[发明专利]基于PLS-LSBoost梯度提升树的辐照白酒生产工艺优化方法

权利要求书

1.一种基于PLS-LSBoost梯度提升树的辐照白酒生产工艺优化方法，其特征在于，包括以下步骤

1)获得辐照剂量、储存温度、超声时间三个参数组合的辐照白酒酒样和不同年份的自然陈酿白酒酒样，采用直接进样气相色谱-质谱(GC-MS)联用和静态顶空气相色谱-质谱(HS-GC-MS)联用分析技术对酒样的挥发性风味成分进行测定；利用ALS算法补全缺失值后，通过偏最小二乘(PLS)将挥发性风味成分数据进行降维处理，提取出辐照白酒样品在主成分上的得分；

2)分别以辐照剂量、储存温度、超声时间为响应变量，以挥发性风味成分原始数据或PLS主成分得分为预测变量，建立经Bayesian算法优化的LSBoost模型和PLS-LSBoost模型；

3)计算LSBoost模型和PLS-LSBoost模型的预测变量重要性得分，对模型的预测变量进行筛选，提高模型预测能力；

4)计算LSBoost模型和PLS-LSBoost模型的化合物重要性得分，筛选白酒体系中与辐照相关的特征化合物；

5)将自然陈酿白酒的挥发性成分输入最佳模型，输出得到辐照参数值的组合，即为获得特定陈化效果所需要的最佳辐照催陈工艺参数组合，达到工艺优化的目的。

2.根据权利要求1所述的方法，其特征在于，所述的步骤1)中辐照白酒酒样处理参数为辐照源⁶⁰Co多个辐照剂量、不同储存温度、超声时间的正交组合；采用ALS算法进行矩阵分解，补充缺失值；采用z-score方法对数据进行标准化。

3.根据权利要求1所述的方法，其特征在于，所述的步骤1)，使用PLS提取正交主成分，主成分中变量的载荷为XL，计算辐照白酒样品在主成分上的得分XS＝X0*XL，作为训练PLS-LSBoost模型的输入变量。计算自然陈酿白酒样品在主成分上的得分XSp＝Xp*XL，作为使用PLS-LSBoost模型进行预测时的输入变量。

4.根据权利要求1所述的方法，其特征在于，所述的步骤2)，LSBoost模型的训练过程为，每轮增加一个学习器，拟合上一轮中的误差,通过最小化MSE：

其中，为初始函数，即输出数据集的平均值，是回归树的集合，v为学习速率，B_m为第m个回归树，α_m＝{α₁,α₂,…}为B_m的参数集；采用Bayesian优化算法，以交叉验证的MSE为目标函数，对模型的学习速率、最大分割数、学习循环数3个参数进行更新，寻找最佳模型参数组合，使得目标函数达到最小。

5.根据权利要求1所述的方法，其特征在于，所述的步骤3)，LSBoost模型或PLS-LSBoost模型的预测变量重要性得分为，

其中，VIlsb_j为第j个变量的重要性得分，分别为化合物或主成分x_j在提升树集合中和在单个树中的相对重要性得分；M是树的个数，J是树T的叶子节点个数；v_t是在节点t上的分割变量，是因分割产生的平方误差的减小量。

6.根据权利要求1所述的方法，其特征在于，所述的步骤3)，依次过滤重要性得分小的预测变量，得到交叉验证的MSE随着预测变量个数减少而变化的学习曲线，确定使交叉验证的MSE最小的最优预测变量组合。

7.根据权利要求1所述的方法，其特征在于，所述的步骤4)，LSBoost模型的化合物重要性得分同5，PLS-LSBoost模型的化合物重要性得分为，

其中，VIpls-lsb_j为第j个变量的重要性得分，VIlsb_b为第b个主成分在LSBoost中的相对重要性，w_bj为化合物x_b在第b个主成分上的权重。