基于miv-svm的烤烟评吸质量预测模型 miv-svm-based prediction model for smoking quality of lfue-cured tobacco.pdfVIP

下载本文档

30
0
约2.68万字
约 7页
2017-11-19 发布于上海
举报
版权申诉

基于miv-svm的烤烟评吸质量预测模型 miv-svm-based prediction model for smoking quality of lfue-cured tobacco.pdf

1、本文档共7页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于miv-svm的烤烟评吸质量预测模型 miv-svm-based prediction model for smoking quality of lfue-cured tobacco

56 中国烟草学报　2014 年12 月第20 卷第6 期基于 MIV-SVM 的烤烟评吸质量预测模型 1 1 2 2 1 1 聂铭，，，，，周冀衡杨荣生夏开宝李强张卓 1 湖南农业大学烟草科学与健康重点实验室长沙410128 ； 2 云南省烟草公司曲靖市公司，曲靖655000 摘　要：在matlab 环境下利用libsvm 软件包建立利用烤烟化学指标对烤烟评吸质量预测的支持向量机模型，利用MIV 法筛选变量，选取挥发性酸、石油醚提取物、钾、还原糖、烟碱为模型输入变量；参数优化后最佳c 值为0.10882，g 值为9.1896 ；训练样本预测值与实际值的相关系数R 为0.9903，测试样本预测值与实际值的相关系数R 为0.9966 ；预测误差分布在[-1,1]。以上结果说明预测模型是可靠的，能够为烤烟评吸质量的评价提供参考。关键词：评吸质量；支持向量机；预测模型；参数优化 doi ：10.3969/j.issn.1004-5708.2014.06.009 中图分类号：TS452　　　文献标志码：A　　　文章编号：1004-5708 （2014 ）06-0056-07 MIV-SVM-based prediction model for smoking quality of flue-cured tobacco 1 1 2 2 1 1 NIE Ming , ZHOU Jiheng , YANG Rongsheng , XIA Kaibao , LI Qiang , ZHANG Zhuo 1 Key Lab of Tobacco Science & Health, Hunan Agriculture University, Changsha 410128, China; 2 Yunnan Qujing Tobacco Company, Qujing 655000, Yunnan, China Abstract ：Support vector machine (SVM) which was used to predict smoking quality based on chemical index of ﬂue-cured tobacco was established by using libsvm software package in Matlab environment. Volatile acid, extractable petroleum ether, potassium, reducing sugar and nicotinamide were taken as input variables by using MIV algorithm. Optimal C value was 0.10882, g value was 9.1896 and correlation coefﬁcient R was 0.9903 for training samples and 0.9966 for testing samples. Predicted error was distributed in the [-1,1]. Results showed that the prediction model is reliable and capable of providing reference fo