CN106408012A - 一种模糊鉴别聚类的茶叶红外光谱分类方法 - Google Patents
一种模糊鉴别聚类的茶叶红外光谱分类方法 Download PDFInfo
- Publication number
- CN106408012A CN106408012A CN201610813947.3A CN201610813947A CN106408012A CN 106408012 A CN106408012 A CN 106408012A CN 201610813947 A CN201610813947 A CN 201610813947A CN 106408012 A CN106408012 A CN 106408012A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- clustering
- tea
- sample data
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 29
- 241001122767 Theaceae Species 0.000 claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- QDOXWKRWXJOMAK-UHFFFAOYSA-N dichromium trioxide Chemical compound O=[Cr]O[Cr]=O QDOXWKRWXJOMAK-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 240000006053 Garcinia mangostana Species 0.000 description 2
- 235000017048 Garcinia mangostana Nutrition 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013144 data compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 150000002894 organic compounds Chemical class 0.000 description 2
- IOLCXVTUBQKXJR-UHFFFAOYSA-M potassium bromide Chemical compound [K+].[Br-] IOLCXVTUBQKXJR-UHFFFAOYSA-M 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 241000208672 Lobelia Species 0.000 description 1
- 240000003146 Lobelia chinensis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004476 mid-IR spectroscopy Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种模糊鉴别聚类的茶叶红外光谱分类方法，采用线性鉴别分析方法提取14维的训练样本数据的鉴别信息，将14维的测试样本数据投影到其鉴别向量上得到二维测试样本数据，将二维测试样本数据进行模糊C均值聚类，根据初始聚类中心，先计算模糊类间散射矩阵，计算模糊总体散射矩阵，根据模糊类间散射矩阵和模糊总体散射矩阵计算特征向量，通过模糊隶属度函数值在特征空间中计算聚类中心值，分别计算每个14维训练样本的平均值，分别计算测试样本的聚类中心值和训练样本的平均值的欧式距离，聚类中心值离训练样本的欧式距离最小的，判定该聚类中心值所属茶叶品种和该训练样本的茶叶品种是相同品种，实现不同品种茶叶的正确分类。
Description
技术领域
本发明涉及一种茶叶分类方法，具体涉及一种模糊鉴别聚类的茶叶红外光谱分类方法。
背景技术
茶是当今消费最多的饮料之一。随着生活水平的提高，对茶叶的质量要求越来越高，如何合理地选择茶叶已越来越被人们所关注。研究简单、快速和正确率较高的识别方法已经科研工作者的一个重要任务。
中红外光谱主要用于有机化合物的定性和定量分析。它的频率在4000cm-1～625cm-1之间，正是一般有机化合物基频振动频率范围，可以给出非常丰富的结构信息：谱图中的特征基团频率指出分子中官能团的存在，全部光谱图则反映整个分子的结构特征。同时，该检测技术还具有应用范围广，方式多样，仪器结构简单，操作方便，测试迅速，谱图重复性好等优点，从而快速将不同品种的茶叶进行分类。中红外光谱技术是作为一种无损检测技术，已经在农业、食品、医学、药学等领域具有广泛研究与应用。
模糊聚类是一种无监督的学习方法。模糊聚类已经被广泛应用于数字图像处理、计算机视觉和模式识别中，使用最广泛的模糊聚类算法是由Bezdek提出的模糊C-均值聚类(FCM)。建立在最小平方误差准则上的FCM可对线性可分的数据进行聚类。但是FCM在聚类过程中无法动态提取鉴别信息和改变数据维数。为了解决这个问题，本发明设计了一种模糊鉴别聚类方法(FDCM)。FDCM可实现模糊聚类过程中进行数据鉴别信息的提取和数据压缩，可以达到更高的聚类准确率。
发明内容
本发明的目的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、分类效率高的一种快速模糊鉴别聚类的茶叶红外光谱分类方法。
本发明一种模糊鉴别聚类的茶叶红外光谱分类方法的技术方案是：先用光谱仪采集不同品种茶叶的红外光谱样本数据，然后采用主成分分析方法对样本数据降维，压缩到14维，再采用线性鉴别分析方法提取14维的训练样本数据的鉴别信息得到鉴别向量，将14维的测试样本数据投影到其鉴别向量上得到二维测试样本数据，还依次按以下步骤：
A、将二维测试样本数据进行模糊C均值聚类，得到的聚类中心作为初始聚类中心；
B、根据初始聚类中心，先计算模糊类间散射矩阵，再计算模糊总体散射矩阵，然后根据模糊类间散射矩阵和模糊总体散射矩阵计算特征向量，将测试样本和初始聚类中心分别转化到特征空间，最后在特征空间中计算模糊隶属度函数值：再通过模糊隶属度函数值在特征空间中计算聚类中心值：
C、先分别计算每个14维训练样本的平均值，再分别计算测试样本的聚类中心值和训练样本的平均值的欧式距离，聚类中心值离训练样本的欧式距离最小的，则判定该聚类中心值所属茶叶品种和该训练样本的茶叶品种是相同品种。
本发明的有益效果是：
1、本发明采用红外光谱技术和模糊鉴别聚类方法来进行茶叶分类，首先用傅里叶红外光谱分析仪采集茶叶样本的红外光谱，使用多元散射校正对茶叶光谱数据进行预处理，接着对红外光谱进行降维处理；然后用特征提取方法提取茶叶样本的鉴别信息；最后用模糊鉴别聚类进行茶叶品种的分类。本发明融合了模糊C均值聚类和线性判别分析，具有检测速度快、分类效率高、无污染、所需茶叶训练样本少等优点，可实现模糊聚类过程中进行数据鉴别信息的提取和数据压缩，可以达到比模糊C均值聚类更高的聚类准确率，实现不同品种茶叶的正确分类。
2、茶叶的红外漫反射光谱包含了茶叶内部的茶多酚、咖啡碱和可溶性固形物等内部品种信息，不同品种的茶叶所对应的红外漫反射光谱也不同，因此本发明在聚类过程中压缩茶叶红外光谱，可提高茶叶分类的准确率，再根据模糊鉴别聚类的方法将不同品种茶叶进行分类，提高分类准确率。
附图说明
图1是本发明一种模糊鉴别聚类的茶叶红外光谱分类方法的流程图；
图2是实施例中茶叶样本的红外光谱图；
图3是实施例中样本经过多元散射校正处理后的红外光谱图；
图4是实施例中14维的测试样本数据投影到其鉴别向量上得到的二维测试样本数据示意图；
图5是实施例中经模糊鉴别聚类后得到的模糊隶属度值曲线分布图。
具体实施方式
参见图1，用光谱仪采集不同品种茶叶的红外光谱样本数据。将FTIR-7600型傅里叶红外光谱分析仪开机预热1个小时，扫描次数为32，光谱扫描的波数范围为7800cm-1～350cm-1，扫描间隔为1.928cm-1，分辨率为4cm-1。采集环境温度为25℃，相对湿度50％，取不同品种的茶叶样本研磨粉粹，再用40目筛进行过滤后，各取0.5g分别与溴化钾1:100均匀混合得到每个样本的混合物，各取每个样本取混合物1g进行压膜，然后用光谱仪扫描3次，取3次的平均值作为样本光谱数据，每个样本光谱数据都是一个1868维的数据。测试样本数为n，剩余为训练样本。
用多元散射校正(MSC)对茶叶的光谱样本数据进行预先处理，消除散射影响，增强与成分含量相关的光谱吸收信息。
经多元散射校正处理后，采用主成分分析方法(PCA)将处理后的茶叶的光谱样本数据进行特征分解，得到前14个特征向量v1，v2…v14和对应的14个特征值λ1，λ2…λ14，每个特征向量v1，v2…v14都是1868维的数据。将光谱样本数据投影到14个特征向量v1，v2…v14上得到14维的数据，对光谱样本数据进行降维，即从1868维压缩到14维。
采用线性鉴别分析(LDA)方法提取14维的训练样本数据的鉴别信息，得到鉴别向量，鉴别向量数为2，将14维的测试样本数据投影到其鉴别向量上可得到二维测试样本数据。
设置模糊C-均值聚类(FCM)的权重指数m＝2，类别数c＝3，迭代次数初始值r＝0，最大迭代次数rmax＝100，迭代最大误差上限值ε＝0.00001，将得到的二维测试样本数据进行模糊C均值聚类(FCM)，得到的聚类中心作为初始聚类中心
根据初始聚类中心先计算模糊类间散射矩阵SfB：
其中，为第r次迭代时第k个测试样本xk隶属于第i类的模糊隶属度，m代表权重指数；c为类别数，为第r次迭代时第i类的类中心值，为测试样本的均值，n为测试样本数，xj为第j个测试样本，T代表矩阵转置运算，1≤k≤n，1≤j≤n，1≤i≤c。
再计算模糊总体散射矩阵SfT：
其中，xk为第k个测试样本。
然后根据模糊类间散射矩阵SfB和模糊总体散射矩阵SfT计算特征向量：
其中，为模糊离散度矩阵的逆矩阵，SfB为模糊类间散列矩阵，λ是特征向量ψ所对应的特征值。
将第k个测试样本xk∈Rq转化到特征空间：
yk＝xk T[ψ1,ψ2,...,ψp](yk∈Rp)
其中，p和q均为测试样本的维数，ψp为第p个特征向量。
同样将初始聚类中心也转化到特征空间：
其中，ψp为第p个特征向量。
在特征空间中计算模糊隶属度函数值：
其中，yk为特征空间里第k个样本，是第r+1次迭代时样本yk隶属于类别i的模糊隶属度值，uik (r+1)是第r+1次迭代计算的模糊隶属度值；vi'(r)和vj'(r)分别是第r次迭代计算的第i类和第j类的类中心值。
再通过模糊隶属度函数值在特征空间中计算第i类的聚类中心值
其中，是第r+1次迭代计算的第i类的类中心的值。
增加迭代数r值，即r＝r+1，直到或者r>rmax为止，计算终止；否则将的值赋给变量的值赋给变量继续重新计算模糊类间散射矩阵SfB和计算模糊总体散射矩阵SfT，如此循环。
最后，分别计算每个14维训练样本的平均值分别计算测试样本的聚类中心值和训练样本的平均值的欧式距离，某个聚类中心值离哪种训练样本的茶叶品种的欧式距离最小的，则判定该聚类中心值所属茶叶品种和这种训练茶叶品种是相同品种。当计算出的聚类中心距离某种训练样本的欧式距离最小，则该聚类中心所属茶叶品种和这种训练样本茶叶品种是相同品种。
以下提供本发明的一个实施例：
实施例
取优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰三种类别的茶叶，用光谱仪采集红外光谱样本，如图2所示。每种类别的茶叶采集32个样本，共获得96个样本，每个样本为一个1868维的数据，每种样本选取22个为测试样本，则三种类别的茶叶的测试样本共66个，剩余的30个样本作为训练样本。
用多元散射校正对茶叶红外光谱样本数据进行预处理，得到如图3所示的光谱图。再采用主成分分析方法对样本数据进行降维处理：因为前14个主成分累计可信度为100％>98％，所以将茶叶样本红外光谱进行特征分解得到前14个特征向量v1，v2…v14和对应的14个特征值λ1，λ2…λ14。每个特征向量都是1868维的数据，特征值具体如下：
λ1＝293.9148，λ2＝129.0279，λ3＝19.0010，λ4＝14.8802，
λ5＝6.4349，λ6＝3.8189，λ7＝2.0033，λ8＝1.4310，
λ9＝1.0661，λ10＝0.6298，λ11＝0.4020，λ12＝0.3169，
λ13＝0.2706，λ14＝0.2294。
将样本数据投影到14个特征向量上得到14维的数据，即从1868维压缩到14维。
再提取茶叶训练样本红外光谱的鉴别信息：采用线性鉴别分析提取14维训练样本数据的鉴别信息，鉴别向量数为2，将14维的测试样本数据投影到其鉴别向量上可得到二维的测试样本数据，如图4所示。
设置模糊C-均值聚类的权重指数m＝2，迭代次数初始值r＝0，最大迭代次数rmax＝100，类别数c＝3，测试样本数n＝66，误差上限值ε＝0.00001，对二维测试样本数进行模糊C均值聚类得到聚类中心，将该聚类中心作为初始聚类中心
先依次计算模糊类间散射矩阵SfB、模糊总体散射矩阵SfT和特征向量：
其中，xk为第k个测试样本，为第r次迭代时第k个样本xk隶属于第i类的模糊隶属度，m代表权重；c为类别数，为第r次迭代时第i类的类中心值，为测试样本的均值，n为测试样本数，xj为第j个测试样本，T代表矩阵转置运算；为模糊离散度矩阵的逆矩阵，SfB为模糊类间散列矩阵，λ是特征向量ψ所对应的特征值。再将xk∈Rq转化到特征空间(由ψ1,ψ2,...,ψp组成)：
yk＝xk T[ψ1,ψ2,...,ψp](yk∈Rp)，
其中，p和q均为样本的维数，ψp为第p个特征向量。
同样将转化到特征空间：
其中，(i＝1,2,3)为初始聚类中心ψp为第p个特征向量。
在特征空间中计算模糊隶属度函数值：
其中，yk为特征空间里第k个样本，是第r+1次迭代时样本yk隶属于类别i的模糊隶属度值，uik (r+1)是第r+1次迭代计算的模糊隶属度值；vi'(r)和vj'(r)分别是第r次迭代计算的第i类和第j类的类中心值。
然后，在特征空间中计算i类的类中心值v′i (r+1)：
其中，是第r+1次迭代计算的第i类的类中心的值。
增加迭代数r值，即r＝r+1；，直到或者r>rmax计算终止，否则将的值赋给变量的值赋给变量继续开始重新计算。
结果如下：p＝2，q＝2，迭代终止时r＝27次，类中心矩阵为：
训练样本是三个品种茶叶，计算每种茶叶的训练样本的平均值为：
峨眉山毛峰平均值为
优质乐山竹叶青平均值为
劣质乐山竹叶青的平均值为
最后，判断测试样本的茶叶的三个类别分别属于哪个品种茶叶：分别计算测试样本的某个聚类中心和训练样本三类茶叶的平均值的欧式距离，某个聚类中心离哪种训练茶叶品种的欧式距离最小则判定该聚类中心所属茶叶品种和这种训练茶叶品种是相同品种，具体如下：
判断以为类中心的茶叶所属类别：
很明显距离最近，则判定为类中心的茶叶是正品优质竹叶青。
同样方法可判定为类中心的茶叶是峨眉山毛峰，为类中心的茶叶是劣质竹叶青。
对于第k个测试样本xk，判断其属于哪一类的方法是：如果其模糊隶属度则判定xk属于所属的类别，具体如下：
迭代终止后的模糊隶属度值如图5所示，第1个样本的模糊隶属度为： 所以则判定第1个样本属于所属的类别，即峨眉山毛峰，其余测试样本同样方法判断其所属的茶叶种类。
根据以上方法计算和判断，对于66个测试样本，根据模糊隶属度得聚类准确率可高达95.5％。
Claims (5)
1.一种模糊鉴别聚类的茶叶红外光谱分类方法，先用光谱仪采集不同品种茶叶的红外光谱样本数据，然后采用主成分分析方法对样本数据降维，压缩到14维，再采用线性鉴别分析方法提取14维的训练样本数据的鉴别信息得到鉴别向量，将14维的测试样本数据投影到其鉴别向量上得到二维测试样本数据，其特征是还依次按以下步骤：
A、将二维测试样本数据进行模糊C均值聚类，得到的聚类中心作为初始聚类中心；
B、根据初始聚类中心，先计算模糊类间散射矩阵，再计算模糊总体散射矩阵，然后根据模糊类间散射矩阵和模糊总体散射矩阵计算特征向量，将测试样本和初始聚类中心分别转化到特征空间，最后在特征空间中计算模糊隶属度函数值：再通过模糊隶属度函数值在特征空间中计算聚类中心值：
C、先分别计算每个14维训练样本的平均值，再分别计算测试样本的聚类中心值和训练样本的平均值的欧式距离，聚类中心值离训练样本的欧式距离最小的，则判定该聚类中心值所属茶叶品种和该训练样本的茶叶品种是相同品种。
2.根据权利要求1所述一种模糊鉴别聚类的茶叶红外光谱分类方法，其特征是：对采集的不同品种茶叶的红外光谱样本数据先用多元散射校正进行预先处理，再采用主成分分析方法将处理后的样本数据进行特征分解，得到前14个特征向量对应的14个特征值，将光谱样本数据投影到14个特征向量上得到14维数据。
3.根据权利要求1所述一种模糊鉴别聚类的茶叶红外光谱分类方法，其特征是：步骤B中：模糊类间散射矩阵模糊总体散射矩阵 为第r次迭代时第k个测试样本xk隶属于第i类的模糊隶属度，m为权重指数；c为类别数，为第r次迭代时第i类的类中心值，为测试样本的均值，n为测试样本数，xj为第j个测试样本，T为矩阵转置运算，1≤k≤n，1≤j≤n，1≤i≤c。
4.根据权利要求3所述一种模糊鉴别聚类的茶叶红外光谱分类方法，其特征是：根据计算特征向量，λ是特征向量ψ所对应的特征值；根据yk＝xk T[ψ1,ψ2,...,ψp]将第k个测试样本转化到特征空间，yk为特征空间里第k个样本，p和q均为测试样本的维数，ψp为第p个特征向量；将初始聚类中心转化到特征空间，
5.根据权利要求4所述一种模糊鉴别聚类的茶叶红外光谱分类方法，其特征是：在特征空间中计算模糊隶属度函数值和第i类的聚类中心值vi'(r)和vj'(r)分别是第r次迭代计算的第i类和第j类的类中心值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610813947.3A CN106408012A (zh) | 2016-09-09 | 2016-09-09 | 一种模糊鉴别聚类的茶叶红外光谱分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610813947.3A CN106408012A (zh) | 2016-09-09 | 2016-09-09 | 一种模糊鉴别聚类的茶叶红外光谱分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106408012A true CN106408012A (zh) | 2017-02-15 |
Family
ID=57999398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610813947.3A Pending CN106408012A (zh) | 2016-09-09 | 2016-09-09 | 一种模糊鉴别聚类的茶叶红外光谱分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106408012A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067034A (zh) * | 2017-04-15 | 2017-08-18 | 温州大学 | 一种快速识别红外光谱数据分类的方法及系统 |
| 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 |
| CN107194314A (zh) * | 2017-04-20 | 2017-09-22 | 江苏大学 | 融合模糊2dpca和模糊2dlda的人脸识别方法 |
| CN107271394A (zh) * | 2017-05-16 | 2017-10-20 | 江苏大学 | 一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法 |
| CN107860739A (zh) * | 2017-11-27 | 2018-03-30 | 江苏大学 | 一种模糊k调和网络聚类的茶叶中红外光谱分类方法 |
| CN108491894A (zh) * | 2018-04-16 | 2018-09-04 | 江苏大学 | 一种可能模糊鉴别c-均值聚类的茶叶分类方法 |
| CN108764288A (zh) * | 2018-04-25 | 2018-11-06 | 江苏大学 | 一种gk鉴别聚类的茶叶品种分类方法 |
| WO2019080908A1 (zh) * | 2017-10-25 | 2019-05-02 | 腾讯科技（深圳）有限公司 | 实现图像识别的图像处理方法及装置、电子设备 |
| CN110991521A (zh) * | 2019-11-29 | 2020-04-10 | 北京仿真中心 | 一种聚类判别分析方法 |
| CN111126573A (zh) * | 2019-12-27 | 2020-05-08 | 深圳力维智联技术有限公司 | 基于个体学习的模型蒸馏改进方法、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048273A (zh) * | 2012-11-09 | 2013-04-17 | 江苏大学 | 基于模糊聚类的水果近红外光谱分类方法 |
| 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 |
| 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 |
-
2016
- 2016-09-09 CN CN201610813947.3A patent/CN106408012A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103048273A (zh) * | 2012-11-09 | 2013-04-17 | 江苏大学 | 基于模糊聚类的水果近红外光谱分类方法 |
| 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 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| XIAOHONG WU 等: "Classification of Apple Varieties Using Near Infrared Reflectance Spectroscopy and Fuzzy Discriminant C-Means Clustering Model", 《JOURNAL OF FOOD PROCESS ENGINEERING》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN107067034B (zh) * | 2017-04-15 | 2020-06-23 | 温州大学 | 一种快速识别红外光谱数据分类的方法及系统 |
| CN107067034A (zh) * | 2017-04-15 | 2017-08-18 | 温州大学 | 一种快速识别红外光谱数据分类的方法及系统 |
| CN107194314A (zh) * | 2017-04-20 | 2017-09-22 | 江苏大学 | 融合模糊2dpca和模糊2dlda的人脸识别方法 |
| CN107194314B (zh) * | 2017-04-20 | 2020-09-25 | 江苏大学 | 融合模糊2dpca和模糊2dlda的人脸识别方法 |
| CN107271394A (zh) * | 2017-05-16 | 2017-10-20 | 江苏大学 | 一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法 |
| WO2019080908A1 (zh) * | 2017-10-25 | 2019-05-02 | 腾讯科技（深圳）有限公司 | 实现图像识别的图像处理方法及装置、电子设备 |
| CN107860739A (zh) * | 2017-11-27 | 2018-03-30 | 江苏大学 | 一种模糊k调和网络聚类的茶叶中红外光谱分类方法 |
| CN108491894A (zh) * | 2018-04-16 | 2018-09-04 | 江苏大学 | 一种可能模糊鉴别c-均值聚类的茶叶分类方法 |
| CN108764288A (zh) * | 2018-04-25 | 2018-11-06 | 江苏大学 | 一种gk鉴别聚类的茶叶品种分类方法 |
| CN110991521A (zh) * | 2019-11-29 | 2020-04-10 | 北京仿真中心 | 一种聚类判别分析方法 |
| CN111126573A (zh) * | 2019-12-27 | 2020-05-08 | 深圳力维智联技术有限公司 | 基于个体学习的模型蒸馏改进方法、设备及存储介质 |
| CN111126573B (zh) * | 2019-12-27 | 2023-06-09 | 深圳力维智联技术有限公司 | 基于个体学习的模型蒸馏改进方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106408012A (zh) | 一种模糊鉴别聚类的茶叶红外光谱分类方法 | |
| CN110378374B (zh) | 一种模糊鉴别信息提取的茶叶近红外光谱分类方法 | |
| CN110243806B (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
| CN107192686B (zh) | 一种模糊协方差矩阵的可能模糊聚类茶叶品种鉴别方法 | |
| CN110068544B (zh) | 物质识别网络模型训练方法及太赫兹光谱物质识别方法 | |
| CN109685098B (zh) | 一种模糊簇间分离聚类的茶叶品种分类方法 | |
| CN109030407B (zh) | 一种混合模糊c均值聚类的苹果品种分类方法 | |
| CN105181650B (zh) | 一种使用近红外光谱技术快速鉴别茶叶品种的方法 | |
| CN108844917A (zh) | 一种基于显著性假设检验和偏最小二乘法的近红外光谱数据分析方法 | |
| CN108491894B (zh) | 一种可能模糊鉴别c-均值聚类的茶叶分类方法 | |
| CN108489929A (zh) | 人参、三七和西洋参三种法定基源人参属多糖的鉴别方法 | |
| 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 | |
| CN108872128B (zh) | 一种模糊非相关c均值聚类的茶叶红外光谱分类方法 | |
| CN108764288A (zh) | 一种gk鉴别聚类的茶叶品种分类方法 | |
| CN110378373B (zh) | 一种模糊非相关线性鉴别分析的茶叶品种分类方法 | |
| CN110749575A (zh) | 一种中药多糖二维红外光谱鉴别预测模型及其构建方法和应用 | |
| CN107271394A (zh) | 一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法 | |
| CN114112983B (zh) | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 | |
| CN109886296A (zh) | 一种鉴别信息提取式噪声聚类的茶叶品种分类方法 | |
| CN114331474A (zh) | 一种模糊线性判别分析的牛奶产地溯源方法 | |
| CN114971259A (zh) | 一种利用近红外光谱分析配方产品质量一致性的方法 | |
| CN106570520A (zh) | 一种混合gk聚类的红外光谱茶叶优劣鉴别方法 | |
| CN108399433B (zh) | 一种基于白酒指纹图谱特征的分类方法 | |
| CN110008989A (zh) | 一种光谱特征相似条件下不同目标的红外光谱识别方法 | |
| CN111595804A (zh) | 一种模糊聚类的茶叶近红外光谱分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |