CN111642781B - 一种配方功效与加工属性层级化调控的配方设计方法 - Google Patents
一种配方功效与加工属性层级化调控的配方设计方法 Download PDFInfo
- Publication number
- CN111642781B CN111642781B CN202010505662.XA CN202010505662A CN111642781B CN 111642781 B CN111642781 B CN 111642781B CN 202010505662 A CN202010505662 A CN 202010505662A CN 111642781 B CN111642781 B CN 111642781B
- Authority
- CN
- China
- Prior art keywords
- tobacco leaf
- category
- efficacy
- formula
- tobacco
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A24—TOBACCO; CIGARS; CIGARETTES; SIMULATED SMOKING DEVICES; SMOKERS' REQUISITES
- A24B—MANUFACTURE OR PREPARATION OF TOBACCO FOR SMOKING OR CHEWING; TOBACCO; SNUFF
- A24B3/00—Preparing tobacco in the factory
- A24B3/16—Classifying or aligning leaves
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明涉及烟叶配方设计技术领域,尤其涉及一种配方功效与加工属性层级化调控的配方设计方法。其包括以下步骤:确定烟叶原料的功效定位类别;确定烟叶原料的加工属性类别;当属于相同功效定位类别的烟叶原料之间配比形成卷烟配方模块时,选取烟叶原料数量占比最大的加工属性类别作为主体加工属性,且主体加工属性烟叶原料的使用占比大于80%;当属于不同功效定位类别的烟叶原料之间配比形成卷烟配方模块时,主体加工属性烟叶原料的使用占比大于60%。本申请根据卷烟产品的配方功效和原料的加工属性,将原料进行配方模块设计,能够有效提高卷烟产品的原料加工效率和加工精准度,并提高卷烟成品功效的显著性和质量均一度。
Description
技术领域
本发明涉及烟叶配方设计技术领域,尤其涉及一种配方功效与加工属性层级化调控的配方设计方法。
背景技术
目前,国内打叶复烤模块配方设计多偏重于烟叶的质量风格,很少结合烟叶原料的加工特性,很大程度上会造成不同加工特性的烟叶按照相同的打叶复烤加工强度进行加工,带来一定的经济性和内在质量的损失,同时也不利于打叶复烤加工过程根据烟叶自身质量特点进行个性化、参数化的打叶复烤关键工序加工技术。所以,亟需从风格品质、理化特性、加工特性等维度,构建符合品牌需求打叶复烤模块配方设计原则与方法,实现卷烟配方从制丝环节向打叶复烤环节的前移,提升卷烟配方***性,进一步拓宽原料使用范围、提升原料使用价值,提升卷烟产品质量的稳定性。
公开号为CN105795498A的专利文件公开了这样一种基于原料品质特性和加工偏好性的原料分组方法,包括以下步骤:1)选取烟叶原料,开展烟叶原料加工特性的研究;2)根据原料加工特性研究结果,采用最优尺度分析法进行分析,得出烟叶原料的加工偏好性;3)对叶组配方中的单等级烟叶进行感官质量评价,根据对产品品质的贡献初步进行分组;4)参照步骤2)烟叶原料加工偏好性的分析结果,形成基于烟叶原料加工偏好性的原料分组结果;5)综合步骤3)和步骤4)的分组结果,形成适合原料加工的分组方法。该申请是基于烟叶原料品质特性和加工偏好性的原料分组方法,没有充分考虑烟叶所适用的功效类别,那么在进行卷烟生产时,依旧需要基于不同卷烟的功效类别对烟叶原料进行再一次分组加工。
发明内容
本发明要解决上述问题,提供一种配方功效与加工属性层级化调控的配方设计方法。
本发明解决问题的技术方案是,提供一种配方功效与加工属性层级化调控的配方设计方法,包括以下步骤:
(1)确定烟叶原料的功效定位类别;
(2)确定烟叶原料的加工属性类别;
(3)当属于相同功效定位类别的烟叶原料之间配比形成卷烟配方模块时,选取烟叶原料数量占比最大的加工属性类别作为主体加工属性,且主体加工属性烟叶原料的使用占比大于80%;当属于不同功效定位类别的烟叶原料之间配比形成卷烟配方模块时,选取烟叶原料数量占比最大的加工属性类别作为主体加工属性,且主体加工属性烟叶原料的使用占比大于60%。
本申请根据卷烟产品的配方功效和原料的加工属性,将原料进行配方模块设计,能够有效提高卷烟产品的原料加工效率和加工精准度,并提高卷烟成品功效的显著性和质量均匀度。因此,本申请实际上也是在提供一种高效的卷烟生产方法,卷烟的生产从宏观上看包括三个步骤,一是烟草原料的选取,二是将烟草原料的加工,三是将烟草原料制成成品烟。本申请从烟草原料的选取和加工步骤入手,通过对烟草原料的准确功效定位和加工属性定位,以提高得到的卷烟产品的质量。
作为本发明的优选,通过建立功效定位模型确定烟叶原料的功效定位类别,包括以下步骤:a.根据不同功效定位,确定若干组类别,并为每组类别选取代表性烟叶样本;b.选取感官质量和常规化学成分中的连续变量作为代表性烟叶样本的特征;c.以所述特征的数据和类别的数据作为代表性烟叶样本的样本数据,应用python软件,采用支持向量机、选用核函数对所述样本数据进行训练以得到预测模型;d.将待配方烟叶原料的特征数据带入所述预测模型中,得到预测功效定位类别。
作为本发明的优选,选取感官质量:烟气浓度、劲头、香气质、香气量、透发性、杂气、细腻程度、柔和程度、圆润感、刺激性、干燥感、余味,以及常规化学成分:总糖、还原糖、总植物碱和总氮作为特征。其中,常规化学成分:总糖、还原糖、总植物碱和总氮的特征数据用其本身检测数据即可。而感官质量的特征数据需要根据烟草行业标准《YC/T 530-2015烟叶质量风格特色感官评价方法》进行评价打分。
作为本发明的优选,选用高斯核函数建模。高斯核函数的公式如下:
其中,x为本申请中的特征向量,y为本申请中的类别向量,γ为超参数。
作为本发明的优选,所述支持向量机采用一对一分类算法。一对一算法的基本思想是:在任意两类样本之间设计一个SVM,因此k个类别的样本就需要设计k(k-1)/2个SVM。当对一个未知样本进行分类时,最后得票最多的类别即为该未知样本的类别。一对一法的识别结果具有确定性,识别率高。
为了提高模型的准确性,作为本发明的优选,选取85%-95%的烟叶原料样本的样本数据作为建模训练集,剩余样本数据作为模型测试集。
作为本发明的优选,还包括模型汉明损失检验步骤:应用模型测试集中的样本数据,通过汉明损失计算公式计算预测模型预测的类别与实际的类别之间的差异。汉明损失值越小则模型的预测分类能力越强。其中,汉明损失的计算公式如下:
其中,D为样本的总数,L为类别总数,xi为预测值,yi为真实值,xor为异或运算符。
作为本发明的优选,通过建立加工属性分类模型确定烟叶原料的加工属性类别,包括以下步骤:a.选取烟叶样本,选取烟叶物理质量指标作为特征,测定烟叶样本的特征数据,得到烟叶样本的数据空间;b. 确定聚类个数K;c.选取数据空间中的K个烟叶样本作为初始的聚类中心;d.计算其他烟叶样本与聚类中心的欧氏距离,按照距离最近的准则,将所有烟叶样本分到距离最近的聚类中心所对应的类别;e.计算同一类别中所有烟叶样本的每个特征的均值,并将其作为该类别新的聚类中心;f.重复步骤d、e,直至达到设定的迭代次数或者直至均值与聚类中心一致,聚类过程结束,完成烟叶样本的分类,并得到分类模型;g. 将待配方烟叶原料的烟叶物理质量指标的特征数据带入所述分类模型中,得到预测加工属性类别。
其中,每个加工类别的加工强度是基于烟叶物理质量指标制定的。由于烟叶的含梗率、叶面密度和拉力对加工强度的影响较大,作为本发明的优选,选取的烟叶物理质量指标包括含梗率、叶面密度和拉力。
作为本发明的优选,通过肘部法则确定聚类个数K:首先初步确定K的取值范围;然后分别计算K个聚类中心下的平均畸变值mk,mk=sum(min(cdist(X,k)))/n,其中,n为样本数目,X为烟叶样本矩阵,k为聚类中心,cdist为计算欧氏距离符号;最后以K为横坐标,mk为纵坐标绘制曲线图,选取曲线图肘部对应的K值。
本发明的有益效果:
本申请的方法有利于根据配方功效类别质量特点和加工属性制定特色打叶复烤加工工艺和打叶复烤均匀性加工工艺,进一步提高模块内在质量和成品水分等均匀性的同时,降低加工过程质量和经济损失,进一步提高原料的适用性。
附图说明
图1是实施例中的K-mk曲线图。
具体实施方式
以下是本发明的具体实施方式,并对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
一种配方功效与加工属性层级化调控的配方设计方法,包括以下步骤:
(1)通过建立功效定位模型确定烟叶原料的功效定位类别,包括以下步骤:
a.根据不同功效定位,确定若干组类别,并为每组类别选取代表性烟叶样本。
针对本企业近三年调拨的658个等级的烟叶原料,根据不同卷烟品牌的风格特色和功效定位,选取了其中197个能够代表各卷烟品牌的各功效定位的烟叶样本,如下表1。
表1.
得到了10个功效定位类别,分别定义为自然数1、2、……10。
b.选取感官质量和常规化学成分中的连续变量作为代表性烟叶样本的特征:初步选取感官质量(烟气浓度、劲头、香气质、香气量、透发性、杂气、细腻程度、柔和程度、圆润感、刺激性、干燥感和余味)和常规化学成分(总糖、还原糖、总植物碱总氮、钾和氯)作为烟叶原料样本的特征。
其中,常规化学成分的特征数据选用其测定数据。感官质量的特征数据需要根据烟草行业标准《YC/T 530-2015 烟叶质量风格特色感官评价方法》进行评价打分。
对上述初步选取的特征进行Kruskal-Wallis检验,检测结果如下表2。
表2.
通过表2可知,烟气浓度、劲头、香气质、香气量、透发性、杂气、细腻程度、柔和程度、圆润感、刺激性、干燥感和余味等感官指标检验结果均为P<0.001,说明各类别代表性烟叶样本的感官品质质量在1.0%水平下差异显著;总糖、还原糖、总植物碱和总氮指标检验结果均为P<0.001,说明各类别代表性烟叶样本的总糖、还原糖、总植物碱和总氮在1.0%水平下差异显著;钾、氯指标检验结果均为P>0.05,说明各类别代表性烟叶样本的钾、氯指标在5.0%水平下差异不显著,这与钾、氯的各类别质量目标情况一致,所以在模型构建不采用钾和氯特征,只选用剩余16个特征。
c.以所述特征的数据和类别的数据作为代表性烟叶样本的样本数据,应用python软件,采用支持向量机、选用核函数对所述样本数据进行训练以得到预测模型:每一个代表性烟叶样本具有16个特征,将16个特征依次以英文字母表示,储存在向量xi=[a,b,c……q]中,同时,每一个代表性烟叶样本所属于一个类别yi,因此,每个代表性烟叶样本可用一个向量[xi,yi]来表示,称为一个样本数据。
应用样本数据,可以对计算各个样本数据之间的欧式距离、以对若干组类别进行组间差异检验和组内差异检验,检验结果如下表3。
表3.
通过表3可知,确定的10组类别整体间存在差异,可以采用该10组类别建立模型。
随机选用177个的样本数据,应用python软件,采用支持向量机、选用高斯核函数、采用一对一分类算法对样本数据进行训练,并通过调节高斯核函数的超参数,对模型进行优化训练,以得到预测模型。
选用剩余20个的样本数据,将其带入预测模型中得到预测类别,并通过汉明损失计算公式计算预测模型预测的类别与实际的类别之间的差异。
计算得到的汉明损失为0.3,说明该预测模型对预测效果较优。
e. 选取烤季某一加工点包括3个省份4个地市的不同区县不同品种的35个烟叶等级,作为待配方烟叶原料。
将待配方烟叶原料的特征数据带入所述预测模型中,得到预测功效定位类别。
(2)确定烟叶原料的加工属性类别,通过建立加工属性分类模型确定烟叶原料的加工属性类别,包括以下步骤:
a.选取烟叶样本,选取烟叶物理质量指标作为特征,测定烟叶样本的特征数据,得到烟叶样本的数据空间:将本企业三年中调拨的658个等级烟叶作为烟叶样本,选取含梗率、叶面密度、拉力作为特征j,将每份烟叶样本的各个特征值存储在一个向量X中,即为烟叶样本数据。
其中,Xij’为第i个烟叶样本的第j个特征的标准化数据,Xij为第i个烟叶样本的第j个特征数据,minxj为第j个特征中的最小值,maxxj 为第j个特征中的最大值。
b. 确定聚类个数K:通过肘部法则确定聚类个数K,其一般可以应用python软件通过算法实现,其算法流程为:
首先初步确定K的取值范围为K=1,2,…9。
然后根据mk=sum(min (cdist(X,k)))/n,计算K取每一个值时的平均畸变值mk。
最后以K为横坐标,mk为纵坐标绘制曲线图,得到的曲线图如图1所示。由图1可知,在K=2时效果最好,但分类相对较为粗放,所以向下选取第二优的转变点K=4,即,将样本加工属性分为4类,分别定义为类别A、B、C、D。
c. 选取数据空间中的4个烟叶样本作为初始的聚类中心。
应用python软件,通过算法进行下述步骤。
d. 计算其他烟叶样本与聚类中心的欧氏距离,按照距离最近的准则,将所有烟叶样本分到距离最近的聚类中心所对应的类别。
e. 计算同一类别中所有烟叶样本的每个特征的均值,并将其作为该类别新的聚类中心。
f.重复步骤d、e,直至达到设定的迭代次数或者直至均值与聚类中心一致,聚类过程结束,完成待配方烟叶原料的分类,并得到分类模型。
得到的模型最好进行模型评价后再使用,模型评价可以有几种不同的方式。本实施例中,采用了三种模型评价方法。
一是计算模型的残差平方和,也就是各个样本与所在类别的均值的误差平方和,当平均组内残差平方和为0时模型拟合效果最好。本实施例中,得到的模型中,样本到聚类中心的总组内平方和,即,总残差平方和为0.846,平均组内平方和为0.0018,说明此分类模型的拟合情况较优。
二是计算模型的轮廓系数, 随机选取烟叶样本,计算其到同类其他烟叶样本的平均距a;计算该烟叶样本分别到剩余类别的所有烟叶样本的平均距离b,选取最小的b;计算轮廓系数s=(b-a)/(max{b,a}),本实施例中,s=0.56,接近于1,说明模型的拟合情况较好。
三是判断类别间差异性,以4个类别的中心向量代表4个类的中心位置,应用欧氏距离度量了4个类别的差异性,得到结果如下表4所示。
表4.
通过表4可知,本实施例中,每一类内的样本均小于类间的距离,说明该模型可以很好的将样本分为4个不同质量特性的类别。
g. 选取上述烤季某一加工点包括3个省份4个地市的不同区县不同品种的35个烟叶等级,作为待配方烟叶原料。将待配方烟叶原料的烟叶物理质量指标的特征数据带入所述分类模型中,得到预测加工属性类别。
上述35个烟叶等级的预测的功效定位类别、加工属性类别如下表5所示。
表5.
(3)当属于相同功效定位类别的烟叶原料之间配比形成卷烟配方模块时,选取烟叶原料数量占比最大的加工属性类别作为主体加工属性,且主体加工属性烟叶原料的使用占比大于80%;当属于不同功效定位类别的烟叶原料之间配比形成卷烟配方模块时,选取烟叶原料数量占比最大的加工属性类别作为主体加工属性,且主体加工属性烟叶原料的使用占比大于60%。
本实施例中,类别4中,首先考虑将所有烟叶等级(即等级1到等级5)一起组成配方模块,此时A、D的数量占比分别为50%,不符合上述原则,因此将其分别组合构建卷烟配方模块。可以构建的卷烟配方模块有:将等级1和等级2的烟叶一起组成配方模块,其中主体加工属性为D;将等级3、4、5的烟叶一起组成配方模块,其中主体加工属性为A;这种配方模块下,主体加工属性的数量占比均为100%,配比情况最优。当然,在类别4中,也可以将等级1、等级2和等级5一起组成配方模块,其中主体加工属性为D,主体加工属性的数量占比为94.20%,配比情况没有为100%的好。
类别7中,同样在所有烟叶等级一起组成配方模块不成功的情况下分别组合。类别7中虽然可以将等级6和等级8一起组成配方模块,等级7、9、10、11一起组成配方模块,但是由于等级6和等级8的数量较少,单独组成配方模块的话数量不够。因此,可以将等级6、7、8、9一起组成配方模块,主体加工属性为A,主体加工属性的数量占据比为85.58%;将等级10、11一起组成配方模块。
根据上述原则,类别8、类别9和类别10中的烟叶均可以在类别中一起组成配方模块。而类别5中,需要分别形成两个配方模块;类别6中的所有烟叶虽然也可以一起组成配方模块,但是会导致该配方模块中的烟叶数量过多,因此将其分成两个主体加工属性均为D的配方模块。
本实施例在该加工点形成类别4配方模块2个、类别7配方模块2个、类别5模块2个、类别8配方模块1个、类别6配方模块2个、类别9配方模块1个,类别10级配方模块1个,共计11个配方模块;配方模块设计均符合配方功效与加工属性层级化调控方法。
文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种配方功效与加工属性层级化调控的配方设计方法,其特征在于:包括以下步骤:
(1)确定烟叶原料的功效定位类别;通过建立功效定位模型确定烟叶原料的功效定位类别,包括以下步骤:a.根据不同功效定位,确定若干组类别,并为每组类别选取代表性烟叶样本;b.选取感官质量和常规化学成分中的连续变量作为代表性烟叶样本的特征;c.以所述特征的数据和类别的数据作为代表性烟叶样本的样本数据,应用python软件,采用支持向量机、选用核函数对所述样本数据进行训练以得到预测模型;d.将待配方烟叶原料的特征数据带入所述预测模型中,得到预测功效定位类别;
(2)确定烟叶原料的加工属性类别;通过建立加工属性分类模型确定烟叶原料的加工属性类别,包括以下步骤:a.选取烟叶样本,选取烟叶物理质量指标作为特征,测定烟叶样本的特征数据,得到烟叶样本的数据空间;b. 确定聚类个数K;c.选取数据空间中的K个烟叶样本作为初始的聚类中心;d.计算其他烟叶样本与聚类中心的欧氏距离,按照距离最近的准则,将所有烟叶样本分到距离最近的聚类中心所对应的类别;e.计算同一类别中所有烟叶样本的每个特征的均值,并将其作为该类别新的聚类中心;f.重复步骤d、e,直至达到设定的迭代次数或者直至均值与聚类中心一致,聚类过程结束,完成烟叶样本的分类,并得到分类模型;g. 将待配方烟叶原料的烟叶物理质量指标的特征数据带入所述分类模型中,得到预测加工属性类别;
(3)当属于相同功效定位类别的烟叶原料之间配比形成卷烟配方模块时,选取烟叶原料数量占比最大的加工属性类别作为主体加工属性,且主体加工属性烟叶原料的使用占比大于80%;当属于不同功效定位类别的烟叶原料之间配比形成卷烟配方模块时,选取烟叶原料数量占比最大的加工属性类别作为主体加工属性,且主体加工属性烟叶原料的使用占比大于60%。
2.根据权利要求1所述的一种配方功效与加工属性层级化调控的配方设计方法,其特征在于:选取感官质量:烟气浓度、劲头、香气质、香气量、透发性、杂气、细腻程度、柔和程度、圆润感、刺激性、干燥感、余味,以及常规化学成分:总糖、还原糖、总植物碱和总氮作为特征。
3.根据权利要求1所述的一种配方功效与加工属性层级化调控的配方设计方法,其特征在于:选取烟叶物理质量指标:含梗率、叶面密度、拉力作为特征。
4.根据权利要求1所述的一种配方功效与加工属性层级化调控的配方设计方法,其特征在于:选用高斯核函数。
5.根据权利要求1所述的一种配方功效与加工属性层级化调控的配方设计方法,其特征在于:所述支持向量机采用一对一分类算法。
6.根据权利要求1所述的一种配方功效与加工属性层级化调控的配方设计方法,其特征在于:选取85%-95%的烟叶原料样本的样本数据作为建模训练集,剩余样本数据作为模型测试集。
7.根据权利要求6所述的一种配方功效与加工属性层级化调控的配方设计方法,其特征在于:包括模型汉明损失检验步骤:应用模型测试集中的样本数据,通过汉明损失计算公式计算预测模型预测的类别与实际的类别之间的差异。
8.根据权利要求1所述的一种配方功效与加工属性层级化调控的配方设计方法,其特征在于:通过肘部法则确定聚类个数K:首先初步确定K的取值范围;然后分别计算K个聚类中心下的平均畸变值mk,mk=sum(min(cdist(X,k)))/n,其中,n为样本数目,X为烟叶样本矩阵,k为聚类中心,cdist为计算欧氏距离符号;最后以K为横坐标,mk为纵坐标绘制曲线图,选取曲线图肘部对应的K值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505662.XA CN111642781B (zh) | 2020-06-05 | 2020-06-05 | 一种配方功效与加工属性层级化调控的配方设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010505662.XA CN111642781B (zh) | 2020-06-05 | 2020-06-05 | 一种配方功效与加工属性层级化调控的配方设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111642781A CN111642781A (zh) | 2020-09-11 |
CN111642781B true CN111642781B (zh) | 2022-01-14 |
Family
ID=72343455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010505662.XA Active CN111642781B (zh) | 2020-06-05 | 2020-06-05 | 一种配方功效与加工属性层级化调控的配方设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111642781B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3884246A (en) * | 1973-01-16 | 1975-05-20 | Eric E Walker | Optional dry or liquid filter |
CN101214083A (zh) * | 2008-01-22 | 2008-07-09 | 红云烟草(集团)有限责任公司 | 卷烟叶组配方分组方法 |
CN101385571A (zh) * | 2008-10-27 | 2009-03-18 | 川渝中烟工业公司 | 卷烟叶组配方设计方法 |
CN101536809A (zh) * | 2009-02-13 | 2009-09-23 | 湖南中烟工业有限责任公司 | 一种烟草加工精准性配比工艺 |
CN102217778A (zh) * | 2011-05-26 | 2011-10-19 | 中国烟草总公司郑州烟草研究院 | 一种通过卷烟加工提高烟叶原料使用价值的方法 |
CN103336090A (zh) * | 2013-05-14 | 2013-10-02 | 湖南中烟工业有限责任公司 | 一种预测卷烟感官质量指标的支持向量机svm方法 |
CN104705776A (zh) * | 2015-02-04 | 2015-06-17 | 川渝中烟工业有限责任公司 | 梗末混合提取的造纸法再造烟叶原料配方设计方法 |
CN105795498A (zh) * | 2016-03-30 | 2016-07-27 | 红云红河烟草(集团)有限责任公司 | 一种基于烟叶原料品质特性和加工偏好性的原料分组方法 |
CN111160425A (zh) * | 2019-12-17 | 2020-05-15 | 湖北中烟工业有限责任公司 | 一种基于神经网络的烤烟舒适性分类评价方法 |
-
2020
- 2020-06-05 CN CN202010505662.XA patent/CN111642781B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3884246A (en) * | 1973-01-16 | 1975-05-20 | Eric E Walker | Optional dry or liquid filter |
CN101214083A (zh) * | 2008-01-22 | 2008-07-09 | 红云烟草(集团)有限责任公司 | 卷烟叶组配方分组方法 |
CN101385571A (zh) * | 2008-10-27 | 2009-03-18 | 川渝中烟工业公司 | 卷烟叶组配方设计方法 |
CN101536809A (zh) * | 2009-02-13 | 2009-09-23 | 湖南中烟工业有限责任公司 | 一种烟草加工精准性配比工艺 |
CN102217778A (zh) * | 2011-05-26 | 2011-10-19 | 中国烟草总公司郑州烟草研究院 | 一种通过卷烟加工提高烟叶原料使用价值的方法 |
CN103336090A (zh) * | 2013-05-14 | 2013-10-02 | 湖南中烟工业有限责任公司 | 一种预测卷烟感官质量指标的支持向量机svm方法 |
CN104705776A (zh) * | 2015-02-04 | 2015-06-17 | 川渝中烟工业有限责任公司 | 梗末混合提取的造纸法再造烟叶原料配方设计方法 |
CN105795498A (zh) * | 2016-03-30 | 2016-07-27 | 红云红河烟草(集团)有限责任公司 | 一种基于烟叶原料品质特性和加工偏好性的原料分组方法 |
CN111160425A (zh) * | 2019-12-17 | 2020-05-15 | 湖北中烟工业有限责任公司 | 一种基于神经网络的烤烟舒适性分类评价方法 |
Non-Patent Citations (3)
Title |
---|
《主成分分析和聚类分析在配方模块中的应用》;苏勇,等;《烟草科技》;20051231(第6期);全文 * |
《基于逐步判别分析的卷烟叶组配方的定向模块设计》;张天兵,等;《湖南农业大学学报(自然科学版)》;20181231;第44卷(第3期);全文 * |
《支持向量机在卷烟配方原料分组中的应用》;龙明海,等;《云南农业大学学报(自然科学)》;20171231;第32卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111642781A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105630743B (zh) | 一种光谱波数的选择方法 | |
CN108846259A (zh) | 一种基于聚类和随机森林算法的基因分类方法及*** | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN109870421B (zh) | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 | |
CN111642782A (zh) | 一种基于卷烟配方需求的烟叶原料功效定位方法 | |
CN108181263A (zh) | 基于近红外光谱的烟叶部位特征提取及判别方法 | |
CN101387625A (zh) | 烤烟产区综合评价方法 | |
CN102385694A (zh) | 一种基于地块的作物品种高光谱识别方法 | |
CN110132879A (zh) | 一种基于近红外光谱的烤烟香韵鉴别方法 | |
CN111950795B (zh) | 基于随机森林的松散回潮加水比例的预测方法 | |
CN111596010A (zh) | 一种烟草工业可用性的量化评价和分类方法 | |
CN110990782B (zh) | 基于加权犹豫模糊幂集结算子的卷烟感官质量评价方法 | |
CN103499646A (zh) | 一种蜂蜜特征香气分析及蜂蜜香气体系模拟的方法 | |
CN111680910A (zh) | 一种基于卷烟配方功效的烟叶适用范围定位方法 | |
CN116072302A (zh) | 基于有偏随机森林模型的医疗不平衡数据分类方法 | |
CN111642781B (zh) | 一种配方功效与加工属性层级化调控的配方设计方法 | |
CN103575764A (zh) | 一种基于支持向量机算法优化的蜂蜜检测方法 | |
CN113159220B (zh) | 基于随机森林的混凝土侵彻深度经验算法评价方法和装置 | |
CN113239199B (zh) | 一种基于多方数据集的信用分类方法 | |
CN113076692B (zh) | 一种反演叶片氮素含量的方法 | |
CN104990891B (zh) | 一种种子近红外光谱和光谱图像定性分析模型建立方法 | |
CN111667176A (zh) | 一种基于卷烟品牌需求的烟叶风格特征彰显程度评价方法 | |
CN111652516A (zh) | 一种基于配方功效的烟叶基地适用性评价方法 | |
CN103499608A (zh) | 一种基于蚁群算法的表征蜂蜜差异性智能嗅觉图谱特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 406-3, Zhongshan North Road, Nanjing, Jiangsu 210019 Applicant after: CHINA TOBACCO JIANGSU INDUSTRIAL Co.,Ltd. Address before: Bell tower of technical center, No.29 Xinglong Street, Jianye District, Nanjing City, Jiangsu Province Applicant before: CHINA TOBACCO JIANGSU INDUSTRIAL Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |