数据挖掘技术在卷烟配方优化中的应用

论文摘要

配方产品优化设计是一门复杂的综合技术,涉及多个学科领域。为了获得性能优异、能满足使用要求的配方,需根据产品的性能要求和工艺条件,通过试验、优化、鉴定,合理地选用原材料,确定各种原材料的用量配比关系。对于这样一个复杂的多目标配方体系,试验方法的设计就显得尤为重要。近年来对配方优化设计的应用研究十分活跃。面对如此多的设计方法,如何合理选用已成为配方设计者的一大难题。本文针对烟草行业所采集的数据特点,对数据挖掘技术在卷烟产品配方优化设计中的应用进行了研究。利用统计分析的方法对行业数据进行分析、特征提取,从不同的层面和角度来分析变量间的相关关系。M5’模型树法建立的学习模型直观、清晰,容易被用户所接受,将其应用在卷烟的感觉评估领域。SVM方法具有很强的非线性逼近能力,被用于建立预测产品感官质量的学习模型,适用于解决高维、小样本问题。最后,利用遗传算法,以烟叶理化成份与卷烟感官、烟气指标相关性为依据,确定约束条件设计优化模型以达到最低成本为目标,通过优化模型的运行来取得所需风格卷烟的最佳配比组合,同时能提前对设计出的叶组配方进行预估,实现对重点指标的重点控制,使设计更具科学性和合理性。

论文目录

• 摘要
• Abstract
• 第一章 概论
• 1.1 选题背景及研究意义
• 1.1.1 选题背景
• 1.1.2 研究意义
• 1.2 烟草配方行业现状
• 1.3 论文主要研究内容及章节安排
• 第二章 数据挖掘概述
• 2.1 数据挖掘的定义
• 2.2 数据挖掘的研究历史和现状
• 2.3 数据挖掘与传统分析方法的区别和联系
• 2.4 数据挖掘常用技术和工具
• 2.5 数据挖掘过程简介
• 2.6 小结
• 第三章 数据预处理
• 3.1 基本理论和方法
• 3.2 卷烟数据描述
• 3.3 卷烟数据特点
• 3.4 卷烟数据预处理方法
• 3.4.1 缺失数据处理
• 3.4.2 去除异常值
• 3.4.3 数据规范化
• 3.4.4 小样本数据处理
• 3.5 小结
• 第四章 数据挖掘与复杂相关性分析
• 4.1 统计分析方法
• 4.1.1 散点图
• 4.1.2 主成分分析
• 4.1.3 逐步线性回归
• 4.1.4 相关分析过程与结论
• 4.2 基于模糊逻辑的工具
• 4.2.1 模糊变换散点图
• 4.2.2 模糊散点图相关性分析
• 4.3 小结
• 第五章 M5 算法及其在感觉评估中的应用
• 5.1 决策树
• 5.1.1 决策树基本概念及核心技术
• 5.1.2 常用的决策树算法
• 5.1.3 决策树目前研究方向
• 5.2 模型树
• 5.2.1 模型树描述
• 5.2.2 模型树M5’算法流程
• 5.3 感官评估模型
• 5.4 基于M5’模型树的感官评估模型
• 5.5 小结
• 第六章 支持向量机方法评估建模
• 6.1 统计学习理论基础
• 6.2 支持向量机（SVM）
• 6.2.1 SVM 方法基本思想
• 6.2.2 最优超平面求解
• 6.2.3 SVM 回归分析
• 6.3 SVM 与神经网络的性能比较
• 6.3.1 SVM 与神经网络的相似点
• 6.3.2 神经网络的特点
• 6.3.3 支持向量机的特点
• 6.4 基于SVM 与BP 神经网络的感官评估模型
• 6.5 小结
• 第七章 遗传算法与配方寻优
• 7.1 遗传算法介绍
• 7.2 遗传算法进行卷烟配方设计问题
• 7.3 遗传算法用于卷烟配方优化及分析
• 7.4 叶组配方优化设计
• 7.5 小结
• 第八章 结论及展望
• 8.1 结论
• 8.2 展望
• 参考文献
• 致谢
• 个人简历
• 攻读硕士学位期间完成的学术论文