学位论文 > 优秀研究生学位论文题录展示

计算智能在数字化卷烟叶组配方中的应用研究

作　者: 武杰
导　师: 刘美红
学　校: 昆明理工大学
专　业: 机械设计及理论
关键词: 计算智能烟叶分类感官质量与烟气指标预测叶组配方
分类号: TS44
类　型: 硕士论文
年　份: 2011年
下　载: 1次
引　用: 0次
阅　读: 论文下载

内容摘要

首先,卷烟配方设计是整个卷烟设计中最关键的一环,主要有卷烟叶组配方设计和加料、加香配方设计两大部分。本文以计算智能为理论基础,在昆明船舶集团提供的烟草数据与前期研究人员在此研究结论的基础上,提出应用计算智能设计数字化卷烟叶组配方。以其达到用最合理的叶组配方获得最佳的感官质量、烟气指标和最优的成本。其次,本文阐述了烟叶分类的传统方法的弊端；由此,提出一种应用两种聚类神经网络结合专家经验和模糊数学的全新烟叶分类方法：首先,以烟草数据为依据,在专家经验指导下,将这些烟叶分为四类,在此基础上应用“有教师”型的LVQ神经网络做仿真试验,以此验证专家的分类结果是否准确；其次,如果LVQ神经网络仿真分组结果与专家经验分组结果有差别,再应用“无教师”型ART神经网络做仿真试验,得到新的分组结果再次验证；最后,若以上分组结果还存在差别,就应用模糊C-均值方法,通过有差别样本的隶属度关系来判断它们最终要归宿于哪一类。结果表明,此全新的烟叶原料分类方法,针对17组烟叶取得了与集团专家凭经验分类结果94.12%准确性。第三,本文介绍了卷烟产品质量评价的弊端,由此,在烟叶内在化学成分的基础上,采用基于数值优化法的共轭梯度BP神经网络来实现烟叶化学成分与感官质量和烟气指标的预测；同时,针对BP神经网络极易陷入局部极小问题,决定采用模拟退火优化BP神经网络权值与阈值的方法来解决。结果表明,共轭梯度BP神经网络相比于标准BP神经网络在拟合时精度更高、误差更小。预测结果与期望值的误差仅有0.00000072。此外,针对标准BP神经网络对17组烟叶预测感官质量时,存在着局部极小问题时,通过模拟退火优化BP神经网络权值与阈值的方法,使网络最终跳出局部极小,得到了全局最优解,与期望结果只有1.66279e-026的误差。最后,本文介绍了中式卷烟叶组配方的设计内容,由此,根据现有的烟叶原料数据和前期研究人员的结论,决定采用遗传算法设计三组叶组配方方案；再应用遗传算法结合BP神经网络(GA-BP)的混合优化方法预测这三组叶组配方的感官质量；最后,把预测结果与专家评吸结果和期望值进行比较,最终确定哪一组叶组配方方案最优。结果表明,本文从设计目标入手,建立以成本为目标函数,产地等为约束条件的数学模型,通过引入罚函数的思想,解决遗传算法不能解决有约束的优化问题,最终确定了三组最优配方方案。再通过GA-BP方法预测这三组叶组配方的感官质量,最终得到一组最佳叶组配方方案。

全文目录

摘要 3-5Abstract 5-11第一章绪论 11-25 1.1 计算智能研究现状及发展 11-12 1.2 计算智能主要研究内容 12-21 1.2.1 模糊系统基本概述 13-15 1.2.2 神经网络基本概述 15-17 1.2.3 进化计算基本概述 17-18 1.2.4 免疫算法基本概述 18-19 1.2.5 DNA计算基本概述 19-21 1.3 选题背景与意义 21-22 1.4 选题研究现状 22-23 1.5 本文研究内容 23-25第二章烟叶原料分类 25-49 2.1 烟叶分类方法 25-26 2.1.1 烟叶分类现状 25-26 2.1.2 烟叶分类新方法 26 2.2 模式分类 26-27 2.3 LVQ神经网络 27-34 2.3.1 LVQ神经网络基本原理 27-28 2.3.2 LVQ神经网络学习规则 28-30 2.3.3 LVQ神经网络在烟叶分类中的应用 30-34 2.3.3.1 LVQ神经网络设计 30-31 2.3.3.2 LVQ神经网络对于烟叶分类仿真结果 31-34 2.4 ART神经网络 34-44 2.4.1 ART神经网络基本原理 34-36 2.4.2 ART神经网络的选用 36-42 2.4.2.1 ART2神经网络基本原理 36-39 2.4.2.2 ART2神经网络学习规则 39-42 2.4.3 ART2神经网络在烟叶分类中的应用 42-44 2.4.3.1 ART2神经网络设计 42 2.4.3.2 ART2神经网络对于烟叶分类仿真结果 42-44 2.5 模糊C-均值法 44-48 2.5.1 模糊C-均值学习规则 45-46 2.5.2 模糊C-均值对于烟叶分类仿真结果 46-48 2.6 本章小结 48-49第三章卷烟烟叶原料感官质量与烟气指标的预测 49-79 3.1 感官质量与烟气指标预测现状 49-51 3.1.1 感官质量与烟气指标预测存在的问题 50-51 3.1.2 计算智能应用于感官质量与烟气指标预测 51 3.2 BP神经网络 51-55 3.2.1 BP神经网路基本原理 51-53 3.2.2 BP神经网络学习规则 53-55 3.3 BP神经网络的改进方法 55-61 3.3.1 BP神经网络的缺陷 55-57 3.3.2 BP神经网络改进算法的选择 57-58 3.3.3 共轭梯度算法的BP神经网络 58-61 3.3.3.1 共轭梯度算法 58-60 3.3.3.2 共轭梯度BP算法 60-61 3.4 共轭梯度BP神经网络在感官质量与烟气指标预测中的应用 61-70 3.4.1 共轭梯度BP神经网络设计 61-64 3.4.1.1 输入层和输出层设计 61-62 3.4.1.2 隐含层的设计 62-63 3.4.1.3 初始值的选取 63 3.4.1.4 学习速率的确定 63-64 3.4.1.5 期望误差的确定 64 3.4.1.6 传递函数的确定 64 3.4.1.7 BP神经网络共轭梯度算法的实现 64 3.4.2 共轭梯度BP神经网络对感官质量和烟气指标预测结果 64-70 3.4.2.1 共轭梯度BP神经网络仿真结果 64-68 3.4.2.2 共轭梯度BP神经网络仿真结果与其他BP神经网络仿真结果的对比 68-70 3.5 应用模拟退火解决BP神经网络存在局部极小问题 70-77 3.5.1 模拟退火算法基本原理 71-73 3.5.2 模拟退火优化BP神经网络原理与算法过程 73-75 3.5.3 模拟退火解决BP神经网络的局部极小问题 75-77 3.5.3.1 BP神经网络的仿真结果 75 3.5.3.2 模拟退火优化BP神经网络的仿真结果 75-77 3.6 本章小结 77-79第四章数字化卷烟叶组配方设计 79-107 4.1 卷烟产品设计内容 79-80 4.2 叶组配方设计 80-81 4.3 叶组配方设计过程 81-84 4.3.1 单品种烟叶原料收集 82 4.3.2 烟叶原料理化特性分析 82 4.3.3 制定烟叶原料的约束条件 82-83 4.3.4 设计配方方案 83 4.3.5 不同配方方案的感官质量评吸和烟气指标预测 83-84 4.3.6 确定配方方案 84 4.4 应用遗传算法设计叶组配方方案 84-98 4.4.1 遗传算法 84-88 4.4.2 叶组配方方案的设计 88-91 4.4.2.1 确定优化设计变量 89 4.4.2.2 确定约束条件 89-90 4.4.2.3 确定目标函数 90 4.4.2.4 编码设计 90 4.4.2.5 初始群体设计 90 4.4.2.6 适应函数 90 4.4.2.7 选择算子 90 4.4.2.8 交叉算子 90-91 4.4.2.9 变异算子 91 4.4.2.10 三组配方方案参数设计 91 4.4.3 叶组配方方案仿真结果 91-98 4.4.3.1 遗传算法寻优仿真结果 91-97 4.4.3.2 遗传算法寻优仿真结果与其它方法仿真结果的对比 97-98 4.5 混合优化算法在叶组配方感官质量预测的应用 98-105 4.5.1 混合优化算法 98-100 4.5.2 遗传算法结合BP神经网络的混合优化算法 100-105 4.5.2.1 遗传算法结合BP神经网络算法的基本原理 100-101 4.5.2.2 遗传算法结合BP神经网络感官质量预测仿真结果 101-105 4.6 本章小结 105-107第五章结论 107-111 5.1 结论 107-108 5.2 创新点 108 5.3 展望 108-111参考文献 111-116致谢 116-117附录A 17(攻读硕士学位期间发表的论文) 117-118附录B 17种烟叶原料数据 118-119附录C 17种烟叶原料感官质量指标 119-120附录D 17种烟叶原料烟气指标 120-121附录E 17种烟叶原料数据归一化数值 121-124附录F 16种烟叶原料 124-125附录G 叶组配方感官质量期望值 125

计算智能在数字化卷烟叶组配方中的应用研究

内容摘要

全文目录

相似论文