|
1.算法运行效果图预览 
2.算法运行软件版本 matlab2022a 3.部分核心程序 t1 = clock; %计时开始
net = fitnet(54);
net.trainParam.epochs = 1000; %设置训练次数
net.trainParam.goal = 0.00001; %设置性能函数
net.trainParam.show = 1; %每10显示
net.trainParam.Ir = 0.005; %设置学习速率
net = train(net,P,T); %训练BP网络
datat = etime(clock,t1);
Nets = net;
% view(Nets);
y = sim(net,P);
figure;
stem(y,'r');hold on
plot(y,'b-.');hold on
plot(T,'b--','LineWidth',3);hold on
legend('预测数据(归一化)','实际数据(归一化)');
title('香型分类（根据气候进行分类）');
%%
%然后根据化学指标因素进行训练分析
%然后根据化学指标因素进行训练分析
%使用神经网络的相关结果，选择最佳的几个参数作为香型判断指标
P = Pc
T = Tc;
%为了得到最为关键的几个指标，我们对12个指标分别进行训练测试分析，得到影响最精确的指标
%此部分神经网络代码无需变动，只需要修改内部的参数即可。
t1 = clock; %计时开始
net = fitnet(34);
net.trainParam.epochs = 1000; %设置训练次数
net.trainParam.goal = 0.00001; %设置性能函数
net.trainParam.show = 1; %每10显示
net.trainParam.Ir = 0.005; %设置学习速率
net = train(net,P,T); %训练BP网络
datat = etime(clock,t1);
Nets = net;
% view(Nets);
y = sim(net,P);
figure;
stem(y,'r');hold on
plot(y,'b-.');hold on
plot(T,'b--','LineWidth',3);hold on
legend('预测数据(归一化)','实际数据(归一化)');
title('香型分类（根据气候进行分类）');
05_024m4.算法理论概述 基于BP神经网络和小波变换特征提取的烟草香型分类算法是一种将模式识别技术与深度学习相结合的方法，旨在通过对烟草样本的香气成分进行高效分析，准确区分浓香型、清香型和中间香型烟草。小波变换是一种时频分析工具，能够在不同尺度下捕捉信号的局部特征，非常适合处理非平稳信号，如烟草香气成分的复杂变化。其基本思想是将原始信号分解为不同尺度的细节和近似分量。 
对于烟草香气成分的分析，首先通过小波变换对每种香气成分的光谱数据进行降维处理和特征提取，保留那些对香型分类具有显著差异性的特征，如特定频率段的能量分布或峰形特征。 在小波变换之后，通常会进行特征选择或降维处理，以减少计算复杂度并提高分类性能。常用的方法有主成分分析（PCA）、线性判别分析（LDA）等。以PCA为例，其目标是找到一个正交变换，将原始数据转换到一个新的坐标系统中，使得方差最大的方向位于坐标轴上。 
BP神经网络是一种多层前馈网络，通过反向传播算法调整权重和阈值，以减小输出层误差。在烟草香型分类中，BP网络的输入层接收从小波变换中提取的特征向量，隐藏层进行非线性映射，输出层给出属于浓香型、清香型或中间香型的概率。  |
|
|
