(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111620289.3 (22)申请日 2021.12.28 (71)申请人 昆明理工大 学 地址 650093 云南省昆明市五华区一 二— 大街文昌巷68号 (72)发明人 郭奇　邓为权　 (74)专利代理 机构 宁波海曙甬睿专利代理事务 所(普通合伙) 33330 专利代理师 朱松峰 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01) G06K 9/62(2022.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01) (54)发明名称 基于改进RF与GBDT的烘丝出口含水率预测 方法 (57)摘要 本发明公开了基于改进RF与GBDT的烘丝出 口含水率预测方法， 其特征在于； 所述方法通过 使用Grid  Search并结合K ‑Fold Cross  Validation 法对RF模型和GBDT模型改进优 化， 检 测烟丝烘丝出口含水率， 采用Grid  Search结合 K‑Fold Cross Validation法分别针对梗丝与叶 丝烘丝出口含水率的RF特征选取模型和GBDT的 含水率预测模 型进行双重优化， 首先获得最佳特 征变量， 然后输入改进后获取的最佳预测模型取 得最终拟合准确度高的预测结果。 实验结果表 明， 优化后模型拟合性能指标有明显提升， 提高 了烟丝烘丝出口含水率预测的准确性和效率。 权利要求书1页 说明书5页 附图2页 CN 115293021 A 2022.11.04 CN 115293021 A 1.基于改进RF与GBDT的烘丝出口含水率预测方法， 其特 征在于； 所述方法通过使用Grid  Search并结合K ‑Fold Cross Validation法对RF模型和GBDT 模型改进优化， 检测烟丝烘丝出口含水率， 具体步骤如下： Step1采集处 理特征数据， 预处 理； Step2初步构 建RF模型， 将采集特征数据输入模型， 初步获取梗丝和叶丝烘丝出口含水 率相关的特 征变量， Step3结合Grid  Search并结合K ‑Fold Cross Validation法改进获得的RF模型， 再次 输入采集的特 征数据， 得到最佳烟丝烘丝出口含水率预测模型的输入特 征变量矩阵， Step4构建GBDT的原始模型， 将Step3中的特征变量矩阵输入GBDT模型， 检测烟丝烘丝 出口含水率， Step5使用Grid  Search并结合K ‑Fold Cross Validation法改进GBDT模型， 再次输入 特征变量矩阵， 得到最佳烟丝烘丝出口含水率预测模型， Step6对比改进后的GBDT模型 预测拟合效果， Step7将Step3所获得的特征变量矩阵分别输入构建的梗丝与叶丝含水率预测模型中 并与梗丝和叶丝含水率的GBDT模型进行模型性能评价指标对比 Step8通过步骤Step5～Step 7获得拟合准确度 最高和训练耗时最低的梗丝和叶丝烘丝 出口含水率预测模型 的预测结果， 并通过文本保存预测数据， 折线图展示预测结果和实际 含水率值。 2.根据权利 要求1所述基于改进RF与GBDT的烘丝出口含水率预测方法， 其特征在于； 所 述Step1中使用3 δ 准则对数据粗大误差进行剔除， 归一 化和标准 化数据。 3.根据权利 要求1所述基于改进RF与GBDT的烘丝出口含水率预测方法， 其特征在于； 所 述Step6中对比使用Grid  Search结合K‑Fold Cross Validation法改进前和改进后的GBD T 模型预测拟合效果， 所采用的 的模型评价指标为： MAE、 MSE、 MAD、 EVS和R2。 4.根据权利 要求1所述基于改进RF与GBDT的烘丝出口含水率预测方法， 其特征在于； 所 述Step7中将Step3 所获得的特征变量矩阵分别输入： LSR、 LinearSVR、 SVR、 LS TM方法构建的 梗丝与叶丝含水率预测模型。权　利　要　求　书 1/1 页 2 CN 115293021 A 2基于改进RF与GBDT的烘丝 出口含水率预测方法 技术领域 [0001]本发明涉及 基于改进RF与GBDT的烘丝出口含水率预测方法， 属于机器学习预测领 域。 背景技术 [0002]现代卷烟加工生产过程中， 烟丝含水率控制的准确性和稳定性是直接决定最终卷 烟成品质量好坏的重要指标。 烟丝烘丝出口含 水率控制是决定最 终成品烟丝含水率的关键 环节， 烘丝对 象主要分为梗丝和叶丝。 若烘丝出 口含水率得到预先准确和稳定的控制则可 以有效提升卷烟产品质量。 [0003]传统烟丝含水率的调节方法主要依靠人工经验设定以及单级PID调控， 因调控过 程中有诸多非线性特征变量， 烟丝在传送带上 因传送距离和不同环节环境条件变化而导致 最终烟丝烘丝出口含水率达不到生产要求。 基于统计学策略的浅层机器学习非线性关系处 理不佳， 深度学习算法模型复杂， 参数 众多且训练耗时严重 。 [0004]因此， 研究一种高效和准确的烘丝出口含水率预测方法对烘丝出口含水率的控制 方法是现在亟 待解决的问题。 发明内容 [0005]为了解决上述技术问题， 本 发明提供了基于改进RF与GBDT的烘丝出口含水率预测 方法， 已解决上述烟丝烘丝出口含水率预测不 准确、 不稳定的问题。 [0006]为了达到解决上述技术问题的技术效果， 本发明是通过以下技术方案实现的： 基 于改进RF与GBDT的烘丝出口含水率预测方法， 其特 征在于； [0007]所述方法通过使用Gri d Search并结合K ‑Fold Cross Validation法对RF模型和 GBDT模型改进优化， 检测烟丝烘丝出口含水率， 具体步骤如下： [0008]Step1采集处 理特征数据， 预处 理； [0009]Step2初步构建RF模型， 将采集特征数据输入模型， 初步获取梗丝和叶丝烘丝出口 含水率相关的特 征变量， [0010]Step3结合Grid  Search并结合K ‑Fold Cross Validation法改进获得的RF模型， 再次输入 采集的特 征数据， 得到最佳烟丝烘丝出口含水率预测模型的输入特 征变量矩阵， [0011]Step4构建GBDT的原始模型， 将Step3中的特征变量矩阵输入GBDT模型， 检测烟丝 烘丝出口含水率， [0012]Step5使用Grid  Search并结合K ‑Fold Cross Validation法改进GBDT模型， 再次 输入特征变量矩阵， 得到最佳烟丝烘丝出口含水率预测模型， [0013]Step6对比改进后的GBDT模型 预测拟合效果， [0014]Step7将Step3所获得的特征变量矩阵分别输入构建的梗丝与叶丝含水率预测模 型中并与梗丝和叶丝含水率的GBDT模型进行模型性能评价指标对比 [0015]Step8通过步骤Step 5～Step7获得拟 合准确度最高和训练耗时最低的梗丝和叶丝说　明　书 1/5 页 3 CN 115293021 A 3