[发明专利]一种自适应聚类的生菜品种鉴别方法

说明书

本发明公开了一种自适应聚类的生菜品种鉴别方法，包括：步骤1、生菜样本光谱的采集：用光谱仪采集不同品种的生菜样本，获取生菜样本的漫反射光谱；步骤2、光谱的降维处理：采用主成分分析方法(PCA)将生菜样本光谱的维数降低；步骤3、进行生菜光谱的模糊C均值聚类，得到模糊隶属度以及聚类中心；步骤4、计算自适应聚类方法的参数λ；步骤5、采用自适应聚类方法进行生菜品种的鉴别。本发明采用无损检测技术，无需学习样本，具有检测速度快，鉴别准确率高等优点，可对多个品种的生菜进行准确鉴别。特别是在聚类包含噪声数据的生菜光谱数据方面优于模糊C均值聚类，在聚类性能上要优于现有的模糊C均值聚类。

技术领域

本发明涉及一种生菜品种鉴别方法，具体涉及一种自适应聚类方法和傅里叶光谱检测技术的生菜品种鉴别方法。

背景技术

生菜是人们经常食用的主要蔬菜之一，生菜营养丰富，它含有大量的维生素，β胡萝卜素，膳食纤维等。根据叶子的形态生菜可分为结球生菜、皱叶生菜和直立生菜。不同品种的生菜，其外部形态和内部品质存在差异，如何选择产量高，品质高的生菜品种是农业科技工作者研究的重要课题，所以研究一种简单、快速、无损的生菜品种鉴别方法是非常必要的。

近红外，中红外，远红外，紫外可见吸收光谱等光谱检测技术可应用于农产品和食品成份的快速检测。通过对农产品和食品的光谱扫描获得反射光谱，反射光谱中含有物品组分相关的信息。由于不同品种的生菜，其内部组分存在差异，因此不同品种生菜的漫反射光谱是有差异的，利用这个原理，可以实现生菜品种的鉴别。但是光谱检测存在的问题是：光谱仪器采集的原始光谱中除了包含与样品组成有关的信息外，也包含了来自各方面的因素所产生的噪声信号。这些噪声信号会对谱图信息产生干扰，有些情况下还很严重，从而影响样本数据模型的建立和对未知样品组成或性质的预测。

模糊C均值聚类(FCM)是建立在模糊类内散射矩阵基础上的模糊聚类，它没有考虑到模糊类间散射矩阵对聚类的影响。并且FCM建立在可能性约束条件(即同一个样本对所有类别的隶属度之和为1)基础上，所以FCM对噪声数据敏感，在聚类含噪声的数据时，聚类效果不好。

发明内容

本发明为了解决模糊C均值聚类的噪声敏感性问题、以及未考虑到模糊类间散射矩阵对聚类的影响问题和无学习样本情况下的生菜品种鉴别问题，设计一种自适应聚类和光谱检测技术的生菜品种鉴别方法。本发明具有减小噪声敏感性，无需学习样本，无损检测等优点。

一种自适应聚类的生菜品种鉴别方法，具体包括以下步骤：

步骤1、生菜样本光谱的采集：用光谱仪采集不同品种的生菜样本，获取生菜样本的漫反射光谱。

步骤2、光谱的降维处理：采用主成分分析方法(PCA)将生菜样本光谱的维数降低。

步骤3、生菜光谱的模糊C均值聚类。

步骤4、计算自适应聚类方法的参数λ。

u_ik,FCM是步骤3模糊C均值聚类得到的样本x_k隶属于类别i的模糊隶属度值；d(x_k,v_i,FCM)＝||x_k-v_i,FCM||²，x_k为第k(k＝1,2,3,…,n)个生菜光谱样本，为样本的均值，n(n＞c＞1)为样本数，c(+∞＞c＞1)为类别数；v_i,FCM是步骤三模糊C均值聚类得到的类别i的类中心值。

步骤5、采用自适应聚类方法进行生菜品种的鉴别。具体是：

5.1.初始化