[发明专利]一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法

权利要求书

1.一种模糊Kohonen鉴别聚类网络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、在恒温恒湿环境下采集茶叶样本的红外光谱：针对不同品种的茶叶样本，用红外光谱仪对这些茶叶样本做采集红外光谱实验，获取茶叶样本的红外漫反射光谱信息；

步骤二、对茶叶样本红外光谱预处理：用多元散射校正MSC对茶叶样本红外光谱进行预处理；

步骤三、对茶叶样本红外光谱进行降维处理：采用主成分分析方法PCA将茶叶样本红外光谱从高维数据降到相对较低的低维数据，并保存这些数据，再用线性判别方法进一步提取特征和降维；

步骤四、模糊C-均值聚类以得到初始聚类中心：对降维后的茶叶红外数据运行模糊C-均值聚类，得到初始的聚类中心；

步骤五、采用模糊Kohonen鉴别聚类网络方法进行茶叶品种的分类：根据步骤四的初始的聚类中心运行模糊Kohonen鉴别聚类网络方法得到模糊隶属度，根据模糊隶属度可将不同品种茶叶进行分类。

2.根据权利要求1所述的一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法，其特征在于，所述步骤一的具体过程如下：

采集若干个茶叶样本，将所述茶叶样本被研磨粉粹后经40目筛过滤，每个样本取0.5g分别与溴化钾按1:100均匀混合后取混合物1g进行压膜处理；在采集茶叶红外光谱时，实验室温度和相对湿度保持恒定，红外光谱分析仪开机预热1h；光谱分析仪扫描每个茶叶样本32次，光谱扫描的波数范围为4001.569～401.1211cm^-1，扫描间隔设为1.9285cm-1，每个茶叶样本的红外光谱为1868维的高维数据；每个样本采样3次，取其平均值作为后续模型建立的实验数据；每种样本选取22个为测试集，剩余10个样本为训练集，则训练样本数n_r设为30；测试集为待鉴别的茶叶样本，训练集为已知的优劣茶叶样本。

3.根据权利要求2所述的一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法，其特征在于，所述红外光谱分析仪采用FTIR-7600型傅里叶红外光谱分析仪。

4.根据权利要求1所述的一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法，其特征在于，所述步骤三中降维具体是降到二维。

5.根据权利要求1所述的一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法，其特征在于，所述步骤五的具体过程如下：

1)初始化

固定茶叶红外光谱样本类别数c＝3和权重指数m₀＝2，n为样本数，n>c>1,+∞>m₀>1，设置最大迭代次数t_max＝100和误差上限的值ε＝0.00001，设置初始聚类中心v_i,0(i＝1,2,3)，设置特征向量数为q＝2；

2)计算第t(t＝1,2,…,t_max)次迭代时的学习速率其中m_t＝m₀-tΔm，t为迭代次数，Δm＝(m₀-1)/t_max，u_ik,t表示第t次迭代计算时第k个样本隶属于第i类的模糊隶属度值；u_ik,t计算如下：

uik,t=[Σj=1c(||xk-vi,t||||xk-vj,t||)2mt-1]-1,∀i,k]]>

x_k为第k个茶叶红外光谱样本，x_k∈R^p，即x_k的维数为p；v_i,t为第t次迭代计算时第i类的类中心，v_j,t为第t次迭代计算时第j类的类中心；

3)计算第t次迭代时的类中心v_i,t：

vi,t=vi,t-1+Σk=1nαik,t(xk-vi,t-1)Σk=1nαik,t]]>

其中，v_i,t-1为第t-1次迭代计算时第i类的类中心；

4)计算模糊类间散射矩阵S_fB、模糊总体散射矩阵S_fT；

SfB=Σi=1cΣk=1nuik,tm(vi,t-x‾)(vi,t-x‾)T;SfT=Σi=1cΣk=1nuik,tm(xk-x‾)(xk-x‾)T]]>

其中为样本的均值；

5)根据式：计算前q个特征向量ψ₁,ψ₂,...,ψ_q(q≥1，且p>q)；

6)将样本x_k投影到q个特征向量ψ₁,ψ₂,...,ψ_q上得到：

x_k′＝x_k^T[ψ₁,ψ₂,...,ψ_q]

将类中心v_i,t投影到q个特征向量ψ₁,ψ₂,...,ψ_q上得到v_i,t′＝v_i,t[ψ₁,ψ₂,...,ψ_q]；

7)若maxi||v′_i,t-v′_i,t-1||<ε或者t>t_max，迭代结束，否则，t＝t+1，将x_k′的值赋给x_k，v_i,t′的值赋给v_i,t，返回步骤2继续迭代计算。