[发明专利]一种模糊非相关C均值聚类的茶叶红外光谱分类方法

权利要求书

1.一种模糊非相关C均值聚类的茶叶红外光谱分类方法，其特征在于，包括如下步骤：

步骤一、茶叶样本红外光谱采集及光谱预处理；

步骤二、采用主成分分析方法对茶叶样本红外光谱进行降维处理和用线性判别分析提取茶叶训练样本红外光谱的鉴别信息；

步骤三、设置模糊C-均值聚类的权重指数m，最大迭代次数r_max，误差上限值ε；对步骤二的测试样本数进行模糊C均值聚类得到的聚类中心作为一种模糊非相关C均值聚类的初始聚类中心V⁽⁰⁾；

步骤四：采用一种模糊非相关C均值聚类方法进行茶叶品种的判定；

所述步骤四的具体实现包括：

1)初始化：设置权重指数m，类别数c，测试样本数n；设置迭代次数初始值r和最大迭代次数r_max；设置迭代的误差上限值为ε；

2)计算模糊类间散射矩阵S_fB

其中，为第r次迭代时第k个样本x_k隶属于第i类的模糊隶属度，m代表权重；c为类别数，为第r次迭代时第i类的类中心值，为测试样本的均值，n为测试样本数，x_j为第j个测试样本，上标T代表矩阵转置运算；

3)计算模糊总体散射矩阵S_fT

其中，x_k为第k个测试样本；

4)计算特征向量

其中，为模糊离散度矩阵的逆矩阵，S_fB为模糊类间散列矩阵，λ是特征向量ψ所对应的特征值，将计算所得的最大特征值λ₁对应的特征向量ψ₁作为模糊非相关鉴别转换向量的第1个向量，若p个模糊非相关鉴别转换向量为ψ₁，ψ₂，...,ψ_p，则计算第p+1个模糊非相关鉴别转换向量如下：

5)将x_k∈R^q转化到特征空间

y_k＝x_k^T[ψ₁，ψ₂，...,ψ_p](y_k∈R^p)

其中，p和q均为样本的维数，ψ_p为第p个特征向量，所述特征空间由ψ₁,ψ₂，...，ψ_p组成；

6)同样将转化到特征空间

其中，为步骤三中模糊C均值聚类中的类中心值，ψ_p为第p个特征向量；

7)在特征空间中计算模糊隶属度函数值

其中，y_k为特征空间里第k个样本，是第r+1次迭代时样本y_k隶属于类别i的模糊隶属度值，u_ik^(r+1)是第r+1次迭代计算的模糊隶属度值；v_i′^(r)和v_j′^(r)分别是第r次迭代计算的第i类和第j类的类中心值；c为类别数，m为权重值；

8)在特征空间中计算i类的类中心值

其中，是第r+1次迭代计算的第i类的类中心的值；

9)增加迭代数r值，即r＝r+1，直到或者rr_max计算终止，否则将的值赋给变量的值赋给变量继续从2)开始重新计算。

2.根据权利要求1所述的一种模糊非相关C均值聚类的茶叶红外光谱分类方法，其特征在于，所述步骤一茶叶样本红外光谱采集的具体实现包括：

取适量的N种茶叶经研磨粉粹，用40目筛进行过滤后，各取0.5g分别与溴化钾1:100均匀混合；每个样本取混合物1g进行压膜，然后用光谱仪扫描3次，取3次的平均值作为样本光谱数据；采集环境温度设为25℃，相对湿度为50％；每种茶叶采集32个样本，共获得N*32个样本，每个样本为一个1868维的数据，波数范围为4001.569cm^-1～401.1211cm^-1；每种样本选取22个为测试样本，则测试样本共N*22个，剩余的样本作为训练样本。