河南农业大学申请发明专利：涉及G01N 33/00和G06F 18/214技术领域

河南农业大学申请发明专利：涉及G01N 33/00和G06F 18/214技术领域

《基于BP神经网络的雪茄原料感官品质预测方法.pdf》由会员分享，可在线阅读。有关《基于BP神经网络的雪茄原料感官质量预测方法.pdf（9页完整版）》的更多信息请访问专利查询在线搜索。

1.（19）国家知识产权局（12）发明专利申请（10）申请公开号（43）申请公开日期（21）申请号2.6（22）申请日期2023年4月12日（71）申请人河南农业大学地址河南省郑州市郑东新区平安大道218号（72）发明人王硕利侯冰清石向东王一辉兴丁学霞 丁松双 赵希 马 余 薛自忠 (74) 专利代理机构 16117 专利代理人 孙健 (51) Int.Cl.G01N 33/00(2006.01)G06F 18/214(2023.01)G06N 3/04(2023.01)G06N 3/084(2023.01)G06Q 10/0639(202.

2. 3.01) (54)发明名称一种基于BP神经网络的雪茄原料感官品质预测方法(57) 摘要本发明公开了一种基于BP神经网络的雪茄原料感官品质预测方法。网络，包括：获取雪茄烟叶样本；对雪茄烟叶样品进行处理，得到雪茄烟叶加工样品，其中，雪茄烟叶加工样品包包括：训练样本和测试样本；构建BP神经网络模型，将训练样本输入BP神经网络模型进行训练，得到训练好的BP神经网络模型；获取测试样品的常规化学成分含量；将测试样品的常规化学成分含量输入到训练好的BP神经网络模型中，得到雪茄原料的感官品质。本发明的预测模型可以推广到其他产地雪茄原料感官品质指标评分的预测过程，为神经网络应用于雪茄感官品质评价提供基础。

3、提供强有力的技术支持。 2页权利要求书、4页说明书、2页附图 CN A2023.08.29CN A1。一种基于BP神经网络的雪茄原料感官品质预测方法，其特征在于，包括：获取雪茄烟叶样品；对雪茄烟叶样品进行处理，得到雪茄烟叶加工样品，其中，雪茄烟叶加工样品包括：训练样本和测试样本；建立BP神经网络模型，将训练样本输入BP神经网络模型进行训练，得到训练好的BP神经网络模型；获取测试样品的常规化学成分含量；将测试样品的常规化学成分含量输入训练好的BP神经网络模型，得到雪茄原料的感官品质。 2.根据权利要求1所述的基于BP神经网络的雪茄原料的感官品质。

4、预测方法，其特征在于：对雪茄烟叶样品进行处理得到雪茄烟叶样品的过程包括：对雪茄烟叶样品采用半叶法进行处理，得到前半叶烟叶和后半叶烟叶。烟叶；测量前半部烟叶的常规化学成分，得到前半部烟叶的常规化学成分。化学成分含量受到监管；将后半叶烟叶卷制成雪茄，抽吸雪茄，得到后半叶烟叶的感官质量评分；其中，其中一个雪茄烟叶加工样品的数据包括：前半叶烟叶的常规化学成分含量和后半叶烟叶的感官质量评分。 3.根据权利要求2所述的基于BP神经网络的雪茄原料感官品质预测方法，其特征在于：常规化学成分包括总氮、总糖、还原糖、烟碱、氯和钾。 4.根据权利要求2所述的基于BP神经网络的雪茄原料感官品质预测方法。

5.其特征在于：采用9分吸烟评价法对雪茄进行评价；其中，评价吸烟的指标包括：烟叶香气品质、香气量、余味、杂气、甜味、刺激性、燃烧性。性和灰色。 5.根据权利要求4所述的基于BP神经网络的雪茄原料感官品质预测方法，其特征在于：下半叶烟叶感官品质评分计算公式如下： 其中，T为感官品质总评价分数; Pi为单个指标的权重；是单个指标的平均分。 6.根据权利要求2所述的基于BP神经网络的雪茄原料感官品质预测方法，其特征在于：构建BP神经网络模型，将训练样本输入到BP神经网络模型中进行训练，得到训练后的BP神经网络模型的过程包括：构建三层结构神经网络，该三层结构神经网络包括输入层、输出层和隐藏层。

6.;其中，输入层包括常规化学成分的含量，输出层包括感官质量得分；导入雪茄烟叶加工样品的数据；对雪茄烟叶加工样品的数据进行预处理。获取预处理数据的过程；将预处理后的数据随机分组，得到训练样本和测试样本，训练样本包括训练集和验证集；根据训练样本进行模型训练，得到隐藏层节点数和最优参数；根据隐含层节点数和最优参数，得到训练好的BP神经网络模型。索赔 1/2 页 2CN A27。 7.根据权利要求6所述的基于BP神经网络的雪茄原料感官品质预测方法，其特征在于：所述对雪茄烟叶加工样品的数据进行预处理的过程包括数据回归。规范化和数据反规范化。权利要求 2/2 页 3C。

7. N A3 一种基于BP神经网络的雪茄原料感官品质预测方法 技术领域 0001 本发明涉及雪茄原料感官品质评价技术领域，具体涉及一种感官品质预测方法基于BP神经网络的雪茄原料品质分析背景技术0002 总氮、总糖、还原糖、烟碱、氯、钾作为烟草行业的日常检测指标，对烟叶的品质有重要影响，可直接影响烟叶的感官质量。因此，根据雪茄烟叶的化学成分来预测雪茄原料的感官品质，可以大大减少雪茄烟叶评价的工作量，快速准确地定位不同雪茄烟叶的感官品质特征。对国内雪茄烟叶的发展以及雪茄工业原料的选择具有重要意义。 。因此，掌握一种快速、准确的方法来预测雪茄原料的感官质量势在必行，这为量化和预测不同产地雪茄原料的感官质量提供了一种快速的方法。

8、有效的方法。 0003 利用BP神经网络预测雪茄原料感官品质的专利和文献中尚未找到相关报道。因此，本发明提供了一种基于BP神经网络的雪茄原料感官品质预测方法。发明内容0004为了解决上述现有技术中存在的问题，本发明提供了一种基于BP神经网络的雪茄原料感官品质预测方法。 0005 本发明提供了一种基于BP神经网络的雪茄原料感官品质预测方法，包括： 0006 获取雪茄烟叶样品； 0007 对雪茄烟叶样品进行处理，得到雪茄烟叶加工样品，其中，雪茄烟叶加工样品包括：训练样本和测试样本； 0008构建BP神经网络模型，将训练样本输入BP神经网络模型进行训练，得到训练好的BP神经网络模型； 0009 获取测试样本。

9、产品常规化学成分含量； 0010 将测试样品的常规化学成分含量输入到训练好的BP神经网络模型中，得到雪茄原料的感官品质。 0011 可选的，对雪茄烟叶样品进行处理，得到雪茄烟叶处理样品的过程包括： 0012 采用半叶法对雪茄烟叶样品进行处理，得到前半烟叶和后半烟叶； 0013测定前半叶烟叶的常规化学成分，得到前半叶烟叶的常规化学成分含量； 0014 将后半叶烟叶卷成雪茄，对雪茄的抽吸进行评价，得到后半叶烟叶的感官质量得分； 0015 其中，其中一个雪茄烟叶加工样品的数据包括：前半叶烟叶的常规化学成分含量和后半叶烟叶的感官质量评分。 0016 可选的常规化学成分包括总氮、总糖和还原糖。

10.尼古丁、氯和钾。 0017 可选，采用9分吸烟评价法对雪茄进行评价；说明书1/4页4CN 其中，评价吸烟的指标包括：烟叶香气品质、香气量、余味、杂味、甜味、辛辣味、燃烧味、灰色。 0019 可选的，后半叶烟叶感官质量评分的计算公式如下： 式中，T为感官质量评价总分； Pi为某一单项指标的权重；是某一单项指标的平均分。 0022 可选的，构建BP神经网络模型，将训练样本输入到BP神经网络模型中进行训练，得到训练后的BP神经网络模型。该过程包括： 构建三层神经网络，该三层结构神经网络包括输入层、输出层和隐藏层；其中输入层包括正则化。

11、化学成分含量，输出层包括感官质量评分； 0024导入雪茄烟叶加工样品的数据； 0025 对雪茄烟叶处理样品的数据进行预处理，得到预处理数据； 0026 将预处理后的数据进行随机分组，得到训练样本和测试样本，训练样本包括训练集和验证集； 0027 根据训练样本进行模型训练，得到隐藏层节点数和最优参数； 0028 根据隐含层节点数和最优参数得到训练好的BP神经网络模型。 0029 可选的，所述对雪茄烟叶处理样品的数据进行预处理的过程包括数据归一化和数据反归一化。 0030 本发明具有以下技术效果： 0031 本发明提供了一种基于BP神经网络的雪茄原料感官品质预测方法，选择BP神经网络对雪茄原料感官品质进行预测。

12、品质预测模型的构建，大大简化了大量雪茄原料感官评价的流程，实现了输入常规化学成分，预测不同感官品质指标得分的功能； 0032 本发明提供了一种基于BP神经网络的雪茄原料感官品质预测方法。该感官品质预测方法作为BP神经网络应用的典型案例，可以推广到雪茄原料感官品质指标评分的预测过程为神经网络应用于雪茄感官品质评价提供了有力的基础。技术支援。附图说明为了更加清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例中所需的附图进行简单介绍。显然，下面描述中的附图只是本发明的一些实施例，本领域普通技术人员在不付出创造性劳动的情况下，还可以根据这些附图获得其他附图。 。

13、图1为本发明实施例中基于BP网络的雪茄原料感官品质预测方法流程图；图2为本发明实施例中基于BP神经网络预测模型的预测值与实际值的回归结果。具体实施方式0036 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例只是本发明的部分实施例，而不是全部的实施例。例子。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 0037 实施例一 0038 如图1所示，本发明提供了一种基于BP神经网络的雪茄原料感官品质预测方法，通过测试雪茄烟叶进行标准化。

14、化学成分，并对其进行感官质量评价，得到相应的感官质量得分。采用BP神经网络训练常规化学成分和感官质量评分。常规化学成分用作输入层样本，感官质量分数用作输出层样本。通过训练、验证和测试，得到感官质量评分预测模型，实现雪茄原料的感官评价。质量分数预测。步骤如下： 0039选取雪茄烟叶样品，样品采用半叶法处理：从主脉中分离出一半烟叶，测定常规化学成分；另一半烟叶用于手工卷制和吸烟评估。 0040测定样品的总氮、总糖、还原糖、尼古丁、氯和钾含量。 0041 将烟叶样品卷成长度90mm、直径15mm的雪茄。感官品质评价方法采用雪茄烟叶9点抽吸法。对烟叶的香气品质、香气量、余味、杂气、甜味、刺激性、燃烧等进行评价。

15、可燃性、灰度等8项指标的感官质量评价。得到相应的指标得分，并根据公式计算总得分。总分越高，烟叶的感官品质越好。 0042以常规化学成分作为输入层，感官质量评分作为输出层，导入BP神经网络模型，将样本分为训练集（70）、验证集（15）和测试集（15）数据。配置BP神经网络控制参数，确定隐含层数，对样本数据集进行BP网络训练，得到基于BP神经网络的雪茄原料感官品质预测方法。根据确定系数R2重复训练直至模型最优，输出最终的BP神经网络感官质量预测模型。 0043采用BP神经网络雪茄原料感官品质预测模型，将任意常规化学成分输入到模型中，实现对不同产地雪茄的预测。

16、原料感官品质预测。 0044 实施例二 0045 本实施例公开了一种基于BP神经网络的雪茄原料感官品质预测方法。该方法利用雪茄原料常规化学成分和感官质量评分数据，利用BP神经网络对常规化学成分和感官质量评分进行训练。以常规化学成分为输入，感官质量评分为输出，得到相应的BP神经网络模型。实现雪茄原料感官品质评分的预测。本发明简化了雪茄原料感官品质评价流程，为通过雪茄原料常规化学成分数据准确预测感官品质评分提供了有效的技术支撑，提高了雪茄原料感官品质评价的效率。 0046测试材料采用半叶法，即从烟叶主脉中分离出来，用一半烟叶测定常规化学成分。将样品在45℃烘烤2小时，粉碎并过0.25mm筛（60目），密封。

17. 保暖保存。常规化学成分包括：总氮、总糖、还原糖、烟碱、氯、钾。测试方法为：参照烟草行业标准YC/T、YC/T、YC/T、YC/T、YC/T进行测定。另一半烟叶用于手工卷制和吸烟评估。具体来说，将烟叶样品卷制成长度为90mm、直径为15mm的雪茄。卷烟卷制后，卷制烟叶按国标要求将样品水分平衡至13.514.5。 0047 雪茄样品经国家烟草种植生理生化基地专家鉴定，水分均衡。评价方法采用雪茄烟叶9点抽吸评价法，根据余味、臭味、甜味、刺激性、可燃性、灰色8个指标对烟叶香气品质、香气量、感官质量进行评价。

18.用公式计算总分。总分越高，烟叶的感官品质越好。评价方法见表1。说明书第3/4页6CN 表51 式中：T为感官质量评价总分； Pi为某一个体指标的权重（香气品质18、香气量16、余味16、杂味10、甜味10、刺激性12、灼烧性10、灰度8）；是单个指标的平均分。 0052 构建一个三层神经网络，包括输入层、输出层和隐藏层。常规化学成分作为自变量输入，感官质量评分作为因变量输出。对常规化学成分和感官质量评分数据进行预处理，具体为：利用软件导入常规化学成分和感官质量评分数据，并使用功能。

19、训练，通过创建网格，使用 and 函数对数据进行归一化和非归一化，使用 and 函数将数据随机分为三组，70%的数据作为训练集，15%的数据作为训练集数据用作验证集。 ，15个数据作为测试集。 0053 通过试错法确定最终隐藏层节点数为9，使用最优参数建立模型，通过判定系数R2评价模型预测效果，重复训练直至模型达到最优，输出BP神经网络感官质量预测模型。 0054 基于BP神经网络预测模型的预测值与实际值的回归结果如图2所示。 0055 以上已经示出和描述了本发明的基本原理、主要特征和优点。本领域技术人员应当理解，本发明并不局限于上述实施例。以上实施例及描述仅说明了本发明的原理。在不脱离本发明的精神和范围的情况下，本发明还可以具有其他方面。各种变化和修改是可能的，这些变化和修改都落入所要求保护的本发明的范围内。本发明的保护范围由所附权利要求及其等同物限定。说明书 4/4 第 7CN A7 页 图 1 说明书图 1/2 第 8CN A8 页 图 2 说明书图 2/2 第 9CN A9 页。