[发明专利]一种烟支吸阻预测方法及系统

权利要求书

1.一种烟支吸阻预测方法，其特征在于，包括：

获取预先训练得到的吸阻预测模型；

将待预测烟支的实时数据输入所述吸阻预测模型，预测得到所述待预测烟支的吸阻数据；

其中，所述吸阻预测模型基于历史数据和径向基神经网络训练得到，所述历史数据包括烟支的历史物理指标测试数据和历史辅料设计数据。

2.如权利要求1所述的烟支吸阻预测方法，其特征在于，所述吸阻预测模型通过以下方法训练得到：

对历史数据进行预处理，得到样本数据；

对所述样本数据进行筛选，得到关键数据；

利用所述关键数据训练径向基神经网络，得到吸阻预测模型。

3.如权利要求2所述的烟支吸阻预测方法，其特征在于，所述对历史数据进行预处理，得到样本数据包括：

根据预设技术标准，对所述历史数据进行剔除处理，得到初筛数据；

对所述初筛数据进行去除粗大误差处理，得到复筛数据；

对所述复筛数据进行重新聚类，得到聚类数据；

对所述聚类数据进行归一化处理，得到所述样本数据。

4.如权利要求3所述的烟支吸阻预测方法，其特征在于，所述对所述样本数据进行筛选，得到关键数据包括：

根据所述样本数据，建立吸阻的回归模型；

所述吸阻的回归模型的表达式为：

y＝β₀+β₁x₁+β₂x₂+...+β_px_n+ε

式中，y是指被解释变量，即烟支吸阻；β₀是指常数项；β_p是指回归系数，即样本数据中第p类指标的回归系数；x_n是指解释变量，即样本数据中第n类指标的数据；ε是指与x_n独立的残差项；

根据所述回归模型，建立吸阻的相关性分析模型；

所述相关性分析模型的表达式为：

式中，是指L1惩罚范数，即各变量权重绝对值之和；λ₁是指随模型调整的超参数；是依据解释变量出现次数的惩罚项；η₁和γ₁是指自适应惩罚参数；是指系数估计值；

根据所述相关性分析模型，对所述样本数据进行筛选，得到所述关键数据。

5.如权利要求4所述的烟支吸阻预测方法，其特征在于，所述根据所述相关性分析模型，对所述样本数据进行筛选，得到关键数据包括：

SA.根据所述相关性分析模型，确定超参数λ₁和惩罚项

SB.根据所述超参数λ₁和所述惩罚项得到所述样本数据的系数估计值

SC.根据所述系数估计值得到稳定性值S_t；

SD.判断所述稳定性值S_t是否大于预设稳定性值，若否，则执行SE，若是，则执行SF；

SE.对所述超参数λ₁和所述惩罚项进行调整，然后返回执行所述SB；

SF.保留所述系数估计值和所述样本数据；

SG.判断保留的所述样本数据是否满足预设输出条件，若否，则返回执行所述SE，若是，则执行SH；

SH.根据保留的所述系数估计值和保留的所述样本数据，得到所述关键数据。

6.如权利要求5所述的烟支吸阻预测方法，其特征在于，所述对所述超参数λ₁和所述惩罚项进行调整包括：

调大所述惩罚项的值；

对所述超参数λ₁进行交叉验证，得到误差最小值，并将所述超参数λ₁设为所述误差最小值。

7.如权利要求5所述的烟支吸阻预测方法，其特征在于，所述根据保留的所述系数估计值和保留的所述样本数据，得到所述关键数据之后，还包括：

根据保留的所述系数估计值得到所述关键数据的贡献度。