烟草作为消费烟气的产品,人们通过抽吸获得其中的快感。单料烟是烟草配方形成的重要基础,因此,单料烟的感官质量评吸是整个卷烟企业产品设计的基础和核心。然而,烟丝燃烧热解和干馏的过程十分短暂,要求评吸人员在很短的时间里去捕捉烟气的各种特征,并对它进行评定,这使得卷烟企业对烟草质量进行客观评定是很复杂和困难的。多年来,卷烟企业积累了评吸专家大量的评吸数据,这些数据非常有价值,其中蕴含着很多单料烟感官指标和物化成分之间的关系。但是,这些数据比较杂乱、整合度低、关联度不够、一致性差。利用数据挖掘技术对这些数据进行分析整理,发现感官评吸指标之间的内在变化规律,获得其中蕴含的巨大价值,为卷烟企业的产品设计和叶组配方提供决策性的支持,对企业实现卷烟产品设计和生产的数字化、增强卷烟生产的稳定性、从而提高企业的市场竞争力具有重要的现实意义。本文主要针对单料烟感官评吸指标的历史数据,分析香韵、香气量、香气质、浓度、刺激性、劲头、杂气、纯净度、余味九种感官指标和部位、等级、总糖、总烟碱、还原糖、总氮、钾、氯八种物化指标之间的关系。为了降低以往的评吸成本和评吸专家的压力,提高评吸的效果和精度,本文结合数据挖掘和智能优化技术,建立单料烟感官评吸指标的预测模型。主要的研究内容如下：(1)针对H集团的单料烟感官评吸数据特点对数据进行预处理,运用数据挖掘软件SPSS建立散点图和相关系数矩阵,对单料烟的感官评吸指标和物化指标进行相关性分析,获得单料烟感官评吸指标和物化指标之间的相关程度。通过分析数据获得不同化学成分含量的变化对感官质量存在一定影响的结论。(2)建立基于BP神经网络的单料烟感官评吸指标拟合和分类预测模型,根据BP神经网络的特点,运用遗传算法优化BP神经网络的权值和阈值,获得性能更加稳健的预测模型,应用优化之后的模型对单料烟的数据进行十次预测实验。通过实验分析,建立的预测模型均具有一定的稳定性,在拟合预测中大部分感官指标的误差均在可接受的范围内,香气质、香气量、刺激性的拟合效果较好。在分类预测中各感官指标的分类预测准确率均不是很高,这可能是由于单料烟的样本数据具有高度非线性的特点,因此在第五章中针对上述的问题建立基于支持向量机的预测模型。(3)根据单料烟感官评吸指标数据的特点,选择支持向量机模型对单料烟感官评吸指标进行拟合和分类预测。建立基于SVM的拟合和分类预测模型,分析支持向量机的参数对模型性能的影响情况,应用网格和交叉验证(k-CV)的方法为预测模型的参数进行寻优,基于优化之后的模型,对单料烟数据进行十次数据实验。在分类模型中,大部分感官评吸指标的预测准确率均超过60%,在拟合模型中香气量、香气质和刺激性的预测效果较好。对比基于BP神经网络和支持向量机的预测模型,在拟合预测时,BP神经网络模型的效果优于支持向量机模型,然而在分类预测时,支持向量机模型的效果优于BP神经网络模型。