[发明专利]基于主成分分析和超级学习的烟叶质量等级分类预测方法

权利要求书

1.一种基于主成分分析和超级学习的烟叶质量等级分类预测方法，其步骤包括：

1)将烟叶质量数据样本按照设定指标类别进行分组，得到N组不同指标类别的指标数据集；

2)分别对每一指标数据集中的指标数据进行主成分分析，对相应的指标数据进行降维并消除指标数据之间的相关性；

3)将步骤2)处理后的每一指标数据集作为超级学习框架中每一基础学习算法的输入数据，对其进行训练，分别得到一对应的第一级分类预测模型；共得到N*M个第一级分类预测模型，M为超级学习框架中基础学习算法的个数；

4)从步骤2)处理后的每一指标数据集中选取一部分数据作为验证数据并输入到该指标数据集训练得到的各第一级分类预测模型中，得到对应的分类预测结果；

5)将步骤4)所得各分类预测结果作为所述超级学习框架中元学习器的输入数据对其进行训练，获得各所述第一级分类预测模型的优化权重组合；

6)将各所述第一级分类预测模型与所述优化权重组合进行结合，创建用于烟叶质量等级分类预测的超级学习模型；

7)将待识别烟叶质量数据的指标数据输入所述超级学习模型，得到待识别烟叶质量数据的烟叶质量等级分类预测结果。

2.如权利要求1所述的方法，其特征在于，所述指标类别包括外观指标、感官质量指标、化学成分指标和物理特性指标；所述指标数据集包括外观指标数据集、感官质量指标数据集、化学成分指标数据集和物理特性指标数据集。

3.如权利要求2所述的方法，其特征在于，所述外观指标包括烟叶颜色、成熟度、叶片结构、身份、油分和色度6项指标；所述感官质量指标包括香气质、香气量、浓度、劲头、杂气、刺激性、余味7项指标；所述化学成分指标包括总植物碱、总糖、还原糖、总氮、钾、氯、淀粉以及氮碱比、糖碱比、钾氯比10项指标；所述物理特性指标包括厚度、伸长率、填充值、拉力、含梗率、平衡含水率、叶面密度7项指标。

4.如权利要求1所述的方法，其特征在于，优化后的权重满足其中α_j,k为第j个第一级分类预测模型第k个参数权重。

5.如权利要求1所述的方法，其特征在于，所述基础学习算法为分类预测算法。

6.如权利要求5所述的方法，其特征在于，所述分类预测算法包括多元逻辑回归算法、梯度提升决策树算法、随机森林算法、支持向量机分类预测算法。

7.如权利要求1所述的方法，其特征在于，所述元学习器为分类预测算法，选自线性分类算法、或梯度提升机、或随机森林算法、或神经网络、或朴素贝叶斯算法、或xgboost算法。

8.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1至7任一所述方法中各步骤的指令。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法的步骤。