[发明专利]一种基于分解-聚合策略的卷烟感官智能评估系统

说明书

本发明开发了一种基于分解‑聚合策略的卷烟感官智能评估系统，该系统将卷烟智能感官评估中涉及的多分类问题分解成多个便于建模的两分类问题，然后对每个子问题分别建立分类器，接着采用聚合策略将两类分类器组合成多分类器。该系统预测精度明显高于经典的多分类器，运用本发明的系统，可以为卷烟企业在新产品的开发和产品维护过程中，辅助卷烟感官评估专家进行卷烟感官评估。

技术领域

本发明涉及数据挖掘及专家评吸领域，具体涉及一种基于分解-聚合策略的卷烟感官智能评估系统

背景技术

在卷烟生产过程中，很难针对烟草的物理化学指标与卷烟的感官质量的复杂关系建立起有效的数学模型，因此在烟草及其制品的新产品开发和产品维护过程中，主要通过品烟专家的人工感官评吸对卷烟产品感官质量指标进行评价。显然，这种完全依赖人工反复评吸的生产方式会极大地影响评价结果的效率性，无法满足企业对生产快速性的要求。

为了解决评吸过程中主观性强、效率低下的问题，学者们开始使用数据挖掘的方法来对卷烟感官质量进行评价，力求从大量烟草数据中提取出物理化学指标和感官质量的映射规则，以辅助或代替品烟专家完成对卷烟的感官预测评价。当前主要以BP神经网络方法或支持向量机方法来解决成品卷烟的智能化感官评估问题。

然而，卷烟感官评估历史数据复杂，卷烟感官质量具有多个类别，涉及多分类问题，而现有的分类器在处理多分类问题时往往不能获得预期的效果。将多分类问题分解成一对一的两分类问题是数据挖掘领域针对解决多分类问题的有效途径。因此，本发明利用数据挖掘技术结合卷烟感官评估实践，将卷烟智能感官评估中涉及的多分类问题分解成多个便于建模的两分类问题，然后对每个子问题分别建立分类器，接着采用聚合策略将两类分类器组合成多分类器。具体地，本发明采用三种不同的分类器建立两分类模型，包括决策树，神经网络和支持向量机；采用多种聚合策略组合两类分类器，包括投票法，加权投票法，学习权值偏好法，非支配准则，基于距离加权法以及动态搜索法。该发明的创新点可以归纳为以下几点：

(1)本发明将卷烟智能感官评估中涉及的多分类问题分解成多个便于建模的两分类子问题，可以有效解决多分类问题模型复杂，难于求解的问题；

(2)本发明采用多种聚合策略组合两类分类器，从而建立多分类器。

(3)本发明设计了完整的实验来验证该策略的有效性。

实验结果表明，相比较于经典的多分类器，采用本发明的策略，不管采用何种基本分类器，其预测精度都明显高于经典的多分类器。因此，运用本发明的系统，可以为卷烟企业在新产品的开发和产品维护过程中，辅助卷烟感官评估专家进行卷烟感官评估。

发明内容

针对现有研究和实际应用中存在的问题，本发明设计了一种基于分解-聚合策略的卷烟感官智能评估系统

本发明的技术方案是：

基于分解-聚合策略的卷烟感官智能评估系统，具体包括以下步骤：

步骤1：采集成品烟感官待评估数据，即卷烟化学成分指标；

卷烟化学成分指标包括：总糖量、还原糖、烟碱量、总挥发碱、总氮量、烟碱氮、蛋白质、施木克值、氮碱比、含氯量、含钾量、糖碱比、氨态碱；

步骤2：对成品卷烟的感官评估结果进行离散化处理，获得卷烟感官质量的分类问题数据集；

步骤3：利用基于分解-聚合的多分类方法建立卷烟感官质量评估模型；

所述基于分解-聚类的多分类方法建立的卷烟感官质量评估模型为：根据成品烟感官评估的历史数据，根据感官指标的数据特点(类别数)获得多个成对的两分类问题，再针对每个子问题，利用数据挖掘技术建立分类器，最后采用聚合方法将子分类器组合成多分类器；

所述感官质量指标包括：光泽、香气、杂气、刺激、余味；