[發明專利]一種煙葉感官質量預測方法

在審

• 申請號: 202110912832.0
• 申請日: 2021-08-10
• 公開（公告）號: CN113723622A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 孟珍;周園春;翟擎辰;王學志;宋秋成;沈志宏
• 申請（專利權）人: 中國科學院計算機網絡信息中心
• 主分類號: G06N20/20
• 分類號: G06N20/20;G06N20/10
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 司立彬

本發明公開了一種煙葉感官質量預測方法，其步驟包括：1)設定所集成弱分類器的數目K、損失函數以及所要分的類別數目R；2)基于樣本數據集對集成學習中的各弱分類器進行訓練并更新弱分類器的權重和煙草樣本的權重；其中訓練第k個弱分類器時，第k個弱分類器對輸入數據x_i的輸出為G_k(x_i)，計算對應的損失函數值e_k；然后將第k個弱分類器的權重a_k更新為然后通過權重a_k更新樣本x_i的權重，再利用更新后的樣本數據集訓練第k+1個弱分類器；3)基于各弱分類器的權重對所有弱分類器進行集成，得到強分類器；4)將待識別煙草數據的特征輸入所述強分類器，得到對應的類別。

技術領域

本發明屬于計算機應用技術領域，涉及數據挖掘領域中數據分類預測問題，尤其涉及到基于集成學習任務的煙葉感官質量分類預測方法。

背景技術

穩定的煙葉感官質量是煙草產品在工業生產中質量穩定的前提條件。在卷煙的生產過程中，不同種類的卷煙所涉及的煙草配方是不同的。其中有的煙草產品所用原料更是能涉及20至30種煙葉。由于在工業生產中，煙草原料的來源的穩定性會受到多種因素的影響(運輸方式、存儲方式、煙葉產量、生長環境變化)，故如何使煙葉質量穩定是煙草工業生產中的難點問題之一。通常而言，為了使所生產的卷煙質量穩定，需要使用一定的配方維護方法。而如何設計配方維護方法的規則及評價指標，是一個十分復雜的問題。

在傳統的煙草生產配方維護中，通常是通過大量的經驗積累人工進行信息的采集與分析，對卷煙生產的原料進行定性的判斷，從而一定程度上提升卷煙生產配方的穩定性。但是通過此種方法進行配方維護效率十分低下，并且該方法在實施過程中對人力、物力、財力的消耗都有巨大的消耗，與目前煙草工業生產中“快速化生產、持續化生產”的目標背道而馳。

為了挖掘煙葉中的這些理化特性與煙葉的感官質量之間的關系，煙草行業已經對此研究了數十年之久，并且這些研究目前依然是煙草科學中主要的研究方向。尤其在機器學習的算法引入之后，對煙草質量回歸分析方面的研究更是愈來愈多。但是大多數現有的研究所引入的方法主要集中在簡單的機器學習算法或者數理統計方法上。雖然這些方法可以對煙葉感官質量評級進行定性的分析，但是當要做定量的計算與分類時，這些方法則難以得出明確的結論與數值。而這些問題的根本原因還是在于煙葉感官質量數據通常分布稀疏，并且傳統的機器學習方法對于稀疏的數據集適應性較差。

因此，在煙葉感官質量預測的問題中。工業數據集的稀疏性與煙葉數據特征的選擇一直是煙葉感官質量預測的核心問題。如何克服數據集的稀疏性的問題以及選擇出代表性強的特征，是煙葉感官質量預測算法精度的關鍵所在。

發明內容

本發明的目的是提供種基于集成學習的煙葉感官質量分類預測的方法，將預測任務轉化成一個多決策樹構造過程進行解決，并利用機器學習與集成學習結合的方式對預測模型進行訓練，對煙葉樣本的感官質量進行分類預測。

為了方便說明，首先引入如下概念：

決策樹(Decision Tree)是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。

集成學習(Ensemble Learning,EL)：集成學習，其實就是學習器的集成，通過構建并結合多個學習器來完成學習任務。一般結構是：先產生一組“個體學習器”，再用某種策略將它們結合起來。集成學習就是組合這里的多個弱監督模型以期得到一個更好更全面的強監督模型，集成學習潛在的思想是即便某一個弱分類器得到了錯誤的預測，其他的弱分類器也可以將錯誤糾正回來。