一种烟叶产地鉴定和产地特征典型性数字化表征的方法与流程

本发明涉及烟草分析，尤其涉及一种烟叶产地鉴定和产地特征典型性数字化表征的方法。

背景技术：

1、我国烟叶种植区域广泛，不同产区的烟叶由于生长环境、气候和土壤成分的不同，因此烟叶中的化学成分也有所不同，这会影响烟叶的燃吸品质，形成具有不同产地吸食特征的烟叶。迄今为止，很难做到对各地烟叶的吸食特征进行定量分析和描述，卷烟生产企业也很难对烟叶供应商提供的烟叶原料产地进行有效的鉴定和确认。因此，以次充好、以劣充优和混淆产地的烟叶时有出现，造成卷烟企业产品质量的不稳定和直接的经济损失。传统的感官评吸方法很难从客观、科学的角度把握烟叶原料的品质特性。

2、因此，亟需一种烟叶产地鉴定和产地特征典型性数字化表征的方法。

技术实现思路

1、本发明的目的是提供一种烟叶产地鉴定和产地特征典型性数字化表征的方法，以解决上述现有技术中的问题，不仅为烟叶产地的鉴定提供了客观、准确的手段，还实现了对烟叶产地特征的数字化描述。

2、本发明提供了一种烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，包括：

3、样品收集，分别收集不同产地的若干烤烟烟叶样品，并将收集的样品分为模型测试集和模型训练集；

4、对收集的所有样品进行化学成分测定，得到各样品的多种化学成分指标的含量数据；

5、根据所述模型训练集中的各样品的化学成分指标含量数据，基于重要性指标，建立逐步判别模型，所述逐步判别模型包括典则判别函数和bayes判别函数，其中，所述重要性指标用于表征多种化学成分指标中，对烟叶产地特征具有重要贡献的指标；

6、根据所述bayes判别函数对所述模型测试集中的样品产地进行判别；

7、根据所述典则判别函数对所述模型训练集和所述模型测试集中的样品的产地特征典型性进行数字化表征。

8、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述将收集的样品分为模型测试集和模型训练集，具体包括：

9、在收集的烤烟烟叶样品中随机抽取一部分作为模型测试集，其余样品作为模型训练集。

10、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述对收集的所有样品进行化学成分测定，得到各样品的多种化学成分指标的含量数据，具体包括：

11、对收集的所有样品进行近红外光谱分析，得到各样品的常规化学成分、无机离子、多酚、难挥发酸、高级脂肪酸、氨基酸、amadori化合物、ph和其他化学成分的指标含量数据。

12、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述常规化学成分包括总植物碱、还原糖、总糖、总氮、钾、氯和淀粉，所述无机离子包括硫酸根、磷酸根、mg和ca，所述多酚包括新绿原酸、绿原酸、隐绿原酸、莨菪亭和芸香苷，所述难挥发酸包括乙二酸、丙二酸、丁二酸、苹果酸、柠檬酸和香草酸，所述高级脂肪酸包括十四酸、十六酸、亚油酸、油酸+亚麻酸、十八酸和二十酸，所述氨基酸包括天冬氨酸、苏氨酸、丝氨酸、天冬酰胺、谷氨酸、谷酰胺、甘氨酸、丙氨酸、缬氨酸、胱氨酸、蛋氨酸、异亮氨酸、亮氨酸、酪氨酸、苯丙氨酸、4-氨基丁酸、赖氨酸、组氨酸、色氨酸、精氨酸和脯氨酸，所述amadori化合物包括glu-an、fru-amb、fru-his、fru-pro、fru-val、fru-thr、fru-gly、fru-ala、fru-asn、fru-asp、fru-gln、fru-glu、fru-ile、fru-leu、fru-tyr、fru-phe和fru-trp，所述其他化学成分包括二氯甲烷提取物、茄尼醇和新植二烯。

13、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述根据所述模型训练集中的各样品的化学成分指标含量数据，基于重要性指标，建立逐步判别模型，具体包括：

14、基于逐步判别法，根据各样品的化学成分指标含量数据，筛选出重要性指标；

15、根据筛选出的重要性指标建立逐步判别模型。

16、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述基于逐步判别法，根据各样品的化学成分指标含量数据，筛选出重要性指标，具体包括：

17、利用统计分析软件对各样品的化学成分指标含量数据进行数据分析，筛选出重要性指标，具体包括：

18、使用z-score方法将所有样品数据进行标准化处理，以去量纲化；

19、根据逐步判别法，筛选出重要性指标。

20、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述根据筛选出的重要性指标建立逐步判别模型，具体包括：

21、利用统计分析软件，根据重要性指标的标准化数据对模型训练集中的样品进行判别分析并建立模型，得到典则判别函数和bayes判别函数，其中，bayes判别函数的数量与烟叶样品的产地数量一致，每个bayes判别函数表示样品属于当前产地组的后验概率与各重要性指标的含量数据之间的函数关系；每个典则判别函数用于表示各样品的重要性指标的含量数据降维后在对应的投影方向上的值，与各重要性指标的含量数据之间的函数关系，其中，各产地的样品的重要性指标的含量数据投影到各个方向上时各产地之间的距离最远。

22、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述根据所述bayes判别函数对所述模型测试集中的样品产地进行判别，具体包括：

23、将模型测试集中待测样品的重要性指标所对应的化学成分指标数据代入bayes判别函数中，计算得出函数值最大的产地组即为待测样品所对应的产地。

24、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述根据所述典则判别函数对所述模型训练集和所述模型测试集中的样品的产地特征典型性进行数字化表征，具体包括：

25、根据典则判别函数计算出所述模型测试集和训练集中所有样品的判别得分，作为样品的空间位置；

26、根据所述模型训练集中各产地组所对应的样品的空间位置，计算各产地组的质心坐标；

27、根据所述模型测试集和训练集中各样品的空间位置与该样品所对应的产地组的质心之间的欧氏距离，对各样品的产地特征典型性进行赋值，作为烟叶产地特征指数，其中，各样品的烟叶产地特征指数的数值大小反映该样品与该样品所属的产地组的质心之间距离的远近，距离越近，烟叶产地特征指数的数值越大。

28、如上所述的烟叶产地鉴定和产地特征典型性数字化表征的方法，其中，优选的是，所述烟叶产地鉴定和产地特征典型性数字化表征的方法，还包括：

29、对所述逐步判别模型中的所述bayes判别函数进行有效性检验，具体包括：

30、针对所述模型训练集，分别采用自身验证法与交叉验证法，将各样品的重要性指标的含量数据代入bayes判别函数进行验证与交叉验证，以检验模型的误判情况；

31、针对所述模型测试集，将各样品的重要性指标的含量数据代入bayes判别函数，以分析其组别，将通过bayes判别函数得到的结果与样品的真实组别进行比照，以检验模型的误判情况

32、本发明提供一种烟叶产地鉴定和产地特征典型性数字化表征的方法，对样品进行化学成分测定，得到多种化学成分指标的含量数据；然后基于重要性指标，建立逐步判别模型，再根据逐步判别模型中的bayes判别函数对模型测试集中的样品产地进行判别；根据逐步判别模型中的典则判别函数对所有样品的产地特征典型性进行数字化表征，不仅为烟叶产地的鉴定提供了客观、准确的手段，还实现了对烟叶产地特征的数字化描述，克服了现有技术中主要依赖评吸人员的主观认知进行判别的主观性和不确定性，提高了烟叶产地鉴定的准确性、客观性和科学性；基于近红外光谱分析技术测定出烟叶中的化学成分，通过数学统计工具进行烟叶产地鉴定，并对烟叶产地特征进行典型性数字化表征；通过近红外光谱分析得到烟叶的常规化学成分、无机离子、多酚、难挥发酸、高级脂肪酸、氨基酸、amadori等指标的含量，通过逐步判别法筛选出主要判别指标并建立烟叶产地判别模型，并根据各烟叶在模型中的位置与各产区的质心之间的距离构建产地特征典型性数字化表征，以更科学的方法解决卷烟企业面对的问题。