考慮替代性的SOM神經(jīng)網(wǎng)絡(luò)卷煙配方模塊分類方法研究

摘要：為了提高模塊替代決策效率和整個卷煙制造系統(tǒng)柔性與生產(chǎn)效率，提出了一種基于替代度的SOM神經(jīng)網(wǎng)絡(luò)模型對卷煙配方模塊進行分類，并與歷史替代統(tǒng)計結(jié)果進行比對。結(jié)果表明，替代度能較好地衡量模塊間的替代程度，替代度越大，每個類別中的各項質(zhì)量指標(biāo)一致性越強，模塊質(zhì)量越相似，越推薦進行相互替代；在以不同替代度標(biāo)準(zhǔn)取值對卷煙配方模塊進行分類時，替代度標(biāo)準(zhǔn)值越大，分類越細(xì)，選擇替代度標(biāo)準(zhǔn)值為3.06作為卷煙配方模塊強替代性的標(biāo)準(zhǔn)進行分類時是最合適的，此時每個類別中卷煙配方模塊質(zhì)量具有較高的相似性?；谔娲鹊腟OM神經(jīng)網(wǎng)絡(luò)分類結(jié)果顯示，發(fā)生類內(nèi)替代的比例明顯優(yōu)于一般SOM神經(jīng)網(wǎng)絡(luò)算法、兩階段聚類算法和K-means聚類算法，當(dāng)替代度標(biāo)準(zhǔn)值為3.06時，類內(nèi)相互替代率可達(dá)95.39%，而類間替代率不足5.00%，相同類別模塊替代率良好。

關(guān)鍵詞：卷煙；配方模塊分類；替代度；SOM神經(jīng)網(wǎng)絡(luò)

中圖分類號：TS44+2；TP183" " " " "文獻(xiàn)標(biāo)識碼：A

文章編號：0439-8114（2024）08-0164-07

DOI：10.14088/j.cnki.issn0439-8114.2024.08.028 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Research on the classification method of cigarette blend modules with SOM neural network considering alternatives

WANG Lin1， ZUO Ping-cong2， GUAN Yu-han2， ZHU Yong-qi2， ZHOU Hong-shen1， WU Qing-hua2

（1.Technology Center， China Tobacco Hubei Industrial Co.，Ltd.，Wuhan" 430040，China；

2.School of Management， Huazhong University of Science and Technology，Wuhan" 430074，China）

Abstract：In order to improve the decision-making efficiency of module substitution and the flexibility and production efficiency of the entire cigarette manufacturing system， a substitution degree based SOM neural network model was proposed to classify cigarette blend modules， and the effect of this model was compared with the historical substitution statistical results. The results showed that the" substitution degree could better measure the degree of substitution between modules. The larger the substitution degree， the stronger the consistency of the quality indicators in each category， the more similar the quality of the modules， and the more recommended for mutual substitution. When classifying cigarette formula modules with different substitution degree standard values， the larger the value was， the finer the classification was. It was most appropriate to select the substitution degree standard value of 3.06 as the standard of strong substitution of cigarette formula modules for classification where the quality of cigarette blend modules in each category had a high similarity. The classification results of SOM neural networks based on substitution degree showed that the proportion of intra-class substitution was superior to general SOM neural network algorithms， two-stage clustering algorithms， and K-means clustering algorithms. When the substitution degree standard value was 3.06， the intra-class mutual substitution rate could reach 95.39%， while the inter-class substitution rate was less than 5.00%. The replacement rate of modules in the same class was excellent.

Key words： cigarette； blend module classification； substitution degree； SOM neural network

卷煙葉組配方設(shè)計是卷煙產(chǎn)品的核心環(huán)節(jié)，它將不同產(chǎn)地、品種、等級的煙葉配方模塊進行配比，從而形成符合卷煙產(chǎn)品風(fēng)格品質(zhì)的葉組配方［1］。對卷煙配方進行分類，有助于實現(xiàn)分組加工模式，保證原有卷煙感官品質(zhì)穩(wěn)定的同時增加選擇范圍［2］，從而實現(xiàn)精細(xì)生產(chǎn)，提高整個卷煙制造系統(tǒng)的柔性。傳統(tǒng)的大多數(shù)分類方式都是對煙葉原料按照其感官評價結(jié)果［3］或者化學(xué)成分［4，5］進行分類；張?zhí)毂龋?］通過逐步判別分析將卷煙配方模塊按照其功能分為4類；何結(jié)望等［7］分別按照外觀、物理特性、化學(xué)成分、感官質(zhì)量對卷煙進行配方分組，研究分組依據(jù)的科學(xué)性；蘇勇等［8］將主成分分析和聚類分析應(yīng)用在卷煙配方模塊分類中；龍明海等［9］引入支持向量機對傳統(tǒng)煙葉配方模塊分類方式進行檢驗；劉偉等［10］通過聚類分析將陜西省煙葉感官質(zhì)量分為3類；許永等［11］通過確定每個烤煙香型感官指標(biāo)的標(biāo)準(zhǔn)值，根據(jù)歐式距離衡量烤煙樣品與標(biāo)準(zhǔn)值間的距離，烤煙樣品感官質(zhì)量歸為歐式距離最近的香型中；申欽鵬等［12］應(yīng)用k鄰近法建立了煙葉化學(xué)成分的烤煙香型分類模型；郭瑋［13］基于簡單相關(guān)系數(shù)對烤煙外觀質(zhì)量與化學(xué)指標(biāo)的相關(guān)性進行了研究以區(qū)分不同模塊的特性；Giokas等［14］利用紅外光譜研究了不同類別卷煙模塊的光譜特征；Luo等［15］通過規(guī)則挖掘和主成分分析探究不同混合煙葉模塊的特點和方式；王楠等［16］利用矩陣分解，通過確定相似模塊維護卷煙配方，以保持產(chǎn)品穩(wěn)定。

卷煙配方模塊之間替代性評價是其綜合質(zhì)量評價工作中的重要一環(huán)，在實際生產(chǎn)過程中，由于煙葉原料供應(yīng)、工藝設(shè)備調(diào)整以及市場銷售變化等情況，會出現(xiàn)模塊配方供應(yīng)不足、年度模塊質(zhì)量差異較大等問題［17］，因此需要及時對原卷煙配方進行調(diào)整或部分模塊替代［18］?；诖?，本研究提出基于替代度的SOM神經(jīng)網(wǎng)絡(luò)分類模型，從模塊間替代角度出發(fā)，對卷煙配方模塊進行進一步分類。該模型將卷煙配方模塊分為若干類，屬于同一類內(nèi)的模塊替代關(guān)系強，而類間替代關(guān)系弱，當(dāng)發(fā)生某種模塊庫存不足時，推薦類內(nèi)其他模塊作為替代。該模型的構(gòu)建為卷煙配方模塊在實際中的替代提供了科學(xué)依據(jù)，簡化了替代性評估流程，提高了模塊替代決策效率，同時便于后續(xù)卷煙配方模塊的分組加工，提高整個卷煙制造過程的柔性。

1 材料與方法

1.1 材料

數(shù)據(jù)來源于中國某中煙企業(yè)，包含了256個卷煙配方模塊樣品化學(xué)指標(biāo)數(shù)據(jù)和感官指標(biāo)數(shù)據(jù)。根據(jù)企業(yè)實際生產(chǎn)需求及相關(guān)文獻(xiàn)［19，20］，選定8個指標(biāo)作為影響煙葉模塊綜合質(zhì)量的關(guān)鍵指標(biāo)，其中化學(xué)指標(biāo)包括煙堿、總糖、糖堿比，感官指標(biāo)包括香氣、煙氣、味感、香型、檔次。不同化學(xué)指標(biāo)的測量方法參照文獻(xiàn)［21］，感官評價方法參照文獻(xiàn)［22，23］。

對以上數(shù)據(jù)采取Z-score標(biāo)準(zhǔn)化處理方法對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，以消除各項質(zhì)量指標(biāo)的量綱不同對試驗結(jié)果的影響，計算式如下。

[xi?=xi-μσ]" " （1）

式中，[xi?]表示經(jīng)過標(biāo)準(zhǔn)化處理后的指標(biāo)值；[xi]表示指標(biāo)原始數(shù)值；[μ]表示指標(biāo)[x]原始數(shù)據(jù)的均值；[σ]表示指標(biāo)[x]原始數(shù)據(jù)的方差。

1.2 方法

本研究提出一種基于替代度的SOM神經(jīng)網(wǎng)絡(luò)分類模型，推薦類內(nèi)模塊進行相互替代。首先提出替代度的概念，替代度越大，兩模塊越相似，可相互替代性越強。并將替代度引入SOM神經(jīng)網(wǎng)絡(luò)，以確定獲勝神經(jīng)元并更新神經(jīng)網(wǎng)絡(luò)內(nèi)部權(quán)重，實現(xiàn)更準(zhǔn)確的模塊分類。

1.2.1 替代度 簡單相關(guān)系數(shù)能夠較好地反映兩個隨機向量[Xi]與[Xj]間各指標(biāo)分量取值排序和分布趨勢的一致性程度，因此可在一定程度上衡量兩個卷煙配方模塊間的替代性強弱。向量[Xi]與[Xj]間的簡單相關(guān)系數(shù)用[r]表示，計算式如下。

[rij=k=18（xik-Xi）（xjk-Xj）k=18（xik-Xi）2（xjk-Xj）2] " " "（2）

式中，[xik]、[xjk]分別為向量[Xi]、[Xj]中的元素；[X]為均值。當(dāng)[r]大于0時，說明向量[Xi]與[Xj]間各指標(biāo)分量取值呈正相關(guān)，排列順序和分布趨勢具有一致性；[r]越接近于1，說明兩個隨機向量間一致性程度越高，對應(yīng)卷煙配方模塊間的替代性也越強。同樣，當(dāng)[r]小于0時，說明向量[Xi]與[Xj]間各指標(biāo)分量呈負(fù)相關(guān)，取值排列順序和分布趨勢相反；[r]越接近于-1，說明一致性程度越弱，對應(yīng)的卷煙配方模塊之間替代性也越弱。

歐式距離同樣能夠較好地反映兩個隨機向量[Xi]與[Xj]在對應(yīng)的多維向量空間中分布位置的相近程度。歐式距離越小，說明兩個隨機向量間距離越近，卷煙配方模塊間替代性也越強；反之，歐式距離越大，說明兩個隨機向量間距離越遠(yuǎn)，配方模塊間替代性也越弱。歐式距離（dij）計算式如下。

[dij=Xi-Xj=k=18（xik-xjk）2] " （3）

簡單相關(guān)系數(shù)和歐式距離都能夠在一定程度上衡量卷煙配方模塊間的替代性，但是在實際運用過程中也存在一定缺陷。簡單相關(guān)系數(shù)能夠反映兩個卷煙配方模塊質(zhì)量指標(biāo)取值排列順序和分布趨勢的相似程度，系數(shù)越大說明質(zhì)量指標(biāo)取值排列順序和分布趨勢一致性越強，但并不能較好地反映出取值大小的接近程度。歐式距離則反之，只有當(dāng)兩個配方模塊質(zhì)量指標(biāo)取值在分布趨勢上均趨近一致且在空間位置分布上也較為接近時，它們之間的綜合質(zhì)量相似程度才會較高、可相互替代性較強，即配方模塊間質(zhì)量指標(biāo)取值的相關(guān)系數(shù)大，歐式距離小。

綜上所述，根據(jù)簡單相關(guān)系數(shù)、歐式距離構(gòu)建了衡量卷煙配方模塊間替代性強弱的統(tǒng)計量［19］，即替代度（[Sij]），其計算方案如式（4）、式（5）。其中[rij]為[Xi]與[Xj]間的簡單相關(guān)系數(shù)，將其轉(zhuǎn)換為［0，1］的數(shù)[Rij]。

[Rij=1+rij2] （4）

[Sij=Rijdij] （5）

1.2.2 基于替代度的SOM神經(jīng)網(wǎng)絡(luò) 自組織特征映射神經(jīng)網(wǎng)絡(luò)簡稱SOM，是無監(jiān)督、自組織的學(xué)習(xí)型網(wǎng)絡(luò)［24］。它運用競爭學(xué)習(xí)的方式對整個網(wǎng)絡(luò)的權(quán)重進行調(diào)整，達(dá)到對輸入樣本準(zhǔn)確分類的目的。SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含兩層，輸入層和輸出層（競爭層），輸入層神經(jīng)元節(jié)點的數(shù)量是由輸入的數(shù)據(jù)維度決定的，1個神經(jīng)元節(jié)點對應(yīng)輸入數(shù)據(jù)的1個特征。輸出層是輸入數(shù)據(jù)映射到低維度空間的拓?fù)浣Y(jié)構(gòu)，出于可視化的目的層通常是二維的，其中每個節(jié)點通過[n]條權(quán)邊與輸入層的節(jié)點相連接［25］。圖1展示了一個具有二維拓?fù)浣Y(jié)構(gòu)的SOM神經(jīng)網(wǎng)絡(luò)。經(jīng)過大量的樣本訓(xùn)練后SOM神經(jīng)網(wǎng)絡(luò)可以輸出一組權(quán)重矩陣[W]，將輸入的樣本數(shù)據(jù)信息映射到輸出層權(quán)重矩陣的相對應(yīng)節(jié)點上，并且輸出層的各節(jié)點之間在距離的遠(yuǎn)近上是有一定的關(guān)聯(lián)性的。

基于替代度的SOM神經(jīng)網(wǎng)絡(luò)的基本原理是把替代度的計算方案和SOM神經(jīng)網(wǎng)絡(luò)結(jié)合起來，形成基于綜合質(zhì)量相似性的分類方案。以往的SOM神經(jīng)網(wǎng)絡(luò)都是通過計算輸入層節(jié)點與輸出層節(jié)點間的歐式距離確定獲勝神經(jīng)元，本研究引入替代性衡量方案，即計算輸入層節(jié)點與輸出層節(jié)點間的替代度確定獲勝神經(jīng)元，相較傳統(tǒng)基于歐式距離的SOM神經(jīng)網(wǎng)絡(luò)，基于替代度的SOM神經(jīng)網(wǎng)絡(luò)能夠使類內(nèi)卷煙配方模塊綜合質(zhì)量的相似程度更高，分類結(jié)果更準(zhǔn)確。

假設(shè)卷煙配方模塊樣本數(shù)據(jù)集合為[X=X1，X2，…，XnT]，其中[Xi]表示每個樣本各質(zhì)量指標(biāo)的數(shù)據(jù)，維度與輸入指標(biāo)數(shù)量相同。[W]表示輸入層與競爭層各節(jié)點的連接權(quán)重矩陣，競爭層通過計算[Xi]與[W]的替代度確定獲勝神經(jīng)元。用[Siw]表示[Xi]與競爭層各節(jié)點的替代度，那么對應(yīng)獲勝神經(jīng)元[k]為與[Xi]替代度最大的競爭層節(jié)點?；谔娲鹊腟OM神經(jīng)網(wǎng)絡(luò)卷煙配方模塊分類模型總體結(jié)構(gòu)如圖2所示，具體計算步驟如下。

步驟一：樣本數(shù)據(jù)處理。對卷煙配方模塊樣本數(shù)據(jù)進行Z-score標(biāo)準(zhǔn)化處理，將處理后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入。

步驟二：網(wǎng)絡(luò)初始化。確定SOM神經(jīng)網(wǎng)絡(luò)需要輸出層節(jié)點數(shù)量，輸出層節(jié)點數(shù)量即為卷煙配方模塊最大分類數(shù)量，將初始分類數(shù)量設(shè)定為1；同時初始化神經(jīng)網(wǎng)絡(luò)輸入層競爭層權(quán)重[W]，將其設(shè)置為［0，1］的隨機數(shù)，初始學(xué)習(xí)率定為0.5。

步驟三：訓(xùn)練。將處理后的數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練，并計算每次訓(xùn)練后神經(jīng)網(wǎng)絡(luò)誤差，誤差衡量方案為每個類別中配方模塊間替代度的均值[S]，并對權(quán)重矩陣[W]進行調(diào)整，計算式如下。

[W（t+1）=W（t）+η（t）A[Xi-W（t）]] " " （6）

[η（t）=η01+tT/2] （7）

式中，[t]為訓(xùn)練步數(shù)；[η（t）]為在第[t]步時神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，學(xué)習(xí)率[η]隨著訓(xùn)練步數(shù)的增加應(yīng)當(dāng)逐漸變小；[T]為神經(jīng)網(wǎng)絡(luò)最大迭代次數(shù)；A為神經(jīng)網(wǎng)絡(luò)權(quán)重更新系數(shù)，其每個節(jié)點數(shù)值的大小與權(quán)重矩陣W的元素到輸入節(jié)點Xi間的距離有關(guān)計算式如下。

[A=1" " " " "k=q0.5" " " k∈r0" " " " " "其他 ] （8）

式中，[k]為競爭層[A]中的節(jié)點；[q]為輸出層獲勝節(jié)點；[r]為對應(yīng)的鄰域范圍。

誤差在10次訓(xùn)練中變化都小于0.05時，停止訓(xùn)練，輸出分類結(jié)果。

步驟五：判斷分類結(jié)果中每個類別配方模塊間替代度是否達(dá)到設(shè)定的替代性標(biāo)準(zhǔn)值Sα，如果達(dá)到，則停止訓(xùn)練。否則，增加分類數(shù)量重新分類。

2 結(jié)果與分析

選擇不同替代度的模型分類結(jié)果，將其與實際替代發(fā)生情況進行比對，選出最合適的配方模塊替代度，以驗證替代度的科學(xué)性以及基于替代度的SOM卷煙模塊分類模型的有效性。

2.1 替代度選擇方案

神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置直接影響卷煙配方模塊分類結(jié)果，將卷煙配方模塊各質(zhì)量指標(biāo)[[x1，x2，x3，x4，x5，] [x6，x7，x8]]作為SOM神經(jīng)網(wǎng)絡(luò)模型的輸入，輸入層節(jié)點數(shù)為8，與輸入樣本維度相同。

SOM神經(jīng)網(wǎng)絡(luò)模型的競爭層是二維平面結(jié)構(gòu)，競爭層各節(jié)點在二維平面上按照矩陣形式排列。因此，競爭層的參數(shù)設(shè)置包括節(jié)點排列形式選擇和節(jié)點個數(shù)確定兩個方面。競爭層各節(jié)點的排列形式需要根據(jù)實際應(yīng)用狀況確定，為了便于觀察卷煙配方模塊的分類效果，本研究選擇了一個具有四邊形結(jié)構(gòu)的競爭層二維平面。圖3展示了一個3[×]3的競爭層二維平面結(jié)構(gòu)，圖中每個四邊形為一個競爭層節(jié)點。

競爭層的節(jié)點數(shù)表示卷煙配方模塊的最大分類數(shù)量，競爭層節(jié)點數(shù)量主要取決于分類結(jié)果中各類別卷煙配方模塊間[Sα]的取值，Sα取值不同，最終的分類數(shù)量也會不同。當(dāng)Sα取值過小時，會導(dǎo)致卷煙配方模塊分類效果不顯著，綜合質(zhì)量差別較大的卷煙配方模塊會被歸為同一類；當(dāng)Sα取值過大時，會導(dǎo)致卷煙配方模塊分類過細(xì)，在不同類別中的卷煙配方模塊綜合質(zhì)量趨近于相同，達(dá)不到分組的目的。

對256個配方模塊樣品兩兩間的替代度進行計算，為了確定卷煙配方模塊替代度的衡量標(biāo)準(zhǔn)，對替代度計算結(jié)果進行統(tǒng)計分析。表1展示了卷煙配方模塊兩兩間的替代度分位數(shù)分布情況，據(jù)其將卷煙配方模塊之間綜合質(zhì)量可替代性評價標(biāo)準(zhǔn)進行劃分［19］，劃分結(jié)果為替代性弱（Sα≤0.41）、替代性較弱（0.41lt;Sα≤1.25）、替代性中等（1.25lt;Sα≤1.96）、替代性較強（1.96lt;Sα≤3.06）、替代性強（Sαgt;3.06）。分別按照中等、較強、強替代性評價標(biāo)準(zhǔn)對卷煙配方模塊樣品進行分類，即Sα取值分別為1.25、1.96、3.06。

當(dāng)Sα取1.25時，對應(yīng)的競爭層結(jié)構(gòu)為2[×]2的矩陣，即競爭層有4個節(jié)點。圖4展示了訓(xùn)練過程及配方模塊在2[×]2矩陣中的分布情況，圖中每個分區(qū)對應(yīng)一個競爭層節(jié)點，分區(qū)的顏色深淺表示對應(yīng)節(jié)點與相鄰節(jié)點間的距離，顏色越深表示該節(jié)點與相鄰節(jié)點間距離越遠(yuǎn)，不能將該節(jié)點與相鄰節(jié)點歸為同一類，反之可以考慮歸為一類［26］。由圖4可知，256個卷煙配方模塊樣品被分成了4類，按照自左向右、自下而上每個類別中配方模塊個數(shù)分別為75、53、73、55。其中，不同顏色節(jié)點表示處于不同感官質(zhì)量檔次的配方模塊樣本。

當(dāng)Sα取1.96時，對應(yīng)的競爭層結(jié)構(gòu)為2[×]3的矩陣，即競爭層有6個節(jié)點。如圖5所示，256個卷煙配方模塊樣品被分成了6類，按照自左向右、自下而上每個類別中配方模塊個數(shù)分別為38、51、58、28、34、47。

當(dāng)Sα取3.06時，對應(yīng)的競爭層結(jié)構(gòu)為3[×]3的矩陣，即競爭層有9個節(jié)點。如圖6所示，256個卷煙配方模塊樣品被分成了9類，按照自左向右、自下而上每個類別中配方模塊個數(shù)分別為23、8、34、28、46、25、32、24、36。

2.2 結(jié)果驗證分析

按照Sα對卷煙配方模塊進行分類后，每個類別中卷煙配方模塊各項質(zhì)量指標(biāo)的標(biāo)準(zhǔn)差分布狀況的統(tǒng)計分析結(jié)果如表2所示。隨著Sα的增大，各類別中卷煙配方模塊各質(zhì)量指標(biāo)的標(biāo)準(zhǔn)差分布呈現(xiàn)出遞減的趨勢，說明Sα越大，各類別中卷煙配方模塊各項質(zhì)量指標(biāo)越接近，對卷煙配方模塊的分類結(jié)果越細(xì)。因此，選擇替代度的50%分位數(shù)、75%分位數(shù)、90%分位數(shù)作為替代性衡量標(biāo)準(zhǔn)能夠有效地衡量卷煙配方模塊綜合質(zhì)量的相似程度。

另外，從SOM神經(jīng)網(wǎng)絡(luò)分類結(jié)果（圖4、圖5、圖6）可以看出，當(dāng)Sα取1.25時，圖中每個分區(qū)中幾乎包含了3個相鄰檔次的卷煙配方模塊；當(dāng)Sα取1.96時，圖中每個分區(qū)中包括2個相鄰檔次的卷煙配方模塊；當(dāng)Sα取3.06時，圖中每個分區(qū)中大部分為同一檔次的卷煙配方模塊。這說明Sα取3.06時，基于替代度的SOM神經(jīng)網(wǎng)絡(luò)分類結(jié)果中每個類別的卷煙配方模塊都有相似的綜合質(zhì)量特征，所建立的卷煙配方模塊分類模型是有效的。為了進一步驗證分類模型的有效性，對歷史生產(chǎn)過程中實際發(fā)生過替代的166對配方模塊進行分析，分別計算Sα取不同值時，發(fā)生替代的兩個卷煙配方模塊來自同一分類和不同分類的比例，即類內(nèi)替代和類間替代占替代總量的百分比，統(tǒng)計結(jié)果見表3。隨著Sα取值增大，發(fā)生在類內(nèi)替代的卷煙配方模塊比例逐漸增加，說明分類結(jié)果中各類別卷煙配方模塊間的替代性也在逐漸增強。因此，所建立的卷煙配方模塊分類模型能夠達(dá)到按照綜合質(zhì)量相似性分類的要求，具有合理性。

此外，當(dāng)Sα取1.25時，類內(nèi)替代比例為52.75%，小于按照感官質(zhì)量指標(biāo)檔次分類的結(jié)果，說明Sα為1.25的分類標(biāo)準(zhǔn)對卷煙配方模塊綜合質(zhì)量的區(qū)分能力弱于按感官質(zhì)量指標(biāo)檔次分類的方式；當(dāng)Sα為1.96時，類內(nèi)替代比例為74.31%，與按照感官質(zhì)量指標(biāo)檔次分類的結(jié)果接近，說明Sα為1.96的分類標(biāo)準(zhǔn)對卷煙配方模塊綜合質(zhì)量的區(qū)分能力與按感官質(zhì)量指標(biāo)檔次分類區(qū)分能力相當(dāng)；當(dāng)Sα為3.06時，類內(nèi)替代比例達(dá)95.39%，遠(yuǎn)大于按照感官質(zhì)量指標(biāo)檔次分類的結(jié)果，說明Sα為3.06的分類標(biāo)準(zhǔn)對卷煙配方模塊綜合質(zhì)量的區(qū)分能力明顯強于按感官質(zhì)量指標(biāo)檔次分類的方式。由以上統(tǒng)計結(jié)果可知，將Sα=3.06作為卷煙配方模塊強替代性的標(biāo)準(zhǔn)是合適的。

2.3 結(jié)果對比分析

為了進一步驗證本研究分類方法的有效性，將分類結(jié)果與以往研究中常用的兩階段聚類算法、" "K-means聚類算法進行對比，結(jié)果見表4。由表4可知，在將卷煙配方模塊分成不同類別時，采用基于替代度的SOM神經(jīng)網(wǎng)絡(luò)分類結(jié)果中，發(fā)生類內(nèi)替代的比例明顯高于一般SOM神經(jīng)網(wǎng)絡(luò)算法、兩階段聚類算法和K-means聚類算法，說明本研究分類方法是最有效的。此外，一般SOM神經(jīng)網(wǎng)絡(luò)算法、兩階段聚類算法和K-means聚類算法都是基于歐式距離對卷煙配方模塊進行分類，說明基于替代度的分類方法要優(yōu)于歐式距離的分類方法。從表4還可以看出，兩階段聚類算法和K-mans聚類算法結(jié)果比較接近，均小于一般SOM神經(jīng)網(wǎng)絡(luò)算法的類內(nèi)比例，說明運用SOM神經(jīng)網(wǎng)絡(luò)進行分類效果優(yōu)于兩階段算法和K-means聚類算法。綜合以上分析結(jié)果可知，基于替代度的SOM神經(jīng)網(wǎng)絡(luò)對卷煙配方模塊進行分類是有效的。

3 結(jié)語

本研究根據(jù)簡單相關(guān)系數(shù)和歐式距離構(gòu)建了新的替代性衡量方案，即替代度。基于替代度這一新的統(tǒng)計量建立卷煙配方模塊的SOM神經(jīng)網(wǎng)絡(luò)分類模型，實現(xiàn)按照替代性的卷煙配方模塊分類。結(jié)果表明，分出的每個類別中卷煙配方模塊質(zhì)量具有較高的相似性，可以推薦相互替代；在以不同替代度標(biāo)準(zhǔn)對卷煙配方模塊進行分類時，隨著設(shè)定的替代度標(biāo)準(zhǔn)值的增大，分類數(shù)量逐漸增加，每個分類中卷煙配方模塊各項質(zhì)量標(biāo)準(zhǔn)差逐漸減小，一致性增強，即替代度標(biāo)準(zhǔn)值越大分類越細(xì)?；谔娲鹊腟OM神經(jīng)網(wǎng)絡(luò)分類結(jié)果顯示，發(fā)生類內(nèi)替代的比例明顯優(yōu)于一般SOM神經(jīng)網(wǎng)絡(luò)算法、兩階段聚類算法和K-means聚類算法，當(dāng)替代度標(biāo)準(zhǔn)值為3.06時，組內(nèi)相互替代率可達(dá)95.39%，而組間替代率不足5.00%，說明相同類別模塊替代率良好。該模型的建立實現(xiàn)了對卷煙配方模塊的進一步分類，提高了配方模塊替代決策效率與整個卷煙制造系統(tǒng)的柔性。

參考文獻(xiàn)：

［1］ 楊乾栩，馮 斌，楊 清，等.煙葉配比感官質(zhì)量模型在葉組配方設(shè)計中的應(yīng)用與分析［J］.食品與生物技術(shù)學(xué)報，2017，36（7）：756-761.

［2］ 劉曉暉，申玉軍，孔 臻，等.分組加工技術(shù)在卷煙配方中的應(yīng)用［J］.鄭州輕工業(yè)學(xué)院學(xué)報（自然科學(xué)版），2009，24（2）：10-14.

［3］ 于 錄，阮曉明，盧在雨，等.葉組配方的分組加工模塊設(shè)計［J］.煙草科技，2006，39（7）：11-13，21.

［4］ 王曉輝，易 斌，譚國治，等.基于煙葉原料化學(xué)特性的卷煙配方葉組分組方法［J］.煙草科技，2013，46（3）：5-7，22.

［5］ 王 濤，李 曉.卷煙制絲配方葉組分組依據(jù)研究［J］.中國高新技術(shù)企業(yè)，2010（4）：65-67.

［6］ 張?zhí)毂?，付金存，胡宗玉，?基于逐步判別分析的卷煙葉組配方的定向模塊設(shè)計［J］.湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2018，" 44（3）：256-260.

［7］ 何結(jié)望，吳風(fēng)光，謝 豪，等.不同分組方法對原煙配方模塊質(zhì)量的影響［J］.中國煙草科學(xué)，2011，32（2）：86-89.

［8］ 蘇 勇，劉 強，彭黎明，等.主成分分析和聚類分析在配方模塊中的應(yīng)用［J］.煙草科技，2005，38（6）：3-5.

［9］ 龍明海，李長昱，向 虎，等.支持向量機在卷煙配方原料分組中的應(yīng)用［J］.云南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)），2017，32（6）：1045-1051.

［10］ 劉 偉，徐 磊，劉曉利，等.基于聚類和逐步判別分析的烤煙感官質(zhì)量特征分類評價［J］.貴州農(nóng)業(yè)科學(xué)，2017，45（1）：135-139.

［11］ 許 永，張 濤，吳億勤，等.基于煙葉致香成分建立烤煙香型分類模型方法研究［J］.中國農(nóng)學(xué)通報，2016，32（25）：181-187.

［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］ 郭 瑋.清江流域煙區(qū)烤煙質(zhì)量綜合評價及與津巴布韋烤煙的相似性分析［D］.鄭州：河南農(nóng)業(yè)大學(xué)，2010.

［14］ GIOKAS D L， THANASOULIAS N C， VLESSIDIS A G. Multivariate chemometric discrimination of cigarette tobacco blends based on the UV-Vis spectrum of their hydrophilic extracts［J］. Journal of hazardous materials， 2011， 185（1）：86-92.

［15］ LUO X， WANG N， ZHANG Z， et al. Application of association rule mining method to intelligent maintenance of tobacco blend of cigarette［J］. Acta tabacaria sinica， 2018， 24（3）：21-29.

［16］ 王 楠，雒興剛，張忠良，等. 基于非負(fù)矩陣分解的卷煙配方維護方法［J］. 煙草科技， 2019， 52（8）：67-76.

［17］ 賴燕華，陳翠玲，歐陽璐斯，等.卷煙質(zhì)量穩(wěn)定性綜合評價——基于多特征相似度分析和主成分分析［J］.中國煙草學(xué)報，2017，23（5）：22-30.

［18］ 李石頭，廖 付，何文苗，等.基于近紅外光譜相似的煙葉替代與卷煙配方維護［J］.煙草科技，2020，53（2）：88-93.

［19］ 李瑞麗.河南烤煙煙葉質(zhì)量評價研究及關(guān)鍵指標(biāo)的近紅外預(yù)測模型建立［D］.鄭州：鄭州大學(xué)，2016.

［20］ 陳長清，王加深，吉 雄，等.云南煙葉與津巴布韋煙葉質(zhì)量比較及其替代研究［J］.廣東農(nóng)業(yè)科學(xué)，2017，44（6）：20-26.

［21］ 胡鐘勝，陳晶波，周興華，等.模糊評判與歐氏距離法在煙葉化學(xué)成分評價中的應(yīng)用［J］.煙草科技，2012，45（11）：33-37.

［22］ 胡建斌，王學(xué)杰，曾祥難，等.煙葉感官質(zhì)量評價演變引發(fā)煙葉評級的思考［J］.農(nóng)業(yè)與技術(shù)，2016，36（4）：253-254.

［23］ 喬學(xué)義，王 兵，馬宇平，等.烤煙煙葉質(zhì)量風(fēng)格特色感官評價方法的建立與應(yīng)用［J］.煙草科技，2014，47（9）：5-9.

［24］ LU M. Application of a wavelet packet and SOM neural network in wastewater treatment fault［J］. IOP conference series： Materials science and engineering，2020，782（5）：052016.

［25］ ZAIR M， RAHMOUNE C， BENAZZOUZ D， et al. Automatic condition monitoring of electromechanical system based on MCSA， spectral kurtosis and SOM neural network［J］. Journal of vibroengineering， 2019，21（8）：2082-2095.

［26］ 李可心. 基于激光掃描的改進SOM神經(jīng)網(wǎng)絡(luò)混凝土結(jié)構(gòu)損傷識別研究［D］.哈爾濱：東北林業(yè)大學(xué)，2020.

基金項目：國家自然科學(xué)基金項目（71771099）

作者簡介：王 林（1979-），男，河南固始人，高級農(nóng)藝師，碩士，主要從事煙葉原料評價與應(yīng)用研究工作，（電話）13971073839（電子信箱）wanglin@market.hbtobacco.cn；通信作者，吳慶華（1983-），男，江西樟樹人，教授，博士，主要從事質(zhì)量管理等方面的研究工作，（電話）18507150243（電子信箱）qinghuawu1005@gmail.com。