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 PDFInfo
- 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
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
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 和一组特征值,计算,为第k个特征向量,为第k个特征值,T表示矩阵转置运算,为样本类间散射矩阵,为样本类内散射矩阵,为Fisher比值计算值;将特征值和归一化处理,以构成筛选特征向量的条件,表示归一化处理,若>则第k个特征向量比第k个特征向量含有更多的特征信息,将特征向量按照的结果排序,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:
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)得到一组特征向量和一组特征值,计算,为第k个特征向量,为第k个特征值,T表示矩阵转置运算,为样本类间散射矩阵,为样本类内散射矩阵,为Fisher比值计算值。将特征值和进行归一化处理,然后以两者之和构成筛选特征向量的条件:,这里,表示归一化处理,比如就是将第k个特征值归一化处理:
,
(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。
(iv) 计算典型值:
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和一组特征值,按照的值将特征向量进行排序,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的值对特征向量进行排序,可得到特征向量顺序为,然后由它们构成变换矩阵。这样,对于某个水果样本的高维近红外光谱数据,通过线性变换:,其中T表示矩阵转置运算,可得到6维的数据,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 |
8.2493 | 0.4553 | 0.0550 | 0.0049 | 0.0024 | 0.0014 | |
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:
初始类中心为。
(iv) 计算典型值:
。
一种新的快速模糊聚类运算结果:类中心矩阵为:
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 | ||||
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 | ||||
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 和一组特征值,计算,为第k个特征向量,为第k个特征值,T表示矩阵转置运算,为样本类间散射矩阵,为样本类内散射矩阵,为Fisher比值计算值;将特征值和归一化处理,以构成筛选特征向量的条件,若>则第k个特征向量比第k个特征向量含有更多的特征信息,将特征向量按照的结果排序,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:
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)
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)
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 |
-
2012
- 2012-11-09 CN CN201210444084.9A patent/CN103048273B/zh not_active Expired - Fee Related
Patent Citations (1)
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)
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)
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 |