[发明专利]基于无监督学习的自干涉微环谐振腔传感分类识别方法

权利要求书

1.一种基于无监督学习的自干涉型微环谐振腔传感分类识别方法，其特征在于，所述方法包括以下步骤：

(1)初始测试数据采集，过程如下：

采集多组初始测试数据用于无监督学习的传感分类识别方法，每组测试数据由一定波长范围内的多个传输消光值构成，用可调激光激发传感探测系统，用光电探测器和示波器采集出射频谱，可从中提取一定波长范围的传输消光值，通过改变待测目标物质，采集相应一定波长范围内的传输消光值，可获取多组数据；

(2)对测试数据用主成分分析法PCA降维，将r维特征映射到k维上，kn，这k维是全新的正交特征，这k维特征称为主成分，是重新构造出来的k维特征，假设原来的数据X是n×r维的，那么将通过以下步骤实现：

2-1首先我们利用原数据矩阵X构建一个方阵

A＝X^TX

2-2对方阵A进行特征值分解：

Av＝λv

A＝Q∑Q^-1

其中Σ是一个对角阵，每一个对角线上的元素就是一个特征值，Q是这个方阵A的特征向量组成的方阵：

Q＝{v₁，v₂，...v_r}

2-3将特征向量按照特征值大小进行降序并取前k个，得到变换矩阵：

COEFF_r×k＝{v₁，v₂，...v_k}

2-4利用变换矩阵COEFF对原数据进行降维操作：

X′_n×k＝X_n×rCOEFF_r×k

2-5将PCA降维后的测试数据根据以下公式进行归一化处理:

上式中(x′_,j)_max和(x′_,j)_min分别代表某一特征下的样本的最大值和最小值；

(3)聚类算法分类，利用机器学习中的聚类算法，即对PCA降维后的归一化测试数据进行识别分类，过程如下：

3-1首先利用以下公式将数据集X分配给j个聚类中心，形成j个簇：

其中训练数据集X＝{x₁,x₂,x₃,…x_n},x_i表示数据集点的特征向量，n为数据点总数，k为类别总数，S_j为属于第j类的数据点集合，dist(·)表示欧式距离；

3-2聚类中心更新

其中card(·)表示集合中元素的个数；

3-3通过以上两步的反复迭代直至聚类中心稳定就可以对数据进行准确的分类。