[发明专利]电子烟油理化指标的近红外光谱预测模型建立方法及应用

说明书

电子烟油理化指标的近红外光谱预测模型建立方法及应用，采集获取训练集电子烟油光谱信息，建立烟油近红外光谱数据训练集，对光谱数据进行预处理；然后使用分析计量仪器测量获取电子烟油的相对密度、折光指数和PH值；采用粒子群优化‑支持向量机回归(Particle Swarm Optimization‑Support Vector Regression，PSO‑SVR)算法，结合测量获取的理化指标建立近红外光谱预测模型。获取待测量电子烟油的近红外光谱信息并进行预处理，然后用建立的近红外光谱预测模型，直接测量该电子烟油的相对密度、折光指数和PH值，快速无损测量得到电子烟油的重要理化指标。本发明能够实现电子烟油重要理化指标的快速准确测量，对电子烟油重要理化指标的实时在线监测和其它质量参数的快速测量奠定了良好的基础。

技术领域

本发明属于利用近红外光谱分析电子烟油技术领域，具体涉及一种用于电子烟油重要理化指标的近红外光谱快速测量方法及其应用。

背景技术

电子烟在传递尼古丁的过程中不需要对烟草进行燃烧，相对于传统香烟其更加安全且具有更少的有害成份，因此逐渐成为传统香烟的一个新的替代品。电子烟烟油作为电子烟主要特征性原料，其成分和品质的稳定性决定了电子烟的风味口感和产品的稳定性。作为电子烟油的重要基础理化指标，相对密度、折光指数和PH值经常被用于确定烟油品质的稳定性。目前这些理化指标的测量主要通过使用密度计、折光仪和PH计等仪器设备测量获得，存在检测时间长、需要样品预处理、对操作人员要求高等缺点。因此，研究开发一种准确、快速、无损的检测方法获得电子烟油的理化指标对于控制电子烟油的品质和工艺具有重大意义。

近红外光谱分析技术具有简便、快速、前处理简单、对样品无破坏性无污染并可多组分同时测定等优点，在农业、石油、烟草等领域有着广泛应用。国内外学者对近红外光谱法检测不同油品的质量和纯度进行了大量研究，目前已经建立了石油、柴油、食用油等多种油种的近红外定量预测模型，但电子烟油的近红外光谱检测研究目前还尚未出现处于空白。由于油种不同，对于近红外光谱的吸收度不同，因此不同油种需要建立各自的近红外定量预测模型，相互之间不具备通用性。

发明内容

本发明的目的是解决现有技术的不足，提供一种利用近红外光谱分析技术，并联合模式识别中的支持向量机算法实现对电子烟油的近红外光谱快速定量建模，并应用所建模型快速测量获得电子烟油的重要理化指标。

为了实现上述目的，本发明采取的技术方案如下：

电子烟油理化指标的近红外光谱预测模型建立方法，包括如下步骤：

(1)选取具有代表性的多品种、多批次的电子烟油样本作为建模训练集，利用近红外光谱仪采集训练集电子烟油光谱信息，获取训练集电子烟油的近红外光谱信息，建立烟油近红外光谱数据训练集，然后使用小波变换算法、Savitzky-Golay卷积平滑法、多元散射校正法、一阶导数法、二阶导数法中的一种方法对光谱数据进行预处理；

(2)使用分析计量仪器测量获取电子烟油的重要理化指标，包括电子烟油的相对密度、折光指数和PH值；

(3)采用PSO-SVR回归算法，结合步骤(2)中测量获取的理化指标建立近红外光谱预测模型；所述PSO-SVR算法，是通过使用PSO算法来寻求SVR算法进行回归预测时的最优参数，SVR的核函数选用RBF核函数，算法的实现过程主要包括以下步骤：

(a)初始化粒子群中每个粒子的速度和位置，并设定SVM惩罚参数c和核参数δ的搜索范围；

(b)计算每个粒子的适应度值f(x_i)；