聶銘，周冀衡，楊榮生，夏開寶，李強，張卓

1湖南農(nóng)業(yè)大學(xué)煙草科學(xué)與健康重點實驗室 長沙410128；

2云南省煙草公司曲靖市公司，曲靖655000

基于MIV-SVM的烤煙評吸質(zhì)量預(yù)測模型

聶銘1，周冀衡1，楊榮生2，夏開寶2，李強1，張卓1

1湖南農(nóng)業(yè)大學(xué)煙草科學(xué)與健康重點實驗室 長沙410128；

2云南省煙草公司曲靖市公司，曲靖655000

在matlab環(huán)境下利用libsvm軟件包建立利用烤煙化學(xué)指標對烤煙評吸質(zhì)量預(yù)測的支持向量機模型，利用MIV法篩選變量，選取揮發(fā)性酸、石油醚提取物、鉀、還原糖、煙堿為模型輸入變量；參數(shù)優(yōu)化后最佳c值為0.10882，g值為9.1896；訓(xùn)練樣本預(yù)測值與實際值的相關(guān)系數(shù)R為0.885，測試樣本預(yù)測值與實際值的相關(guān)系數(shù)R為0.8791；預(yù)測誤差分布在[-4,4]。以上結(jié)果說明預(yù)測模型是可靠的，能夠為烤煙評吸質(zhì)量的評價提供參考。

評吸質(zhì)量；支持向量機；預(yù)測模型；參數(shù)優(yōu)化

烤煙的內(nèi)在化學(xué)物質(zhì)在煙葉燃燒時會發(fā)生熱解和化學(xué)反應(yīng)，產(chǎn)生的煙氣會對吸煙者產(chǎn)生感官刺激，而烤煙的評吸質(zhì)量則是評吸專家對煙氣感官評價指標打分后的綜合得分或評價[1]，工業(yè)企業(yè)可根據(jù)烤煙評吸質(zhì)量進行合理的配方設(shè)計，保證品牌質(zhì)量、突出品牌特色[2]。煙葉內(nèi)糖類化合物在燃燒時會產(chǎn)生酸性物質(zhì)中和煙堿等堿性物質(zhì)，降低煙氣的刺激性，增加舒適度，柔和口感[3-5]，而含氮化合物則會產(chǎn)生堿性物質(zhì)和煙堿一起作用增加煙氣的刺激性和勁頭[6-9]。鉀離子有促進煙葉燃燒，降低焦油量的作用，而氯離子含量增加會使煙葉燃燒變差，容易熄火[10-15]。揮發(fā)性酸、揮發(fā)性堿和石油醚提取物對烤煙的香氣質(zhì)、香氣量、燃燒性等煙氣特性有一定作用[16-17]。李強等[18]對曲靖煙區(qū)C3F等級烤煙評吸質(zhì)量進行了主成分回歸分析；高家合等[19]對云南主產(chǎn)煙區(qū)烤煙化學(xué)指標和評吸質(zhì)量進行了相關(guān)分析，并建立了烤煙煙葉主要化學(xué)成分對評吸質(zhì)量的回歸方程；閻克玉等[20]對河南烤煙的主要化學(xué)指標和評吸質(zhì)量進行了相關(guān)分析并建立了逐步回歸方程。以上研究均是從統(tǒng)計學(xué)方向建立預(yù)測模型，通過機器學(xué)習(xí)方法建立預(yù)測烤煙評吸質(zhì)量模型的研究報道很少[21-22]，本研究在matlab環(huán)境下利用libsvm軟件包建立曲靖煙區(qū)烤煙化學(xué)指標對烤煙評吸質(zhì)量的支持向量機預(yù)測模型，為工業(yè)企業(yè)有效利用煙葉，進行合理的配方設(shè)計提供參考依據(jù)。

1 材料與方法

1.1 供試樣品

采集云南省曲靖煙區(qū)沾益縣、師宗縣、富源縣、羅平縣、陸良縣、宣威市、麒麟?yún)^(qū)共300個烤煙樣品，品種為K326，部位等級為C3F（中部桔黃三級），每個煙葉樣品取3kg用于測定各項指標和評價煙葉的感官質(zhì)量，統(tǒng)一制成單料煙，并進行編號。

1.2 化學(xué)指標測定

所采集煙葉樣品的化學(xué)指標交由云南省農(nóng)業(yè)科學(xué)院進行測定，相關(guān)指標測定方法為：總糖采用芒森·沃克法；還原糖采用沸水浸提-銅還原-直接滴定法；總氮采用濃硫酸-雙氧水消化-凱氏定氮法；煙堿采用活性炭-紫外分光光度法；鉀采用乙酸提取，火焰光度法；氯采用離子色譜法；揮發(fā)性酸、揮發(fā)性堿采用蒸餾滴定法；石油醚提取物采用稱量法。

1.3 感官評價及方法

參照YC/T138-1998煙草及煙草制品感官評價方法[23]，建立單料煙評吸質(zhì)量指標及評分標準，如表1所示，由曲靖市煙草公司召集省級以上卷煙評吸專家5名對樣品進行盲評，分別按香氣質(zhì)、香氣量、雜氣、刺激性、余味、燃燒性和灰色7個評吸質(zhì)量指標進行打分，取各項指標的平均值累加為最終評吸質(zhì)量的總得分。

表1 烤煙評吸質(zhì)量指標及評分標準Tab.1 Index and evaluation standard of smoking quality evaluation

1.4 利用支持向量機進行回歸預(yù)測

支持向量機(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機器學(xué)習(xí)問題中，支持向量機非線性回歸的基本思想是通過一個非線性映射φ：Rn→H將樣本點映射到高維特征空間H，并在高維特征空間進行線性回歸，反過來即為原空間的非線性回歸[24-25]。Libsvm軟件包為臺灣大學(xué)的林智仁先生所開發(fā)，能夠在matlab中得到很好的運行，操作簡單便捷。

使用LIBSVM進行回歸預(yù)測的一般步驟：

1、按照LIBSVM 軟件包所要求的格式準備數(shù)據(jù)集；

2、對數(shù)據(jù)進行篩選或降維，然后相關(guān)標準化；

3、考慮選用徑向基(RBF)核函數(shù)（一般采用此核函數(shù)）；

4、采用交叉驗證選擇最佳參數(shù)c與g；

5、采用最佳參數(shù)c與g對整個訓(xùn)練集進行訓(xùn)練獲取支持向量機模型；

6、利用獲取的模型進行測試和預(yù)測。

Libsvm回歸預(yù)測所用到的命令

命令1：normalization(x,’1或2’);

把x數(shù)據(jù)集進行標準化，‘1’為把數(shù)據(jù)集在[0,1]內(nèi)標準化，‘2’為把數(shù)據(jù)集在[-1,1]內(nèi)標準化。

命令2：Model=svmtrain(train_y,train_x,’options’);

model是訓(xùn)練后得到的模型，為一個結(jié)構(gòu)體，train_y為訓(xùn)練樣本因變量,train_x為訓(xùn)練樣本自變量，數(shù)據(jù)類型必須為double,Options為參數(shù)選項，主要有s,t,c,g,v等參數(shù),其中s為svm的類型，t為核函數(shù)類型，c為e-svr中的懲罰系數(shù)，g為核函數(shù)中的g值，v為交叉驗證的折數(shù)（每一折分別作為驗證數(shù)據(jù)，其余折作為訓(xùn)練數(shù)據(jù)，取平均v次的結(jié)果），其中c,g值需要進行參數(shù)優(yōu)化選擇最佳參數(shù)，其余的參數(shù)均為默認設(shè)置。

命 令 3：[predict_y,mse,dec_value]=svmpredict(test_y,test_x,model);

Predict_y為預(yù)測因變量，mse為均方誤差，dec_value為決策值，本文無需設(shè)定，test_y為測試樣本因變量，test_x為測試樣本自變量。

1.5 利用MIV算法進行變量篩選

平均影響值（MIV）是目前普遍用于評判模型自變量對因變量影響力大小的指標之一[26-27]，基本流程如圖1所示，將訓(xùn)練樣本中每一個自變量的值擴大（減少）10%（或自定義值），通過之前構(gòu)建的模型計算得到兩個輸出值，兩者之間的差值按訓(xùn)練樣本數(shù)平均得出平均影響值，其符號代表作用方向，絕對值大小代表該自變量對模型輸出影響力的相對大小，然后根據(jù)MIV絕對值的大小對自變量進行影響力排序，篩選出對模型輸出影響較大的自變量。

圖1 變量篩選MIV算法基本流程Fig.1 Basic process of variables screening under MIV algorithm

1.6 利用參數(shù)迭代法進行svm參數(shù)尋優(yōu)

利用libsvm工具包建立支持向量機模型之前，需對模型主要參數(shù)（懲罰系數(shù)c和核函數(shù)中g(shù)）進行人為賦值，而這些參數(shù)是由訓(xùn)練樣本的數(shù)值特性和模型所建立的規(guī)律來確定的，每個模型的c,g值都可能不同。為了保證選取合適的參數(shù)值，具體優(yōu)化方法為，選取一個足夠?qū)挼膶?yōu)范圍，讓c,g按照一定的步長來迭代，利用每次迭代的參數(shù)值訓(xùn)練模型，通過交叉驗證（K-CV法）得到訓(xùn)練后的誤差值，最終選取使得訓(xùn)練誤差最小的c,g值作為最佳參數(shù)組合，并以此訓(xùn)練模型，如圖2所示。

筆者在matlab環(huán)境中利用libsvm軟件包建立通過煙葉化學(xué)指標來預(yù)測煙葉評吸質(zhì)量的模型，首先初步選取對烤煙評吸質(zhì)量有影響的化學(xué)指標作為支持向量機模型的變量，然后利用MIV算法對變量進行篩選，選取對模型輸出影響較大的不同類別化學(xué)指標，最后利用交叉驗證（K-CV法）進行svm參數(shù)尋優(yōu)，獲得使模型訓(xùn)練誤差最小的c,g值，利用最佳c,g值來訓(xùn)練模型，以270個樣品為訓(xùn)練樣本，其余30個樣品為測試樣本，檢驗?zāi)Ｐ皖A(yù)測的準確率和誤差。

圖2 svm參數(shù)尋優(yōu)基本流程Fig.2 Basic process of optimization of SVM parameters

2 結(jié)果與分析

2.1 樣本數(shù)據(jù)的描述性統(tǒng)計分析

對曲靖300個樣本數(shù)據(jù)進行描述性統(tǒng)計分析，由表2可以看出，各化學(xué)指標均有較大的變幅，均屬于中等強度變異，評吸總分為弱性變異，評吸總分變異程度最小，氯離子的變異程度最大；總糖、還原糖偏度系數(shù)小于0，數(shù)據(jù)分布為負偏態(tài)分布，其余指標偏度系數(shù)大于0，數(shù)據(jù)分布為正偏態(tài)分布；還原糖、煙堿、揮發(fā)性堿、石油醚提取物的峰度系數(shù)小于0，分布峰型為平闊峰，數(shù)據(jù)分布較分散，其余指標的峰度系數(shù)大于0，分布峰型為尖頂峰，數(shù)據(jù)分布較集中。

表2 300個樣本數(shù)據(jù)描述性統(tǒng)計結(jié)果Tab.2 Descriptive statistics analysis of 300 sample data %

2.2 模型輸入變量和其他參數(shù)的確定

本文選取總糖、還原糖、總氮、煙堿、鉀、水溶性氯、揮發(fā)性酸、揮發(fā)性堿、石油醚提取物為支持向量機的初步選定變量，利用MIV算法計算后得到不同化學(xué)指標的平均影響值，再根據(jù)其絕對值的大小對自變量進行排序，由表3可以看出，不同化學(xué)指標對模型輸出的相對影響大小和排序，其中揮發(fā)性酸＞石油醚提取物＞鉀＞還原糖＞煙堿＞總糖＞水溶性氯＞總氮＞揮發(fā)性堿，由于前5名分別屬于不同類別的化學(xué)指標，分別為揮發(fā)性酸、石油醚提取物、鉀、還原糖、煙堿，這些不同類別的指標對烤煙評吸質(zhì)量有其特有的影響，所以選取前5名的化學(xué)指標作為支持向量機的輸入變量，模型參數(shù)s值設(shè)為3(e-svr),t值設(shè)為2(RBF核函數(shù))，交叉驗證v值設(shè)為5(將數(shù)據(jù)集剖分為5部分,其中每一份分別作為測試集，其他作為訓(xùn)練集)，其他參數(shù)設(shè)為默認值，c,g值則通過參數(shù)優(yōu)化找出適合模型的最佳參數(shù)組合。

表3 不同化學(xué)指標的MIV值Tab.3 MIV value of different chemical index

2.3 支持向量機重要參數(shù)的優(yōu)化

本次參數(shù)優(yōu)化c值的尋優(yōu)范圍為2-8到28，步長為0.8，g值的尋優(yōu)范圍為2-8到28，步長為0.8。通過參數(shù)迭代，尋找出使得模型訓(xùn)練誤差值最小的c、g參數(shù)組合，如圖3所示，x、y軸分別為c、g取以2為底的對數(shù)轉(zhuǎn)換值，z軸為模型訓(xùn)練后的K-CV法交叉驗證的均方誤差（MSE），由圖4可知，由紅到紫等高線依次降低，MSE值逐漸降低，該圖為圖3的俯視圖。經(jīng)過c,g的參數(shù)尋優(yōu)，當模型訓(xùn)練MSE值為最小，越接近圖3的底部，這時c,g的組合值為最優(yōu)取值。本次參數(shù)尋優(yōu)后，最佳c值為0.10882，g值為9.1896，此時MSE值為0.023077。

圖3 svm參數(shù)優(yōu)化3D視圖Fig.3 3D view of optimization of SVM parameters

圖4 svm參數(shù)優(yōu)化等高線圖Fig.4 Contour of optimization of SVM parameters

圖5 模型預(yù)測值與期望值的對比Fig.5 Comparison between prediction value and expection value

圖6 模型預(yù)測誤差Fig.6 Model prediction error value and the expected value

2.4 支持向量機的預(yù)測

筆者將訓(xùn)練后的支持向量機模型對測試樣本進行預(yù)測，如圖5所示，綠色的圓圈為預(yù)測輸出值（預(yù)測值），藍色的星號為期望輸出值（實際值），圖中綠色圓圈（預(yù)測值）在藍色星號（實際值）上下浮動，趨勢與實際值符合；由圖7～圖8可以看出，訓(xùn)練樣本和測試樣本中預(yù)測值和實際值的數(shù)據(jù)點擬合效果較好，集中于擬合線和y=x附近，說明模型訓(xùn)練和測試性能較好且穩(wěn)定；由表4可知，訓(xùn)練樣本預(yù)測值和實際值相關(guān)系數(shù)為0.885，測試樣本預(yù)測值和實際值相關(guān)系數(shù)為0.8791，相關(guān)系數(shù)比較穩(wěn)定，說明模型泛化能力較佳；由圖6和表5可知，測試樣本預(yù)測誤差均分布在[-4,4]之間，大部分集中于[-2.5,2.5]，偏離零點線程度不大，因為烤煙評吸總分受評吸專家人為的影響較大，如樣本評吸總分偏離在2.5分以內(nèi)，其實際評吸質(zhì)量的差異其實并不大，故該模型對評吸總分的預(yù)測誤差在一個可以接受的范圍內(nèi)，說明模型預(yù)測效果比較好，預(yù)測模型是可靠的，預(yù)測精度已基本滿足對不同烤煙的評吸質(zhì)量進行評價和相互比較分析的要求，能夠為烤煙的工業(yè)利用和煙葉配方提供參考依據(jù)。

圖7 訓(xùn)練樣本預(yù)測值與實際值數(shù)據(jù)點的擬合Fig.7 Fitting of the prediction and the actual value of the training sample

圖8 測試樣本預(yù)測值與實際值數(shù)據(jù)點的擬合Fig.8 Fitting of the prediction and the actual value of the testing sample

表4 模型訓(xùn)練和測試的預(yù)測值和實際值相關(guān)系數(shù)和樣本個數(shù)Tab.4 Sample numbers and correlation coefficient of prediction and actual values of model training and testing

表5 測試樣本誤差區(qū)間個數(shù)和比例Tab.5 Number and proportion of error section for testing samples

3 討論

本文對初步選取的9個化學(xué)指標進行MIV法變量篩選，其中揮發(fā)性酸、石油醚提取物、鉀離子、還原糖、煙堿的MIV絕對值大小排序為前5名，說明這5個化學(xué)指標對模型輸出有較大影響，且均為不同類別的物質(zhì)，不同類別的化學(xué)指標對烤煙評吸質(zhì)量有其特有的影響，所以選取前5名的化學(xué)指標作為模型輸入變量，變量選取與前人的研究[18]基本一致，前人利用主成分分析對變量進行降維，構(gòu)建回歸預(yù)測方程，取得不錯的效果，但如果利用主成分得分作為支持向量機模型的輸入變量，會造成模型實際運用的不便和分析的困難，所以筆者利用目前應(yīng)用最普遍的MIV法篩選變量。

4 結(jié)論

本文對在matlab環(huán)境下利用libsvm軟件包建立烤煙化學(xué)指標對烤煙評吸質(zhì)量的支持向量機預(yù)測模型，通過MIV法篩選變量，參數(shù)優(yōu)化，K-CV法交叉驗證后，獲取最佳的c值為0.10882，g值為9.1896，MSE為0.023077，利用訓(xùn)練好的模型對測試樣本進行預(yù)測，誤差值在[-4,4]內(nèi)，測試樣本預(yù)測值與實際值的相關(guān)系數(shù)為0.8791，模型對烤煙評吸質(zhì)量的精度能夠滿足要求，故利用支持向量機預(yù)測烤煙評吸質(zhì)量有一定的可行性，能夠為通過烤煙化學(xué)指標預(yù)測烤煙評吸質(zhì)量提供一種可行的建模方式，為工業(yè)企業(yè)有效利用煙葉和配方的設(shè)計提供參考依據(jù)。

但是本文只選取品種為K326，部位等級為C3F（中部桔黃三級）的烤煙樣品作為訓(xùn)練樣本和測試樣本，沒有建立針對其他烤煙品種，不同烤煙部位的支持向量機模型，故此模型有一定的局限性；烤煙評吸打分受評吸專家的個人因素影響較大，不同評吸專家的評判標準有所差異，因此下一步研究應(yīng)當根據(jù)不同烤煙品種，不同烤煙部位，以及不同評吸專家分別建立支持向量機模型。

[1]張勇剛.烤煙感官質(zhì)量評價方法研究[D].鄭州:河南農(nóng)業(yè)大學(xué),2011.

[2]邵惠芳,趙昕宇,許自成,等.基于Fisher判別分析的烤煙感官質(zhì)量與工業(yè)應(yīng)用價值的關(guān)系研究[J].中國煙草學(xué)報,2011,17(6):13-18.

[3]鄧小華,周冀衡,周清明,等.湖南煙區(qū)中部烤煙總糖含量狀況及與評吸質(zhì)量的關(guān)系[J].中國煙草學(xué)報,2009,15(5):43-47.

[4]鄧小華,周冀衡,陳冬林,等.湖南烤煙還原糖含量區(qū)域特征及其對評吸質(zhì)量的影響[J].煙草科技,2008,(06).

[5]黃飛燕,鄭武,楊玉標,等.大理烤煙品種K326糖含量及其與評吸質(zhì)量的關(guān)系初步分析[J].中國煙草科學(xué),2012,33(2):24-27.

[6]鄧小華,周冀衡,李曉忠,等.湖南烤煙總氮含量區(qū)域特征及對評吸質(zhì)量的影響[C]//中國煙草學(xué)會2006年學(xué)術(shù)年會論文集,2007.

[7]肖守斌.烤煙煙堿含量與評吸質(zhì)量的關(guān)系[J].河南農(nóng)業(yè)科學(xué),2009(4):44-48.

[8]羅玲,楊杰,許自成,等.四川烤煙煙堿和總氮含量分布特點及對評吸質(zhì)量的影響[J].鄭州輕工業(yè)學(xué)院學(xué)報:自然科學(xué)版,2012(1):33-36.

[9]高志強,鄧小華,曾忠平,等.烤煙生物堿與評吸質(zhì)量的關(guān)系[J].中國農(nóng)學(xué)通報,2008(6):82-85.

[10]孫力,李銀科,章新,等.鉀素水平對煙葉化學(xué)成分和感官評吸質(zhì)量的影響[J].安徽農(nóng)業(yè)科學(xué),2010(24):13210-13214.

[11]許自成,鄭聰,李丹丹,等.烤煙鉀含量與主要揮發(fā)性香氣物質(zhì)及感官質(zhì)量的關(guān)系分析[J].河南農(nóng)業(yè)大學(xué)學(xué)報,2009(4):354-358.

[12]鄧小華,周冀衡,陳冬林,等.湖南烤煙氯含量狀況及其對評吸質(zhì)量的影響[J].煙草科技,2008(02).

[13]許自成,李丹丹,畢慶文,等.烤煙氯含量與揮發(fā)性香氣物質(zhì)及感官質(zhì)量的關(guān)系研究[J].中國煙草學(xué)報,2008(5):27-32.

[14]冉法芬,許自成,李東亮,等.我國主產(chǎn)煙區(qū)烤煙鉀、氯、鉀氯比與評吸質(zhì)量的關(guān)系分析[J].西南農(nóng)業(yè)學(xué)報,2010(4):1147-1150.

[15]竇玉青,湯朝起,王平,等.北方烤煙鉀氯含量及其與吸食品質(zhì)的關(guān)系研究[J].中國農(nóng)學(xué)通報,2010(17):86-92.

[16]胡皓月.烤煙揮發(fā)酸、揮發(fā)堿含量分布特點及與品質(zhì)指標的關(guān)系[D].鄭州:河南農(nóng)業(yè)大學(xué),2011.

[17]吳興富.云南烤煙主要化學(xué)成分與評吸質(zhì)量相關(guān)性分析[D].長沙:湖南農(nóng)業(yè)大學(xué),2008.

[18]李強,周冀衡,楊榮生,等.基于主成分回歸的曲靖C3F等級烤煙評吸質(zhì)量估算模型[J].中國煙草學(xué)報,2011,17（1）:26-31.

[19]高家合,秦西云,譚仲夏,等.煙葉主要化學(xué)成分對評吸質(zhì)量的影響[J].山地農(nóng)業(yè)生物學(xué)報,2004,23（6）:497-501.

[20]閻克玉,王建民,屈劍波,等.河南烤煙評吸質(zhì)量與主要理化指標的相關(guān)分析[J].煙草科技,2001（10）:5-9.

[21]邵惠芳,許自成,李東亮,等.基于BP神經(jīng)網(wǎng)絡(luò)建立烤煙感官質(zhì)量的預(yù)測模型[J].中國煙草學(xué)報,2011,17(1):19-25.

[22]王強,陳英武,李孟軍.基于支持向量機的卷煙質(zhì)量評估方法[J].系統(tǒng)工程理論方法應(yīng)用,2006(5):475-478.

[23]國家煙草專賣局,全國煙草標準化技術(shù)委員會編.煙草技術(shù)標準匯編(七)[M].北京:中國標準出版社,2003.

[24]Vapnik V N,Chervonenkis A J.The necessary and sufficient conditions for consistency of the method of empirical risk minimization[J].Pattern Recognition and Image Analysis,1991,1(3):158-163.

[25]Smola A J,Scholkopf B.A tutorial on support vector regression [J].Statistics and Computing,2004,14(3):199-222.

[26]王紫薇,葉奇旺.基于神經(jīng)網(wǎng)絡(luò)MIV值分析的腫瘤基因信息提取[J].數(shù)學(xué)的實踐與認識,2011,41(14).

[27]盧永艷,王維國.財務(wù)困境預(yù)測中的變量篩選-基于平均影響值的SVM方法[J].系統(tǒng)工程,2011,29(8):73-78.

MIV-SVM-based prediction model for smoking quality of flue-cured tobacco

NIE Ming1,ZHOU Jiheng1,YANG Rongsheng2,XIA Kaibao2,LI Qiang1,ZHANG Zhuo1
1 Key Lab of Tobacco Science & Health,Hunan Agriculture University,Changsha 410128,China;
2 Yunnan Qujing Tobacco Company,Qujing 655000,Yunnan,China

Support vector machine (SVM) which was used to predict smoking quality based on chemical index of flue-cured tobacco was established by using libsvm software package in Matlab environment.Volatile acid,extractable petroleum ether,potassium,reducing sugar and nicotinamide were taken as input variables by using MIV algorithm.Optimal C value was 0.10882,g value was 9.1896 and correlation coefficient R was 0.885 for training samples and 0.8791 for testing samples.Predicted error was distributed in the [-4,4].Results showed that the prediction model is reliable and capable of providing reference for smoking quality evaluation.

smoking quality; support vector machine; prediction model; parameter optimization

10.3969/j.issn.1004-5708.2014.06.009

TS452 文獻標志碼：A 文章編號：1004-5708（2014）06-0056-07

煙草工商研共建原料與品牌協(xié)同發(fā)展機制（ESTB）項目（曲靖煙草公司）（110200801036）；紅云紅河集團云南基地烤煙品種立體優(yōu)化布局研究(HYHH2012YL03)

聶銘（1989—），在讀碩士研究生，研究方向為煙草科學(xué)與工程技術(shù)，Email：nmsystem@126.com

周冀衡（1957—），教授，博士生導(dǎo)師，研究方向為煙草科學(xué)與工程技術(shù)及WHO-FCTC研究，Email：jhzhou2005@163.com

2013-12-23