导读:本文包含了烟叶质量预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:烟叶,质量,感官,评价,烤烟,相似性,神经网络。
烟叶质量预测论文文献综述
李瑞丽[1]（2016）在《河南烤烟烟叶质量评价研究及关键指标的近红外预测模型建立》一文中研究指出烟叶是卷烟制造企业的原料,不同质量的烟叶原料给烟制品带来的质量优劣差异在加香加料或后续任何加工工序均很难弥补。如何科学、客观地评价烟叶质量是烟草行业一直以来研究的重点和热点问题,烟叶质量评价结果既可指导农业生产,调控烟叶原料质量,提高其应用价值,又可为烟制品工业生产提供依据,维护制品质量风格稳定。河南烟区历史悠久,生产的烤烟原料特色鲜明,优势突出,在国内多家卷烟制造企业多个牌号产品中得到广泛应用。本文挑选有代表性的河南烤烟烟叶样品174个,采用经典或标准方法检测其物理特性、化学成分及感官质量指标。经离群值检验和剔除后,保留169个烤烟样品作为研究对象的样本集,分析了河南烤烟质量整体概况;筛选出了各质量模块的关键指标;根据烤烟各质量模块的因子分析及规律性研究了样品综合质量的均衡性和差异性;在相似度统计量研究基础上,确定了烤烟综合质量相似性评价方法;建立了烤烟关键物理指标的近红外预测模型和感官质量指标的判别分析模型,主要研究结论如下:(1)河南烤烟质量整体上表现为叶片偏厚,吸湿性好,结构较为疏松,填充性和燃烧性中等,耐加工性中等偏上;总植物碱、总糖及还原糖含量高,总氮含量较为适宜,氯、淀粉含量及糖碱比偏高,氮碱比、钾氯比及钾含量偏低;香气质、香气量均为中等偏上,杂气、刺激性中等稍偏小,余味中等稍偏干净,浓度介于中等与稍浓之间,劲头较大。(2)根据烤烟质量指标间的相互关系,兼顾指标所表征的质量特性,筛选出了叶片厚度、叶面密度、填充值、抗张强度、平衡含水率和阴燃时间作为表征烤烟物理特性的关键指标,总糖、总氮、总植物碱、还原糖、钾、氯及糖碱比作为表征烤烟化学成分的关键指标,香气质、香气量、杂气、刺激性、余味、浓度及劲头作为感官质量的关键指标。(3)提出了一种基于综合因子得分评价烤烟综合质量均衡性及差异性的方法。基于关键指标建立的河南烤烟感官质量、化学成分及物理特性的综合因子得分数学模型分别为F感=0.367X1+0.370X2+0.424X3+0.440X4+0.441X5+0.304X6+0.108X7-14.572,F化=-0.282X1+0.020X2+0.038X3-0.458X4+0.223X5+0.223X6+0.031X7-0.825,F物=-0.188X1+7.064X2+0.005X3+0.055X4+0.394X5-0.043X6-6.692。169个烤烟样品的感官质量、化学成分、物理特性综合因子得分分布范围分别为-1.942~1.916、-1.714~1.710、-1.243~1.771,其平均得分均为0。综合因子得分越接近于0,说明该质量模块各指标值越接近整体平均水平,均衡性越好;反之,则均衡性差,即为优势突出或缺点明显的样品。综合因子得分相差越大,则样品间该质量模块的整体差异性越大。基于各质量模块综合因子得分的聚类结果可为分组加工或配方维护提供指导,以感官质量或化学成分为分组依据时,同一亚组内或同一主组内不同亚组的烤烟样品均可分入同一组中,不同主组的烤烟则不宜分到同一组内。同一亚组内的烤烟样品可为配方维护提供参考。以物理特性为分组加工的分组依据时,则要充分考虑烟叶着生部位因素。(4)基于简单相关系数和欧氏距离构建了新的统计变量即相似度(S),根据相似度评价烟叶样品两两之间综合质量相似程度,其结果优于单独使用简单相关系数或欧氏距离。建立了河南烤烟综合质量相似程度评价标准及检验评价标准的原则与方法。综合物理特性相似性评价标准为弱(S<1.2)、较弱(1.2≤S<2.5)、中等(2.5≤S<5.0)、较强(5.0≤S<9.5)、强(S≥9.5);综合化学成分相似性评价标准为弱(S<1.5)、较弱(1.5≤S<4.5)、中等(4.5≤S<9.5)、较强(9.5≤S<17.5)、强(S≥17.5);综合感官质量相似性评价标准为较弱(S<27.5)、中等(27.5≤S<50.0)、较强(50.0≤S<83.5)、强(83.5≤S<127.5)、很强(S≥127.5)。以不同相似度临界值(Sα)对样品的分组结果均表明相似度能表征烟叶综合质量的相似性,相似度评价标准较为合理。(5)建立了烤烟主要物理指标(叶面密度、叶片厚度、填充值、阴燃时间、平衡含水率及抗张强度)的近红外预测模型,实现对关键物理指标的快速批量检测。首次利用近红外技术定性判别基于烤烟单项感官质量指标得分的聚类结果,判别整体平均准确率在75%以上,预测准确率最高达到70%以上。这可为烤烟关键质量指标的速测提供依据,为综合质量评价模型的推广应用奠定基础。(本文来源于《郑州大学》期刊2016-03-01）
张梦楚,王龙,朱波,王迅,闫凯龙[2]（2014）在《红花大金元烟叶中性致香成分含量与感官质量预测分析》一文中研究指出以42个红花大金元(Nicotiana tabacum L.cv.Honghua Dajinyuan)烟叶样品为供试材料,采用双重筛选逐步回归法等分析了感官质量指标与中性致香成分的关系,并建立了预测模型。结果表明,1感官质量指标香气质、香气量、杂气、成团性的预测效果较好,决定系数(R2)范围在0.998 4~0.999 8,留一交叉验证相关系数(q2)范围在0.823~0.937。其中预测模型y1(香气质)=-2.501 4 x1+0.937 7x8–0.069 3 x12–0.681 5x14-0.154 7x15+2.802 4x16–0.152 4x19+1.860 1x23+2.554 7x27+1.339 0 x29+17.316 3,R2为0.999 8,q2为0.937,这为利用中性致香成分针对红花大金元预测感官质量指标提供了参考依据。2苯丙氨酸类降解产物苯甲醇和苯乙醛含量与香气量得分之间、美拉德反应产物中2-乙酰基吡咯和5-甲基糠醛含量与香气量和杂气得分之间、类胡萝卜素类降解产物法尼基丙酮和6-甲基-5庚烯-2酮含量与回甜感得分之间、4-乙烯基-2甲氧基苯酚含量与成团性得分之间、其他类芳樟醇含量与香气质和杂气得分之间均呈正相关;苯丙氨酸类降解产物苯甲醛含量与香气质得分之间、美拉德反应产物2-乙酰呋喃含量与杂气、香气量、回甜感、干燥感、成团性得分之间、类胡萝卜素类降解产物β-紫罗兰酮含量与香气质得分之间、新植二烯含量与香气量得分之间均呈负相关。(本文来源于《湖北农业科学》期刊2014年22期）
李红梅[3]（2013）在《基于线性回归和SVM的烟叶质量分析及等级预测模型》一文中研究指出烟叶是卷烟工业的基础,烟叶品质的好坏对卷烟品质有着举足轻重的作用。烤烟烟叶质量主要包括烟叶外观质量、物理特性、化学成分及感官质量四大部分。烟叶的化学成分主要对烟叶质量的部分指标进行评价,烟叶感官指标主要对烟叶内在质量的优劣进行评价。由于烟叶感官质量评价主要依赖于个人经验及人的生理心理条件,加上烟草的成分比较复杂,因而难以建立指标之间确定的数学模型。计算机智能技术在烟草行业的引进可以有效的解决这类问题,在对烟叶质量进行定性定量把握的同时还能减轻人工评价的负担。目前,烟叶的质量评估和等级划分一般是根据国家分级标准来进行鉴定,而国标中对烟叶特征的描述一般是定性的,如国家标准对烟叶的外观质量仅做了定性描述,因此,烟叶等级划分过程中就存在一定的主观性和模糊性。近年来,人工智能技术在烟草行业的应用,为烟叶质量分析提供了新思路和新方法。本论文就是将计算机智能技术应用到了烟叶质量分析和等级划分中。论文具体工作如下：(1)本文简要分析了烟叶质量分析的内容及目前的主要分析方法,并对各类方法的优缺点进行了比较,以及目前烟叶质量分析领域存在的问题,为论文后面的工作做铺垫。(2)根据大范围的调查数据,对烟叶样本数据进行统计性分析及描述,通过SPSS数据统计分析平台,先利用主成分分析对数据进行去噪、降维,结合线性回归分析建立烟叶感官质量预测模型,然后用回归方程整体性检验标准来验证模型的可靠性。(3)采用烟叶化学成分指标、感官质量指标和烟叶等级作为样本数据,结合基于小样本数据处理的支持向量机算法,在MATLAB软件平台上建立支持向量机烟叶等级分类模型,并对模型的精确度和预测结果进行分析。(4)利用MATLAB GUI图形用户界面设计烟叶质量分析系统,将论文对烟叶质量的分析过程和方法通过菜单进行选择,分析结果通过界面来显示,能够更加直观的看出烟叶的质量情况,客观的对烟叶的质量和等级进行把握。论文主要研究了计算机智能技术在烟叶质量分析和等级划分中的应用,主成分分析和线性回归对烟叶指标进行分析的理论和方法,以及对支持向量机人工智能技术等关键问题做了深入研究,最终通过该研究方法和结论来更好地指导烟叶的生产与销售。(本文来源于《昆明理工大学》期刊2013-03-01）
王小彦,霍沁建,梁永江,唐远驹[4]（2013）在《基于烟叶生产全程质量监控的烤烟产量预测》一文中研究指出为了较为准确的预测遵义市烟叶产量,调整县域间计划量,在烟叶生产全程质量监控的基础上,利用烤烟种植区划成果,选定不同生态区进行烟叶产量预测。3年预测结果表明:预测遵义市烟叶产量与实际收购数量仅相差59.5万kg,相对误差为0.64%,基本接近收购量。较好的预测效果与精度,为烟叶计划调整和生产后期采取相应措施提供了决策依据。(本文来源于《安徽农业科学》期刊2013年03期）
段俊杰,蒋美红,王岚,胡巍耀,徐安传[5]（2012）在《基于化学成分的烟叶质量神经网络预测》一文中研究指出为给烟叶质量评价提供实用方法和理论依据,本研究基于模糊数学理论和神经网络机器学习理论,从大理红花大金元的主要化学成分和感官评吸结果确定烟叶品质的内在关系入手,通过BP算法建立了基于化学成分的神经网络模型。结果表明,模糊隶属函数结合BP神经网络的方法可以有效、可靠地运用于基于化学成分的烟叶质量感官评价辅助决策中,并可方便地应用于其它方面;还提供了BP神经网络的MATLAB实现程序。(本文来源于《西南农业学报》期刊2012年01期）
宋春满,沈俊儒,师君丽,邓建华[6]（2009）在《近红外光谱法预测烟叶评吸质量》一文中研究指出应用Bruker Matrix I近红外光谱仪,扫描了176个烟叶样品,扫描波数4000～9000cm~(-1),分辨率8cm~(-1),扫描次数64,数据经一阶偏导9点平滑处理后,以Unscrambler软件建立近红外光谱对评吸得分的模型,以150个样品为校正集合,26个样品为预测集,偏最小二乘法建立的回归模型相关系数(correlation)0.99372,校正标准差(SEC)0.21135,斜率(slope)0.987603,模型拟合较好。利用建立的模型预测26个样品的评吸收得分,结果表明,最大预测绝对偏差1.86,最小绝对偏差0.01,平均绝对预测偏差1.09分,所建模型有实际意义。(本文来源于《光谱仪器与分析》期刊2009年Z1期）
谭旭[7]（2008）在《扩展粗糙集模型及其在烟叶质量预测与评价中的应用》一文中研究指出粗糙集是处理不精确、不完备、不一致数据的有效机器学习方法。Pawlak经典粗糙集在应对实际应用中所存在的各类不确定性因素时,有着较大的局限性。为了使粗糙集方法能更好地应用于实际,本文对经典粗糙集的相关理论与模型进行了改进和扩展,并通过充分的理论证明与大量的实验分析,表明了相应改进算法与扩展模型的合理性和有效性。经进一步地将理论研究成果应用于烟叶质量预测与评价中,充分说明了粗糙集方法解决同类问题的优越性。全文总体分为四部分内容进行论述,前两部分内容围绕粗糙集相关理论和模型进行探析,后两部分内容为基于粗糙集的烤烟烟叶质量评测的应用性研究。理论研究方面,首先针对粗糙集理论中的叁个核心关键问题,即离散化问题、知识约简问题和规则提取与推理问题,进行了相关的分析研究。在离散化问题的研究中,考虑粗糙集方法的特点,提出了叁个新的启发式离散化准则,并以此构建了半全局离散化算法。在知识约简问题的研究中,为了克服不一致数据给属性约简带来的困扰,提出了基于条件熵的改进分辨矩阵的条件属性约简方法,并以此给出了增量意义下的条件属性约简算法。在粗糙集规则知识提取和推理决策问题的研究中,分析了粗糙集作为一种不确定性归纳推理机器学习方法,其不确定性解决思路所在,归纳了利用粗糙集进行规则知识提取和推理决策的基本步骤以及相应的建模过程。基于对Pawlak经典粗糙集的研究,进一步考虑实际应用中所存在的各种数据不确定性和知识不确定性,在本文的第叁章提出了叁种扩展粗糙集模型,即区间型数据粗糙集模型、杂合数据粗糙集模型以及广义相似不完备数据粗糙集模型。不同的扩展粗糙集模型均考虑了不同类型的不确定性,并基于不同类型的不确定性给出了相应的粗糙集建模流程和算法,对应的解析证明和仿真实验验证了这些扩展粗糙集模型。此外,对于扩展粗糙集模型中普遍存在的两类阈值选取问题,从粗糙集理论的相关定义出发分别对两类阈值的合理选取作出分析,并给出了阈值寻优算法。应用研究方面,首先对烤烟烟叶质量评价的两大方面,即烤烟烟叶的外在质量和烤烟烟叶的内在质量,依据烟叶的常规化学成分,结合相应的扩展粗糙集模型,对其中依赖人工经验取值的评测指标进行辅助预测,以获取更为合理的烤烟烟叶内、外在质量评测指标值,并实现指标评测的自动化和智能化,同时为后续的烤烟烟叶质量的综合评价奠定基础。此外,通过粗糙集方法所挖掘的规则知识,较好地揭示了各评价指标与相应化学成分的映射关系。通过与同类智能算法基于烤烟烟叶历史数据集的预测对比实验,充分说明了粗糙集方法以及相应扩展粗糙集模型的合理性与优越性。对于烤烟烟叶质量评价问题,首先研究了基于烤烟烟叶等级划分的常规质量评价方法,构建了相应的粗糙集“两级推理”评价模型,使得等级质量评价达到“分级”级别上的精细结果,也以此为粗糙集模型应用于大规模数据集的处理提供了解决思路。之后,通过分析现有烤烟烟叶综合质量评价的研究成果,构建了一个较为完备的烤烟烟叶综合质量评价指标体系。最后,通过结合主客观赋权的多属性决策方法,首次给出了粗糙集方法下的烤烟烟叶综合质量评价决策模型。文末的实例阐释并验证了评价模型。(本文来源于《国防科学技术大学》期刊2008-12-01）
彭黔荣[8]（2004）在《烟叶的化学成分与烟叶质量的人工神经网络预测》一文中研究指出本文简述了国内外烟草行业的基本情况,烟草化学的研究现状。烟草是以满足消费者吸食为目的,其质量判定目前依然是靠感官评吸,人为评吸需要专业评吸人员,其判定结果受到诸多因素的影响。烟草的质量评价,是烟草化学的研究热点之一,烟叶质量的预测通常采用化学指标,研究某些化学指标与某些感官指标的关系,或者将这些化学指标归纳为一些比值,在一定范围内,评价某一类烟叶的质量,或者将这些化学指标进行数理统计分析,讨论某些化学指标的变化对烟叶某些感官指标的影响。近年来,已有学者把神经网络引入到烟草质量评价体系中来,但是,限于样本指标和数据维数的限制,没有对神经网络预测烟叶质量进行深入研究。 采用神经网络对烟叶质量进行预测,首先是样本数据要可靠。本文以CORESTA方法推荐的总糖、还原糖、氯化物、尼古丁、氨、硝酸盐、总氮、挥发碱等8个化学指标作为烟叶常规化学指标,采集了827个烟叶样本的历史数据。以总糖、还原糖、总氮、总烟碱、总挥发碱、有机酸、酚类、石油醚提取物、氯化物、氧化钾等10个化学指标为依据,采集了95个烟叶样本数据,进行建模数据样本准备。本文还研究了氨基酸分析方法,并对上述95个烟叶样本进行了氨基酸分析,开发了烟叶挥发性成分的定量分析方法,并对30个烟叶样本进行了挥发性成分的定量分析,上述数据为烟叶质量预测建模作好了准备。 众所周知,烟叶的化学成分极其复杂,烟叶和烟气中已被鉴定的化学成分(本文来源于《四川大学》期刊2004-04-01）
烟叶质量预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
以42个红花大金元(Nicotiana tabacum L.cv.Honghua Dajinyuan)烟叶样品为供试材料,采用双重筛选逐步回归法等分析了感官质量指标与中性致香成分的关系,并建立了预测模型。结果表明,1感官质量指标香气质、香气量、杂气、成团性的预测效果较好,决定系数(R2)范围在0.998 4~0.999 8,留一交叉验证相关系数(q2)范围在0.823~0.937。其中预测模型y1(香气质)=-2.501 4 x1+0.937 7x8–0.069 3 x12–0.681 5x14-0.154 7x15+2.802 4x16–0.152 4x19+1.860 1x23+2.554 7x27+1.339 0 x29+17.316 3,R2为0.999 8,q2为0.937,这为利用中性致香成分针对红花大金元预测感官质量指标提供了参考依据。2苯丙氨酸类降解产物苯甲醇和苯乙醛含量与香气量得分之间、美拉德反应产物中2-乙酰基吡咯和5-甲基糠醛含量与香气量和杂气得分之间、类胡萝卜素类降解产物法尼基丙酮和6-甲基-5庚烯-2酮含量与回甜感得分之间、4-乙烯基-2甲氧基苯酚含量与成团性得分之间、其他类芳樟醇含量与香气质和杂气得分之间均呈正相关;苯丙氨酸类降解产物苯甲醛含量与香气质得分之间、美拉德反应产物2-乙酰呋喃含量与杂气、香气量、回甜感、干燥感、成团性得分之间、类胡萝卜素类降解产物β-紫罗兰酮含量与香气质得分之间、新植二烯含量与香气量得分之间均呈负相关。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
烟叶质量预测论文参考文献
[1].李瑞丽.河南烤烟烟叶质量评价研究及关键指标的近红外预测模型建立[D].郑州大学.2016
[2].张梦楚,王龙,朱波,王迅,闫凯龙.红花大金元烟叶中性致香成分含量与感官质量预测分析[J].湖北农业科学.2014
[3].李红梅.基于线性回归和SVM的烟叶质量分析及等级预测模型[D].昆明理工大学.2013
[4].王小彦,霍沁建,梁永江,唐远驹.基于烟叶生产全程质量监控的烤烟产量预测[J].安徽农业科学.2013
[5].段俊杰,蒋美红,王岚,胡巍耀,徐安传.基于化学成分的烟叶质量神经网络预测[J].西南农业学报.2012
[6].宋春满,沈俊儒,师君丽,邓建华.近红外光谱法预测烟叶评吸质量[J].光谱仪器与分析.2009
[7].谭旭.扩展粗糙集模型及其在烟叶质量预测与评价中的应用[D].国防科学技术大学.2008
[8].彭黔荣.烟叶的化学成分与烟叶质量的人工神经网络预测[D].四川大学.2004
论文知识图
