一种基于烟草化学常规的卷烟烟气H值的预测模型构建方法与流程

一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法
技术领域
1.本发明涉及一种烟草化学检测方法，具体是一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法。


背景技术：

2.近年来，对于卷烟烟气有害成分的分析已经成为烟草行业中卷烟降焦减害技术的热门研究方向之一。我国烟草科研人员建立了基于卷烟主流烟气中七种有害成分(包括co、hcn、nnk、氨、苯并芘、苯酚和巴豆醛)释放量的卷烟危害性评价指标，即卷烟危害性指数h值，首次实现了卷烟烟气有害成分释放量与危害性的有机联系，也为相关的研究提供了更多的方向。同时，也发现卷烟化学常规中水溶性还原糖、总植物碱和总氮对卷烟主流烟气七种有害成分的释放量有着密切的关系。
3.基于行业降焦减害的发展趋势，目前的研究热点主要集中在通过改变卷烟材料的各类参数来实现降低卷烟烟气中危害性指数h值的目的，而对于建立预测卷烟烟气中h值模型的研究却很少，尤其是通过卷烟化学常规可溶性还原糖、总植物碱和总氮的含量与卷烟烟气h值的影响关系，因此提出一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法对卷烟烟气h值进行预测。


技术实现要素：

4.本发明的目的在于提供一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法，所述方法步骤如下。
7.步骤一：选取样本数据，并将数据归一化；
8.步骤二：将径向量rbf作为svm核函数，建立基于卷烟化学常规的卷烟烟气h值的svm模型；
9.步骤三：确定卷烟烟气h值的svm模型的两个重要参数，惩罚因子c和rbf核函数参数g；
10.步骤四：通过交叉验证网格寻优的方法寻求最佳参数并优化；
11.步骤五：根据样本数据的训练样本对卷烟烟气h值的svm模型进行训练；
12.步骤六：根据该svm模型对预测样本的卷烟烟气h值进行预测；
13.步骤七：反归一化输出结果；
14.步骤八：模型验证，
15.s1：在相同的卷烟体系下，随机选择样品通过流动分析法测定卷烟化学常规的含量；
16.s2：带入所构建的卷烟烟气h值的svm模型进行计算，得到相应的预测值；
17.s3：通过卷烟烟气h值相关指标的实际释放量来计算实测值；
18.s4：进而通过计算预测值与实测值之间的相对偏差，比较预测值及实测值的差异；
19.s5：计算模型预测能力和稳定性的决定系数r2和均方根误差rmse参数。
20.作为本发明进一步的方案：所述卷烟化学常规包括有水溶性还原糖、总植物碱和总氮，卷烟化学常规含量是按照行业标准所述方法得到。
21.作为本发明再进一步的方案：所述步骤二中选择卷烟化学常规，作为自变量，卷烟烟气h值为因变量，卷烟烟气h值是通过卷烟烟气七种有害成分的释放量来计算所得。
22.与现有技术相比，本发明的有益效果是：
23.本发明通过卷烟化学常规指标的含量，借助支持向量机svm方法，筛选出合适匹配的svm核函数，通过交互验证网格寻优的方法找出最优的惩罚因子c和rbf核函数参数g，进而构建出基于libsvm方法通过水溶性还原糖、总植物碱和总氮的含量实现卷烟烟气h值的预测模型，针对相同牌号的卷烟，从卷烟的化学常规指标对卷烟烟气h值的影响出发，深度挖掘两者之间的联系，提供了一种构建卷烟烟气h值的svm预测模型的方法。同时该方法简单、实用、快捷，所建立的模型具有较好的预测效果，为相关类型的预测模型的建立提供一种新方法新思路。
附图说明
24.图1为一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法的数据处理流程图。
25.图2为一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法的实施例一中svm模型参数寻优结果。
26.图3为一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法的实施例一中svm模型的训练和预测结果。
具体实施方式
27.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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
28.请参阅图1～3，本发明实施例中，一种基于烟草化学常规的卷烟烟气h值的预测模型构建方法，通过卷烟化学常规指标的含量，借助支持向量机svm方法，筛选出合适匹配的svm核函数，通过交互验证网格寻优的方法找出最优的惩罚因子c和rbf核函数参数g，进而构建出基于libsvm方法通过水溶性还原糖、总植物碱和总氮的含量实现卷烟烟气h值的预测模型，方法步骤如下。
29.步骤一：选取样本数据，并将数据归一化；
30.步骤二：将径向量rbf作为svm核函数，建立基于卷烟化学常规的卷烟烟气h值的svm模型；
31.步骤三：确定卷烟烟气h值的svm模型的两个重要参数，惩罚因子c和rbf核函数参数g；
32.步骤四：通过交叉验证网格寻优的方法寻求最佳参数并优化；
33.步骤五：根据样本数据的训练样本对卷烟烟气h值的svm模型进行训练；
34.步骤六：根据该svm模型对预测样本的卷烟烟气h值进行预测；
35.步骤七：反归一化输出结果；
36.步骤八：模型验证，
37.s1：在相同的卷烟体系下，随机选择样品通过流动分析法测定卷烟化学常规的含量；
38.s2：带入所构建的卷烟烟气h值的svm模型进行计算，得到相应的预测值；
39.s3：通过卷烟烟气h值相关指标的实际释放量来计算实测值；
40.s4：进而通过计算预测值与实测值之间的相对偏差，比较预测值及实测值的差异；
41.s5：计算模型预测能力和稳定性的决定系数r2和均方根误差rmse参数。
42.卷烟化学常规包括有水溶性还原糖、总植物碱和总氮，卷烟化学常规含量是按照行业标准所述方法得到。
43.行业标准所述方法包括
44.一：连续流动法yc/t 159-2002，烟草及烟草制品水溶性糖的测定；
45.二：连续流动硫氰酸钾法yc/t 468-2013，烟草及烟草制品总植物碱的测定；
46.三：连续流动法yc/t 161-2002，烟草及烟草制品总氮的测定。
47.步骤二中选择卷烟化学常规，作为自变量，卷烟烟气h值为因变量，卷烟烟气h值是通过卷烟烟气七种有害成分的释放量来计算所得。
48.实施例一：
49.步骤一：样本数据选取，选取某一牌号卷烟不同时间的化学常规数据和卷烟烟气的危害性指数h值，该数据全部为实验测定值，共25组。其中训练组有18组数据，预测组有7组数据。
50.训练组卷烟的化学常规数据和烟气的实测h值
51.序号总植物碱水溶性还原糖总氮卷烟烟气的h值12.0521.62.296.58822.0422.92.316.31132.1721.12.366.44642.1824.02.346.41752.2722.52.556.57862.3721.62.416.33872.3822.276.17182.0420.51.897.11392.1119.42.026.187102.0822.51.946.072112.0523.31.976.238121.9921.72.025.729131.9823.11.696.243142.0023.71.935.888152.2122.01.936.284
162.2024.41.876.212172.0620.51.856.097182.0622.61.976.624
52.步骤二：svm模型的建立，将卷烟化学常规的水溶性还原糖、总植物碱和总氮这三项指标作为模型的自变量，将卷烟烟气的危害性指数h值作为因变量。模型采用支持向量机svm模型，选用rbf核函数为模型核函数。通过互相交叉验证得到svm模型的rbf核函数的最优惩罚因子c为16和核函数参数g为3.03。通过以上步骤建立卷烟烟气h值的预测模型，同时得到svm模型的参数寻优结果和svm模型的训练和预测结果。从而得到训练集的均方根误差rmse为0.0525，决定系数r2为0.9789。
53.步骤三：模型验证，随机选择同一牌号卷烟样品通过流动分析法测定卷烟化学常规的含量，并带入所构建的卷烟烟气h值的svm模型进行计算，得到相应的预测值，再通过卷烟烟气h值相关指标的实际释放量来计算实测值，进而通过计算预测值与实测值之间的相对偏差，比较预测值及实测值的差异，从而得到预测组预测值与实测值之间的相对偏差，同时配合svm模型的训练和预测结果，得出该预测集的均方根误差rmse为0.0822，决定系数r2为0.8698
54.预测组预测值与实；测值之间的租对偏差
[0055][0056]
步骤四：结论从svm模型的训练和预测结果和预测组预测值与实测值之间的相对偏差可得所建的svm预测模型不论是训练集还是预测集它们的决定系数r2比较高和均方根误差rmse较低，而一个好的模型应该具有高的r2和低的rmse，因此不论是训练集还是预测集它们的决定系数r2和均方根误差rmse都比较好，同时样本更集中于回归线(y＝x)附近，也说明这次拟合效果更佳，实测值与预测值之间的相对偏差较小，均小于5％，在实验范围内有较好的精度，满足使用要求，说明在同一规格的卷烟产品下，通过卷烟化学常规的含量来对卷烟烟气h值进行预测，具有指导作用。
[0057]
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。