[发明专利]基于主成分分析和超级学习的烟叶质量等级分类预测方法

说明书

本发明公开了一种基于主成分分析和超级学习的烟叶质量等级分类预测方法，其步骤包括：1)将烟叶质量数据样本按照设定指标类别进行分组；2)分别对每一指标数据集中的指标数据进行主成分分析，对数据进行降维并消除相关性；3)利用每一处理后的指标数据集训练超级学习框架中每一基础学习算法，得到一第一级分类预测模型；4)选取验证数据输入到对应第一级分类预测模型中，得到分类预测结果；5)将各分类预测结果作为超级学习框架中元学习器的输入数据对其进行训练，获得各第一级分类预测模型的优化权重组合，创建超级学习模型；6)将待识别烟叶质量数据的指标数据输入超级学习模型，得到待识别烟叶质量数据的烟叶质量等级分类预测结果。

技术领域

本发明涉及一种基于机器学习的烟叶质量等级分类预测方法，具体涉及一种基于主成分分析和超级学习实现烟叶质量等级分类预测的方法。

背景技术

烟叶是烟草工业重要的原材料，烟叶的外观、物理特性、化学成分、感官等质量指标间的关系是很多研究关注的焦点，对卷烟产品质量有着直接的影响。我国是烟叶种植、生产和消费大国，由于受到气候、土壤、地域环境以及品种、栽植措施、着生部位和烘烤工艺的影响，烟叶质量存在较大差异。掌握好烟叶的质量动态，确定烟叶的质量等级，对烟叶生产和卷烟工业都具有重要意义。同时，烟叶质量评价是一项复杂的系统工程，科学、客观、准确地评价烟叶质量有助于指导烟叶原料生产、采购和工业应用。

目前主要的烟叶质量评价方法包括感官评吸评价法、常规化学成分评价法、外观质量评价法等，感官评吸评价法和外观质量评价法主观性较强，常规化学成分评价法相对较客观，也包含较丰富的烟叶品质信息，但仍不能全面地反映烟叶质量。不少研究人员开展指数评价法研究，依据各指标得分累加值的高低或相关性参数确定烟叶品质的优劣。提出的烟叶评价体系大都只对烟叶其中一项或者几项指标进行单一监测评价分析，未进行综合、全面的指标评价分析。综合评价方法由于涉及的指标较多、权重关系复杂，受样本来源、算法机理等因素的影响，存在评价结果差异性较大的现象。

近年来，研究人员开展了烟叶自动分级方法的研究，大多利用图像处理和色度学理论根据烟叶外观特征进行分级，也有利用高光谱成像技术或红外光谱分析的方法得到烟叶的内部结构特征，但没有综合考虑烟叶的化学成分、物理特性以及评吸感官等内部品质特征，且具有采集时间长、可能损坏烟叶等缺点。

此外，数理统计方法在烟叶质量评价方面得到了较为广泛的应用，如模糊数学、典型相关分析、聚类分析、主成分分析等方法的研究与应用，有研究人员将烟叶外观质量评价和常规化学成分评价相结合，建立了基于聚类分析的烟叶质量评价模型。旨在为烟叶质量评价提供科学方法。此类方法多从烟叶质量单个和两两之间的关系利用数理统计方法进行分析评价。

综上所述，一方面，准确地评价烟叶质量对烟叶生产和卷烟工业都具有重要意义，另一方面，针对涉及指标较多、主客观差异等问题，之前的方法存在评价结果差别较大、烟叶质量等级分类预测准确率不高的问题。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明针对烟叶质量等级评估涉及指标较多、主客观差异等导致评价结果差别较大、烟叶质量等级分类预测准确率不高的问题，提供一种基于主成分分析和超级学习的烟叶质量等级分类预测方法，该方法能够有效的提高烟叶质量等级分类预测准确率。

为达到上述目的，本发明采用如下技术方案：

基于主成分分析和超级学习的烟叶质量等级分类预测方法，该分类预测方法包括如下步骤：

(1)将烟叶质量数据分别按照外观指标、感官质量指标、化学成分指标和物理特性指标进行分组；

(2)分别对外观指标、感官质量指标、化学成分指标和物理特性指标数据进行主成分分析，对相应的指标数据进行降维，并消除数据之间的相关性。将降维后的数据作为后续超级学习的输入数据；