[发明专利]一种卷烟制丝工艺关键因素的复杂网络构建方法

权利要求书

1.一种卷烟制丝工艺关键因素的复杂网络构建方法，其特征在于：包括以下步骤：

步骤(1)、构建复杂网络的节点集合

根据卷烟制丝线工艺流程，筛选制丝数据产生节点，采集数据，构建复杂网络的节点集合；

步骤(2)、数据预处理

进行数据预处理，去除制丝工艺不稳定时采集的数据；

步骤(3)、初步复杂网络构建

根据预处理后的数据，计算节点间的独立性，分析复杂网络节点集合中所有节点间的两两相关性，确定节点间是否有边存在，完成复杂网络边集合的确定，结合复杂网络节点集合，完成初步复杂网络构建；

步骤(4)、复杂网络结构优化

采用最大最小爬山法，对不同的复杂网络结构加入惩罚值计算网络得分，评分高的复杂网络结构优于评分低的复杂网络结构，去除掉不会增加整个网络信息的递进边，和确定网络结构中边的方向，加入惩罚值的贝叶斯网络得分计算公式如下：

其中，Score_L(G:D)为基于信息论方法计算所得的网络得分，为所加入的惩罚值，两者差值用于确定复杂网络结构中的边方向，和去除掉不增加网络整体信息量的递进边；

步骤(5)、计算复杂网络每条边的条件概率参数

针对复杂网络的每条边，采用最大似然估计法计算复杂网络概率参数，复杂网络的最大似然函数如下：

其中，U是其中一个节点的父节点集合，θ＝β₀，β₁，β₂，β_k，δ，为线性映射，u[m]表示包含其中一个节点及其所有父节点数据的，第m个样本的实例，K[m]表示u[m]中某一个节点的值，K为a、b、…、p中的一个；

根据上式分别对β₀,β₁,…,β_k,δ求偏导，得到k+2个等式，求解方程组，得到该边的条件概率参数β₀,β₁,…,β_k,δ；

依据连续型贝叶斯网络的特性，若在连续型贝叶斯网络中，两节点的条件概率满足正态分布；

对复杂网络的每条边重复上述操作，计算得到复杂网络每条边的条件概率参数值。

2.根据权利要求1所述的卷烟制丝工艺关键因素的复杂网络构建方法，其特征在于：步骤(1)中，相关数据产生节点包括制丝工艺在线监测节点、制丝过程烟丝质量离线检测节点、制丝工艺调控记录节点、所有制丝生产环境记录节点和所有卷烟质量评价结果节点。

3.根据权利要求1所述的卷烟制丝工艺关键因素的复杂网络构建方法，其特征在于：步骤(2)中，数据预处理的方法具体包括：

A、采用箱型图数据质量评价方法，采用数据的上四分位数、中位数、下四分位数，和上边缘、下边缘的统计数据，将箱型图外数据组作为误差数据去除；

B、采用移动窗口动态评价法，具体步骤如下：

步骤(1)、将步骤(1)的待处理的数据进行排序：X＝{x₁,x₂,…,x_n}；

步骤(2)、设置数据序列X的中位值

步骤(3)、确定窗口大小：或根据实际情况调整窗口大小；

步骤(4)、在步骤(1)的数据序列X＝{x₁,x₂,…,x_n}中，截取长度为2l+1的子数据序列计算的平均值mean，和标准偏差sd；

步骤(5)、对于数据序列X＝{x₁,x₂,…,x_n}的每个数值进行处理，若mean-n×sd≤x_i≤mean+n×sd，其中，n为根据实际情况设置的常数，则x_i正常值；否则，x_i为奇异值，需删除。

4.根据权利要求1所述的卷烟制丝工艺关键因素的复杂网络构建方法，其特征在于：步骤(3)中，节点间独立性的计算方法包括如下步骤：

步骤(1)、针对需要进行独立性检测的两个节点，节点a和节点b，分别采集n批制丝过程数据，其对应的数据分别为a₁,…,a_i,…,a_j,…a_n和b₁,…,b_i,…,b_j,…b_n，其中a_i和b_i均为列向量数据；

步骤(2)、构建矩阵A、B，矩阵元素计算公式如下：

A_j,k＝||a_j-a_k||，

其中，a_j表示节点a的第j个数据实例，a_k表示节点a的第k个数据实例，A_j,k表示节点a的第j个数据实例与第k个数据实例之间的距离，即欧几里得范数；

采用同样的处理方法，对节点b相应的采集数据进行处理，构建矩阵B；

步骤(3)、计算矩阵A和矩阵B的协方差，并根据该值计算节点a和节点b间独立性，

按如下公式计算：

即表示节点a和节点b的相关性；

步骤(4)、按照上述的方法，分析复杂网络节点集合中所有节点间的两两相关性，并按照5％置信水平，确定节点间是否有边存在，完成复杂网络边集合的确定，结合复杂网络节点集合，完成初步复杂网络构建。