[发明专利]一种模糊鉴别信息提取的茶叶近红外光谱分类方法

说明书

本发明公开了一种模糊鉴别信息提取的茶叶近红外光谱分类方法，包括步骤：(1)茶叶近红外光谱采集；(2)用多元散射校正进行茶叶近红外光谱的预处理；(3)用主成分分析实现茶叶近红外光谱降维处理；(4)采用一种模糊线性鉴别信息提取方法实现近红外光谱数据的鉴别信息提取；(5)采用一种模糊簇间分离聚类方法进行茶叶近红外光谱数据分类。本发明解决了用传统模糊线性判别分析处理复杂数据结构时分类效果不理想的问题，进一步减少鉴别信息之间的相关性。本发明具有检测速快，能有效提取近红外光谱数据的模糊鉴别信息，茶叶品种分类准确率高等优点。

技术领域

本发明涉及模式识别和人工智能领域，具体涉及一种模糊鉴别信息提取的茶叶近红外光谱分类方法，应用于茶叶品种分类。

背景技术

茶叶是世界三大饮品之一，它含有茶多酚，蛋白质和氨基酸等有机物质，也含有钾、钙和镁等无机物质，具有安神、明目和清热等功效，常饮茶有益于人的身体健康。市场上存在茶叶假冒伪劣的现象，普通人不能凭借肉眼准确的判断茶叶品质的优劣。因此有必要研究一种设计简易、便于操作、检测速度快的茶叶品种鉴别方法。

近红外光谱是电磁波谱从780nm到2500nm，在近红外区域的光谱。近红外光谱检测技术是利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的一种非破坏性检测技术。因为它符合准确、可靠、快速、无损等特点而被广泛用于农副产品的检测。对于不同品种的茶叶其反射的近红外光谱是不同的，利用这个原理，可以将不同品种的茶叶区分开来，即实现茶叶品种的分类。

模糊线性判别分析(FLDA)是在模糊集基础上，利用模糊类内散射矩阵和模糊总体散射矩阵改进了线性判别分析(LDA)方法，FLDA能有效的提取样本的模糊鉴别信息。但是，FLDA在处理复杂的光谱数据时，其模糊鉴别信息提取效果有待进一步提高。

发明内容

本发明是为了进一步减少现有的模糊线性判别分析方法鉴别信息之间的相关性而设计的一种模糊鉴别信息提取方法，相比现有的模糊线性判别分析方法，本发明一种模糊鉴别信息提取的茶叶近红外光谱分类方法，通过模糊线性判别分析提取茶叶近红外光谱的鉴别信息，再用QR分解方法使得特征投影空间正交化，消除投影空间中特征向量之间的相关性，降低特征向量对噪声的敏感性。本发明具有检测速度快、检测准确率高、不消耗化学试剂，不污染环境等优点。

一种模糊鉴别信息提取的茶叶近红外光谱分类方法，具体包括以下步骤:

S1,茶叶样本近红外光谱采集：用傅里叶近红外光谱仪对茶叶样本进行检测，获取茶叶样本近红外漫反射光谱数据，将光谱数据存储在计算机里。

S2，用多元散射校正(MSC)对茶叶近红外光谱进行预处理。

S3，对茶叶样本近红外光谱进行降维处理。利用主成分分析(PCA)将S2中预处理后的茶叶近红外光谱数据进行压缩。

S4，茶叶近红外光谱的模糊鉴别信息提取：采用一种模糊鉴别信息提取方法提取S3中压缩后的茶叶近红外光谱数据的鉴别信息。具体步骤如下：

S4.1，初始化：设置茶叶训练样本数为N₁，测试样本数N₂，权重指数m，类别数c，其中m>1。

S4.2，计算第j(1≤j≤N₁)个训练样本x_j(x_j为第t(1≤t≤c)类训练样本)隶属于第i(1≤i≤c)类的模糊隶属度μ_ij:

这里n_i是隶属于第i类的近邻样本数，K为K近邻的参数。

S4.3，计算模糊类间散射矩阵S_fb和模糊类内散射矩阵S_fw：