[发明专利]一种基于贝叶斯网络的卷烟配方规则提取和配方维护的方法

摘要

本发明公开了一种基于贝叶斯网络的卷烟配方规则提取和配方维护的方法，步骤S1：采集H集团的配方历史数据以及单料烟信息数据；步骤S2：对采集的数据进行预处理；步骤S3：运用统计工具对卷烟配方数据进行统计分析；步骤S4：建立基于贝叶斯网络的卷烟配方识别模型，进行规则提取；步骤S5：构建卷烟配方维护的启发式方法。采用本发明的技术方案，通过卷烟配方历史数据以及单料烟信息数据建立贝叶斯网络，基于贝叶斯网络提出卷烟配方维护的启发式方法，从而大大降低了传统专家评吸方法带来的人力财力资源浪费和主观性造成的评吸质量问题。

主权项

1.一种基于贝叶斯网络的卷烟配方规则提取和配方维护的方法，其特征在于，包括如下步骤：步骤S1：采集配方历史数据以及单料烟信息数据；步骤S2：对采集的数据进行预处理；采用k‑近邻的方法对单料烟的缺失信息进行补充，利用五次十折交叉验证的方法找出值的变化对预测的准确率的影响规律；为了达到识别模型对输入数据的要求，对所有配方数据进行特征属性整合，并通过CAIM(class‑attribute interdependence maximization)方法对成品烟配方属性离散化以达到贝叶斯网络对处理数据的要求；步骤S3：运用统计工具对卷烟配方数据进行统计分析；步骤S4：建立基于贝叶斯网络的卷烟配方识别模型，进行规则提取；步骤S5：提出卷烟配方维护的启发式方法；所述启发式方法为：在贝叶斯网络的卷烟配方识别模型的基础上，采用加权聚类对品牌用到的所有单料烟进行了聚类分析，统计出了品牌中单料烟使用过的所有用量；其中，所述步骤S4进一步包括：步骤S41：采集配方历史数据以及单料烟信息数据，并对成品烟配方属性进行离散化处理，建立贝叶斯网络的学习数据集；步骤S42：建立贝叶斯网络；步骤S43：基于贝叶斯网络的卷烟配方规则提取；所述步骤S42进一步包括：贝叶斯网络的学习过程分为结构学习和参数学习两步，采用K2算法作为构建贝叶斯网络的结构学习方法；步骤S421：最大似然估计方法作为构建贝叶斯网络的参数学习方法，参数的似然函数为：L(θ|D)＝P(D|θ)，参数θ的最大似然估计就是使得其对应的似然函数的取值达到最大的取值θ^*，即：步骤S422：考虑一个由n个变量X＝{X₁,X₂,...,X_n}组成的贝叶斯网N：其中：N_ijk表示在数据集中符合X_i＝k且π(X_i)＝j的样本数目；N_ij表示在数据集中π(X_i)＝j的样本数目；所述步骤S5进一步包括：步骤S51：数据描述；步骤S52：利用加权聚类算法将单料烟按照属性特征划分为多个类；步骤S53：建立卷烟配方维护启发式方法的算法；所述步骤S52进一步包括：采用k‑means聚类算法，并加入权重后的距离计算公式为：其中x′_ip表示样本x_i的条件属性p进行归一化后的值；其中衡量聚类规则效果的好以及确定k值的方法，按如下步骤进行：步骤S521：将缺失配方用过的所有单料烟进行聚类；步骤S522：k取值范围是1～10，从k＝1开始，依据统计的属于“一对一”替换类型的单料烟编码依次在步骤S521结果中查找其对应的类别；若替换前后单料烟的类别一致，则该次替换符合同类替换，替换正确数加1；步骤S523：重复执行步骤S522，分别得出k＝2～10对应的正确替换的次数；k‑Acc用于描述样本在聚类为k类的正确率，以此确定聚类的种类数，计算公式：其中n_k为在聚类为k类所对应的替换正确次数，N为总替换次数，即出现“一对一”配方替换情况的次数；步骤S524：加权前后聚类规则效果对比以及k值的确定；所述步骤S53进一步包括：步骤S531：将该成品烟品牌用到的所有单料烟按照所选属性进行聚类分成若干簇；步骤S532：按照单料烟编码查找缺失单料烟所在的簇，将此簇下的所有单料烟作为第一步的替代单料烟候选集；步骤S533：从单料烟候选集中的第一个单料烟开始，其用量遍历取该品牌中的单料烟历史用量值，依次计算补全的配方对应的属性特征，替代缺失单料烟放入缺失配方中；步骤S534：将步骤S533得到的配方的属性特征依次输入贝叶斯网络识别器中，判断补全后的配方是否是原配方类别，若是，则认为此单料烟可替代缺失单料烟，若否，则对候选集中下一个单料烟执行此操作；步骤S535：重复执行步骤S533和步骤S534，找出可以替代缺失单料烟的所有单料烟；步骤S536：将步骤S535得到的单料烟候选集根据其在贝叶斯网络识别器中的概率的高低顺序进行排序，从而得到可以进行替换的单料烟的优先顺序，对于概率一致的情况，再按照新得到的感官与原配方感官的欧氏距离从小到大排序。