[發明專利]一種煙支吸阻預測方法及系統

在審

• 申請號: 202211645792.9
• 申請日: 2022-12-15
• 公開（公告）號: CN115952335A
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 胡素霞;陳琳;王娜;程占剛;劉峰峰;龔靜雯;章新橋
• 申請（專利權）人: 湖北中煙工業有限責任公司
• 主分類號: G06F16/9035
• 分類號: G06F16/9035;G06F16/906;G06F18/214;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 劉源

1.一種煙支吸阻預測方法，其特征在于，包括：

獲取預先訓練得到的吸阻預測模型；

將待預測煙支的實時數據輸入所述吸阻預測模型，預測得到所述待預測煙支的吸阻數據；

其中，所述吸阻預測模型基于歷史數據和徑向基神經網絡訓練得到，所述歷史數據包括煙支的歷史物理指標測試數據和歷史輔料設計數據。

2.如權利要求1所述的煙支吸阻預測方法，其特征在于，所述吸阻預測模型通過以下方法訓練得到：

對歷史數據進行預處理，得到樣本數據；

對所述樣本數據進行篩選，得到關鍵數據；

利用所述關鍵數據訓練徑向基神經網絡，得到吸阻預測模型。

3.如權利要求2所述的煙支吸阻預測方法，其特征在于，所述對歷史數據進行預處理，得到樣本數據包括：

根據預設技術標準，對所述歷史數據進行剔除處理，得到初篩數據；

對所述初篩數據進行去除粗大誤差處理，得到復篩數據；

對所述復篩數據進行重新聚類，得到聚類數據；

對所述聚類數據進行歸一化處理，得到所述樣本數據。

4.如權利要求3所述的煙支吸阻預測方法，其特征在于，所述對所述樣本數據進行篩選，得到關鍵數據包括：

根據所述樣本數據，建立吸阻的回歸模型；

所述吸阻的回歸模型的表達式為：

y＝β₀+β₁x₁+β₂x₂+...+β_px_n+ε

式中，y是指被解釋變量，即煙支吸阻；β₀是指常數項；β_p是指回歸系數，即樣本數據中第p類指標的回歸系數；x_n是指解釋變量，即樣本數據中第n類指標的數據；ε是指與x_n獨立的殘差項；

根據所述回歸模型，建立吸阻的相關性分析模型；

所述相關性分析模型的表達式為：

式中，是指L1懲罰范數，即各變量權重絕對值之和；λ₁是指隨模型調整的超參數；是依據解釋變量出現次數的懲罰項；η₁和γ₁是指自適應懲罰參數；是指系數估計值；

根據所述相關性分析模型，對所述樣本數據進行篩選，得到所述關鍵數據。

5.如權利要求4所述的煙支吸阻預測方法，其特征在于，所述根據所述相關性分析模型，對所述樣本數據進行篩選，得到關鍵數據包括：

SA.根據所述相關性分析模型，確定超參數λ₁和懲罰項

SB.根據所述超參數λ₁和所述懲罰項得到所述樣本數據的系數估計值

SC.根據所述系數估計值得到穩定性值S_t；

SD.判斷所述穩定性值S_t是否大于預設穩定性值，若否，則執行SE，若是，則執行SF；

SE.對所述超參數λ₁和所述懲罰項進行調整，然后返回執行所述SB；

SF.保留所述系數估計值和所述樣本數據；

SG.判斷保留的所述樣本數據是否滿足預設輸出條件，若否，則返回執行所述SE，若是，則執行SH；

SH.根據保留的所述系數估計值和保留的所述樣本數據，得到所述關鍵數據。

6.如權利要求5所述的煙支吸阻預測方法，其特征在于，所述對所述超參數λ₁和所述懲罰項進行調整包括：

調大所述懲罰項的值；

對所述超參數λ₁進行交叉驗證，得到誤差最小值，并將所述超參數λ₁設為所述誤差最小值。

7.如權利要求5所述的煙支吸阻預測方法，其特征在于，所述根據保留的所述系數估計值和保留的所述樣本數據，得到所述關鍵數據之后，還包括：

根據保留的所述系數估計值得到所述關鍵數據的貢獻度。