李新鋒，徐小紅

(福建省龍巖金葉復烤有限責任公司，龍巖 364102)

出片率是指煙葉原料經(jīng)過打葉復烤后，成品片煙(含2.36 mm以上的碎片)質(zhì)量占凈投料質(zhì)量的百分比[1]。出片率的高低能側(cè)面反映出企業(yè)的加工水平，決定企業(yè)的經(jīng)濟效益。長期以來，對烤煙出片率的研究，側(cè)重于煙葉物理屬性與煙葉出片率的相關(guān)性研究[2，3]，或打葉工藝設備、工藝參數(shù)對出片率的影響[4～9]，很少根據(jù)煙葉物理屬性建立出片率回歸模型。本研究根據(jù)煙葉物理屬性的各個指標，通過逐步回歸、主成分回歸、基于網(wǎng)格尋優(yōu)法、遺傳算法、粒子群算法尋找最優(yōu)參數(shù)c、g的支持向量機回歸方法建立回歸模型，通過回歸模型預測出片率，為在線工藝參數(shù)設定及技術(shù)經(jīng)濟指標合同的談判和簽訂提供依據(jù)。

1 材料與方法

1.1 材料

2016～2017年共選取煙葉模塊73個，采用隨機分布抽樣法選取58個模塊樣品作為訓練集，15個模塊樣品作為驗證集。

1.2 測定項目與方法

1.2.1 煙葉物理屬性的測定

煙葉物理屬性[10]測定包括原始含梗率(x1)、原始含水率(x2)、單葉重(x3)、長度(x4)、寬度(x5)、單位面積重量(x6)、葉片厚度(x7)、密度(x8)。

1.2.2 煙葉出片率的測定

煙葉出片率(y)的測定參考《打葉煙葉質(zhì)量檢驗》[1]標準進行。

1.3 模型構(gòu)建與驗證

1.3.1 逐步回歸法建模

1.3.2 主成分回歸法建模

主成分分析是將原來具有一定相關(guān)性的自變量，通過線性組合的方式重新組合成一組較少的線性無關(guān)的綜合指標代替原來的指標，新變量能反映出原變量的絕大部分信息。主成分回歸中第一主成分x1對應于數(shù)據(jù)變異(貢獻率e1)最大的方向，對x2，x3，…xm依次有e2≥…≥em。主成分回歸以m個新變量中的前k個貢獻比較大的新變量作為自變量建立回歸方程。

1.3.3 支持向量機回歸法建模

支持向量機通過用內(nèi)積函數(shù)定義的線性變換到一個高維空間，在這個空間中尋找最優(yōu)回歸超平面[11]，使樣本數(shù)據(jù)到該平面的距離最小以實現(xiàn)回歸。本研究希望通過尋找這樣的超平面，找出自變量與因變量在高維空間中的定量關(guān)系[12～16]。

假設在出片率回歸試驗中共得到n組樣本(X1，Y1)，(X2，Y2)…(Xi，Yi) …(Xn，Yn)，且每個Xi都是一個8維向量，可表示為

Xi=[xi1，xi2，xi3，xi4，xi5，xi6，xi7，xi8]’

(1)

式中：xi1，xi2，xi3，xi4，xi5，xi6，xi7，xi8分別表示為第i個樣本中的原始含梗率、原始含水率、單葉重、長度、寬度、單位面積重量、葉片厚度、密度。

通過映射函數(shù)Φ(X)將Xi映射到高維的特征空間，建立線性回歸模型來估計回歸函數(shù)，公式如下：

f(X，w)=w×Φ(X)+b

(2)

式中：w為權(quán)向量，X為輸入向量，b為閾值。

對于給定樣本集，采用ε不敏感函數(shù)，對應的支持向量機為ε-支持向量機，其約束優(yōu)化問題可表示為：

i=1，2…n

其中

(3)

式中：c是懲罰因子，本研究采用網(wǎng)格尋優(yōu)法、遺傳算法、粒子群算法找出最佳參數(shù)c。

式(3)的優(yōu)化問題引入拉格朗日函數(shù)將其轉(zhuǎn)化為對偶問題，通過解對偶問題得到式(2)的解：

(4)

令g=1/δ2，采用網(wǎng)格尋優(yōu)法、遺傳算法、粒子群算法找出最佳g參數(shù)。

任何煙葉物理屬性組合對應的輸入向量Xi通過式(4)都可以得到出片率預測結(jié)果，從而實現(xiàn)煙葉出片率的回歸與預測分析。

1.4 模型評價方法

采用絕對系數(shù)R2、校正標準偏差SEC、預測標準偏差SEP作為模型精度的評價方法。對于建模集而言，R2越大，SEC越小，建模精度越高，模型越穩(wěn)定；對于預測集而言，R2越大，預測標準偏差SEP越小，模型預測精度越高。

2 結(jié)果與分析

2.1 煙葉出片率與煙葉物理屬性總體情況

由表1可知，煙葉出片率變幅為62.48%～73.85%，變幅較大；原始含梗率(x1)、原始含水率(x2)、長度(x4)、寬度(x5)變異系數(shù)較為穩(wěn)定，而單葉重(x3)、單位面積重量(x6)、葉片厚度 (x7)、密度(x8)變異系數(shù)在12.38%～17.92%，較不穩(wěn)定。葉片厚度(x7)標準偏差最小，密度(x8)標準偏差最大，其余指標標準偏差居于中間。

表1 煙葉出片率與煙葉物理屬性的描述性統(tǒng)計

2.2 煙葉出片率預測模型的構(gòu)建

2.2.1 逐步回歸法建模

采用Matlab做逐步回歸分析，結(jié)果如表2所示。建立包含含梗率(x1)、原始含水率(x2)、長度(x4)、葉片厚度 (x7)、密度(x8)等指標的估計出片率的最優(yōu)回歸方程：

y=199.270+4.582x1-17.874x2-3.654x4+1417.1x7+1.157x8-47.774x1x7-0.039x1x8+0.242x2x4。

對各偏回歸系數(shù)顯著性進行檢驗，結(jié)果顯示：含梗率(x1)、原始含水率(x2)、長度(x4)、葉片厚度(x7)達到極顯著水平(p<0.01)、密度(x8)達到顯著水平(p<0.05)，對截距的檢驗結(jié)果為顯著(p<0.05)，可以認為所得的逐步回歸方程成立。采用F檢驗方法對構(gòu)建的逐步回歸方程進行顯著性檢驗，檢驗結(jié)果顯示達到極顯著水平(F=47.400，p<0.01)，說明該方程具有統(tǒng)計學意義。

表2 逐步回歸方程偏回歸系數(shù)和回歸常數(shù)顯著性檢驗結(jié)果

2.2.2 主成分回歸法建模

采用Matlab軟件做主成分回歸分析，提取前8個主成分(累積貢獻率達到95.096%)參與建模，回歸方程為：

y=104.029-0.426x1-1.378x2+0.045x3-0.149x4-0.157x5+12.232x6+59.578x7-0.014x8

2.2.3 支持向量機回歸法建模

采用Matlab軟件中的map min max函數(shù)進行數(shù)據(jù)的歸一化，同時采用網(wǎng)格尋優(yōu)法、遺傳算法、粒子群優(yōu)化法尋找最佳參數(shù)c和g，對比各參數(shù)下SVR的訓練與回歸結(jié)果(圖1～3)。

圖1 網(wǎng)格尋優(yōu)法 圖2 遺傳算法 圖3 粒子群優(yōu)化法

對比3種參數(shù)優(yōu)化法，粒子群優(yōu)化法建模集和驗證集的決定系數(shù)R2均大于其他2種方法；同時，粒子群優(yōu)化法建模集的校正標準偏差和驗證集的預測標準偏差均小于其他2種方法；因此選擇粒子群優(yōu)化法確定最佳參數(shù)c=29.744，g=0.01。在此參數(shù)下進行SVR的訓練與回歸，結(jié)果如表3所示。訓練過程中共迭代53次?；貧w過程中校正標準偏差和決定系數(shù)分別為0.582和0.963。

表3 支持向量機回歸結(jié)果參數(shù)表

2.3 模型對比分析

對逐步回歸、主成分回歸、支持向量機回歸3種方法構(gòu)建的出片率模型進行比較，建模集采用決定系數(shù)和校正標準偏差(SEC)判定，驗證集采用決定系數(shù)和預測標準偏差(SEP)判定，得出不同模型的建模和驗證精度(表4、5)?？梢钥闯觯褐С窒蛄繖C建模集和驗證集的決定系數(shù)(R2)比其他兩種建模方法大，同時建模集的校正標準偏差(SEC)和驗證集的預測標準偏差(SEP)比其他兩種建模方法小，表明采用支持向量機方法建模和驗證較其他兩種建模方法好。

表4 不同模型建模的驗證精度

表5 不同模型預測結(jié)果對比

續(xù)表5

驗證集樣品出片率/%逐步回歸預測主成分回歸預測支持向量機回歸預測出片率/%絕對誤差出片率/%絕對誤差出片率/%絕對誤差1268.3867.84-0.5468.29-0.0968.33-0.051368.0268.200.1869.101.0868.710.691467.7668.180.4267.75-0.0167.71-0.051567.8866.69-1.1966.14-1.7467.44-0.44

3 小結(jié)與討論

3.1 小結(jié)

(1)逐步回歸分析結(jié)果顯示，影響出片率的主要煙葉物理屬性指標為含梗率、原始含水率、長度、葉片厚度、密度。

(2)網(wǎng)格尋優(yōu)法、遺傳算法、粒子群優(yōu)化法均有良好的泛化能力，可以用于出片率預測，其中粒子群優(yōu)化法出片率預測結(jié)果優(yōu)于其他兩種方法。

(3)逐步回歸、主成分回歸、支持向量機回歸3種方法模型預測精度都較高，說明3種方法對出片率的預測是可行的。其中，對出片率預測最好的模型為粒子群優(yōu)化法選擇的最佳參數(shù)所對應的支持向量機回歸模型，其次是逐步回歸模型，預測能力最低的是主成分回歸模型。

3.2 討論

本研究從煙葉的物理屬性分析煙葉出片率，如果將煙葉的物理屬性與在線工藝參數(shù)結(jié)合在一起，更全面地分析煙葉的出片率，可能會有新的突破。