郭東鋒，閆 寧，胡海洲，劉 非，鄒 鵬，竇玉青，張忠鋒，舒俊生

(1.安徽中煙工業(yè)有限責任公司 技術中心，安徽 合肥 230088；2.中國農(nóng)業(yè)科學院 煙草研究所，山東 青島 266101)

?

基于機器學習算法的烤煙香型分類研究

郭東鋒1，閆 寧2*，胡海洲2，劉 非1，鄒 鵬1，竇玉青2，張忠鋒2，舒俊生1

(1.安徽中煙工業(yè)有限責任公司 技術中心，安徽 合肥 230088；2.中國農(nóng)業(yè)科學院 煙草研究所，山東 青島 266101)

摘要：為了探索烤煙香型判別分析的方法，采集了我國典型香型的烤煙樣本，運用機器學習的方法對訓練集和測試集的樣本進行了模型擬合，結果表明：對于清香型、濃香型、中間香型擬合最好的機器學習算法為神經(jīng)網(wǎng)絡模型，就香型而言，該模型對于清香型、濃香型評價相對較好，中間香型整體判定效果較低；就數(shù)據(jù)集而言，在數(shù)據(jù)準備中分部位進行香型判別較為合理。在具體香型分析判別中，可首選神經(jīng)網(wǎng)絡機器學習算法，為煙草質(zhì)量評價和卷煙產(chǎn)品研發(fā)等提供技術依據(jù)。

關鍵詞：烤煙；香型；分類；機器學習

烤煙香型不僅是區(qū)分煙葉風格特征的一項重要指標，而且是煙葉品質(zhì)區(qū)域劃分的重要依據(jù)和中式卷煙風格的重要構成因素[1-2]。近年來，“三縱三橫”、“特色煙開發(fā)”等重大項目的開展，促成了對烤煙香型研究和認識進一步加深[3]。前人在不同產(chǎn)區(qū)烤煙揮發(fā)性物質(zhì)[4-5]、潛香型物質(zhì)與評吸質(zhì)量[6-7]、香氣特征與化學成分差異[8-13]等方面開展了研究，畢淑峰等[14]用逐步判別分析方法鑒定了我國烤煙香型，李章海[15-16]、王能如[17]等采用指數(shù)模型的方法分析了我國烤煙香型的重要因子及生態(tài)尺度差異，詹軍等[18]基于香味成分對烤煙香型進行了判別分析[19-20]，朱紅根等[21]運用BP神經(jīng)網(wǎng)絡分析了烤煙香型。

機器學習是一門多領域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能[22-23]。機器學習尤其在人工智能領域有較多的應用和研究，但是在煙草研究相關領域及其學習的研究尚不多見。基于此，本研究利用機器學習及其方法探索烤煙香型分類的方法與模式，以期為煙草質(zhì)量評價和卷煙生產(chǎn)等提供參考。

1材料與方法

1.1材料

本研究所用樣品為2012、2013年來自全國主要烤煙區(qū)域云南、貴州、四川、湖南、河南、福建、安徽皖南等地X2F、C3F、B2F 3個標準等級的樣品，共計87套261個，其中2012年63套189個作為訓練集，2013年24套中的24個C3F作為測試樣本。

1.2試驗方法

1.2.1常規(guī)化學成分檢測方法按照標準YC/T 159—2002《煙草及煙草制品 水溶性糖的測定 連續(xù)流動法》中規(guī)定的方法測定煙葉中總糖和還原糖，按照標準YC/T 160—2002《煙草及煙草制品 總植物堿的測定 連續(xù)流動法》、YC/T 161—2002《煙草及煙草制品 總氮的測定 連續(xù)流動法》、YC/T 173—2003《煙草及煙草制品 鉀的測定 火焰光度法》和YC/T 162—2002《煙草及煙草制品氯的測定 連續(xù)流動法》中規(guī)定的方法分別測定煙葉中的煙堿、總氮、總鉀和總氯。

1.2.2煙葉感官評價方法香型確定由安徽中煙技術中心專業(yè)評吸人員按照清、中、濃香型進行評價確定。評吸前單料煙在環(huán)境條件溫度22.2±0.5 ℃、濕度61.0±2.0%條件下平衡48 h以上。

1.2.3機器學習算法介紹

樸素貝葉斯(Naive Bayes)是統(tǒng)計分類方法，其對兩種數(shù)據(jù)貝葉斯分類有較好的分類效果：一種是完全獨立的數(shù)據(jù)，另一種是函數(shù)依賴的數(shù)據(jù)。

決策樹(Decision Tree)是數(shù)據(jù)挖掘中的重要算法，用于分類即是分類樹(Classification Tree)，它是描述給定預測向量值X后，變量Y(Y連續(xù)型為回歸，Y離散型為分類)條件分布的一個靈活的方法，對噪聲數(shù)據(jù)具有很好的魯棒性。

隨機森林(Random Forest)，是一種由多棵決策樹組合而成的聯(lián)合預測模型，可以作為快速且有效的分類模型。整個Random Forest的輸出由眾多決策樹共同決定。

支持向量機回歸(Support Vector Machine，SVM)是在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。

人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)，簡稱神經(jīng)網(wǎng)絡(Neural Network，NN)，是一種模仿生物神經(jīng)網(wǎng)絡的結構和功能的數(shù)學模型或計算模型，由大量的人工神經(jīng)元聯(lián)結進行計算，常用來對輸入和輸出間復雜的關系進行建模，或用來探索數(shù)據(jù)的模式。

k最近鄰(k-Nearest Neighbor，kNN)分類算法，是一個理論上比較成熟的方法，也是最簡單的機器學習算法之一。由于kNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，kNN方法較其他方法更為適合。

CN2算法結合了ID3算法處理數(shù)據(jù)的效率和處理噪音數(shù)據(jù)的能力，以及AQ算法家族的靈活性，通過改進去除了對特定數(shù)據(jù)的依賴，且通過統(tǒng)計學類比，可以達到與使用剪枝方法的算法相同的效果。CN2使用一種基于噪音估計的啟發(fā)式方法來終止它的搜索過程。

1.3數(shù)據(jù)分析方法

1.3.1數(shù)據(jù)處理用Excel 2007對數(shù)據(jù)進行處理，數(shù)據(jù)的統(tǒng)計及作圖均在Origin軟件中完成。數(shù)據(jù)清洗采用3S法進行離群點的剔除，缺失值的填充采用最近鄰算法(kNN)進行補缺。訓練集數(shù)據(jù)采用5折交叉驗證進行機器學習，測試集直接用訓練集所得模型進行機器學習，模型評價參考訓練集結果，以測試集結果進行模型綜合比較。

1.3.2數(shù)據(jù)分析指標含義針對一組數(shù)據(jù)進行分類模型的建立，每個模型的結果評價會有一個混淆矩陣(Confusion Matrix)來匯總模型結果，就某個樣本而言，其被模型判定的結果見表1。

表1　分類模型評價結果混淆矩陣

為了評價模型的評判效果，在混淆矩陣的基礎上衍生很多評價指標。其中：

ROC(ReceiverOperatingCharacteristicCurve)：受試者工作特征曲線，簡稱ROC曲線，又稱為感受性曲線(SensitivityCurve)。AUC(AreaunderROCCurve)即為ROC曲線下的面積，數(shù)值在0～1之間，越接近1模型評價效果越好。

2結果與分析

2.1基于機器學習的香型分類

通過分別對訓練集和測試集數(shù)據(jù)進行模型學習，訓練集、測試集混淆矩陣結果分別見表2、表3，從訓練集混淆矩陣來看，7種機器學習方法準確率并不全都表現(xiàn)良好，其中以神經(jīng)網(wǎng)絡(NeuralNetwork)整體正確率達到了60%，其他幾種算法整體分類正確率超過50%的有樸素貝葉斯(NaiveBayes)、隨機森林(RandomForest)、分類樹(ClassificationTree)3種分類方法，而支持向量機(SVM)、最近鄰算法(kNN)和CN2rules對于訓練集的整體分類正確率不足50%。

對于測試集(全部為中部葉)而言，支持向量機(SVM)分類正確率達到了100%，樸素貝葉斯(NaiveBayes)、隨機森林(RandomForest)、樸素貝葉斯(NeuralNetwork)測試集整體分類正確率達到了90%以上，最近鄰算法(kNN)、分類樹(ClassificationTree)、CN2rules整體分類正確率僅為60%～70%，與其他算法相比明顯較低，但是測試集整體分類正確率明顯高于訓練集。

分析其原因，可能與訓練集和測試集的數(shù)據(jù)形態(tài)有關，訓練集數(shù)據(jù)包括了上、中、下3個部位不同香型的煙葉，上、中、下3個部位煙葉化學成分本身存在明顯或顯著差異，而測試集數(shù)據(jù)全部為中部葉，數(shù)據(jù)分布更為集中。因此，訓練集分類效果受到部位影響，整體分類正確率相對較低。

表2　香型分類機器學習混淆矩陣(訓練集)

表3　香型分類機器學習混淆矩陣(測試集)

2.2訓練集的機器學習算法性能比較

為了進一步評價各種機器學習分類的效果，對機器學習的分類整體效果和分項指標進一步分析，結果見表4～表7及圖1。就訓練集而言，分類精度(Classification Accuracy)較高的為神經(jīng)網(wǎng)絡(Neural Network)、隨機森林(Random Forest)，分別達到了0.6517、0.6071其他幾種算法分類精度依次為樸素貝葉斯>支持向量機>分類樹>CN2算法>最近鄰算法；受試者曲線面積(AUC)也表現(xiàn)出相同的規(guī)律。

表4　機器學習算法性能比較(訓練集)

就訓練集各個香型而言，各個算法對于香型判斷的性能也有不同，由表5可知，對清香型判定正例覆蓋率(等同于召回率)最高的是支持向量機模型(SVM)，其次是CN2 rules模型；清香型命中率最高的模型是決策樹，其次是神經(jīng)網(wǎng)絡；以加權綜合指標F-measure來看，判定清香型效果最好的模型是神經(jīng)網(wǎng)絡，其次是隨機森林；從馬修斯相關系數(shù)來看，判定清香型效果最好的模型是神經(jīng)網(wǎng)絡，其次為決策樹。

從濃香型的判定結果來看，正例覆蓋率(等同于召回率)最高的是樸素貝葉斯模型，其次為神經(jīng)網(wǎng)絡；命中率最高的是支持向量機模型(SVM)，其次是CN2 rules模型；以F-measure指標判定濃香型效果最好的模型是神經(jīng)網(wǎng)絡，其次是樸素貝葉斯模型；以馬修斯相關系數(shù)來評判濃香型效果最好的模型是神經(jīng)網(wǎng)絡，其次為決策樹。

從各模型評價中間香型的結果來看，中間香型整體評價效果不如清香型、濃香型，其中正例覆蓋率最高的模型為神經(jīng)網(wǎng)絡，命中率最高的模型是支持向量機，以F-measure、馬修斯相關系數(shù)兩項指標評定均為神經(jīng)網(wǎng)絡模型。

因此，整體來看對訓練集的評價效果，評價清香型、濃香型和中間香型最好的模型為神經(jīng)網(wǎng)絡。

表5　不同香型間機器學習算法性能比較(訓練集)

2.3測試集的機器學習算法性能比較

就測試集而言，支持向量機(SVM)的分類精度最高，全部分類正確，其次為樸素貝葉斯和神經(jīng)網(wǎng)絡模型，分類精度均達到了0.92；隨機森林算法的分類精度達到了0.84，而最近鄰算法、CN2算法和分類樹算法精度都未超過0.8。由AUC指標(其值越接近于1說明模型分類效果越好)可以看出，神經(jīng)網(wǎng)絡和支持向量機最高，兩者對于測試集分類全部正確，其次表現(xiàn)較好的為樸素貝葉斯模型，AUC達到了0.9815；隨機森林算法AUC也達到了0.9741，其余模型表現(xiàn)優(yōu)劣依次為CN2 rules>Classification Tree>kNN。測試集的分類精度和AUC普遍高于訓練集。且分類精度與AUC指標基本表現(xiàn)出相同的規(guī)律，但是也略有不同，這可能是兩者的計算方法不同所致。

從測試集評價結果來看(表7)，判定清香型正例覆蓋率最高的模型為支持向量機和神經(jīng)網(wǎng)絡，樣本全部分類正確。判定濃香型正例覆蓋率最高的模型為支持向量機、樸素貝葉斯、隨機森林、CN2 rules；命中率最高的為支持向量機和神經(jīng)網(wǎng)絡，F(xiàn)-measure、馬修斯相關系數(shù)評價最高的模型為支持向量機。中間香型正例覆蓋率最高的模型為支持向量機，命中率最高的模型有支持向量機、樸素貝葉斯、CN2 rules 3個模型，F(xiàn)-measure、馬修斯相關系數(shù)評價最高的模型為支持向量機。因此，整體看測試集評價效果，對3個香型評價效果最好的模型是支持向量機。

表6　機器學習算法性能比較(測試集)

表7　不同香型間機器學習算法性能比較(測試集)

圖1　不同香型機器學習算法ROC曲線

3討論與結論

對于在模型擬合訓練中訓練集和測試集存在的差異，經(jīng)過分析認為訓練集包含上、中、下3個部位的煙葉數(shù)據(jù)，而煙葉3個部位的化學成分存在明顯或顯著的差異，測試集數(shù)據(jù)相對單一集中(中部葉)，因此機器學習算法對于測試集擬合效果好于訓練集。對于清香型、濃香型和中間香型擬合的效果，一方面因不同模型的算法原理、數(shù)據(jù)等因素的要求不同，結果隨之改變，另一方面可能源于不同香型在數(shù)據(jù)集表達效能的差異。本研究僅針對不同香型在煙葉常規(guī)化學成分做出的不同機器學習算法的比較，煙葉的香型不僅受到常規(guī)化學的影響，還有煙葉內(nèi)的致香物質(zhì)、煙葉表面物質(zhì)、煙葉揮發(fā)性成分等諸多因素的影響，因此針對烤煙香型分類的研究還需要進一步深入開展。

對于含有上、中、下3個部位的混合數(shù)據(jù)訓練集，判定清香型、濃香型、中間香型最高的模型為神經(jīng)網(wǎng)絡模型，對于僅含有一個部位(中部葉)的測試集，支持向量機模型性能表現(xiàn)最好。

就各個香型而言，機器學習算法模型對清香型的訓練效果相對最好，其次濃香型的訓練效果也相對較佳，而中間香型的機器學習模型訓練效果不甚理想，這可能與中間香型的認識、內(nèi)涵、香型內(nèi)差異等諸多因素有關[1-2,24-27]。

參考文獻：

[1] 唐遠駒.關于烤煙香型問題的探討[J].中國煙草科學,2011,32(3):1-7.

[2] 劉鐘祥.論卷煙產(chǎn)品風格[J].煙草科技,1996(2):5-7.

[3] 姜慧娟,趙銘欽,劉鵬飛,等.烤煙香型劃分及質(zhì)量特征研究進展[J].浙江農(nóng)業(yè)科學,2012(12):1628-1632.

[4] 周冀衡,楊虹琦,林桂華,等.不同烤煙產(chǎn)區(qū)煙葉中主要揮發(fā)性香氣物質(zhì)的研究[J].湖南農(nóng)業(yè)大學學報:自然科學版,2004,30(1):20-23.

[5] 許自成,秦璐,邵惠芳,等.烤煙鉀含量與多酚、有機酸含量及評吸品質(zhì)的關系[J].河南農(nóng)業(yè)大學學報,2010,44(4):383-389.

[6] 楊虹琦,周冀衡,楊述元,等.不同產(chǎn)區(qū)烤煙中主要潛香型物質(zhì)對評吸質(zhì)量的影響研究[J].湖南農(nóng)業(yè)大學學報:自然科學版,2005,31(1):11-14.

[7] 邵惠芳,鄭聰,許自成,等.三門峽優(yōu)質(zhì)烤煙中性香氣物質(zhì)的特點及香型風格評價[J].河南農(nóng)業(yè)大學學報,2010,44(5):508-512.

[8] 張永安,鄭湖南,周冀衡,等.不同產(chǎn)區(qū)烤煙香氣特征與化學成分的差異[J].湖南農(nóng)業(yè)大學學報:自然科學版,2007,33(5):568-571.

[9] 常愛霞,張建平,杜詠梅,等.烤煙香型相關化學成分主導的不同產(chǎn)區(qū)煙葉聚類分析[J].中國煙草學報,2010,16(2):14-19.

[10] 杜詠梅,張建平,王樹聲,等.主導烤煙香型風格及感官質(zhì)量差異的主要化學指標分析[J].中國煙草科學,2010,31(5):7-12.

[11] 郭靈燕,袁紅星,海洋,等.河南省不同香型煙葉香氣成分比較分析[J].河南農(nóng)業(yè)科學,2010(6):40-44.

[12] 席元肖,宋紀真,李鋒,等.不同香型烤煙香氣前體物及香味成分含量的差異分析[J].浙江農(nóng)業(yè)科學,2011(2):355-361.

[13] 席元肖,魏春陽,宋紀真,等.不同香型烤煙化學成分含量的差異[J].煙草科技,2011(5):29-33.

[14] 畢淑峰,朱顯靈,馬成澤.逐步判別分析在中國烤煙香型鑒定中的應用[J].熱帶作物學報,2006,27(4):104-107.

[15] 李章海,王能如,王東勝,等.烤煙香型的重要影響因子及香型指數(shù)模型的構建初探[J].安徽農(nóng)業(yè)科學,2009,37(5):2055-2057.

[16] 李章海,王能如,王東勝,等.不同生態(tài)尺度煙區(qū)烤煙香型風格的初步研究[J].中國煙草科學,2009,30(5):67-70.

[17] 王能如,李章海,王東勝,等.烤煙香氣成分與其評吸總分和香味特征的相關性[J].安徽農(nóng)業(yè)科學,2009,37(6):2567-2569.

[18] 詹軍,張曉龍,周芳芳,等.基于烤煙中性致香物質(zhì)的烤煙香型判別分析[J].西北農(nóng)業(yè)學報,2012,21(12):80-87.

[19] 詹軍,周芳芳,鄧國賓,等.基于化學成分和致香物質(zhì)的烤煙上部葉香型判別分析[J].湖南農(nóng)業(yè)大學學報:自然科學版,2013,39(3):232-241.

[20] 詹軍,周芳芳,鄧國賓,等.基于致香物質(zhì)含量和組成比例的烤煙中上部葉香型判斷[J].西南農(nóng)業(yè)學報,2013,26(6):2538-2545.

[21] 朱紅根,段史江,李亞純,等.BP神經(jīng)網(wǎng)絡法在烤煙香型評定中的應用[J].湖南農(nóng)業(yè)科學,2013(12):35-36.

[22] Gammerman A J. Machine learning: progress and prospects[M]. 1997.

[23] Ethem Alpaydin. Introduction to machine learning[M]. The MIT Press, 2004.

[24] 唐遠駒,劉鐘祥,潘文杰.烤煙“中間香型”的困惑[J].中國煙草科學,2014,35(2):1-6.

[25] 史躍偉,趙杰宏,王志紅,等.烤煙主要化學成分與中間香型彰顯度的相關分析[J].東北農(nóng)業(yè)大學學報,2013,44(1):106-109.

[26] 吳春,王軼,蒲文宣,等.中間香型煙葉特色彰顯度與主要化學成分的相關及通徑分析[J].中國煙草科學,2012,33(4):1-6.

[27] 冉霞,牟蘭,劉仁祥,等.貴州典型植煙區(qū)煙葉揮發(fā)性香氣成分與香型風格關系分析[J].山地農(nóng)業(yè)生物學報,2013,32(6):499-505.

(責任編輯：許晶晶)

Study on Classification of Flue-cured Tobacco Based on Machine Learning Methods

GUO Dong-feng1, YAN Ning2*, HU Hai-zhou2, LIU Fei1, ZOU Peng1,

DOU Yu-qing2, ZHANG Zhong-feng2, SHU Jun-sheng1

(1. Technology Center of Anhui Cigarette Industrial Limited Company, Hefei 230088, China;2. Tobacco Research Institute, Chinese Academy of Agricultural Sciences, Qingdao 266101, China)

Abstract：To explore the methods for flue-cured tobacco types classification, typical tobacco samples were collected from main tobacco-planted areas in China. These samples had been trained and tested by several machine learning methods to model fitting. The results showed that Neural Network algorithm could expressed best prediction from these machine learning methods to predict the flue-cured tobacco types, the Qing and Nong types were trained and tested best by the machine learning method, but the Zhong type was trained and tested worse by such methods, discriminant by vary part tobacco leaves was reasonable in the data preparation. So Neural Network algorithm could be used to predict the flue-cured tobacco types in tobacco quality evaluation and cigarette production.

Key words：Flue-cured tobacco; Odor type; Classification; Machine learning

中圖分類號：TP181

文獻標志碼：A

文章編號：1001-8581(2016)02-0043-06

作者簡介：郭東鋒(1980—)，男，高級農(nóng)藝師，博士，主要從事煙草生理生態(tài)及原料質(zhì)量評價工作。*通訊作者：閆寧。

基金項目：中國煙草總公司科技重點項目“烤煙生產(chǎn)結構優(yōu)化效應及關鍵技術研究與應用”(110201402007)；安徽中煙工業(yè)有限責任公司科技計劃項目“皖南煙葉生產(chǎn)GAP管理模式研究”(2014124)、“皖南煙葉生產(chǎn)等級結構優(yōu)化技術研究”(2014125)。

收稿日期：2015-07-14