CN109870421A - 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 - Google Patents

Abstract

一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法属于木材分类领域；但目前研究中都只是针对少数的树种进行识别；包括获取待测木材样品；对待测木材样品进行光谱一阶微分预处理；将处理后的木材样品信息通过SVDD分类器进行判别是否已知树种，若是已知树种，使用BP神经网络对已知树种进行树种类别的鉴别，判断出已知树种的类别；若是未知树种，进行t‑SNE降维处理，通过CFSFDP聚类算法进行自动聚类处理，引入CH聚类指标，设定簇类个数K的搜索范围，确定使得CH指标值最大的K为最佳聚类数；当未知树种的聚类样本达到阈值时，确定未知树种的具体类别；转移到木材样本数据库中，通过不断重复上述过程，本发明能够分类识别的木材树种数量将不断增加。

Description

一种基于可见光/近红外光谱分析的递增式木材树种分类识 别方法

技术领域

本发明属于木材分类领域，尤其涉及一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法。

背景技术

实木木材是基本的木材工业产品，它是家具建材行业的主要生产原料，不同种类的木材具有不同的特性参数，因此其用途、物理性能及价格差别都很大。自然界中的资源非常丰富，树种亦是种类繁多，目前木材树种识别研究方面主流的检测方法是无损检测法，例如图像处理法、光谱分析法等；但目前的研究中都只是针对少数的树种(一般为10余种～50余种左右)进行识别，并不能涵盖到所有树种。

发明内容

本发明克服了上述现有技术的不足，提供一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，使得分类识别的木材树种数量不断增加，从而能够逐渐识别越来越多的树种类别，有效的解决了目前木材树种识别种类少的技术问题。

本发明的技术方案：

一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，包括以下步骤：

步骤a、获取待测木材样品；

步骤b、对待测木材样品进行光谱一阶微分预处理；

步骤c、将处理后的木材样品信息通过SVDD分类器进行判别是否已知树种，若是已知树种，进行步骤d，若不是已知树种，则是未知树种，进行步骤e；

步骤d、使用BP神经网络对已知树种进行树种类别的鉴别，判断出已知树种的类别；

步骤e、对未知树种进行t-SNE降维处理，通过CFSFDP聚类算法进行自动聚类处理，引入CH聚类指标，设定簇类个数K的搜索范围，确定使得CH指标值最大的K为最佳聚类数；当某一种未知树种的聚类样本达到阈值时，把所述未知树种的样本进行提取，确定所述未知树种的具体类别；将所述树种样本转移到木材样本数据库中，并且转换已知树种的类别，继续执行步骤a。

进一步地，所述光谱一阶微分预处理包括光谱采集方法和光谱降维方法；

所述光谱采集方法包括下列步骤：

步骤b11、待测木材样品放在光谱仪的支架上，待测面朝下，光纤探头距待测物体表面约5mm，圆形视场角的直径为6.35mm；

步骤b12、采集采用漫反射方式，谱区采集范围为350-1100nm，光谱波长分辨率约为0.3nm；

步骤b13、采集光谱前，进行光谱白板校正和暗校正，白板校正时使用标准聚四氟乙烯白板为背景，暗校正则是以遮光方式进行，同时打开电子暗噪声校正和杂散光校正按钮；

步骤b14、在光谱仪器配套的软件中参数设置如下：

积分时间为1s，重复扫描900次取平均，平滑度为5；

步骤b15、采集样本时，在每个样本的横切面上随机选取4个点进行光谱采集并求取其平均值，每测完5个样本后,进行一次标准白板校正；将首尾的波段去掉，选取450nm～900nm范围内的反射光谱，即选取的光谱为1328维。

进一步地，所述光谱降维方法包括下列步骤：

步骤b21、采用小波变换进行降维，模型的预测能力受小波基函数和分解尺度的影响；选择Symlet小波函数中的sym4为小波基；分解时每层采用不同的阈值并使用软阈值策略，对光谱信号进行分解；

步骤b22、光谱经小波分解后分为低频和高频两个部分，低频部分对应近似系数，高频部分对应细节系数，低频系数含有原光谱信号有效信息，而以噪声为代表的冗余信息存在于高频系数中；

步骤b23、用低频小波系数代替原来的光谱变量作为SVDD分类器的输入，实现去噪和提取特征信息的作用。

进一步地，所述SVDD分类器判别是否已知树种的方法包括下列步骤：

步骤c1、在建立模型前，求出最优的C和σ的组合，利用最优的SVDD模型对待预测样本进行鉴别；

步骤c2、将输入向量通过高斯核函数映射到特征空间中，构造一个包含所有目标类样本的最优超球体，最优超球体的边界形状是由惩罚参数C和高斯核函数中的核参数σ的值所共同决定的，而边界的形状同时也影响着识别的准确率；

步骤c3、通过计算待测样本与超球体的球心之间的距离，并将其与超球体的半径进行比较，在最优超球体内的样本则为目标类样本，即已知树种样本，再进行下一步的树种精确鉴别，在最优超球体外的样本则为非目标类样本，即未知树种样本。

进一步地，所述非目标类样本若误识为目标类样本，所述样本进入到BP神经网络进行树种分类识别，判断所述样本是非目标类样本，将其删除掉；所述目标类样本若误识为非目标类样本，所述样本确定为目标类样本；确保整个木材分类识别的精度。

进一步地，所述样本确定为目标类样本的方法是通过木材科学专家的人工鉴别或者送交到国家林业局木材质量鉴定中心鉴别。

进一步地，使用BP神经网络对已知树种进行树种类别的鉴别的方法包括下列步骤：

步骤d1、对不同的树种用类别标签1、2、3…进行编号；

步骤d2、模型的输入为经过降维处理后的光谱数据，期望输出标记为单位矩阵编码，即树种1对应1000…，树种2对应0100…，树种3对应0010…，以此类推；

步骤d3、预测结束后，将每位的预测值都转换为二进制编码；比较几个节点的预测值，将最大的转换为1，其余的都视为0；同时计算每个样本的预测值与预测的二进制编码之间的误差平方和：

上式中，N为预测样本个数，l为编码的位数；P为BP神经网络的预测值，Q为预测值的二进制编码；

步骤d4、当模型训练完毕后，选定阈值T，当SSE大于该阈值T时，确认是非目标类样本，当SSE小于等于该阈值T时，确认是目标类样本，并根据1的位置得出其所对应的精确树种类别。

进一步地，所述的CFSFDP聚类算法进行自动聚类处理的方法包括下列步骤：

步骤e1、选用t-SNE降维算法对第一次降维后的数据进行了二次降维处理，其中，t-SNE中的t代表的是t分布，t分布的自由度为1；

步骤e2、通过构造决策图，即密度和距离的乘积并对其进行降序排列；

步骤e3、引入CH聚类指标，设定簇类个数K的搜索范围，实现聚类中心的自动化选取及聚类簇数的自动化确定；

步骤e4、依次选取排序图中的前K个大的局部密度和距离的乘积所对应样本作为聚类中心，并对剩下的样本进行归类处理及内部指标CH计算，CH指标的值为最大的则为最佳聚类数。

本发明相对于现有技术具有以下有益效果：

本发明提供了一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，使用单类分类器SVDD来鉴别一批待测样本是否是目标类即已知树种类别样本。若判别为目标类样本，则使用BP网络对其进行精确树种识别；同时引入误差平方和并设立阈值，若待测样本的误差平方和在该阈值以外，则其是误判为目标类的非目标类样本，然后将其归入未知树种类别中。若判别为非目标类即未知树种类别样本，则使用CFSFDP算法对其进行自动化聚类处理。引入CH聚类指标，设定簇类个数K的搜索范围，确定使得CH指标值最大的K为最佳聚类数。

当某一种未知树种的聚类包含有足够多的样本时，把这个未知树种的样本提取出来，确定该未知树种的具体类别。把该树种样本转移到木材样本数据库中并且将其视为已知树种类别，重新训练分类器SVDD和BP网络。通过不断重复上述过程，本发明能够分类识别的木材树种数量将不断增加，从而能够逐渐识别越来越多的树种类别。有效的解决了目前木材树种识别种类少的技术问题。

附图说明

图1是本发明流程图；

图2是本发明设备连接图；

图3是CFSFDP决策图；

图4是CFSFDP排序图；

图5是簇类数搜索结果。

具体实施方式

以下将结合附图对本发明进行详细说明。

具体实施方式一

一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，如图1所示，包括以下步骤：

步骤a、获取待测木材样品；

步骤b、对待测木材样品进行光谱一阶微分预处理；

步骤c、将处理后的木材样品信息通过SVDD分类器进行判别是否已知树种，若是已知树种，进行步骤d，若不是已知树种，则是未知树种，进行步骤e；

步骤d、使用BP神经网络对已知树种进行树种类别的鉴别，判断出已知树种的类别；

步骤e、对未知树种进行t-SNE降维处理，通过CFSFDP聚类算法进行自动聚类处理，引入CH聚类指标，设定簇类个数K的搜索范围，确定使得CH指标值最大的K为最佳聚类数；当某一种未知树种的聚类样本达到阈值时，把所述未知树种的样本进行提取，确定所述未知树种的具体类别；将所述树种样本转移到木材样本数据库中，并且转换为已知树种的类别，继续执行步骤a。

具体地，确定所述未知树种的具体类别的方法包括通过木材科学专家的人工鉴别或者送交到国家林业局木材质量鉴定中心鉴别树种。

具体实施方式二

具体地，在具体实施方式一的基础上，所述光谱一阶微分预处理包括光谱采集方法和光谱降维方法；

所述光谱采集方法包括下列步骤：

步骤b11、待测木材样品放在光谱仪的支架上，待测面朝下，光纤探头距待测物体表面约5mm，圆形视场角的直径为6.35mm；

步骤b12、可见光/近红外光谱的采集采用漫反射方式，谱区采集范围为350-1100nm，光谱波长分辨率约为0.3nm；

步骤b13、采集光谱前，进行光谱白板校正和暗校正，白板校正时使用标准聚四氟乙烯白板为背景，暗校正则是以遮光方式进行，同时打开电子暗噪声校正和杂散光校正按钮；

步骤b14、在光谱仪器配套的软件SpectraSuite中参数设置如下：

积分时间为1s，重复扫描900次取平均，平滑度为5；

步骤b15、采集样本时，在每个样本的横切面上随机选取4个点进行光谱采集并求取其平均值，每测完5个样本后,进行一次标准白板校正；由于系统误差引起的光谱曲线在首尾两端产生的噪声较大，信噪比低，不具有分析价值，直接影响了采集的准确性，所以将首尾的波段去掉，只选取450nm～900nm范围内的反射光谱，即选取的光谱为1328维，用于提高采集的精度。

如图2所示，1是卤光灯，2是USB连线，4是支架，5是光谱仪，6是光纤，7是木材样本，连接关系如图2所示，为光谱采集装置的连接结构图，光谱采集装置包括计算机、光谱仪、卤光灯、光纤和支架；所述光谱仪为美国海洋公司的Ocean Optics USB2000-VIS-NIR微型光纤光谱仪。

具体实施方式三

具体地，在具体实施方式二的基础上，所述光谱降维方法包括下列步骤：

步骤b21、采用小波变换对光谱进行降维，模型的预测能力受小波基函数和分解尺度的影响；选择常用的Symlet小波函数中的sym4为小波基；分解时每层采用不同的阈值并使用软阈值策略，对光谱信号进行分解；

步骤b22、光谱经小波分解后分为低频和高频两个部分，低频部分对应近似系数，高频部分对应细节系数，低频系数含有原光谱信号绝大部分有效信息，而以噪声为代表的冗余信息多存在于高频系数中；

步骤b23、用低频小波系数代替原来的光谱变量作为SVDD分类器的输入，实现去噪和提取特征信息的作用。

小波变换是一种高效的数据压缩技术，将信号分解成一系列小波函数的叠加，具有时频分析能力。利用小波变换方法对光谱进行压缩，既可起到压缩数据的作用还可以实现去噪和提取特征信息的作用。

具体实施方式四

具体地，在具体实施方式一的基础上，所述SVDD分类器判别是否已知树种的方法包括下列步骤：

步骤c1、在建立模型前，求出最优的C和σ的组合以提高模型的检测精度，利用最优的SVDD模型对待预测样本进行鉴别；

步骤c2、将输入向量通过高斯核函数映射到特征空间中，构造一个包含所有目标类样本的最优超球体，最优超球体的边界形状是由惩罚参数C和高斯核函数中的核参数σ的值所共同决定的，而边界的形状同时也影响着识别的准确率；

步骤c3、通过计算待测样本与超球体的球心之间的距离，并将其与超球体的半径进行比较，在最优超球体内的样本则为目标类样本，再进行下一步的树种精确鉴别，在最优超球体外的样本则为非目标类样本。

用于鉴别样本是否是目标类样本的SVDD是一种单值分类方法，其基本思想是把要描述的目标类对象作为一个整体，建立一个几乎包含所有目标类对象的最优超球体，使目标类对象即球内和非目标类对象即球外得以区分开来。通过计算待测样本与超球体的球心之间的距离，并将其与超球体的半径进行比较。若大于超球体的半径，则将其判别为非目标类样本即未知树种样本，反之则认为是目标类样本即已知树种样本，使本实施方式更加方便快速的进行分类。

具体实施方式五

具体地，在具体实施方式四的基础上，采用SVDD分类器进行已知树种和未知树种两类别分类时，可能产生“错分”，也就是“误识”，这里有两种情况。

一种情况是所述非目标类样本误识为目标类样本，所述样本进入到BP神经网络进行树种分类识别，判断所述样本是非目标类样本，将其删除掉；另一种情况是所述目标类样本误识为非目标类样本，所述样本确定为目标类样本；因此，SVDD分类器的这两种误识将得到有效的控制，确保整个木材分类识别的精度。

具体实施方式六

具体地，在具体实施方式五的基础上，所述样本确定为目标类样本的方法是通过木材科学专家的人工鉴别或者送交到国家林业局木材质量鉴定中心鉴别。

具体实施方式七

具体地，在具体实施方式一的基础上，所述使用BP神经网络对已知树种进行树种类别的鉴别的方法包括下列步骤：

步骤d1、对不同的树种用类别标签1、2、3…进行编号；

步骤d2、模型的输入为经过降维处理后的光谱数据，期望输出标记为单位矩阵编码，即树种1对应1000…，树种2对应0100…，树种3对应0010…，以此类推；

步骤d3、预测结束后，将每位的预测值都转换为二进制编码；比较几个节点的预测值，将最大的转换为1，其余的都视为0；同时计算每个样本的预测值与预测的二进制编码之间的误差平方和，即sum of squares of errors，SSE：

上式中，N为预测样本个数，l为编码的位数；P为BP神经网络的预测值，Q为预测值的二进制编码；

步骤d4、当模型训练完毕后，选定阈值T，当SSE大于该阈值T时，确认是非目标类样本，当SSE小于等于该阈值T时，确认是目标类样本，并根据1的位置得出其所对应的精确树种类别。

用于对目标类样本进行树种识别的BP神经网络，训练时其输入为降维后光谱数据，输出的参考值为单位矩阵编码。预测结束后，将预测值转换为实际单位矩阵编码，通过观察1的位置以得到精确的树种类别，同时在本实施方法中引入了误差平方和并设立阈值，以便对样本是否是目标类样本进行二次鉴别。

具体实施方式八

具体地，在具体实施方式一的基础上，所述过CFSFDP聚类算法进行自动聚类处理的方法包括下列步骤：

步骤e1、选用t-SNE降维算法对第一次降维后的数据进行了二次降维处理，其中，t-SNE中的t代表的是t分布，t分布的自由度为1；

步骤e2、通过构造决策图，如图3所示，即密度和距离的乘积并对其进行降序排列，如图4所示；

步骤e3、引入CH聚类指标，设定簇类个数K的搜索范围，实现聚类中心的自动化选取及聚类簇数的自动化确定；

步骤e4、依次选取排序图中的前K个较大的局部密度和距离的乘积所对应样本作为聚类中心，并对剩下的样本进行归类处理及内部指标CH计算，CH指标的值为最大的则为最佳聚类数，如图5所示。

对光谱数据进行二次降维的t-SNE分布随机邻域嵌入，英文为t-distributedstochastic neighbor embedding,t-SNE是一种非线性降维算法，且具有良好的可视化效果，它是SNE算法的一种改进版，是目前各类流行学习降维算法中降维效果最好的算法之一。它不仅能使本实施方式提取原始数据的局部信息，还能够让本实施方式显示出全局簇的结构。

用于对非目标类样本进行聚类的CFSFDP算法是一种新颖快速的聚类算法。CFSFDP算法进行聚类时首先设定截断距离，然后计算每个样本点的局部密度和距离，该距离指的是样本点和具有更高局部密度的所有样本点中距离其最近的样本点之间的距离。当局部密度和距离都较大时，该样本点最有可能是聚类中心点。选定聚类中心后，将其余的样本依次归类到比其密度大的最近邻所在的簇中即可完成聚类。

具体实施方式九

在上述具体实施方式的基础上，首先，使用Ocean Optics USB2000-VIS-NIR微型光纤光谱仪采集木材样本表面的可见光/近红外光谱反射率曲线，使得木材样本数据库中包含一些已知树种类别的样本。对于一批待鉴别的木材样本，采用一种单类分类器one-class classifier，即Support Vector Data Description，SVDD把这些样本分类为已知树种类别和未知树种类别两大类。然后，对于木材样本数据库中已包括的已知树种类别，采用BP神经网络对其进行精确的树种分类识别；对于未知树种类别的样本，采用密度峰值快速聚类算法Clustering by Fast Search and Find of Density Peaks,CFSFDP进行自动化聚类处理，把这些样本聚类成为若干个类别。引入CH聚类指标，设定簇类个数K的搜索范围，确定使得CH指标值最大的K为最佳聚类数。最后，当某一种未知树种的聚类包含有足够多的样本时，就把这个未知树种的样本提取出来，采用某种方式确定该未知树种的具体类别，例如通过木材科学专家的人工鉴别或者送交到国家林业局木材质量鉴定中心鉴别树种等方式。这样，就把该树种样本放入到木材样本数据库中并且将其视为已知树种类别，还需要重新训练分类器SVDD和BP网络。通过不断重复上述过程，本实施方式能够分类识别的木材树种数量将不断增加，从而实现了一种递增式的木材树种分类识别方法。

Claims (8)

1.一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，包括以下步骤：

步骤a、获取待测木材样品；

步骤b、对待测木材样品进行光谱一阶微分预处理；

步骤c、将处理后的木材样品信息通过SVDD分类器进行判别是否已知树种，若是已知树种，进行步骤d，若不是已知树种，则是未知树种，进行步骤e；

步骤d、使用BP神经网络对已知树种进行树种类别的鉴别，判断出已知树种的类别；

步骤e、对未知树种进行t-SNE降维处理，通过CFSFDP聚类算法进行自动聚类处理，引入CH聚类指标，设定簇类个数K的搜索范围，确定使得CH指标值最大的K为最佳聚类数；当某一种未知树种的聚类样本达到阈值时，把所述未知树种的样本进行提取，确定所述未知树种的具体类别；将所述树种样本转移到木材样本数据库中，并且转换为已知树种的类别，继续执行步骤a。

2.根据权利要求1所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述光谱一阶微分预处理包括光谱采集方法和光谱降维方法；

所述光谱采集方法包括下列步骤：

步骤b11、待测木材样品放在光谱仪的支架上，待测面朝下，光纤探头距待测物体表面约5mm，圆形视场角的直径为6.35mm；

步骤b12、采集采用漫反射方式，谱区采集范围为350-1100nm，光谱波长分辨率约为0.3nm；

步骤b13、采集光谱前，进行光谱白板校正和暗校正，白板校正时使用标准聚四氟乙烯白板为背景，暗校正则是以遮光方式进行，同时打开电子暗噪声校正和杂散光校正按钮；

步骤b14、在光谱仪器配套的软件中参数设置如下：

积分时间为1s，重复扫描900次取平均，平滑度为5；

步骤b15、采集样本时，在每个样本的横切面上随机选取4个点进行光谱采集并求取其平均值，每测完5个样本后,进行一次标准白板校正；将首尾的波段去掉，选取450nm～900nm范围内的反射光谱，即选取的光谱为1328维。

3.根据权利要求2所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述光谱降维方法包括下列步骤：

步骤b21、采用小波变换进行降维，模型的预测能力受小波基函数和分解尺度的影响；选择Symlet小波函数中的sym4为小波基；分解时每层采用不同的阈值并使用软阈值策略，对光谱信号进行分解；

步骤b22、光谱经小波分解后分为低频和高频两个部分，低频部分对应近似系数，高频部分对应细节系数，低频系数含有原光谱信号有效信息，而以噪声为代表的冗余信息存在于高频系数中；

步骤b23、用低频小波系数代替原来的光谱变量作为SVDD分类器的输入，实现去噪和提取特征信息的作用。

4.根据权利要求1所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述SVDD分类器判别是否已知树种的方法包括下列步骤：

步骤c1、在建立模型前，求出最优的C和σ的组合，利用最优的SVDD模型对待预测样本进行鉴别；

步骤c2、将输入向量通过高斯核函数映射到特征空间中，构造一个包含所有目标类样本的最优超球体，所述目标类样本即为已知树种样本，最优超球体的边界形状是由惩罚参数C和高斯核函数中的核参数σ的值所共同决定的，而边界的形状同时也影响着识别的准确率；

步骤c3、通过计算待测样本与超球体的球心之间的距离，并将其与超球体的半径进行比较，在最优超球体内的样本则为目标类样本，再进行下一步的树种精确鉴别，在最优超球体外的样本则为非目标类样本，即为未知树种样本。

5.根据权利要求4所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述非目标类样本若误识为目标类样本，所述样本进入到BP神经网络进行树种分类识别，判断所述样本是非目标类样本，将其删除掉；所述目标类样本若误识为非目标类样本，所述样本确定为目标类样本；确保整个木材分类识别的精度。

6.根据权利要求5所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述样本确定为目标类样本的方法是通过木材科学专家的人工鉴别或者送交到国家林业局木材质量鉴定中心鉴别。

7.根据权利要求1所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述使用BP神经网络对已知树种进行树种类别的鉴别的方法包括下列步骤：

步骤d1、对不同的树种用类别标签1、2、3…进行编号；

步骤d2、模型的输入为经过降维处理后的光谱数据，期望输出标记为单位矩阵编码，即树种1对应1000…，树种2对应0100…，树种3对应0010…，以此类推；

步骤d3、预测结束后，将每位的预测值都转换为二进制编码；比较几个节点的预测值，将最大的转换为1，其余的都视为0；同时计算每个样本的预测值与预测的二进制编码之间的误差平方和：

上式中，N为预测样本个数，l为编码的位数；P为BP神经网络的预测值，Q为预测值的二进制编码；

步骤d4、当模型训练完毕后，选定阈值T，当SSE大于该阈值T时，确认是非目标类样本，当SSE小于等于该阈值T时，确认是目标类样本，并根据1的位置得出其所对应的精确树种类别。

8.根据权利要求1所述一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法，其特征在于，所述的CFSFDP聚类算法进行自动聚类处理的方法包括下列步骤：

步骤e1、选用t-SNE降维算法对第一次降维后的数据进行了二次降维处理，其中，t-SNE中的t代表的是t分布，t分布的自由度为1；

步骤e2、通过构造决策图，即密度和距离的乘积并对其进行降序排列；

步骤e3、引入CH聚类指标，设定簇类个数K的搜索范围，实现聚类中心的自动化选取及聚类簇数的自动化确定；

步骤e4、依次选取排序图中的前K个大的局部密度和距离的乘积所对应样本作为聚类中心，并对剩下的样本进行归类处理及内部指标CH计算，CH指标的值为最大的则为最佳聚类数。