[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

说明书

本发明公开了一种模糊非相关C均值聚类的茶叶红外光谱分类方法，本发明的方法能够在模糊C均值聚类过程中动态提取茶叶红外光谱数据的模糊非相关鉴别信息，可提高茶叶品种鉴别的准确率。首先用傅里叶红外光谱分析仪采集茶叶样本的红外光谱；接着对红外光谱进行多元散射校正预处理；然后用主成分分析法将光谱数据降维到20维；再利用线性判别分析提取光谱数据中的鉴别信息；最后用一种模糊非相关C均值聚类方法进行茶叶品种的分类。本发明在模糊C均值聚类方法基础上设计了一种模糊非相关C均值聚类方法，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

本发明涉及一种茶叶分类方法，具体涉及一种模糊非相关C均值聚类的茶叶红外光谱分类方法。

背景技术

饮茶是中国人的传统饮食文化。茶叶中含有茶多酚，茶多糖和茶氨酸等有益人体健康的物质。目前，市场上茶叶品种众多，茶叶质量的重要性已渐渐被人们所重视。但是，市场上茶叶良莠不齐，品种众多，其优劣难以分辨。因此，研究出一种快速有效的鉴别茶叶品种的方法十分重要。

红外光谱主要用于有机化合物的定性和定量分析。红外光谱技术作为一种无损检测技术，近年来，已经在农产品和食品安全检测等领域得到广泛应用。例如：杨新河等利用傅里叶红外光谱法对黑茶进行鉴别研究。Ayvaz等用便携式中红外系统收集马铃薯汁的中红外光谱，利用归一化和Savitzky-Golay二阶多项式滤波器进行光谱预处理，再用偏最小二乘回归建立校正模型预测七种不同颜色马铃薯的花青素，酚醛物质和糖含量。

在众多的模糊聚类算法中基于目标函数的模糊聚类由于其具有设计简单、解决问题的范围广，最终可以归结为优化问题等优点而成为目前应用最广泛的模糊聚类算法。其中模糊C-均值聚类是基于目标函数的聚类算法中最具代表性的聚类算法。但是模糊C- 均值聚类FCM在模糊聚类过程中无法动态提取样本的鉴别信息。为了解决这个问题，本发明设计了一种模糊非相关C均值聚类方法。该方法可实现模糊C均值聚类过程中进行数据模糊非相关鉴别信息的提取，可以达到更高的聚类准确率。

发明内容

本发明的目的在于克服现有技术存在的上述缺陷，提供一种检测速度快、分类准确率高、分类效率高的一种模糊非相关C均值聚类的茶叶红外光谱分类方法。首先，用傅里叶红外光谱分析仪采集茶叶样本的红外光谱；接着对红外光谱进行多元散射校正预处理；然后用主成分分析法将光谱数据降维；再利用线性判别分析提取光谱数据中的鉴别信息；最后用一种模糊非相关C均值聚类方法进行茶叶品种的分类。

本发明依据的原理：研究表明茶叶的红外漫反射光谱包含了茶叶内部的茶多酚、咖啡碱和可溶性固形物等内部品种信息，不同品种的茶叶所对应的红外漫反射光谱也不同。

一种模糊非相关C均值聚类的茶叶红外光谱分类方法，具体包括以下步骤：

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：

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；设置迭代误差上限值为ε；

2)计算模糊类间散射矩阵S_fB