[发明专利]一种可能模糊鉴别C-均值聚类的茶叶分类方法

说明书

本发明公开了一种可能模糊鉴别C‑均值聚类的茶叶红外光谱的分类方法，用傅里叶红外光谱分析仪采集茶叶样本红外光谱数据；对茶叶样本红外光谱数据进行预处理；采用主成分分析方法对预处理后的茶叶样本红外光谱数据进行降维处理；采用线性鉴别分析提取茶叶训练样本的红外光谱的鉴别信息。对步骤4的训练样本进行可能模糊鉴别C‑均值聚类，得到的聚类中心；用一种可能模糊鉴别C‑均值聚类方法进行茶叶品种的判定。本发明融合了可能模糊C‑均值聚类和线性判别分析，具有检测速度快，分类速度快，分类准确率高等优点，可实现茶叶品种的正确分类。

技术领域

本发明属于人工智能技术领域，,尤其涉及一种可能模糊鉴别C-均值聚类的茶叶分类 方法。

背景技术

茶叶早已成为日常保健的饮料，具有生津止渴，提神益思，消炎解毒，醒酒强心等功 效。随着生活水平的提高，人们对茶叶的质量要求越来越高，但是，面对如此庞大数目的茶叶品种，其优劣实难分辨。另外，假冒伪劣的茶叶在中国市场屡见不鲜，这样给茶叶生 产者和消费者都带来了一定的利益损害。因此，研究出一种简单、快速且准确率较高的鉴 别茶叶优劣的方法已经是科研工作者的一个重要任务。

中红外光谱检测技术作为一种快速无损检测技术，近年来应用于茶叶品质的检测分析 中。中红外光谱的频率在4000cm^-1～625cm^-1之间，物质在此范围的吸收峰是基频、倍频 或合频吸收，具有分子结构的特征性，不同化合物有其特异的红外吸收光谱，其谱带的数 目、位置、形状和强队均随化合物及其聚集态的不同而不同，因此，根据化合物或其官能团是否存在，从而定性分析有机化合物；根据物质组分的吸收峰强度，依据朗伯—比耳定律(A＝εbc)便可实现对其化合物的定量分析。中红外光谱的频谱特性能检测出分子中官能团、化合物的类别、化合物的立体结构、取代基的位置及数目，从而根据已有的数据判 断出茶叶的真伪。与此同时，中红外线光谱检测技术以其方便、快速、高效、无损、低成 本等特点成为检测判别真伪的首选。

模糊聚类已经被广泛应用于数字图像处理、计算机视觉和模式识别中，使用最广泛的 模糊聚类算法是由Bezdek提出的模糊C-均值聚类(FCM)。建立在最小平方误差准则上的 FCM可对线性可分的数据进行聚类，然而，FCM对噪声敏感，为了克服这个缺点，Krishnapuram和Keller放弃了FCM的可能性约束条件,构造了一个新的目标函数,提出 了可能性C-均值聚类(PCM)，PCM能够聚类包含噪声或野值点的数据,且使噪声数据很 小的隶属度值,因而噪声对聚类的影响可以忽略.但是PCM对初始聚类中心很敏感,常常 会导致一致性聚类结果，为了克服FCM和PCM对噪声数据敏感产生一致性聚类的缺点,Pal 等在FCM和PCM的基础上提出了可能性模糊C-均值聚类(PFCM)。但是PFCM在聚类 过程中无法动态提取鉴别信息和改变数据维数。

发明内容

本发明根据现有技术的不足与缺陷，提出了一种可能模糊鉴别C-均值聚类的茶叶分类 方法，目的在于实现模糊聚类过程中进行数据鉴别信息的提取和数据压缩，可以达到更高 的聚类准确率。

采用的技术方案包括以下步骤：

步骤1，采集茶叶样本红外光谱数据；

步骤2，对红外光谱数据进行预处理，用多元散射校正(MSC)对茶叶红外光谱进行预处理；

步骤3，采用主成分分析方法(PCA)对预处理后的茶叶样本红外光谱进行降维处理；

步骤4，采用线性鉴别分析(LDA)提取茶叶训练样本的红外光谱的鉴别信息。

步骤5，设置可能模糊鉴别C-均值聚类(PFDCM)的权重指数m，最大迭代数r_max， 设置迭代最大误差参数ε。对步骤四的训练样本进行可能模糊鉴别C-均值聚类(PFDCM)得 到的聚类中心作为一种模糊鉴别聚类方法的初始聚类中心V⁽⁰⁾