离差最大化结合BP神经网络评价烟叶化学品质

doi:10.16035/j.issn.1001-7283.2023.01.028

离差最大化结合BP神经网络评价烟叶化学品质

张勇刚^,, 任志广, 徐志强, 刘建国, 张晓兵, 刘化冰, 夏琛, 程昌合^,

浙江中烟工业有限责任公司，310024，浙江杭州

Chemical Quality Evaluation of Flue-Cured Tobacco Based on Maximization of Deviation and BP Neural Network

Zhang Yonggang^,, Ren Zhiguang, Xu Zhiqiang, Liu Jianguo, Zhang Xiaobing, Liu Huabing, Xia Chen, Cheng Changhe^,

China Tobacco Zhejiang Industrial Co., Ltd., Hangzhou 310024, Zhejiang, China

通讯作者: 程昌合，主要从事烟叶原料研究，E-mail：chengch@zjtobacco.com

收稿日期: 2021-09-1 修回日期: 2021-12-6 网络出版日期: 2022-09-22

基金资助:

中国烟草总公司科技重大专项项目(中烟办[2019]69号)
浙江中烟工业有限责任公司科技项目(ZJZY2016B002)

Received: 2021-09-1 Revised: 2021-12-6 Online: 2022-09-22

作者简介 About authors

张勇刚，主要从事烟叶原料研究，E-mail：zyghenan@163.com

摘要

为解决烟叶化学品质现有组合评价方法的不足，探讨离差最大化组合评价法与BP神经网络相结合进行评价。选取4种典型单一评价法，首先采用改进熵权法和AHP法确定指标权重，然后根据离差最大化原理计算组合评价值，最后利用BP神经网络对组合评价值进行反演。结果表明，离差最大化组合评价值与单一评价法相关性较其他组合评价法更高，平均相关系数为0.9822；BP神经网络对组合评价值有较高的预测准确性与稳定性，预测值与实际值相对误差不超过3%，决定系数大于0.9900。说明，离差最大化组合评价法对单一评价法的组合效果更好，BP神经网络提高了组合评价的便捷性。

关键词： 烤烟; 化学品质; 改进熵权法; 离差最大化; BP神经网络

Abstract

Maximizing dispersion and the BP neural network were proposed as potential combined evaluation methods to address the inadequacies of the present combined evaluation methods of tobacco chemical quality. Four typical single evaluation approaches were chosen for the airticle. First, index weights were determined using the enhanced entropy weight method and the AHP method. Next, the combined evaluation value was calculated using the maximum dispersion principle. Finally, the combined evaluation value was inverted using BP neural network. The results showed that the average correlation coefficient between the maximum deviation combination evaluation value and the single evaluation method was 0.9822, which was higher than that of other combination evaluation methods, and the BP neural network had higher prediction accuracy and stability for the combined evaluation value, the relative error between the predicted value and the actual value was less than 3%, and the coefficient of determination was more than 0.9900. It showed that the deviation maximization combination evaluation method had better combination effects on the single evaluation method, and BP neural network improved the convenience of combination evaluation.

Keywords： Flue-cured tobacco; Chemical quality; Improved entropy weight method; Maximum deviation; BP neural network

PDF (1433KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

张勇刚, 任志广, 徐志强, 刘建国, 张晓兵, 刘化冰, 夏琛, 程昌合. 离差最大化结合BP神经网络评价烟叶化学品质. 作物杂志, 2023, 39(1): 190-195 doi:10.16035/j.issn.1001-7283.2023.01.028

Zhang Yonggang, Ren Zhiguang, Xu Zhiqiang, Liu Jianguo, Zhang Xiaobing, Liu Huabing, Xia Chen, Cheng Changhe. Chemical Quality Evaluation of Flue-Cured Tobacco Based on Maximization of Deviation and BP Neural Network. Crops, 2023, 39(1): 190-195 doi:10.16035/j.issn.1001-7283.2023.01.028

烟叶化学成分作为表征烟叶品质优劣的定量指标，其含量和协调性是影响烟叶外观和感官品质的重要方面^[1]。烟叶化学成分包含多个指标，每个指标代表烟叶化学成分的某个方面^[2]，但单一化学成分指标不能完全比较出不同样品化学成分间的差别^[3-4]。综合评价方法是将烟叶化学成分各指标进行量化处理后加权形成评价值，以此综合反映烟叶化学成分质量，更好地比较出不同样品化学品质差别，提升烟叶化学品质评判的准确性和全面性。

目前，烟叶化学品质综合评价仍以单一评价法为主，单一评价法所得评价结果既具有合理性，同时也有一些不足，如烟叶化学可用性指数存在线性补偿效应，可能导致评价值虚高^[5-6]；逼近理想解法由于理想解的不固定，评价结果会出现逆序^[7-8]；突变级数法中指标重要性排序方法有待商榷^[9-10]；灰色关联分析法评价结果分辨率较低^[11-12]。研究者^[13⇓-15]采用平均值法、Copeland和Borda法^[16]对烤烟烟叶化学质量、植烟土壤肥力和烟区气候适生性开展评价，并认为组合评价法在兼顾单一综合评价方法优点的同时，能够降低因单一评价方法缺点而造成的误差。但有学者^[17]指出，仅针对排序值进行组合评价可能导致信息丢失，在实践中评价值比排序值包含的信息量更大，另外组合评价方法计算过程繁杂，加重了评价者的工作量^[18]。

研究者已经构建多种基于评价值的组合评价法，基于离差最大化的组合评价法^[19]是使单一评价方法评价值的总离差最大，并求取不同评价方法的权重进行组合，能使最终组合评价值尽量分散，利于决策和排序，而该方法在烟叶质量评价中的应用鲜见报道。BP神经网络是采用误差反传算法的多层感知器^[20]，具有更强的非线性映射能力^[21]，在烟叶品质识别^[22]、烘烤过程监测^[23]和病虫害预测预报^[24]等方面已得到广泛应用，并取得有益效果，将BP神经网络引入组合评价，有望减少评价计算过程的复杂性，减轻工作量。

鉴于此，本文以四川烤烟为研究对象，选取4种单一评价法，利用基于离差最大化的组合评价法对单一评价法的评价值进行综合，并借助BP神经网络的非线性拟合功能重现组合评价的过程。

1 材料与方法

1.1 材料与检测指标

所取烟叶样本来自四川省主要植烟地州（凉山州、宜宾、泸州、攀枝花和广元），品种为云烟87，等级为C₃F，取样时间为2020年，共计95个样本。依据《YC/T 159-2002烟草及烟草制品水溶性糖的测定》、《YC/T 160-2002烟草及烟草制品总植物碱的测定》、《YC/T 162-2011烟草及烟草制品氯的测定》、《YC/T 161-2002烟草及烟草制品总氮的测定》和《YC/T 217-2007烟草及烟草制品钾的测定》分别测定总糖、还原糖、烟碱、氯、总氮和钾的含量，并计算糖碱比（还原糖/烟碱）和氮碱比（总氮/烟碱）。

1.2 单一评价法

选取烟叶化学成分可用性指数（CCUI）^[25]、逼近理想解法（TOPSIS）^[26-27]、突变级数法（CPM）^[28]和灰色关联度分析法（GRDA）^[29-30]对化学品质进行评价，化学成分指标的确权方法为改进熵权法和AHP法，以两者结果的均值作为最终权重。

其中改进熵权法^[31]的计算式为：

(1)$\begin{aligned} & H_j=-\frac{1}{\ln m}\left(\sum_{i=1}^m \frac{x_{i j}}{\sum_{i=1}^m x_{i j}} \ln \frac{x_{i j}}{\sum_{i=1}^m x_{i j}}\right) \end{aligned}$

式中，x_ij代表第i个烟叶样本第j个化学成分指标的标准化值（i=1，2，…，m；j=1，2，…，n），H_j代表第j个指标的熵值。

(2)$\begin{aligned} & W_{0 j}=\frac{1-H_j}{\sum_{j=1}^n\left(1-H_j\right)} \\ & \end{aligned}$

式中，W₀_j表示传统熵权法第j个指标的权重^[32]。

(3)$\begin{aligned} & W_{3 j}=\frac{1+\bar{H}-H_j}{\sum_{k=1, H_k \neq 1}^n\left(1+\bar{H}-H_k\right)} \\ & \end{aligned}$

式中， $\bar{H}$ 是所有不为1的熵值平均值，W₃_j表示熵值H_j→1时第j个指标的权重。

(4)$\begin{aligned} & W_j= \begin{cases}\left(1-\bar{H}^{35.35}\right) W_{0 j}+\bar{H}^{35.35} W_{3 j} & H_j<1 \\ 0 & H_j=1\end{cases} \\ & \end{aligned}$

式中，W_j表示改进熵权法中第j个指标的权重。

式(4)的含义为^[33]：H_j=1时，熵权为0；在H_j不接近1时，趋向于0，保留了传统熵权法赋权的精确性；当H_j接近于1时，$\bar{H}^{35.35}$为不接近于1的实数，通过二次加权减小此时熵权的差异。

1.3 基于离差最大化的组合评价法

离差最大化组合评价法的基本思想是使各单一评价法的评价值间的离差达到最大^[34]。设有m个烟叶样本，l种单一评价法组成方法集。为实现所有烟叶样本评价值的总离差最大，建立优化模型如下：

式中，f_il代表第i个烟叶样本第l种单一评价法的评价值，f_tl代表第t个烟叶样本第l种单一评价法的评价值（i，t=1，2，…，m；l=1，2，…，r），w_l代表第l种单一评价法的权重值。利用拉格朗日函数求解式(5)，并归一化计算得单一评价法的权重w_l^*。

(5)$\left\{\begin{array}{l}\max D=\sum_{i=1}^m \sum_{t=1}^m \sum_{l=1}^r w_l\left|f_{i l}-f_{t l}\right| \\ \text { s.t. } \sum_{l=1}^r w_l^2=1, \quad w_l>0, \quad l=1,2, \ldots, \quad r\end{array}\right.$

(6)$\begin{aligned} & w_l^{*}=\frac{\sum_{i=1}^m \sum_{t=1}^m\left|f_{i l}-f_t\right|}{\sum_{j=1}^n \sum_{l=1}^r \sum_{t=1}^m\left|f_{i l}-f_t\right|} \\ & \end{aligned}$

可得，第i个烟叶样本的组合评价值：

(7)$F_i=w₁^*f_i₁+w₂^*f_i₂+…+w_l^*f_ir$

1.4 基于BP神经网络的组合评价值计算

BP神经网络是人工神经网络中应用最广泛的网络类型，具有较强的容错性、自适应性、自组织性和鲁棒性^[35]。典型的BP神经网络是一个由输入层、隐含层和输出层构成的3层前馈神经网络^[36]。本研究将化学指标标准化值作为输入，组合评价值作为输出。BP神经网络通过不断学习，找到化学指标标准化值与组合评价值间内在对应联系，利用此网络模型可进行烟叶化学品质的组合评价，达到简化组合评价过程的目的。具体步骤如下：

（1）对烟叶样本集进行划分，随机产生训练集和预测集（样本数量比例为3:1^[37]），BP神经网络的输入层神经元个数为化学成分指标个数，输出层神经元个数为1，隐含层神经元个数采用经验公式^[38]确定，计算式：

(8)$d=\sqrt{a+b}+c$

式中，d代表隐含层神经元个数，a代表输入层神经元个数，b代表输出层神经元个数，c为[1,10]之间的常数。

（2）隐含层和输出层激励函数分别为Tansig和Purelin函数，网络训练函数为Trainlm，性能函数为MSE，学习速率为0.1，最大训练批次为1000次，目标误差为1×10^-5，训练至网络收敛，完成网络的构建；

（3）利用训练好的网络模型进行预测，预测性能评价指标包括决定系数（R²）、平均相对误差、平均绝对误差和均方根误差。

1.5 数据处理

采用模糊隶属度函数对化学成分指标进行标准化，并确定各指标的隶属度函数类型及拐点值^[39⇓-41]，如表1所示。

表1 化学成分指标的隶属度函数

Table 1 Membership functions of chemical compositions

函数类型 Types of membership functions	指标 Index	下限 Lower limits	最优值下限 Optimal value of lower limits	最优值上限 Optimal value of upper limits	上限 Upper limits
抛物线型Parabolic	总糖 (%)	14.00	24.00	31.00	39.00
	还原糖 (%)	10.00	22.00	30.00	37.00
	烟碱 (%)	1.20	2.10	2.40	3.50
	氯 (%)	0.10	0.30	0.80	1.00
	总氮 (%)	0.80	1.70	2.00	3.10
	糖碱比	6.00	12.50	13.50	18.00
	氮碱比	0.45	0.85	0.95	1.35
S型S-shape	钾 (%)	0.80	－	－	2.00

新窗口打开| 下载CSV

对于S型指标：

(9)$\begin{gathered}x_{i j}= \begin{cases}1.0 & y_{i j} \geqslant q_2 \\ 0.9 \times\left(y_{i j}-q_1\right) /\left(q_2-q_1\right)+0.1 & q_1<y_{i j}<q_2 \\ 0.1 & y_{i j} \leqslant q_1\end{cases} \\ \end{gathered}$

对于抛物线型指标：

(10)$\begin{gathered} x_{i j}= \begin{cases}0.1 & y_{i j} \leqslant q_1, \quad y_{i j} \geqslant q_2 \\ 0.9 \times\left(y_{i j}-q_1\right) /\left(q_3-q_1\right)+0.1 & q_1<y_{i j}<q_3 \\ 1.0 & q_3 \leqslant y_{i j} \leqslant q_4 \\ 1.0-0.9 \times\left(y_{i j}-q_4\right) /\left(q_2-q_4\right) & q_4<y_{i j}<q_2\end{cases} \end{gathered}$

式中，x_ij代表第i个烟叶样本第j个化学成分指标的标准化值，y_ij代表第i个烟叶样本第j个化学成分指标的实测值，q₁、q₃、q₄和q₂分别代表隶属度函数的下限、最优值下限、最优值上限和上限。

运用Excel 2010和SPSS 25.0进行数据处理，MATLAB 2013a完成BP神经网络的构建、训练和预测。

2 结果与分析

2.1 化学成分指标的权重

分别计算不同赋权方法下化学成分指标的权重（表2），8个化学成分指标的熵值均接近1，其中钾和总氮对应的熵值更为明显。但传统熵权法所得化学成分指标的权重差异较大，最大权重值是最小值的52.29倍，以致总氮在化学品质综合评价中基本不起作用，同时，总氮和钾的熵值仅相差0.0028，但钾的权重值是总氮的2.88倍，说明传统熵权法的权重评估不合理。而改进熵权法中最大权重值是最小值的5.62倍，钾的权重值是总氮的1.17倍，说明改进熵权法明显缩小了化学成分指标间权重的差异，符合熵值信息大小的传递。

表2 不同赋权方法的比较

Table 2 Comparison of different weight methods

指标 Index	总糖 Total sugar	还原糖 Reducing sugar	烟碱 Nicotine	糖碱比 Reducing sugar/ nicotine	氯 Chlorine	钾 Potassium	总氮 Total nitrogen	氮碱比 Total nitrogen/ nicotine
熵值Entropy value	0.9227	0.9935	0.9810	0.9692	0.9215	0.9957	0.9985	0.9904
传统熵权法Traditional entropy weight method	0.3398	0.0284	0.0834	0.1356	0.3451	0.0190	0.0066	0.0420
改进熵权法Improved entropy weight method	0.2650	0.0621	0.0979	0.1319	0.2684	0.0560	0.0478	0.0709
AHP	0.0508	0.1016	0.2564	0.2351	0.0824	0.0946	0.0795	0.0995
综合赋权Combination weighting	0.1579	0.0819	0.1772	0.1835	0.1754	0.0753	0.0637	0.0852

新窗口打开| 下载CSV

根据1~9标度AHP法对化学成分指标的相对重要性进行两两比较，并建立判断矩阵，其最大特征根为8.9234，随机一致性比率0.0936<0.1，说明判断矩阵具有一致性，表2中AHP法确定的化学成分指标权重有效。

综合赋权法融合了改进熵权法和AHP法的优势，既体现了化学成分指标数据本身的差异性，又考虑了专家经验，使得糖碱比和烟碱等指标被赋予较高的权重。后续4种单一评价法（CCUI、TOPSIS、CPM和GRDA法）在进行化学品质评价时，均采用综合赋权法确定的权重。

2.2 4种单一评价法的评价结果

由表3可知，CCUI和GRDA法评价结果极显著高于CPM和TOPSIS法，CPM法评价结果极显著高于TOPSIS法。其中，GRDA法所得评价结果的变幅、标准差和变异系数均最小，说明GRDA法的分辨能力较差；CPM法的变幅、标准差和变异系数均最大，说明该方法所得评价结果具有较好的分辨能力。

表3 4种单一评价法的评价结果

Table 3 Results of four single evaluation methods

方法 Method	均值 Mean	标准差 Standard deviation	变异系数 Coefficient of variation	变幅 Range
CCUI	0.6182A	0.1300	0.2103	0.5876
TOPSIS	0.5009C	0.1270	0.2535	0.6083
CPM	0.5673B	0.1643	0.2896	0.7275
GRDA	0.6396A	0.0991	0.1549	0.4727

同列不同大写字母表示在P < 0.01水平差异显著

Different uppercase letters indicate significant difference at the P < 0.01 level

新窗口打开| 下载CSV

由表4可知，4种单一评价法评价结果间均呈极显著正相关关系，相关系数分布在0.9141~0.9875，其中CCUI法与其他方法的平均相关系数最高，为0.9754，GRDA法最低，为0.9297。

表4 4种单一评价法评价结果的相关性分析

Table 4 Pearson correlation analysis among four single evaluation methods

方法Method	CCUI	TOPSIS	CPM	GRDA
CCUI	1.0000	0.9875^**	0.9835^**	0.9552^**
TOPSIS	0.9875^**	1.0000	0.9764^**	0.9199^**
CPM	0.9835^**	0.9764^**	1.0000	0.9141^**
GRDA	0.9552^**	0.9199^**	0.9141^**	1.0000

“^**”表示极显著相关（P < 0.01），下同

“^**”shows extremely significant correlation (P < 0.01), the same below

新窗口打开| 下载CSV

2.3 基于离差最大化的组合评价

由式(6)可得，CCUI、TOPSIS、CPM和GRDA法的组合权重系数分别为0.2502、0.2431、0.3166和0.1901。根据公式(7)可得组合评价值。表5列出了离差最大化法组合评价值与4种单一评价法的Pearson相关系数和平均相关系数。同时与组合评价中常用的平均值法、Copeland和Borda法的评价结果相比较，以衡量离差最大化的组合效果。

表5 组合评价法和4种单一评价法的相关系数

Table 5 Pearson correlation analysis between combination evaluation method and four single evaluation methods

方法 Method	离差最大化法 Maximizing deviation method	平均值法 Mean value method	Copeland法 Copeland method	Borda法 Borda method
CCUI	0.9976^**	0.9889^**	0.9863^**	0.9871^**
TOPSIS	0.9897^**	0.9734^**	0.9736^**	0.9742^**
CPM	0.9916^**	0.9748^**	0.9751^**	0.9745^**
GRDA	0.9500^**	0.9465^**	0.9329^**	0.9363^**
平均相关系数Average correlation coefficients	0.9822	0.9709	0.9670	0.9680

新窗口打开| 下载CSV

由表5可知，基于离差最大化的组合评价结果与单一评价法相关系数最高，平均值法次之，Copeland和Borda法较低。说明，基于离差最大化的组合结果与单一评价法一致性更强，组合效果更好。

2.4 基于BP神经网络的组合评价值预测

将95个烟叶样本随机划分为由71个样本组成的训练集和24个样本组成的预测集。经反复测试，隐含层神经元个数最终确定为4个，据此构建拓扑结构为8×4×1的BP神经网络，经过23次训练，目标误差达到1×10^-5。

利用训练好的网络分别对训练集和预测集进行分析。由表6可知，预测集数据的绝对误差和相对误差均较小，绝对误差分布为0.0007~0.0140，相对误差分布为0.1045%~2.7653%。由表7可知，训练集和预测集中实测值与预测值的R²均在0.9900以上，且误差较小。说明，本研究所建立的BP神经网络模型对组合评价值具有较高的预测精度。

表6 预测集数据的预测误差

Table 6 Prediction error of testing samples

样品编号 Sample number	实测值 Measured value	预测值 Predicted value	绝对误差 Absolute error	相对误差 Relative error (%)
1	0.5397	0.5378	0.0019	0.3520
2	0.4771	0.4840	0.0069	1.4462
3	0.4721	0.4702	0.0019	0.4025
4	0.6333	0.6239	0.0094	1.4843
5	0.6463	0.6489	0.0026	0.4023
6	0.7056	0.6916	0.0140	1.9841
7	0.3329	0.3373	0.0044	1.3217
8	0.6001	0.6035	0.0034	0.5666
9	0.5013	0.5063	0.0050	0.9974
10	0.4387	0.4396	0.0009	0.2052
11	0.6129	0.6240	0.0111	1.8111
12	0.6345	0.6374	0.0029	0.4571
13	0.4571	0.4582	0.0011	0.2406
14	0.6387	0.6322	0.0065	1.0177
15	0.6864	0.6920	0.0056	0.8159
16	0.6968	0.7008	0.0040	0.5741
17	0.5305	0.5355	0.0050	0.9425
18	0.4662	0.4610	0.0052	1.1154
19	0.6168	0.6148	0.0020	0.3243
20	0.3110	0.3196	0.0086	2.7653
21	0.6696	0.6689	0.0007	0.1045
22	0.3652	0.3641	0.0011	0.3012
23	0.8294	0.8305	0.0011	0.1326
24	0.6416	0.6459	0.0043	0.6702

新窗口打开| 下载CSV

表7 训练集和预测集的预测误差和决定系数

Table 7 Prediction error and determination coefficient of training and test samples

指标 Index	样本量 Sample size	平均绝对误差 Mean of absolute error	平均相对误差 Mean of relative error (%)	R²	均方根误差 Error of root-mean- square
训练集 Training sample	71	0.0038	0.6198	0.9985	0.0054
预测集 Test sample	24	0.0046	0.8514	0.9981	0.0057

新窗口打开| 下载CSV

3 讨论

烟叶质量评价中权重的确定是综合评价方法的重要组成，其设置是否合理会直接影响评价结果的准确性^[42]。本研究结果表明，采用传统熵权法对化学成分指标进行赋权时，权重最大值是最小值的52.29倍，总氮和钾的熵值仅相差0.0028，但钾的权重值是总氮的2.88倍，说明在熵值趋近于1时，各熵值相互之间微小的差异都会造成熵权成倍的变动，以致权重分配出现两极分化的现象，与前人^[43-44]研究结果一致，而改进熵权法通过2种熵权计算式的复合调节，改进上述缺陷。同时，为改善熵权法未考虑决策者专家经验和知识的不足^[45]，将AHP与熵权法相结合计算综合权重，使得糖碱比、烟碱的权重分别从0.1319和0.0979提升到了0.1835和0.1772，从权重系数上体现了二者在烟叶化学品质评价时的重要作用。

烟叶化学品质综合评价是指将化学成分指标权重与标准化值相集结，从而得到评价值的过程。综合评价方法的选取对评价结果有较大的影响。本文采用4种单一评价法对不同烟叶样本的化学品质进行分析，所得评价结果间存在极显著差异性，可能在于单一评价法各自从不同维度和方向出发，对评价对象的信息利用和挖掘深度不同。4种单一评价法中，CCUI法的结果与其他3种方法的平均相关系数最大，而且原理清晰、计算方便。需要快速得到评价结果时，可使用CCUI法。本文在4种单一评价法评价结果的基础上，分析各方法间的相关性，得出该4种单一评价法的相关性系数较高，进而采用离差最大化组合评价模型将4种单一评价法的评价值进行计算和组合，从而得出最终的评价结果，并与平均值法、Copeland和Borda法进行了比较。离差最大化组合评价法得到的评价结果优势最为明显，与本文中的4种单一评价法的相关系数平均值为0.9822，具有更高的相关性，原因可能在于该方法的组合过程是对单一评价法结果的评价值信息进行了提取，而评价值所包含的信息远大于排序值^[46]。

本研究采用离差最大化组合评价模型将8个化学成分指标转化为能反映烟叶化学品质总体特征信息的综合指标，克服了多种评价方法结论不一致的问题，但其计算过程较为复杂。文献[47-48]通过实例研究揭示，利用BP神经网络可建立各评价指标与综合评价值的非线性关系以及确定各指标的贡献率。因此，本研究通过对71个训练集样本的学习完成BP神经网络的构建，结果表明，所构建的网络模型性能良好，针对24个预测集样本，直接输入化学成分指标数据可获得较为准确的组合评价值，达到重现组合评价过程的目的。

4 结论

改进熵权法较传统熵权法能够获得更为合理的化学成分指标客观权重。烟叶化学成分可用性指数、逼近理想解法、突变级数法与灰色关联分析法4种单一评价法的评价结果具有一定差异，但各单一评价法的评价结果与其他3种的Pearson相关系数均在0.9000以上，具有相容性；基于离差最大化的组合评价法与单一评价法评价结果的Pearson相关系数高于平均值法、Copeland和Borda法，组合效果更好。建立的基于BP神经网络的组合评价值预测模型精度较高，为简化组合评价流程提供了一种方法。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

陈征, 任志广, 范艺宽, 等.

基于灰色关联分析模型的烟叶化学成分评价研究进展

中国农业科技导报, 2017, 19(5):129-137.

DOI:10.13304/j.nykjdb.2016.352 [本文引用: 2]

利用烟叶化学成分评价烟叶质量一直是烟草研究的热点，大量统计学方法已广泛应用于评判烟叶等级。灰色关联分析作为一种新颖的因素分析方法，通过对序列几何关系的度量来比较系统中多因素关系的紧密程度，其紧密程度可由序列曲线间几何形状的接近程度来度量，灰色关联分析在挖掘烟叶化学组分信息中具有广阔的应用前景。以烟叶化学成分作为主线，综述了烟叶品质评价的现况，并对灰色关联分析模型在烟叶化学成分评价上的应用进行了系统分析，同时比较了几种经典灰色关联度模型的算法和性质，以期为卷烟工业构建烟叶质量评价方法体系提供参考。

[2]

邓小华, 杨丽丽, 邹凯, 等.

烟稻轮作模式下烤烟增密减氮的主要化学成分效应分析

植物营养与肥料学报, 2017, 23(4):991-997.