[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

说明书

技术领域

本发明属于人工智能技术领域，尤其是一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法。

背景技术

茶叶是我国主要的作物之一，茶叶的采后处理、品质判断及检测一直是茶叶品质保证的重要手段。目前中国的茶叶市场由于缺乏有效的茶叶鉴别方法所以在茶叶市场中贴牌现象，以次充好和以假乱真现象比较严重，因此茶叶品种的鉴别变得越来越重要，而研究一种简单快速的茶叶品种鉴别方法是非常必要的。

红外光谱技术具有检测速度快，可同时检测多种成分等优点。不同品种的茶叶，其组分及含量往往存在差别，那么在不同品种的茶叶上获得的漫反射光谱是有差异的，利用这个原理，可以实现不同品种的茶叶分类。

模糊Kohonen聚类网络是一种无监督的学习方法(Tsao E C,Bezdek J C,Pal N R.Fuzzy Kohonen clustering networks.Pattern Recognition,1994,27(5):757–764.)。模糊Kohonen聚类网络是将模糊C-均值聚类(FCM)引入到Kohonen聚类网络的学习速率和更新策略中。作为一种无监督的聚类方法，模糊Kohonen聚类网络只能实现对数据的模糊聚类，而无法在模糊聚类过程中提取数据的鉴别信息，从而无法得到高的聚类准确率。

发明内容

针对上述现有的模糊Kohonen聚类网络存在的缺陷和不足，本发明的目的是提出一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法。该方法用红外光谱技术获取茶叶的红外光谱，用主成分分析对茶叶的红外光谱进行降维处理，用线性判别方法进行光谱信息的特征提取，运行模糊C-均值聚类以得到初始聚类中心，用一种模糊Kohonen鉴别聚类网络方法进行茶叶品种的分类。

根据上述原理，采用的技术方案包括以下步骤：

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，将光谱信息存储在计算机里。

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、用一种模糊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一种模糊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。

所述步骤五中的一种模糊Kohonen鉴别聚类网络方法如下：

1.初始化

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

2.计算第t(t＝1,2,…,t_max)次迭代时的学习速率α_ik,t

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：

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

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

为样本的均值