[发明专利]一种模糊模式识别的白菜农药残留定性分析方法

说明书

本发明公开了一种模糊模式识别的白菜农药残留定性分析方法，通过采集待分析蔬菜样本的近红外光谱数据；并将近红外光谱数据分为训练样本x_i和测试样本采用模糊奇异值分解法提取蔬菜的近红外光谱数据的鉴别信息；采用线性判别分析法对测试样本和训练样本分别进行转换；对进行转换后的测试样本和训练样本采用模糊协方差矩阵聚类方法进行光谱数据聚类分析。本方法利用模糊奇异值分解方法有效地解决了现有的模糊线性判别方法的小样本问题。

技术领域

本发明涉及机器学习以及人工智能邻域，具体涉及一种模糊模式识别的白菜农药残留定性分析方法。

背景技术

目前，施用农药已经成为防治植物虫病害、提高农产品产量和质量的重要举措之一，但是不合理的农药使用会对人类健康和环境带来危害。因此，探索有效检测农药残留浓度的方法对于保证消费者食品安全有着研究价值和意义。

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应用于农副产品的检测。对于农药残留量不同的白菜，其反射的近红外光谱存在差异性，利用这个特点，可以定性的分析白菜上的农药残留，从而对其进行分类。

模糊线性判别(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在处理高维光谱数据时，存在“小样本问题”。

聚类算法分为两大类，第一类算法是硬聚类算法例如k均值聚类算法等，将一个数据集分为不同的类，每个对象只属于一类。第二类为模糊聚类算法，该算法允许一个对象属于多类。由于大多数对象没有严格区别，因此选用模糊聚类算法代替硬聚类算法。模糊C均值聚类算法(FCM)建立在平方误差最小准则基础上的聚类算法，使数据点在所有类中隶属度之和为1，有效地避免了所有隶属度为0的解。

发明内容

为了解决现有技术中存在的不足，本发明提出了一种模糊模式识别的白菜农药残留定性分析方法，利用模糊奇异值分解方法有效地解决了现有的模糊线性判别方法的小样本问题。

本发明所采用的技术方案如下：

S1，采集待分析蔬菜样本的近红外光谱数据；并将近红外光谱数据分为训练样本x_i和测试样本

S2，采用模糊奇异值分解法提取蔬菜的近红外光谱数据的鉴别信息；

S3，采用线性判别分析法对S2中的测试样本和训练样本分别进行转换；

S4，对S3中进行转换后的测试样本和训练样本采用模糊协方差矩阵聚类方法进行光谱数据聚类分析。

进一步，所述S2中提取鉴别信息的方法为：

S2.1，计算训练样本的模糊隶属度u_ij：

S2.2，基于训练样本的模糊隶属度u_ij分别计算训练样本x_i的模糊类间离散度矩阵S_fB和模糊类内离散度矩阵S_fW；

S2.3，基于模糊类间离散度矩阵S_fB和模糊类内离散度矩阵S_fW，分别构造矩阵H_fW和H_fB；

S2.4，由矩阵H_fW和H_fB构造矩阵并对矩阵M进行奇异值分解得到对角矩阵R和酉矩阵Q；

S2.5，再对矩阵P进行奇异值分解得到酉矩阵V，