[发明专利]一种基于优化的模糊学习矢量量化的苹果分类方法

摘要

本发明是一种基于优化的模糊学习矢量量化的苹果分类方法，其包括以下步骤：第一步，苹果样本近红外光谱采集；第二步，用主成分分析方法对苹果的近红外光谱进行降维处理；第三步，运行模糊C‑均值聚类以得到初始聚类中心；第四步，用优化的模糊学习矢量量化方法进行苹果品种的分类。本发明解决了模糊学习矢量量化处理含噪声数据时对噪声敏感的问题，具有检测速度快，分类准确率高，分类效率高，对苹果不造成损坏等优点，可实现不同品种苹果的分类。

主权项

一种基于优化的模糊学习矢量量化的苹果分类方法，其特征是包括如下步骤：a.在恒温恒湿环境下，针对不同品种的苹果样本，用近红外光谱仪对这些苹果样本投射近红外，获取苹果近红外漫反射光谱信息，将苹果近红外漫反射光谱信息存储在计算机里；b.采用主成分分析方法将苹果近红外漫反射光谱信息进行降维处理，在满足主成分的累计可信度≥95％的条件下选取主成分个数，并保存降维后的苹果近红外数据；c.对降维后的苹果近红外数据运行模糊C‑均值聚类，得到初始的聚类中心vi,0；d.对初始的聚类中心运行优化的模糊学习矢量量化方法得到模糊隶属度，根据模糊隶属度将不同品种苹果进行分类；所述优化的模糊学习矢量量化方法包括如下步骤：1)固定苹果近红外光谱样本类别数c，权重指数m0，样本数n，最大迭代次数tmax，n>c>1，+∞>m0>1，计算苹果近红外光谱样本的协方差σ2，其中xk为第k个苹果近红外光谱样本，为样本的均值，2)计算隶属度值uik,t‑1，uik,t‑1表示第t‑1(t＝1,2,3…)次迭代计算时第k个样本隶属于第i类的隶属度值，其中t为迭代次数，Dik＝||xk‑vi,t||，mt‑1＝m0‑(t‑1)Δm，Δm＝(m0‑1)/tmax，tmax为最大迭代次数，vi,t‑1为第t‑1次迭代计算时第i类的类中心；3)计算学习速率αik,t‑1，4)计算类中心vi,t，vi,t为第t次迭代计算时第i类的类中心，计算出vi,t后，t自动加1，即t＝t+1，当t＝tmax时，迭代结束，否则返回步骤2)继续迭代计算。