[发明专利]预测烟草样品香气量的方法、装置和计算机可读取介质

权利要求书

1.一种预测烟草样品香气量的方法，包括：

(1)获取待测烟草样品的傅里叶近红外光谱数据；

(2)利用训练好的机器学习模型预测待测烟草样品的香气量；

其中，所述机器学习模型通过以下方法训练获得：

(a1)获取样本数据，所述样本数据包括以下(i)和(ii)：

(i)烟气量打分数据，其基于对烟草样品进行评吸获得

(ii)近红外光谱数据，其基于对烟草样品的烟末进行傅里叶变换近红外光谱分析获得；

(a2)利用所述样本数据对机器学习模型进行训练，所述机器学习模型基于烟气量打分数据和近红外光谱数据之间的数学关系进行建模。

2.根据权利要求1所述的方法，其中，步骤(a2)中，所述训练是指基于量子粒子群优化的半监督支持向量回归算法(QPSO-LSS3VR)对机器学习模型进行训练。

3.根据权利要求2所述的方法，其中，步骤(a2)中，所述训练包括：

-采用交叉验证方法，预留10～20％样本数据作测试样本；

-设置初始参数，执行基于量子粒子群优化的半监督支持向量回归算法，预估未标记样本；

-执行基于量子粒子群优化的半监督支持向量回归算法，获得最佳模型参数，建立光谱定量分析模型；

-将测试样本输入模型进行预测，评价模型性能。

4.根据权利要求3所述的方法，其中，步骤(a2)还包括对光谱进行预处理的步骤，预处理的方法选自：一阶导数、二阶导数、矢量归一化、多元信号校正和光谱平滑中的一种或多种。

5.根据权利要求4所述的方法，其中，步骤(a2)中，所述对光谱进行预处理的方法包括以下一项或多项：

-采用多元信号修正(MSC)消除样品不均匀带来的差异；

-采用一阶微分处理，消除基线漂移的影响，获得比原光谱更高分辨率和更清晰的光谱轮廓变化；和

-采用段长为9、间隔为5的萨维茨基(Savitzky-Golay)滤波平滑光谱，消除高频噪音保留有用的低频信息。

6.根据权利要求2所述的方法，项(ii)中，对烟草样品的烟末进行傅里叶变换近红外光谱分析的步骤包括：

-将烟草样品中的烟草粉碎制成烟末样品；

-通过傅里叶变换近红外光谱仪的积分球光谱漫反射采集方式，采集样品光谱波数范围10000～3800cm^-1，扫描烟末样品采集其近红外光谱图。

7.根据权利要求6所述的方法，傅里叶变换近红外光谱仪参数设置包括以下一项或多项：

-扫描间隔设置为3～5cm^-1；

-样品和参比的扫描次数设置为60-70次；

-分辨率设置为6～10cm^-1。

8.根据权利要求2所述的方法，所述量子粒子群优化的半监督支持向量回归算法按如下方法设计：

a)采用TQ软件对样本光谱进行降维处理，将高维数据映射到低维空间，以实现距离度量；

b)计算未标记样本集合N中的样本n_i，与已标记样本集合M中的样本m_j的距离d(n_i，m_j)。

c)根据KNN算法求解每个未标记样本n_i的k个有标记近邻的集合了M’。

d)取M’中所有已标记样本的平均值，预估未标记样本n_i的初始估计值为：T_n＝T_l×(1+rand(0,1))

其中，T_l表示集合中已标记样本平均值。

e)对选入训练的未标记样本，将标记值由模型当前给出的检测值替代；对没有被选入下一次迭代的未标记样本，保持值不变。

9.根据权利要求1所述的方法，所述烟草样品选自卷烟烟草、烟斗烟草或雪茄烟草。