一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用与流程

技术特征：

1.一种烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，其特征在于：步骤Step3中，确定食用油掺伪检测置信规则库模型的优化目标为：

$\underset{V}{min}max\{{\mathrm{\ξ}}_n\left(V\right),n=1,2,...,N\}---\left(1\right)$

${\mathrm{\ξ}}_n\left(V\right)=\frac{1}{T}{\mathrm{\Σ}}_{m=1}^T{\[{\mathrm{\β}}_n\left(m\right)-{\widehat{\mathrm{\β}}}_n\left(m\right)\]}^2,m=1,2,...,T;n=1,2,...,N---\left(2\right)$

约束条件为：

0≤θ_k≤1,k＝1,2,…,L (3)

0≤β_n,k≤1,n＝1,2,…,N；k＝1,2,…,L (4)

${\mathrm{\Σ}}_{n=1}^N{\mathrm{\β}}_{n,k}=1,n=1,2,...,N;k=1,2,...,L---\left(5\right)$

式中，表示第m组样本主观观测值与估计值之间的残差；V＝[θ_k,β_n,k]表示由食用油掺伪检测置信规则库模型的参数构成的列向量，θ_k是置信规则库中第k条置信规则的规则权重，β_n,k(n＝1,2,…,N,k＝1,2,…,L)是第k条置信规则中输出部分相对于第n种油样的置信度；T为样本数据总数。

2.根据权利要求1所述的烟草行业中的打孔水松纸透气度检测方法在食用油的掺伪检测中的应用，其特征在于：所述食用油的掺伪检测的具体步骤如下：

Step1、选取N种食用油油样，确定其紫外-可见吸收光谱的特征波长，以特征波长处的吸光度作为食用油掺伪检测置信规则库模型的输入变量，然后为所有输入变量设置评价等级，并为食用油油样设置对应的输出代码，即主观观测值：

选择食用油油样的紫外-可见吸收光谱的特征波长λ＝{λ_i,i＝1,2,…,M}，以特征波长处的吸光度为输入变量，输入变量的评价等级的参考值A＝{A₁,A₂,...,A_M}，表示M个输入变量的评价等级的参考值构成的集合，且A_i＝{A_i,j,i＝1,2,...M；j＝1,2,…,J_i}表示第i个输入变量的第j个评价等级的参考值构成的集合；食用油油样对应的主观观测值为y＝{(D_n,β_n),n＝1,2,…,N}，D_n表示第n种油样，β_n表示主观观测值y相对于D_n的置信度；

Step2、根据M个输入变量的评价等级的参考值的个数J_i构建食用油掺伪检测置信规则库模型的置信规则库，得到置信规则库中包含L条置信规则；其中，L＝J₁*J₂*...*J_i*...*J_M；

Step3、在紫外光谱仪的辅助下，获取T组样本数据，确定食用油掺伪检测置信规则库模型的优化目标；

Step4、选择粒子群算法作为食用油掺伪检测置信规则库模型的参数向量V的优化算法：

Step4.1、设置粒子群算法的种群规模popsize＝30；惯性权重wei＝0.7298；加速因子c₁＝0.3，c₂＝0.7；迭代终止条件gen＝100或误差精度error＝10^-6；规则权重θ_k的粒子更新速度限制v_max＝0.1，置信度β_n,k(n＝1,2,…,N,k＝1,2,…,L)的粒子更新速度限制v_max＝0.2；

Step4.2、初始化粒子种群，根据约束式(3)-式(5)初始化食用油掺伪检测置信规则库模型的参数向量V构成的粒子群；

Step4.3、以step3中的T组样本作为训练数据；

Step4.4、基于置信规则信息的转换技术，将读入的训练数据中的输入变量转换为食用油掺伪检测置信规则库模型需要的分布式输入；

Step4.5、利用证据推理算法，根据已转换的分布式输入，对所有的置信规则进行组合，计算食用油掺伪检测置信规则库模型相对于训练数据中油样主观观测值y_m的估计值

其中，y_m＝{(D_n,β_n(m)),m＝1,2,…,T；n＝1,2,…,N}；

Step4.6、根据式(2)计算每个粒子的适应值，根据式(1)评价每个粒子的适应值，以确定粒子个体历史最优位置pbest和种群历史最优位置gbest；其中，每个粒子的局部最优解pbest设为其初始位置，pbest中的最好值设为gbest；

Step4.7、根据粒子位置和速度的更新公式对粒子的位置和速度进行更新；

Step4.8、粒子更新后，对违反约束的变量做如下处理：

对于规则权重，当其超出约束边界时，按式(6)处理；

${\mathrm{\θ}}_k=\left\{\begin{array}{c}0,{\mathrm{\θ}}_k\≤0,k=1,2,...,L\\ 1,{\mathrm{\θ}}_k\≥1,k=1,2,...,L\end{array}\right.---\left(6\right)$

对于置信度，首先通过式(7)使得每个置信度在0到1之间，然后通过式(8)所示的归一化，使其满足式(5)所示的约束条件；

${\mathrm{\β}}_{n,k}=\left\{\begin{array}{c}0,{\mathrm{\β}}_{n,k}\≤0,n=1,2,...,N;k=1,2,...,L\\ 1,{\mathrm{\β}}_{n,k}\≥1,n=1,2,...,N;k=1,2,...,L\end{array}\right.---\left(7\right)$

${\mathrm{\β}}_{n,k}={\mathrm{\β}}_{n,k}/{\mathrm{\Σ}}_{n=1}^N{\mathrm{\β}}_{n,k},n=1,2,...,N;k=1,2,...,L---\left(8\right)$

Step4.9、利用证据推理重新计算食用油掺伪检测置信规则库模型相对于训练数据中油样主观观测值的估计值，然后评价粒子适应值，更新pbest和gbest；

Step4.10、判断是否满足终止条件：判断食用油掺伪检测置信规则库模型的精度是否满足error＝10^-6，满足则终止，输出最优值gbest；若不满足，判断算法是否达到最大迭代次数gen，是则终止迭代，输出最优值gbest；否则转至step4.7，直到满足终止条件之一；

Step5、通过训练得到的gbest，即V的优化值，构建完整的食用油掺伪检测置信规则库模型，用于食用油掺伪检测。