建立卷烟感官质量评价的模糊—神经网络专家系统的方法 本发明涉及一种人工神经网络专家系统的建立、管理和使用，更具体地说，是涉及建立卷烟(包括单料烟与成品卷烟)感官质量评价的模糊—神经网络专家系统的方法。
传统的单料烟与成品卷烟感官质量评价，是用人工(行业专家)的评吸方法进行。这种方法的缺点在于：专家评吸工作量大；评价结果受评吸专家人选、及其健康与精神状况等主观因素影响大，故具有明显的随意性，一致性差。
目前，传统人工智能专家系统已成功地应用于许多方面，在具有精确含义的符号逻辑推导的领域是十分成功的。但是，有一些实际问题无法或很难用符号技术或确定性数学模型描述，这恰恰是神经网络、模糊集等方法的用武之地。模糊集方法具有表达人类感官与思维概念模糊性的能力；神经网络善于从不完整、含有噪声的输入中归纳、抽取信息，并可以从现实世界样本中学习，得到神经网络专家知识；模糊-神经网络则兼有两者的优点。
本发明的目的在于提供一种减少人工评吸工作量、提高评价客观一致性的卷烟(包括成品卷烟、单料烟)感官质量评价方法，即建立卷烟感官质量评价的模糊—神经网络专家系统的方法。
本发明利用人工神经网络(ANN：Artificial Neural Network)，的学习与推广能力，以行业专家提供地可靠数据作为样本，训练一系列模糊-神经网络(库)；精心组织，构成人-机交互式、基于模糊-神经计算与传统计算机技术相结合的专家评价系统。该方法是由行业专家对卷烟分组，并提供典型数据，以此典型数据作样本，训练指定的神经网络；逐一建立由许多不同的组对应的许多不同的神经网络，构成神经网络库(ANN库)，并用一定的程序对这它们进行管理。
由于在一定范围和程度内，可以用神经网络的方法部分取代专家评吸工作，因此大大提高了效率。例如，在训练好的神经网络库内，即在已掌握其特征规律的范围内，如相近的烟草生产地区、类似的卷烟类型，可不做人工评吸工作，直接由神经网络专家系统作出知识提取或推广评价，减少人工评吸工作量。而神经网络的训练样本可以选用评吸的典型数据，即采用严格的、标准的评吸过程，精选参加评吸工作的专家，从而得到公认的较客观的评吸结果数据作为训练样本。所以，训练后的神经网络内可获得较为准确的评价单料烟及成品卷烟的专家知识，从而实现比传统评吸方法更为可靠的、客观一致性的评价，因此也提高了评价质量。
下面结合附图及其具体实施例详细说明本发明。
图1本发明的系统程序流程图。
图2本发明的系统使用管理程序图。
图3本发明的系统结构关系示意图。
图4本发明对模糊量的四类划分与隶属度函数曲线图。
图5本发明对模糊量的五类划分与隶属度函数曲线图。
图6本发明对模糊量的三类划分与隶属度函数曲线图。
图3示出了本发明的一个基本特征，即本发明模糊—神经网络专家系统的结构关系。专家与用户都可以使用本系统；专家可用它输入样本数据、形成训练样本集、指定并训练神经网络模型、测试神经网络模型，最终建立模糊-神经网络专家库(ANN库)；用户可使用本系统输入待评价任务的有关数据，调用神经网络模型，从而得到模糊-神经网络专家给出的感官质量评价结果。
本系统形成的具体流程如图1，其形成步骤或方法是，
1.行业专家决定单料烟或成品卷烟评价的分组，收集并整理样本数据；
2.将行业专家提交的某组已知样本数据写入一个特定的文件中，并对其进行归一化与模糊化处理。归一化范围及算法依输入输出参数具体情况而定，并允许用户和专家在相应的程序中做修改；若样本数据不足，应组织行业专家评吸，获得新的样本数据；
3.系统将比较并发现是否有“特异样本”(即唯一具有某输出参数的样本)，并提示用户确定是否采用该样本；
4.根据样本数据的输入输出参数个数，系统指定相应的网络模型，可由系统设置或由用户自己设置网络参数和定义学习率和惯性参数；
5.利用样本数据训练对应的神经网络；在该网络训练中，系统根据训练进程显示网络的学习状态，并在“训练误差”项中显示网络输出值与训练样本给定值之间误差的变化；
6.该网络训练完成后，把训练好的神经网络存入系统的神经网络库(ANN库)中；
7.上述过程可反复进行，检查是否要建立新的组别，工作任务是否已完成，直到全部组别逐一建立完毕。
卷烟组别的划分如下：
单料烟的烟型划分：烤烟型、晾烟型、晒烟型。
成品卷烟的烟型划分：烤烟型，混合型，外香型，雪茄型等。
之后再在各类型中按单料烟叶的产地、部位与颜色分组，成品卷烟按品牌分组，并各用一个神经网络与之对应。
单料烟叶的基本质地与理化指标(将作为网络输入)为：单料烟叶的国标等级，总烟碱、总糖、还原糖、总氮、蛋白质、氯等的含量；
成品卷烟的基本质地与理化指标(将作为网络输入参数)为：总烟碱、总糖、还原糖、总氮、蛋白质、氯等的含量、烟支重量(g/支)、总氮吸阻(Pa)、CO(mg/支)、抽吸口数/支、烟碱(mg/支)、水分(mg/支)、焦油(mg/支)；
单料烟的感官评吸参数，即作为单料烟感官质量评价的模糊-神经网络的输出参数为：香气质、香气量、透发性、杂气、刺激性、余味、劲头和7类香型：浓香型、浓中香、中浓香、中香型、中清香、清中香、清香型(浓、浓偏中、中偏浓、中、中偏清、清偏中、清)
成品卷烟的感官评吸参数，即(将作为网络输出参数据)为：香气、谐调、杂气、刺激性、余味及光泽；
本发明中参数的模糊化涉及参数值等级的划分，可按3、4和5等三种进行划分。其划分与隶属度函数图如图4、图5、图6所示。根据本发明中神经网络的要求，并满足实用精度要求，数据归一化范围为：
原输入数据：(0.001，1) 原输出数据：(0.001，0.99)例如：单料烟叶等级以国际代号表示，每个国际代号对应的七个参数，其中前5个参数为模糊变量，并分别进行3、4、5等划分，其隶属度＝1的点设定如下：
1).成熟度(5等)
完熟：1.0 成熟：0.70 尚熟：0.50 欠熟：0.30 假熟：0.01
2).叶片结构(4等)
疏松：0.01 尚疏松：0.375 稍密：0.625 紧密：1.0
3).身份(3等)
厚或溥0.01 稍薄：0.50 中等：1.0
4).油份(4等)
多油：1.0 有油：0.625 稍有油：0.375 少油：0.01
5).色度(5等)
浓：1.0 强：0.70 中：0.50 弱：0.30 淡：0.01
6).长度：在20至50之间归一化。
7).伤残：在0.05至0.35之间归一化。
完全类似的处理方法用于成品卷烟的输入、输出参数。
图2为本系统的使用管理程序或步骤：
(1)、按系统提示，用户输入待评价的单料烟或成品卷烟组号；
(2)、系统从ANN库中调出相应的已训练好的神经网络；
(3)、在系统提示下，用户输入已知基本质地参数与理化指标数据；
(4)、调出的神经网络作‘神经计算’(Neuro-computing)，并将感官质
量评价结果(计算结果)转化为用户易于理解的数据形式输出。
(5)、反复上述步骤，直到评价工作结束。
前面的说明，已展示了本发明的许多特征和优点，以及在应用中具有的创新性。此外，本技术领域内的熟练人员，尤其是那些既具有实践经验又具有一定的神经网络知识的技术人员，不难对本系统的一些流程作修改。因此，本发明并不限于图示的及描述过的结构和操作，所有适当的修改和替代都应视为落入本发明的范围。