[发明专利]一种白酒图谱的高精度分类识别算法

权利要求书

1.一种白酒图谱的高精度分类识别算法，其特征在于，包括以下步骤：

步骤1.图谱数据的预处理；

(1)将所获得的m个样品白酒图数据，每一个样品白酒包含n个样品数据，写成一个m×n维数据矩阵

(2)矩阵A作标准化处理；

即对每一个指标分量进行标准化处理，从而得到

式中，其中，a_j为样本均值，s_j为样本标准差

步骤2.选定多项式核函数，计算核矩阵的特征值与特征向量；

(1).选用多项式核函数，k(x_i,x_j)＝(x_i×x_j+b)^a，式中a＝2，b＝1.5，从而获得核矩阵K，

(2).计算特征空间对映射数据进行中心化处理后的核矩阵

其中，

(3).计算的特征值并由大到小排列λ₁,…,λ_n，即对应的单位正交化特征向量α₁,…,α_n，选择最大的前k个特征值对的特征向量，构成映射矩阵α＝(α₁,…α_k)；

步骤3.计算已标准化的样本数据X通过映射矩阵α在主成分空间的投影

步骤4.对投影到主成分空间的样本数据以欧式距离为基础采用SVM进行分类；

步骤5.计算各类的聚类中心与判别阈值；

(1)计算各类的聚类中心、各类点与聚类中心的欧式距离以及欧式距离的均值和方差；

(2)通过欧式距离的均值和方差σ确定波动较大点的判别阈值T；

步骤6.判断各点到聚类中心的欧式距离是否大于阈值T，如大于T，则该点判定为奇异点，计算奇异点到各个聚类中心的余弦角θ_g；

步骤7.选择余弦角最小聚类中心进行聚类，从而实现特性微小差异的不同样品酒间的区分。

2.根据权利要求1所述 的一种白酒图谱的高精度分类识别算法，其特征在于，所述步骤6中，假设奇异点为y_g＝[y_g1,y_g2,…,y_gk]、某聚类中心坐标为则

3.根据权利要求1所述的一种白酒图谱的高精度分类识别算法，其特征在于，(1)中，假设某类的有N个样本，其中第i个样本在主成分空间的坐标为y_i＝[y_i1,y_i2,…,y_ik]，则此类的聚类中心坐标为聚类中心坐标值通过下式求得：

同类第i个样本点到聚类中心的欧式距离，按下式求得：

进一步可以求出样本到聚类中心的欧式距离的均值和方差σ；