測(cè)集，對(duì)4個(gè)倉(cāng)庫(kù)的煙葉醇化度進(jìn)行檢驗(yàn)與預(yù)測(cè)。

圖1 BP神經(jīng)網(wǎng)絡(luò)映射結(jié)構(gòu)圖

3.1 BP神經(jīng)網(wǎng)絡(luò)模型建立

采用Matlab軟件對(duì)煙葉醇化得分模型進(jìn)行訓(xùn)練。調(diào)用Trainlm函數(shù)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)和期望輸出值進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練策略采用調(diào)節(jié)訓(xùn)練次數(shù)和期望誤差進(jìn)行對(duì)比試驗(yàn)，使實(shí)際輸出值和期望輸出間的誤差達(dá)到最小。當(dāng)達(dá)到較合適的期望誤差值，則網(wǎng)絡(luò)的訓(xùn)練結(jié)束。確定較合適的值是通過(guò)不斷調(diào)整隱含層神經(jīng)元個(gè)數(shù)來(lái)確定的，一般認(rèn)為增加隱含層可以降低網(wǎng)絡(luò)誤差，提高精度，但也會(huì)使網(wǎng)絡(luò)復(fù)雜化，增加了網(wǎng)絡(luò)的順聯(lián)時(shí)間和出現(xiàn)“過(guò)擬合”，通過(guò)試驗(yàn)可知增加隱含層神經(jīng)元個(gè)數(shù)來(lái)獲得較低的誤差，其訓(xùn)練效果要比增加隱含層層數(shù)更容易實(shí)現(xiàn)[15]。其輸入數(shù)據(jù)為4個(gè)倉(cāng)庫(kù)中的前4個(gè)時(shí)間節(jié)點(diǎn)的72組數(shù)據(jù)，建立的BP神經(jīng)網(wǎng)絡(luò)模型的輸入層節(jié)點(diǎn)有11個(gè)，試驗(yàn)對(duì)比確認(rèn)網(wǎng)絡(luò)誤差最小時(shí)對(duì)應(yīng)隱含層節(jié)點(diǎn)為10；對(duì)應(yīng)的期望輸出值則是根據(jù)綜合指數(shù)和煙葉醇化等級(jí)劃分區(qū)間，該倉(cāng)庫(kù)不同種類的煙葉醇化等級(jí)，模型輸出層節(jié)點(diǎn)有4個(gè)。當(dāng)網(wǎng)絡(luò)性能達(dá)到期望誤差要求時(shí)訓(xùn)練結(jié)束，網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)率為0.01，將期望誤差設(shè)置為1.00E-06。網(wǎng)絡(luò)訓(xùn)練的誤差擬合圖見(jiàn)圖2，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練界面見(jiàn)圖3。

3.2 BP神經(jīng)網(wǎng)絡(luò)模型的檢驗(yàn)

期望目標(biāo)輸出由主成分因子分析法得出的煙葉醇化綜合指數(shù)轉(zhuǎn)化而來(lái)，BP神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)通過(guò)比較實(shí)際輸出和期望目標(biāo)輸出大小判斷，若實(shí)際輸出小于期望目標(biāo)輸出，判斷模型準(zhǔn)確性較高，反之較低。采用樣本數(shù)據(jù)中第5個(gè)時(shí)間節(jié)點(diǎn)(間隔30個(gè)月)數(shù)據(jù)作為檢驗(yàn)集，將其煙葉醇化度等級(jí)狀況與期望的目標(biāo)輸出進(jìn)行檢驗(yàn)，誤差較小則表示模型通過(guò)檢測(cè)。由表5中模型的檢驗(yàn)輸出煙葉醇化度等級(jí)狀態(tài)與期望輸出結(jié)果基本一致，模型檢驗(yàn)結(jié)果較滿意，表明網(wǎng)絡(luò)有較好的預(yù)測(cè)效果。

圖2 BP神經(jīng)網(wǎng)絡(luò)誤差擬合圖

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

表5 BP神經(jīng)網(wǎng)絡(luò)模型的檢驗(yàn)輸出與期望輸出對(duì)比

3.3 基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)

如神經(jīng)網(wǎng)絡(luò)原理所述，神經(jīng)網(wǎng)絡(luò)第n年的輸入值對(duì)應(yīng)的期望目標(biāo)輸出值則是第n+1個(gè)月的煙葉醇化等級(jí)狀況，這就使網(wǎng)絡(luò)模型訓(xùn)練得到的輸出值具有預(yù)測(cè)下一年醇化等級(jí)的功效[16]。因此，將間隔36個(gè)月數(shù)據(jù)輸入模型，則可得間隔42個(gè)月的4個(gè)倉(cāng)庫(kù)18個(gè)不同產(chǎn)地等級(jí)煙葉的預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果以成都多寶庫(kù)為例見(jiàn)表6。

根據(jù)結(jié)果可知，在下一次抽檢過(guò)程中，煙葉醇化為優(yōu)的產(chǎn)地和種類有：福建三明B2F、福建三明C3F、云南羅平B2F、C3F，重慶豐都C3F、B2F、X2F，可以預(yù)測(cè)這些產(chǎn)地不同等級(jí)煙葉在成都多寶庫(kù)經(jīng)42個(gè)月醇化水平較高，其感官評(píng)吸預(yù)測(cè)結(jié)果也較好，配方設(shè)計(jì)使用價(jià)值高。處于不合格或剛合格的煙葉醇化級(jí)別的為：福建三明X2F、廣東南雄X2F、云南羅平C3F以及涼山會(huì)理B2F，可能是由于不同地區(qū)煙葉種植條件環(huán)境不同，煙葉化學(xué)成分差異性較大造成，在成都多寶庫(kù)條件下醇化在這一時(shí)間節(jié)點(diǎn)處于低水平狀態(tài)，使用價(jià)值欠佳，因此，建議盡快處理，并需進(jìn)一步探討合理的醇化環(huán)境和方式。

4 結(jié)論

煙葉醇化過(guò)程中發(fā)生復(fù)雜的生化、物理反應(yīng)，這一類問(wèn)題的共同特點(diǎn)是：難以達(dá)到解析解，而神經(jīng)網(wǎng)絡(luò)具有識(shí)別復(fù)雜非線性可反映射的特征，BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和儲(chǔ)存大量輸入—輸出模式映射關(guān)系，而無(wú)須事先了解描述這類映射關(guān)系的數(shù)學(xué)方程。通過(guò)Matlab軟件，建立煙葉醇化感官質(zhì)量BP神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用在時(shí)間節(jié)點(diǎn)質(zhì)量預(yù)測(cè)方面，從檢驗(yàn)結(jié)果可知具有準(zhǔn)確性，為煙葉醇化質(zhì)量評(píng)價(jià)和預(yù)測(cè)提供了科學(xué)的實(shí)踐方法和可靠的理論依據(jù)，可指導(dǎo)煙葉倉(cāng)儲(chǔ)養(yǎng)護(hù)工作者、卷煙配方師提前采取風(fēng)險(xiǎn)預(yù)控措施，規(guī)避由醇化不當(dāng)導(dǎo)致煙葉質(zhì)量下降所帶來(lái)的損失。

表6 成都多寶倉(cāng)庫(kù)煙葉醇化結(jié)果分析

Table 6 Analysis of alcoholification results of tobacco leaves in Chengdu Duobao warehouse

醇化度等級(jí)產(chǎn)地種類不合格涼山會(huì)理C3F合格河南洛陽(yáng)C3F云南羅平C3F涼山會(huì)理B2F醇化良廣東南雄X2F、C3F、B2F河南洛陽(yáng)B2F、X2F福建三明X2F涼山會(huì)理X2F醇化度優(yōu)福建三明B2F、C3F云南羅平B2F、C3F重慶豐都C3F、B2F、X2F