CN103048273A - 基于模糊聚类的水果近红外光谱分类方法 - Google Patents

基于模糊聚类的水果近红外光谱分类方法 Download PDF

Info

Publication number
CN103048273A
CN103048273A CN2012104440849A CN201210444084A CN103048273A CN 103048273 A CN103048273 A CN 103048273A CN 2012104440849 A CN2012104440849 A CN 2012104440849A CN 201210444084 A CN201210444084 A CN 201210444084A CN 103048273 A CN103048273 A CN 103048273A
Authority
CN
China
Prior art keywords
sample
fruit
value
class
near infrared
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012104440849A
Other languages
English (en)
Other versions
CN103048273B (zh
Inventor
武小红
孙俊
武斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201210444084.9A priority Critical patent/CN103048273B/zh
Publication of CN103048273A publication Critical patent/CN103048273A/zh
Application granted granted Critical
Publication of CN103048273B publication Critical patent/CN103048273B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开一种基于模糊聚类的水果近红外光谱分类方法，对水果样本的近红外光谱进行特征排序的降维处理，用特征提取方法对降维后的近红外光谱数据进行鉴别信息的提取，用一种快速模糊聚类方法进行水果品质的分类，具有检测速度快，分类准确率高，分类效率高，对水果不造成损坏等优点，可实现同一品种不同内部品质的水果分类，以及同一类不同品种水果的分类。

Description

基于模糊聚类的水果近红外光谱分类方法
技术领域
本发明涉及一种水果分类方法，具体涉及一种基于模糊聚类方法和近红外光谱技术的水果内部品质分类方法. 
背景技术
 水果分类是水果采收后水果商品化处理的关键环节，分类的核心是水果品质的检测。水果的内部品质检测主要是对水果内部的糖度、酸度和可溶性固形物等进行检测。水果的内部品质受水果的品种、产地、培养条件和气候等影响。 
近红外光谱技术是一种利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的非破坏性检测技术。近红外光谱技术具有非破坏性检测、检测速度快、可同时检测多种成分等优点。近红外光谱射向水果后得到漫反射光谱，在不同品种（或不同品质）的水果上获得的漫反射光谱是不同的，利用这个原理，可以将不同品种（或不同品质）的水果区分开来，即实现不同品种（或不同品质）水果的分类。 
模糊聚类是一种无监督的学习方法。其中最著名的模糊聚类算法是由Bezdek提出的模糊C-均值聚类（FCM）。但是FCM建立在可能性约束条件基础上，对噪声敏感。为了克服FCM的这个缺点，Krishnapuram和Keller放弃了FCM的可能性约束条件，提出了可能性C-均值聚类（PCM）。PCM能够聚类包含噪声的数据，但是PCM对初始聚类中心很敏感，常常会导致一致性聚类结果。为了克服FCM对噪声数据敏感和PCM产生一致性聚类的缺点，Pal等在FCM和PCM的基础上提出了可能性模糊C-均值聚类(PFCM)。Davé将噪声看作一个独立的类，定义噪声距离在不同的类中距离值不同，将噪声聚类方法扩展为广义噪声聚类（GNC）方法。 
 目前，在应用近红外光谱技术分类水果时对近红外光谱的分类方法主要有人工神经网络、支持向量机和k-近邻法等方法。这些方法属于有监督的学习方法，即它们需要学习样本来获取先验知识。在没有学习样本，或者学习样本比较少的情况下运用以上方法进行水果分类时会导致分类准确率低而难以实现水果的正确分类。另外，对水果的品质分类并不需要对水果进行精确建模，精确建模不但费时还难以实现正确的预测，因为对水果的品质分类具有一定模糊性。比如中国发明专利申请号为201010247589.7、名称为“水果内部品质检测分级方法”中指出了水果的品质分级的模糊性，用支持向量机和近红外光谱技术实现水果的品质分级。但是用支持向量机方法存在着方法复杂、耗时、参数难以确定等问题。 
发明内容
本发明的目的是在于克服现有技术存在的上述缺陷，提供一种检测速度快、分类准确率高、分类效率高、对水果不造成损坏的基于一种快速模糊聚类的水果近红外光谱分类方法。 
本发明采用的技术方案包括以下步骤： 
 （1）获取不同品质等级的水果样本的近红外漫反射光谱信息，将近红外光谱信息采用主成分分析方法得到一组特征向量 
Figure DEST_PATH_304667DEST_PATH_IMAGE001
和一组特征值
Figure DEST_PATH_591291DEST_PATH_IMAGE002
，计算
Figure DEST_PATH_229952DEST_PATH_IMAGE003
，
Figure DEST_PATH_311041DEST_PATH_IMAGE004
为第k个特征向量，
Figure DEST_PATH_536617DEST_PATH_IMAGE005
为第k个特征值，T表示矩阵转置运算，
Figure DEST_PATH_626932DEST_PATH_IMAGE006
为样本类间散射矩阵，
Figure DEST_PATH_120099DEST_PATH_IMAGE007
为样本类内散射矩阵，
Figure DEST_PATH_637668DEST_PATH_IMAGE008
为Fisher比值计算值；将特征值和
Figure DEST_PATH_651072DEST_PATH_IMAGE008
归一化处理，以
Figure DEST_PATH_15057DEST_PATH_IMAGE009
构成筛选特征向量的条件，表示归一化处理，若
Figure DEST_PATH_80194DEST_PATH_IMAGE011
>
Figure DEST_PATH_512313DEST_PATH_IMAGE012
则第k个特征向量
Figure DEST_PATH_543854DEST_PATH_IMAGE004
比第k个特征向量
Figure DEST_PATH_652493DEST_PATH_IMAGE013
含有更多的特征信息，将特征向量
Figure DEST_PATH_261329DEST_PATH_IMAGE001
按照
Figure DEST_PATH_231559DEST_PATH_IMAGE011
的结果排序，从排序后的向量中选取前几个特征向量降维；
（2）用特征提取方法对降维后的近红外光谱数据进行鉴别信息的提取： 
（3）用以下模糊聚类方法进行水果分类：
(i) 初始化过程：设置权重，类别数
Figure DEST_PATH_23245DEST_PATH_IMAGE015
；设置循环计数r的初始值和最大迭代次数为r max；设置迭代最大误差参数ε；设置初始类中心矩阵；
(ii) 计算样本的方差：
Figure 173556DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
为第k个样本数据，n为样本数；为样本均值，
Figure DEST_PATH_IMAGE019
； 
(iii)  计算模糊隶属度值
Figure 341549DEST_PATH_IMAGE020
 ，
Figure DEST_PATH_IMAGE021
是样本
Figure 647896DEST_PATH_IMAGE017
隶属于类别
Figure DEST_PATH_IMAGE023
的模糊隶属度值，是第r次迭代计算的模糊隶属度值；，
Figure 947301DEST_PATH_IMAGE026
；
Figure 573454DEST_PATH_IMAGE017
为第k个样本；
Figure DEST_PATH_IMAGE027
和
Figure 491731DEST_PATH_IMAGE028
分别是第i类和第j类的类中心值； n为样本数；
(iv)  计算典型值
Figure DEST_PATH_IMAGE029
；
(v)  计算第i类的类中心值
Figure 595954DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
是第r次迭代计算的类中心
Figure 158653DEST_PATH_IMAGE027
的值，由c个类中心值组成类中心矩阵V (r) = [
Figure 486866DEST_PATH_IMAGE032
,
Figure DEST_PATH_IMAGE033
,…,
Figure 95702DEST_PATH_IMAGE034
]；
(vi) 循环计数增加，
Figure DEST_PATH_IMAGE035
；若满足条件：(
Figure 924987DEST_PATH_IMAGE036
) 或 (r> r max)则计算终止，否则继续(iii)；
利用模糊隶属度值和典型值实现不同种类水果进行分类。
本发明是在提取不同品质水果近红外漫反射光谱的鉴别信息基础上，用近红外光谱技术和模糊聚类方法建立水果分类的快速检测，具有检测速度快，分类准确率高，分类效率高，对水果不造成损坏等优点，可实现同一品种不同内部品质的水果分类，以及同一类不同品种水果的分类。为水果的内部品质分级提供可靠的技术保障。 
附图说明
图1是基于模糊聚类的水果近红外光谱分类方法的流程图； 
图2是苹果样本的近红外光谱图；
图3是运行LDA后得到的三维测试集数据；
图4是快速模糊聚类方法产生的模糊隶属度；
图5是快速模糊聚类方法产生的典型值。
具体实施方式
由于水果的近红外漫反射光谱包含了水果内部的糖度、酸度和可溶性固形物等内部品质信息，品质等级不同的水果所对应的近红外漫反射光谱也不同。运用特征提取方法提取不同品质水果的鉴别信息。由反映不同品质水果的鉴别信息，根据模糊聚类方法就可将不同品质水果进行分类。如图1，具体如下： 
（1）水果样本近红外光谱采集：针对不同品质等级的水果样本，用近红外光谱仪对这些水果样本投射近红外，获取水果样本的近红外漫反射光谱信息，将光谱信息存储在计算机里。 此过程中，尽量保持室内的温度和湿度一致。
（2）对水果样本近红外光谱进行特征排序降维：将水果样本近红外光谱采用主成分分析方法（PCA）得到一组特征向量
Figure 935668DEST_PATH_IMAGE001
和一组特征值
Figure 434783DEST_PATH_IMAGE002
，计算
Figure 530915DEST_PATH_IMAGE003
，
Figure 383464DEST_PATH_IMAGE004
为第k个特征向量，
Figure 514231DEST_PATH_IMAGE005
为第k个特征值，T表示矩阵转置运算，
Figure 341504DEST_PATH_IMAGE006
为样本类间散射矩阵，
Figure 924932DEST_PATH_IMAGE007
为样本类内散射矩阵，为Fisher比值计算值。将特征值
Figure 691080DEST_PATH_IMAGE005
和
Figure 838DEST_PATH_IMAGE008
进行归一化处理，然后以两者之和构成筛选特征向量的条件：
Figure RE-DEST_PATH_IMAGE037
，这里，
Figure 478087DEST_PATH_IMAGE010
表示归一化处理，比如
Figure 531494DEST_PATH_IMAGE038
就是将第k个特征值
Figure 902432DEST_PATH_IMAGE005
归一化处理： 
，
上式中，
Figure RE-DEST_PATH_IMAGE041
和
Figure 331326DEST_PATH_IMAGE042
分别表示特征值的最大值和最小值。
如果>
Figure 413868DEST_PATH_IMAGE012
则认为第k个特征向量
Figure 65429DEST_PATH_IMAGE004
比第k个特征向量
Figure 110746DEST_PATH_IMAGE013
含有更多的特征信息，将特征向量
Figure 912480DEST_PATH_IMAGE001
按照
Figure 461273DEST_PATH_IMAGE011
的结果进行排序，然后从排序后的向量中选取前几个特征向量用来进行近红外光谱降维。 
（3）用特征提取方法对降维后的近红外光谱数据进行鉴别信息的提取：采用线性判别分析方法(LDA)提取步骤（2）低维数据中不同品质水果的鉴别信息，并保存这些鉴别信息。 
根据鉴别信息运行模糊聚类方法得到模糊隶属度，根据模糊隶属度可将步骤（1）近红外漫反射光谱信息是指光谱的波数范围为10000~4000cm-1，采集到每个水果样本的光谱是1557维的数据。 
（4）用一种新的快速模糊聚类方法进行水果的分类如下： 
(i) 初始化过程：设置权重，类别数；设置循环计数r的初始值和最大迭代次数为r max；设置迭代最大误差参数ε；设置初始类中心矩阵。
(ii) 计算样本的方差：
Figure 280827DEST_PATH_IMAGE016
，
Figure 104033DEST_PATH_IMAGE017
为第k个样本数据，n为样本数；
Figure 362976DEST_PATH_IMAGE018
为样本均值，
Figure 851726DEST_PATH_IMAGE019
。 
(iii)  计算模糊隶属度值
Figure 385476DEST_PATH_IMAGE024
： 
 
Figure 908861DEST_PATH_IMAGE020
,其中，
Figure 479651DEST_PATH_IMAGE021
是样本
Figure 721276DEST_PATH_IMAGE017
隶属于类别
Figure 261979DEST_PATH_IMAGE023
的模糊隶属度值，
Figure 171029DEST_PATH_IMAGE024
是第r次迭代计算的模糊隶属度值；
Figure 771775DEST_PATH_IMAGE025
，
Figure 890909DEST_PATH_IMAGE026
；
Figure 235303DEST_PATH_IMAGE017
为第k个样本；
Figure 733281DEST_PATH_IMAGE027
和
Figure 770507DEST_PATH_IMAGE028
分别是第i类和第j类的类中心值； n为样本数。
(iv)  计算典型值： 
Figure 986724DEST_PATH_IMAGE029
。
(v)  计算第i类的类中心值
Figure 275754DEST_PATH_IMAGE031
： 
Figure 628238DEST_PATH_IMAGE030
，
Figure 305207DEST_PATH_IMAGE031
是第r次迭代计算的类中心
Figure 274300DEST_PATH_IMAGE027
的值，由c个类中心值组成类中心矩阵V (r) = [
Figure 960497DEST_PATH_IMAGE032
,
Figure 324744DEST_PATH_IMAGE033
,…,
Figure 438194DEST_PATH_IMAGE034
]。
(vi)  循环计数增加，即
Figure 363424DEST_PATH_IMAGE035
； 
若满足条件：(
Figure 118891DEST_PATH_IMAGE036
) 或 (r> r max)则计算终止，否则继续(iii)。
根据以上计算结果可得到模糊隶属度值和典型值并利用它们最终实现不同种类水果进行分类。 
实施例
本发明的基于模糊聚类的水果近红外光谱分类方法同样可以适用于多种水果，例如苹果，梨，桃等。这些水果仅在糖度，酸度和可溶性固形物等内部成分存在一定的差别，所以本发明可以适用于这些水果。本实施例仅以苹果作为例子进行阐述，适用于同品种苹果的品质分级，例如：将红富士苹果分成几个品质等级，因为同品种不同品质的苹果，其漫反射近红外光谱是不同的，所以本发明可以实现。本实施还适用于不同品种苹果的区分，例如：红富士，花牛，蛇果，嘎拉等苹果的分类。因为不同品种苹果，其漫反射近红外光谱也是不同的。 
（1）取红富士，花牛，加纳，黄蕉四种苹果样本，每种苹果样本50个，共计200个样本。苹果样本在温度为20~ 25℃实验室内存放12小时，Antaris II近红外光谱分析仪开机预热1个小时。采用反射积分球模式采集近红外光谱，近红外光谱分析仪扫描每个样品32次以获取样品的漫反射光谱均值。光谱扫描的波数为10000~4000cm-1，扫描间隔为3.856cm-1，采集到每个样本的光谱是1557维的数据。为减少误差，每个苹果样本沿赤道轨迹采样3次，取其平均值作为最终的实验数据。200个苹果样本的近红外光谱如图2所示。 
（2）苹果样本近红外光谱的特征排序降维处理：采用主成分分析方法将水果样本近红外光谱进行特征分解得到一组特征向量
Figure 445967DEST_PATH_IMAGE001
和一组特征值
Figure 136842DEST_PATH_IMAGE002
，按照
Figure 283790DEST_PATH_IMAGE009
的值将特征向量
Figure 498739DEST_PATH_IMAGE001
进行排序，然后从排序后的向量中选取前6个特征向量(每个特征向量是1557维)用来进行近红外光谱降维。按照表1的
Figure 680322DEST_PATH_IMAGE011
值对特征向量
Figure RE-DEST_PATH_IMAGE043
进行排序，可得到特征向量顺序为
Figure 666733DEST_PATH_IMAGE044
，然后由它们构成变换矩阵
Figure RE-DEST_PATH_IMAGE045
。这样，对于某个水果样本的高维近红外光谱数据
Figure 973080DEST_PATH_IMAGE046
，通过线性变换：
Figure RE-DEST_PATH_IMAGE047
，其中T表示矩阵转置运算，可得到6维的数据
Figure 70349DEST_PATH_IMAGE048
，从而实现近红外光谱的降维处理。 
表1 主成分分析方法得到的6个特征值和对应的值 
k 1 2 3 4 5 6
Figure 886919DEST_PATH_IMAGE005
 8.2493 0.4553 0.0550 0.0049 0.0024 0.0014
Figure 8459DEST_PATH_IMAGE011
 2.0 0.5135 0.0730 0.0533 0.0077 0.0994
（3）鉴别信息的提取：对降维后得到的6维近红外光谱数据运行线性判别分析（LDA），对每类30个样本数据作为训练集用来提取苹果样本鉴别信息，剩下的每类20个样本作为测试集。运行LDA后得到3维的测试集数据如图3所示。
（4）用模糊聚类方法进行苹果样本分类：对得到的3维的测试集数据运行一种新的快速模糊聚类方法： 
(i) 设置权重
Figure RE-DEST_PATH_IMAGE049
，类别数
Figure 909419DEST_PATH_IMAGE050
；设置循环计数初始值 r =0和最大迭代次数为r max=100；迭代最大误差参数
Figure RE-DEST_PATH_IMAGE051
；
初始类中心为。
(ii)  计算样本的方差： 
Figure 800331DEST_PATH_IMAGE016
；
Figure 64960DEST_PATH_IMAGE017
为第k个样本数据，n为样本数，这里n = 80；
Figure 972873DEST_PATH_IMAGE018
为样本均值，
Figure 983554DEST_PATH_IMAGE019
。计算结果：
Figure RE-DEST_PATH_IMAGE053
，
Figure 420352DEST_PATH_IMAGE054
。 
(iii)  计算模糊隶属度值
Figure 516484DEST_PATH_IMAGE024
： 
Figure 228088DEST_PATH_IMAGE020
，其中，
Figure 516112DEST_PATH_IMAGE021
是样本
Figure 186128DEST_PATH_IMAGE017
隶属于类别
Figure 503976DEST_PATH_IMAGE023
的模糊隶属度值，
Figure 19271DEST_PATH_IMAGE024
是第r次迭代计算的模糊隶属度值；
Figure 411070DEST_PATH_IMAGE025
，；
Figure 57132DEST_PATH_IMAGE017
为第k个样本；
Figure 110538DEST_PATH_IMAGE027
和
Figure 950318DEST_PATH_IMAGE028
分别是第i类和第j类的类中心值； n为样本数。
(iv)  计算典型值： 
。
(v)  计算第i类的类中心值
Figure 644791DEST_PATH_IMAGE031
： 
Figure 236309DEST_PATH_IMAGE030
，
Figure 727333DEST_PATH_IMAGE031
是第r次迭代计算的类中心的值，由c个类中心值组成类中心矩阵V (r) = [,
Figure 960366DEST_PATH_IMAGE033
,…,
Figure 305896DEST_PATH_IMAGE034
]。
(vi)  循环计数增加，即；若满足条件：(
Figure 395392DEST_PATH_IMAGE036
) 或 (r> r max)计算终止，否则继续(iii)。 
一种新的快速模糊聚类运算结果：类中心矩阵为： 
Figure RE-DEST_PATH_IMAGE055
模糊隶属度值如表2所示，典型值如表3所示，由模糊隶属度和典型值确定的聚类划分准确率均为100%，即对四种苹果的分类准确率能达到100%。
图4和图5分别是快速模糊聚类方法聚类四种苹果近红外光谱时产生的模糊隶属度值和典型值。图4中的四个小图代表四种苹果的模糊隶属度值，图5中的四个小图代表四种苹果的典型值。 
表2 一种新的快速模糊聚类方法得到的模糊隶属度值 
第k个样本
Figure 748620DEST_PATH_IMAGE056
Figure 948657DEST_PATH_IMAGE058
Figure RE-DEST_PATH_IMAGE059
1 0.0036 0.9921 0.0024 0.0020
2 0.0211 0.9439 0.0184 0.0166
3 0.0130 0.9724 0.0082 0.0063
4 0.0022 0.9948 0.0016 0.0013
5 0.0035 0.9922 0.0023 0.0020
6 0.0148 0.9614 0.0122 0.0117
7 0.0107 0.9734 0.0083 0.0075
8 0.0061 0.9851 0.0048 0.0039
9 0.0117 0.9737 0.0084 0.0062
10 0.0052 0.9879 0.0038 0.0031
11 0.0078 0.9800 0.0066 0.0056
12 0.0099 0.9755 0.0076 0.0070
13 0.0042 0.9907 0.0028 0.0023
14 0.0215 0.9492 0.0152 0.0142
15 0.0016 0.9964 0.0011 0.0009
16 0.0014 0.9968 0.0010 0.0008
17 0.0043 0.9899 0.0032 0.0027
18 0.0059 0.9865 0.0040 0.0036
19 0.0087 0.9793 0.0063 0.0057
20 0.0265 0.9421 0.0183 0.0132
21 0.9848 0.0066 0.0053 0.0033
22 0.9961 0.0017 0.0014 0.0008
23 0.9406 0.0300 0.0179 0.0115
24 0.9917 0.0038 0.0027 0.0017
25 0.9419 0.0296 0.0168 0.0118
26 0.9791 0.0091 0.0075 0.0043
27 0.9881 0.0055 0.0040 0.0024
28 0.9830 0.0071 0.0062 0.0037
29 0.9946 0.0025 0.0018 0.0011
30 0.9701 0.0122 0.0108 0.0069
31 0.9655 0.0166 0.0109 0.0070
32 0.9281 0.0290 0.0270 0.0159
33 0.9730 0.0123 0.0093 0.0054
34 0.9692 0.0147 0.0098 0.0064
35 0.9905 0.0042 0.0033 0.0021
36 0.9724 0.0116 0.0099 0.0061
37 0.9792 0.0083 0.0077 0.0047
38 0.9384 0.0238 0.0234 0.0144
39 0.8118 0.1087 0.0478 0.0317
40 0.9913 0.0036 0.0031 0.0019
41 0.0037 0.0046 0.0070 0.9848
42 0.0018 0.0022 0.0028 0.9932
43 0.0015 0.0018 0.0025 0.9942
44 0.0175 0.0183 0.0273 0.9368
45 0.0022 0.0026 0.0038 0.9914
46 0.0009 0.0013 0.0016 0.9962
47 0.0115 0.0172 0.0192 0.9520
48 0.0037 0.0045 0.0071 0.9847
49 0.0020 0.0025 0.0038 0.9917
50 0.0036 0.0049 0.0061 0.9854
51 0.0034 0.0044 0.0068 0.9853
52 0.0006 0.0008 0.0011 0.9974
53 0.0028 0.0033 0.0049 0.9890
54 0.0045 0.0063 0.0074 0.9818
55 0.0078 0.0103 0.0166 0.9653
56 0.0018 0.0023 0.0030 0.9929
57 0.0074 0.0095 0.0113 0.9717
58 0.0002 0.0003 0.0004 0.9991
59 0.0006 0.0008 0.0011 0.9974
60 0.0052 0.0072 0.0091 0.9785
61 0.0005 0.0005 0.9985 0.0005
62 0.0098 0.0088 0.9727 0.0088
63 0.0086 0.0069 0.9766 0.0079
64 0.0202 0.0242 0.9326 0.0231
65 0.0032 0.0029 0.9909 0.0030
66 0.0031 0.0031 0.9906 0.0032
67 0.0081 0.0071 0.9749 0.0099
68 0.0333 0.0433 0.8693 0.0541
69 0.0067 0.0065 0.9784 0.0084
70 0.0579 0.0414 0.8350 0.0657
71 0.0601 0.0707 0.7492 0.1199
72 0.0117 0.0128 0.9596 0.0159
73 0.0272 0.0198 0.9289 0.0241
74 0.0255 0.0295 0.9073 0.0377
75 0.0016 0.0015 0.9952 0.0017
76 0.0029 0.0027 0.9913 0.0031
77 0.0023 0.0021 0.9933 0.0022
78 0.0057 0.0050 0.9835 0.0058
79 0.0044 0.0039 0.9874 0.0044
80 0.0085 0.0076 0.9757 0.0082
表3一种新的快速模糊聚类方法得到的典型值
第k个样本
Figure 348545DEST_PATH_IMAGE060
Figure 634033DEST_PATH_IMAGE062
1 0.0000 0.9103 0.0000 0.0000
2 0.0000 0.4073 0.0000 0.0000
3 0.0000 0.7028 0.0000 0.0000
4 0.0000 0.9405 0.0000 0.0000
5 0.0000 0.9042 0.0000 0.0000
6 0.0000 0.5676 0.0000 0.0000
7 0.0000 0.6739 0.0000 0.0000
8 0.0000 0.8422 0.0000 0.0000
9 0.0000 0.7382 0.0000 0.0000
10 0.0000 0.8462 0.0000 0.0000
11 0.0000 0.7587 0.0000 0.0000
12 0.0000 0.6982 0.0000 0.0000
13 0.0000 0.8890 0.0000 0.0000
14 0.0000 0.5609 0.0000 0.0000
15 0.0000 0.9564 0.0000 0.0000
16 0.0000 0.9599 0.0000 0.0000
17 0.0000 0.8901 0.0000 0.0000
18 0.0000 0.8369 0.0000 0.0000
19 0.0000 0.7871 0.0000 0.0000
20 0.0000 0.5329 0.0000 0.0000
21 0.8325 0.0000 0.0000 0.0000
22 0.9501 0.0000 0.0000 0.0000
23 0.5123 0.0000 0.0000 0.0000
24 0.9044 0.0000 0.0000 0.0000
25 0.4899 0.0000 0.0000 0.0000
26 0.7842 0.0000 0.0000 0.0000
27 0.8685 0.0000 0.0000 0.0000
28 0.7799 0.0000 0.0000 0.0000
29 0.9291 0.0000 0.0000 0.0000
30 0.6290 0.0000 0.0000 0.0000
31 0.6734 0.0000 0.0000 0.0000
32 0.2746 0.0000 0.0000 0.0000
33 0.6769 0.0000 0.0000 0.0000
34 0.7009 0.0000 0.0000 0.0000
35 0.8720 0.0000 0.0000 0.0000
36 0.6498 0.0000 0.0000 0.0000
37 0.7547 0.0000 0.0000 0.0000
38 0.3525 0.0000 0.0000 0.0000
39 0.1194 0.0000 0.0000 0.0000
40 0.8881 0.0000 0.0000 0.0000
41 0.0000 0.0000 0.0000 0.8127
42 0.0000 0.0000 0.0000 0.8984
43 0.0000 0.0000 0.0000 0.9167
44 0.0000 0.0000 0.0000 0.3418
45 0.0000 0.0000 0.0000 0.8740
46 0.0000 0.0000 0.0000 0.9436
47 0.0000 0.0000 0.0000 0.4903
48 0.0000 0.0000 0.0000 0.7990
49 0.0000 0.0000 0.0000 0.8858
50 0.0000 0.0000 0.0000 0.8083
51 0.0000 0.0000 0.0000 0.8124
52 0.0000 0.0000 0.0000 0.9602
53 0.0000 0.0000 0.0000 0.8468
54 0.0000 0.0000 0.0000 0.7558
55 0.0000 0.0000 0.0000 0.6065
56 0.0000 0.0000 0.0000 0.8908
57 0.0000 0.0000 0.0000 0.6055
58 0.0000 0.0000 0.0000 0.9869
59 0.0000 0.0000 0.0000 0.9610
60 0.0000 0.0000 0.0000 0.7041
61 0.0000 0.0000 0.9821 0.0000
62 0.0000 0.0000 0.6851 0.0000
63 0.0000 0.0000 0.7360 0.0000
64 0.0000 0.0000 0.4048 0.0000
65 0.0000 0.0000 0.8908 0.0000
66 0.0000 0.0000 0.8874 0.0000
67 0.0000 0.0000 0.7410 0.0000
68 0.0000 0.0000 0.1961 0.0000
69 0.0000 0.0000 0.7383 0.0000
70 0.0000 0.0000 0.0477 0.0000
71 0.0000 0.0000 0.0558 0.0000
72 0.0000 0.0000 0.6240 0.0000
73 0.0000 0.0000 0.3525 0.0000
74 0.0000 0.0000 0.3499 0.0000
75 0.0000 0.0000 0.9400 0.0000
76 0.0000 0.0000 0.8890 0.0000
77 0.0000 0.0000 0.9194 0.0000
78 0.0000 0.0000 0.8273 0.0000
79 0.0000 0.0000 0.8415 0.0000
80 0.0000 0.0000 0.7066 0.0000

Claims (1)

1.一种基于模糊聚类的水果近红外光谱分类方法，其特征是包括如下步骤：
（1）获取不同品质等级的水果样本的近红外漫反射光谱信息，将近红外光谱信息采用主成分分析方法得到一组特征向量 
Figure DEST_PATH_DEST_PATH_IMAGE001
和一组特征值
Figure DEST_PATH_DEST_PATH_IMAGE002
，计算
Figure DEST_PATH_DEST_PATH_IMAGE003
，
Figure DEST_PATH_DEST_PATH_IMAGE004
为第k个特征向量，为第k个特征值，T表示矩阵转置运算，
Figure DEST_PATH_DEST_PATH_IMAGE006
为样本类间散射矩阵，为样本类内散射矩阵，
Figure DEST_PATH_DEST_PATH_IMAGE008
为Fisher比值计算值；将特征值和
Figure DEST_PATH_820793DEST_PATH_IMAGE008
归一化处理，以
Figure DEST_PATH_DEST_PATH_IMAGE009
构成筛选特征向量的条件，若
Figure DEST_PATH_DEST_PATH_IMAGE010
>
Figure DEST_PATH_DEST_PATH_IMAGE011
则第k个特征向量比第k个特征向量
Figure DEST_PATH_DEST_PATH_IMAGE012
含有更多的特征信息，将特征向量按照
Figure DEST_PATH_578422DEST_PATH_IMAGE010
的结果排序，从排序后的向量中选取前几个特征向量降维；
（2）用特征提取方法对降维后的近红外光谱数据进行鉴别信息的提取： 
（3）用以下模糊聚类方法进行水果分类：
(i) 初始化过程：设置权重
Figure DEST_PATH_DEST_PATH_IMAGE013
，类别数
Figure DEST_PATH_DEST_PATH_IMAGE014
；设置循环计数r的初始值和最大迭代次数为r max；设置迭代最大误差参数ε；设置初始类中心矩阵；
(ii) 计算样本的方差：
Figure DEST_PATH_DEST_PATH_IMAGE015
，
Figure DEST_PATH_DEST_PATH_IMAGE016
为第k个样本数据，n为样本数；
Figure DEST_PATH_DEST_PATH_IMAGE017
为样本均值，
Figure DEST_PATH_DEST_PATH_IMAGE018
；
(iii)  计算模糊隶属度值 ，
Figure DEST_PATH_DEST_PATH_IMAGE020
是样本隶属于类别
Figure DEST_PATH_DEST_PATH_IMAGE021
的模糊隶属度值，
Figure DEST_PATH_DEST_PATH_IMAGE022
是第r次迭代计算的模糊隶属度值；，
Figure DEST_PATH_DEST_PATH_IMAGE024
；
Figure DEST_PATH_231700DEST_PATH_IMAGE016
为第k个样本；
Figure DEST_PATH_DEST_PATH_IMAGE025
和
Figure DEST_PATH_DEST_PATH_IMAGE026
分别是第i类和第j类的类中心值； n为样本数；
(iv)  计算典型值
Figure DEST_PATH_DEST_PATH_IMAGE027
；
(v)  计算第i类的类中心值
Figure DEST_PATH_DEST_PATH_IMAGE028
，
Figure DEST_PATH_DEST_PATH_IMAGE029
是第r次迭代计算的类中心
Figure DEST_PATH_492917DEST_PATH_IMAGE025
的值，由c个类中心值组成类中心矩阵V (r) = [
Figure DEST_PATH_DEST_PATH_IMAGE030
,,…,
Figure DEST_PATH_DEST_PATH_IMAGE032
]；
(vi) 循环计数增加，
Figure DEST_PATH_DEST_PATH_IMAGE033
；若满足条件：(
Figure DEST_PATH_DEST_PATH_IMAGE034
) 或 (r> r max)则计算终止，否则继续(iii)；利用模糊隶属度值和典型值实现不同种类水果进行分类。
CN201210444084.9A 2012-11-09 2012-11-09 基于模糊聚类的水果近红外光谱分类方法 Expired - Fee Related CN103048273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210444084.9A CN103048273B (zh) 2012-11-09 2012-11-09 基于模糊聚类的水果近红外光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210444084.9A CN103048273B (zh) 2012-11-09 2012-11-09 基于模糊聚类的水果近红外光谱分类方法

Publications (2)

Publication Number Publication Date
CN103048273A true CN103048273A (zh) 2013-04-17
CN103048273B CN103048273B (zh) 2014-12-03

Family

ID=48060992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210444084.9A Expired - Fee Related CN103048273B (zh) 2012-11-09 2012-11-09 基于模糊聚类的水果近红外光谱分类方法

Country Status (1)

Country Link
CN (1) CN103048273B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454240A (zh) * 2013-08-30 2013-12-18 上海海洋大学 一种快速评定冷冻鱼糜等级模型的建立方法
CN103954582A (zh) * 2014-04-11 2014-07-30 江苏大学 一种混合k调和聚类的苹果品种近红外光谱分类方法
CN104573739A (zh) * 2014-12-09 2015-04-29 江苏大学 广义模糊k调和均值聚类的生菜贮藏时间判定方法
CN105181650A (zh) * 2015-10-08 2015-12-23 滁州职业技术学院 一种使用近红外光谱技术快速鉴别茶叶品种的方法
CN106408012A (zh) * 2016-09-09 2017-02-15 江苏大学 一种模糊鉴别聚类的茶叶红外光谱分类方法
CN106570520A (zh) * 2016-10-21 2017-04-19 江苏大学 一种混合gk聚类的红外光谱茶叶优劣鉴别方法
CN106932359A (zh) * 2017-03-02 2017-07-07 兰州大学 一种基于近红外光谱的苹果分类方法
CN107192686A (zh) * 2017-04-11 2017-09-22 江苏大学 一种模糊协方差矩阵的可能模糊聚类茶叶品种鉴别方法
CN107240119A (zh) * 2017-04-19 2017-10-10 北京航空航天大学 利用改进模糊聚类算法提取灰度不均匀红外行人的方法
CN107941745A (zh) * 2017-11-16 2018-04-20 赣州市检验检疫科学技术研究院 基于近红外光谱鉴别染色橙的方法
CN108072626A (zh) * 2018-01-31 2018-05-25 长安大学 一种沥青品牌识别方法
CN109030407A (zh) * 2018-04-16 2018-12-18 江苏大学 一种混合模糊c均值聚类的苹果品种分类方法
CN109145937A (zh) * 2018-06-25 2019-01-04 北京达佳互联信息技术有限公司 一种模型训练的方法及装置
CN109145952A (zh) * 2018-07-23 2019-01-04 江苏大学 一种模糊鉴别分析的白酒电子鼻信号分类方法
CN110987866A (zh) * 2019-12-19 2020-04-10 汉谷云智(武汉)科技有限公司 一种汽油性质评价方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101949834B (zh) * 2010-08-02 2012-05-30 扬州福尔喜果蔬汁机械有限公司 水果内部品质检测分级方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101949834B (zh) * 2010-08-02 2012-05-30 扬州福尔喜果蔬汁机械有限公司 水果内部品质检测分级方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MURAD SAMHOURI等: "Fuzzy clustering-based modeling of surface interactions and emulsions of selected whey protein concentrate combined to i-carrageenan and gum arabic solutions", 《JOURNAL OF FOOD ENGINEERING》, vol. 91, 12 August 2008 (2008-08-12), pages 10 - 17 *
包芳等: "基于自适应动态目标函数的模糊聚类神经网络", 《计算机工程》, vol. 34, no. 11, 30 June 2008 (2008-06-30), pages 35 - 40 *
武小红等: "基于聚类中心分离的模糊聚类模型", 《华南理工大学学报(自然科学版)》, vol. 36, no. 4, 30 April 2008 (2008-04-30), pages 110 - 114 *
陈健美等: "一种隶属关系不确定的可能性模糊聚类方法", 《计算机研究与发展》, vol. 45, no. 9, 30 September 2008 (2008-09-30), pages 1486 - 1492 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103454240A (zh) * 2013-08-30 2013-12-18 上海海洋大学 一种快速评定冷冻鱼糜等级模型的建立方法
CN103954582A (zh) * 2014-04-11 2014-07-30 江苏大学 一种混合k调和聚类的苹果品种近红外光谱分类方法
CN104573739A (zh) * 2014-12-09 2015-04-29 江苏大学 广义模糊k调和均值聚类的生菜贮藏时间判定方法
CN104573739B (zh) * 2014-12-09 2018-04-17 江苏大学 广义模糊k调和均值聚类的生菜贮藏时间判定方法
CN105181650A (zh) * 2015-10-08 2015-12-23 滁州职业技术学院 一种使用近红外光谱技术快速鉴别茶叶品种的方法
CN106408012A (zh) * 2016-09-09 2017-02-15 江苏大学 一种模糊鉴别聚类的茶叶红外光谱分类方法
CN106570520A (zh) * 2016-10-21 2017-04-19 江苏大学 一种混合gk聚类的红外光谱茶叶优劣鉴别方法
CN106932359A (zh) * 2017-03-02 2017-07-07 兰州大学 一种基于近红外光谱的苹果分类方法
CN107192686B (zh) * 2017-04-11 2020-08-28 江苏大学 一种模糊协方差矩阵的可能模糊聚类茶叶品种鉴别方法
CN107192686A (zh) * 2017-04-11 2017-09-22 江苏大学 一种模糊协方差矩阵的可能模糊聚类茶叶品种鉴别方法
CN107240119A (zh) * 2017-04-19 2017-10-10 北京航空航天大学 利用改进模糊聚类算法提取灰度不均匀红外行人的方法
CN107240119B (zh) * 2017-04-19 2019-11-08 北京航空航天大学 利用改进模糊聚类算法提取灰度不均匀红外行人的方法
CN107941745A (zh) * 2017-11-16 2018-04-20 赣州市检验检疫科学技术研究院 基于近红外光谱鉴别染色橙的方法
CN108072626A (zh) * 2018-01-31 2018-05-25 长安大学 一种沥青品牌识别方法
CN109030407A (zh) * 2018-04-16 2018-12-18 江苏大学 一种混合模糊c均值聚类的苹果品种分类方法
CN109145937A (zh) * 2018-06-25 2019-01-04 北京达佳互联信息技术有限公司 一种模型训练的方法及装置
CN109145952A (zh) * 2018-07-23 2019-01-04 江苏大学 一种模糊鉴别分析的白酒电子鼻信号分类方法
CN110987866A (zh) * 2019-12-19 2020-04-10 汉谷云智(武汉)科技有限公司 一种汽油性质评价方法及装置

Also Published As

Publication number Publication date
CN103048273B (zh) 2014-12-03

Similar Documents

Publication Publication Date Title
CN103048273B (zh) 基于模糊聚类的水果近红外光谱分类方法
CN109142317B (zh) 一种基于随机森林模型的拉曼光谱物质识别方法
CN103646252B (zh) 一种基于优化的模糊学习矢量量化的苹果分类方法
CN102819745A (zh) 一种基于AdaBoost的高光谱遥感影像分类方法
CN104990892B (zh) 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法
CN109030407B (zh) 一种混合模糊c均值聚类的苹果品种分类方法
Wetterich et al. A comparative study on application of computer vision and fluorescence imaging spectroscopy for detection of Huanglongbing citrus disease in the USA and Brazil
CN107818298A (zh) 用于机器学习物质识别算法的通用拉曼光谱特征提取方法
CN103674854A (zh) 一种基于联合区间偏最小二乘判别分析的苹果分级方法
CN103344602A (zh) 一种基于近红外光谱的水稻种质真伪无损检测方法
CN104374739A (zh) 一种基于近红外定性分析的种子品种真实性鉴别方法
CN107219184A (zh) 一种应用于产地溯源的肉类鉴别方法及装置
CN102072767A (zh) 基于波长相似性共识回归红外光谱定量分析方法和装置
CN110378374A (zh) 一种模糊鉴别信息提取的茶叶近红外光谱分类方法
CN112766161A (zh) 基于集成约束多示例学习的高光谱目标检测方法
Supekar et al. Multi-parameter based mango grading using image processing and machine learning techniques
CN107271394A (zh) 一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法
CN104990891B (zh) 一种种子近红外光谱和光谱图像定性分析模型建立方法
CN103954582A (zh) 一种混合k调和聚类的苹果品种近红外光谱分类方法
CN108344701A (zh) 基于高光谱技术的石蜡等级定性分类与定量回归方法
CN109685099B (zh) 一种光谱波段优选模糊聚类的苹果品种辨别方法
CN107886115A (zh) 一种自适应可能c均值聚类的茶叶中红外光谱分类方法
CN113408616A (zh) 基于pca-uve-elm的光谱分类方法
CN110542659B (zh) 基于可见光光谱的珍珠光泽检测方法
US11525774B2 (en) Sensory evaluation method for spectral data of mainstream smoke

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20141203

Termination date: 20151109

EXPY Termination of patent right or utility model