[发明专利]基于鲁棒回归建模预测烤片烟气一氧化碳的方法

说明书

本发明提供一种基于鲁棒回归建模预测烤片烟气一氧化碳的方法，通过已有的烤片理化数据和烟气CO数据建立从理化指标项到烟气CO的模型，对于未知烤片烟气CO样本，可以利用其理化成分数据直接预测烤片烟气CO值。本发明省去了由传统化学方式进行卷制、燃烧、捕捉烟气、检测等步骤；同时，采用鲁棒回归模型，可以有效地避免因理化数据或烟气数据中奇异值样本导致的弊端，很大程度上保证模型的健壮性，这点正是鲁棒回归建模优于普通线性回归建模的优点。实践证明，该模型能够有效地预测烤片的烟气CO值，极大地提高检测效率，降低检测成本。

技术领域

本发明涉及一种基于鲁棒回归建模预测烤片烟气一氧化碳的方法，属于特定计算模型技术领域。

背景技术

烟草烟气是一种极为复杂的混合物，它是在卷烟抽吸过程中由烟草燃烧、裂解和蒸馏而产生的。卷烟制品对于人体的危害性是通过燃吸过程而产生的。烟气中的有害成分主要是在燃烧过程中形成，而烟气的化学特性是随烟叶原料内在化学成分的变化而变化的。因此，卷烟烟叶原料的化学特性决定了卷烟烟气的化学特性和安全性。一氧化碳（以下简称：CO）是烟草不完全燃烧的产物，直接影响人体健康。传统的烤片烟气CO数据的获得方式是检测烤片燃烧后的烟气中的化学成分指标。通过这种方式获得的烟气数据，需要将烤片卷制成卷烟燃烧后的烟气进行化学检测，检测过程费时费力且检测成本极高。

在线性回归建模中，模型是建立在一定假设条件基础上的，例如被观测样本误差为标准正态分布。如果误差的分布是非对称或者倾向于离群点，那么进行线性回归建模的假设是不成立的，参数的估计、置信区间以及其他计算的统计量都是不可靠的。这种情况下，用鲁棒回归进行模型的建立是非常有效的。鲁棒回归建模包含了一种健壮的拟合方法，与最小二乘法相比，对于数据中小部分的变异没有那么敏感，提高了模型的可信度。

鲁棒回归通过为每个数据点赋予一个权值进行建模。加权是自动的并且是重复的，这个过程叫做自动重加权最小二乘法。在第一阶段，每个样本点被赋予相同的权重，然后利用普通的最小二乘法计算得到模型系数。在随后的迭代中，每个样本的点都将重新计算，那些远离模型预测值的样本点将被赋予较低的权重。之后利用经过加权的最小二乘法计算模型系数。迭代过程将一直进行下去，一直到模型系数在一个设定的范围波动。

因此以鲁棒回归建立一种预测模型由烤片理化数据直接获取烟气CO数据的方法势在必行。

发明内容

为解决现有技术检测烤片烟气CO数据的过程费时、费力、成本极高等问题，本发明提出一种基于鲁棒回归建模预测烤片烟气一氧化碳的方法。

本发明通过已有的烤片理化数据和烟气CO数据建立从理化指标项到烟气CO的鲁棒回归预测模型，对于未知烤片烟气CO样本，利用其理化成分数据套用模型直接预测烤片烟气CO值。具体经过下列各步骤：

（1）将已知烤片的理化数据与烟气CO数据对应列出，建立数据样本集；

（2）分别计算步骤（1）所得数据样本集中各理化数据的列向量x₁～x_n和烟气CO数据的列向量y，通过下列公式分别计算各理化数据与烟气CO的线性相关系数r，线性相关系数r的绝对值大于0.3所对应的该项理化数据即为对烟气CO有重要影响的特征指标项，作为建模用的输入变量：

（1）

式中：x为某一理化数据的列向量，y为烟气CO数据的列向量；

（3）根据不同产地、品种、档次，均匀挑选245个烤片作为训练样本，运用鲁棒回归线性建模算法，建立烟气CO预测模型，其表达式为下式：

（2）

式中：Y为烟气CO的模型预测值，X为理化数据向量，b为常数项，A为回归系数向量；