本發(fā)明涉及煙葉生態(tài)區(qū)分類，?特別是涉及一種基于代謝組學(xué)的煙葉生態(tài)區(qū)分類方法、裝置及介質(zhì)。
背景技術(shù)：
1、在煙草行業(yè)中，煙葉的生態(tài)區(qū)分類對煙草品質(zhì)控制、產(chǎn)品標(biāo)準(zhǔn)化及市場價值評估具有重要意義。不同生態(tài)區(qū)的氣候條件、土壤特性以及海拔高度等環(huán)境因素，會直接影響煙葉的生理代謝過程，導(dǎo)致其化學(xué)成分和物理特性產(chǎn)生顯著差異。這些差異最終體現(xiàn)在煙葉的燃燒特性、香氣風(fēng)格和感官品質(zhì)上，進而決定了其工業(yè)可用性和商業(yè)價值。因此，建立科學(xué)、精準(zhǔn)的煙葉生態(tài)區(qū)分類體系，是提升煙草制品品質(zhì)穩(wěn)定性、保障品牌特色和實現(xiàn)優(yōu)質(zhì)優(yōu)價的重要前提。
2、然而，傳統(tǒng)煙葉生態(tài)區(qū)分類方法主要依賴于人工經(jīng)驗判斷或簡單的理化指標(biāo)檢測，不僅依賴評煙師的主觀判斷，易受個體差異和外部因素干擾，且僅關(guān)注如煙堿、總糖等少數(shù)已知成分，導(dǎo)致分類結(jié)果的一致性、準(zhǔn)確性都比較差。
技術(shù)實現(xiàn)思路
1、基于此，有必要針對上述技術(shù)問題，提供一種系統(tǒng)化、高精度的煙葉生態(tài)區(qū)分類方法、裝置及計算機可讀存儲介質(zhì)。
2、第一方面，本申請?zhí)峁┝艘环N基于代謝組學(xué)的煙葉生態(tài)區(qū)分類方法，包括：
3、獲取煙葉樣本集的代謝物數(shù)據(jù)集；所述煙葉樣本集包括各生態(tài)區(qū)的多個煙葉樣本，以及對應(yīng)的生態(tài)區(qū)標(biāo)識；
4、對所述代謝物數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，得到樣本特征集；使用多種特征選擇方法分別從所述樣本特征集中選擇若干最優(yōu)特征，構(gòu)成最優(yōu)特征數(shù)據(jù)集；
5、利用所述最優(yōu)特征數(shù)據(jù)集對多個分類算法模型分別進行訓(xùn)練及融合，得到訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型；
6、對待分類煙葉獲取所述若干最優(yōu)特征，輸入至所述訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型，得到生態(tài)區(qū)預(yù)測結(jié)果。
7、在其中一些實施例中，所述利用所述最優(yōu)特征數(shù)據(jù)集對多個分類算法模型分別進行訓(xùn)練及融合，得到訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型包括：
8、選擇多個分類算法模型，并設(shè)置各所述分類算法模型的超參數(shù)；
9、使用所述最優(yōu)特征數(shù)據(jù)集分別訓(xùn)練所述多個分類算法模型；
10、使用模型融合方法對訓(xùn)練完成的所述多個分類算法模型進行融合，得到融合后的煙葉生態(tài)區(qū)融合分類模型。
11、在其中一些實施例中，所述使用模型融合方法對訓(xùn)練完成的所述多個分類算法模型進行融合，得到融合后的煙葉生態(tài)區(qū)融合分類模型包括：
12、獲取所述多個分類算法模型對所述最優(yōu)特征數(shù)據(jù)集的類別預(yù)測結(jié)果；
13、統(tǒng)計每種所述類別預(yù)測結(jié)果被預(yù)測為最終類別的票數(shù)；
14、將獲得最高票數(shù)的類別預(yù)測結(jié)果確定為所述最優(yōu)特征數(shù)據(jù)集的最終預(yù)測類別。
15、在其中一些實施例中，所述多個分類算法模型包括支持向量機svm模型、隨機森林模型和多層感知機mlp模型中的至少兩個。
16、在其中一些實施例中，所述使用多種特征選擇方法分別從所述樣本特征集中選擇若干最優(yōu)特征，構(gòu)成最優(yōu)特征數(shù)據(jù)集包括：
17、計算所述樣本特征集的方差，選擇計算結(jié)果中方差最大的若干第一最優(yōu)特征；
18、通過皮爾森相關(guān)系數(shù)計算樣本特征集中各個樣本特征之間的線性相關(guān)程度，選擇若干第二最優(yōu)特征；
19、通過lightgbm算法對所述樣本特征集進行特征重要度計算，選擇重要度最高的若干第三最優(yōu)特征；
20、將第一最優(yōu)特征、第二最優(yōu)特征、第三最優(yōu)特征作并集，構(gòu)成所述最優(yōu)特征數(shù)據(jù)集。
21、在其中一些實施例中，所述對所述煙葉生態(tài)區(qū)分類融合模型進行評估包括：
22、基于測試數(shù)據(jù)集對所述煙葉生態(tài)區(qū)分類融合模型進行預(yù)測，生成生態(tài)區(qū)預(yù)測結(jié)果；
23、計算所述生態(tài)區(qū)預(yù)測結(jié)果與真實生態(tài)區(qū)標(biāo)識之間的評估指標(biāo)，所述評估指標(biāo)包括準(zhǔn)確率、精確率、召回率或f1分?jǐn)?shù)中的至少一種；
24、當(dāng)所述評估指標(biāo)未達(dá)到預(yù)設(shè)值時，調(diào)整所述多個分類算法模型的超參數(shù)，并重新訓(xùn)練所述多個分類算法模型；
25、重復(fù)以上步驟直至所述評估指標(biāo)達(dá)到預(yù)設(shè)值或達(dá)到最大迭代次數(shù)。
26、在其中一些實施例中，所述對所述代謝物數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，得到樣本特征集包括：
27、對所述代謝物數(shù)據(jù)集進行數(shù)據(jù)清洗；
28、對數(shù)據(jù)清洗后的數(shù)據(jù)做數(shù)據(jù)歸一化處理，得到所述樣本特征集。
29、在其中一些實施例中，所述煙葉樣本集的代謝物數(shù)據(jù)集是通過gc-ms和lc-ms分析平臺對所述煙葉樣本集進行分析獲得的。
30、第二方面，本申請還提供了一種煙葉生態(tài)區(qū)分類裝置，所述裝置包括：
31、獲取模塊，用于獲取煙葉樣本的代謝物數(shù)據(jù)集；
32、特征篩選模塊，用于選擇若干最優(yōu)特征，構(gòu)成最優(yōu)特征數(shù)據(jù)集；
33、訓(xùn)練模塊，用于利用所述最優(yōu)特征數(shù)據(jù)集對多個分類算法模型分別進行訓(xùn)練及融合，得到訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型；
34、識別模塊，用于對待分類煙葉獲取所述若干最優(yōu)特征，輸入至所述訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型，得到生態(tài)區(qū)預(yù)測結(jié)果。
35、第三方面，本申請還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：
36、獲取煙葉樣本集的代謝物數(shù)據(jù)集；所述煙葉樣本集包括各生態(tài)區(qū)的多個煙葉樣本，以及對應(yīng)的生態(tài)區(qū)標(biāo)識；
37、對所述代謝物數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，得到樣本特征集；使用多種特征選擇方法分別從所述樣本特征集中選擇若干最優(yōu)特征，構(gòu)成最優(yōu)特征數(shù)據(jù)集；
38、利用所述最優(yōu)特征數(shù)據(jù)集對多個分類算法模型分別進行訓(xùn)練及融合，得到訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型；
39、對待分類煙葉獲取所述若干最優(yōu)特征，輸入至所述訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型，得到生態(tài)區(qū)預(yù)測結(jié)果。
40、與相關(guān)技術(shù)相比，上述一種基于代謝組學(xué)的煙葉生態(tài)區(qū)分類方法、裝置及介質(zhì)使用多種特征選擇方法分別從所述樣本特征集中選擇若干最優(yōu)特征，構(gòu)成最優(yōu)特征數(shù)據(jù)集，可以從不同角度選擇有用的關(guān)鍵特征，同時達(dá)到了特征降維的目的。利用所述最優(yōu)特征數(shù)據(jù)集對多個分類算法模型分別進行訓(xùn)練及融合，得到訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型,能夠通過不同原理的模型，針對性的對數(shù)據(jù)進行建模從而從不同角度提高分類能力。通過整合代謝組學(xué)分析、多維度特征篩選及多模型融合技術(shù)，該方法能夠顯著提升煙葉生態(tài)區(qū)分類的客觀性、準(zhǔn)確性。
1.一種基于代謝組學(xué)的煙葉生態(tài)區(qū)分類方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用所述最優(yōu)特征數(shù)據(jù)集對多個分類算法模型分別進行訓(xùn)練及融合，得到訓(xùn)練完成的煙葉生態(tài)區(qū)融合分類模型包括：
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述使用模型融合方法對訓(xùn)練完成的所述多個分類算法模型進行融合，得到融合后的煙葉生態(tài)區(qū)融合分類模型包括：
4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述多個分類算法模型包括支持向量機svm模型、隨機森林模型和多層感知機mlp模型中的至少兩個。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述使用多種特征選擇方法分別從所述樣本特征集中選擇若干最優(yōu)特征，構(gòu)成最優(yōu)特征數(shù)據(jù)集包括：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述煙葉生態(tài)區(qū)分類融合模型進行評估包括：
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述代謝物數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理，得到樣本特征集包括：
8.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述煙葉樣本集的代謝物數(shù)據(jù)集是通過gc-ms和lc-ms分析平臺對所述煙葉樣本集進行分析獲得的。
9.一種煙葉生態(tài)區(qū)分類裝置，其特征在于，所述裝置包括：
10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，實現(xiàn)權(quán)利要求1至8中任一項所述的煙葉生態(tài)區(qū)分類方法的步驟。