CN110108661A - 一种模糊极大熵聚类的茶叶近红外光谱分类方法 - Google Patents

一种模糊极大熵聚类的茶叶近红外光谱分类方法 Download PDF

Info

Publication number
CN110108661A
CN110108661A CN201910321670.6A CN201910321670A CN110108661A CN 110108661 A CN110108661 A CN 110108661A CN 201910321670 A CN201910321670 A CN 201910321670A CN 110108661 A CN110108661 A CN 110108661A
Authority
CN
China
Prior art keywords
tealeaves
near infrared
sample
fuzzy
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.)
Granted
Application number
CN201910321670.6A
Other languages
English (en)
Other versions
CN110108661B (zh
Inventor
武小红
郭庭硕
武斌
孙俊
戴春霞
陈勇
傅海军
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.)
Enshi Longma Ecological Agriculture Development Co.,Ltd.
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 CN201910321670.6A priority Critical patent/CN110108661B/zh
Publication of CN110108661A publication Critical patent/CN110108661A/zh
Application granted granted Critical
Publication of CN110108661B publication Critical patent/CN110108661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种模糊极大熵聚类的茶叶近红外光谱分类方法，包括以下步骤：S1，茶叶样本近红外光谱采集：用傅里叶近红外光谱仪对茶叶样本进行检测，获取茶叶样本近红外漫反射光谱数据。S2，用多元散射矫正(MSC)对茶叶近红外光谱进行预处理。S3，对茶叶样本近红外光谱进行降维处理和鉴别信息提取：利用主成分分析(PCA)将在S2中获得的茶叶近红外光谱数据压缩；然后利用线性判别分析(LDA)提取茶叶样本的鉴别信息。S4，对S3中包含鉴别信息的测试样本用模糊极大熵聚类方法进行茶叶品种分类。本发明解决了用传统模糊极大熵聚类对噪声敏感问题。本发明具有检测速度快、无损检测、能处理含噪声的光谱数据，茶叶品种分类准确率高等优点。

Description

一种模糊极大熵聚类的茶叶近红外光谱分类方法
技术领域
本发明属于人工智能技术领域，尤其是一种模糊极大熵聚类的茶叶近红外光谱分类方法。
背景技术
茶叶中含有茶多酚类、维生素等对人体有益的物质。茶是人们喜爱的饮品，但是，茶叶品种繁多，普通民众无法辨别茶叶品种和品质优劣。因此，茶叶品种的鉴别是一个非常重要的研究方向，而设计一种简单快速的茶叶品种鉴别方法是非常有必要的。
近红外光谱技术是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一种非破坏性检测技术。近红外光谱射向茶叶后得到漫反射近红外光谱，反射光谱中包含了有机分子里C-H、N-H和O-H原子间振动的倍频和合频信息。对于不同品种的茶叶其反射的近红外光谱是不同的，利用这个原理，可以将不同品种的茶叶区分开来，即实现茶叶品种的分类。
传统的模糊极大熵聚类方法(R.-P.Li,M.Mukaidono,“Gaussian clusteringmethod based on maximum-fuzzy-entropy interpretation,”Fuzzy Sets and Systems,102(2),pp.253-258,1999.)是基于香农统计熵理论的聚类算法。但是，模糊极大熵聚类方法和模糊C均值聚类一样存在着约束条件，因而模糊极大熵聚类具有噪声敏感性的缺点。
茶叶近红外光谱数据采集过程中会混入噪声数据，用传统的模糊极大熵聚类方法来聚类分析茶叶近红外光谱数据则效果不理想，其聚类准确率有待进一步提高。
发明内容
本发明是针对传统的模糊极大熵聚类方法在聚类茶叶近红外光谱数据时存在的缺点，提出一种模糊极大熵聚类的茶叶近红外光谱分类方法，相比传统的模糊极大熵聚类方法，本发明的一种模糊极大熵聚类的茶叶近红外光谱分类方法在传统的模糊极大熵聚类方法基础上引入可能C均值聚类思想。本发明具有检测速度快，检测准确率高，不消耗化学试剂，不污染环境等优点。
一种模糊极大熵聚类的茶叶近红外光谱分类方法，具体包括以下步骤：
S1，茶叶样本近红外光谱采集：用傅里叶近红外光谱仪对茶叶样本进行检测，获取茶叶样本近红外漫反射光谱数据，将光谱数据存储在计算机里。
S2，用多元散射矫正(MSC)对茶叶近红外光谱进行预处理。
S3，对茶叶样本近红外光谱进行降维处理和鉴别信息提取：利用主成分分析(PCA)将在S2中获得的茶叶近红外光谱数据压缩；然后利用线性判别分析(LDA)提取茶叶样本的鉴别信息。
S4，对S3中包含鉴别信息的测试样本用模糊极大熵聚类方法进行茶叶品种分类；
S4.1，初始化：设置权重指数m，类别数c，其中m>1；设置参数λ(λ>0)和β(β>0)；设置循环计数r的初始值和最大迭代次数rmax；设置迭代最大误差参数ε；以S3中包含鉴别信息的训练样本的均值作为初始类中心值νi (0)，计算茶叶近红外光谱测试样本的协方差σ2
这里xk为第k(k＝1,2,3,…,n)个样本，n为测试样本数。为样本的均值，
S4.2，计算第r(r＝1,2,…,rmax)次迭代时的模糊隶属度值uik (r)：
uik是xk隶属于第i类的模糊隶属度值，uik (r)是第r次迭代计算得到的uik；vi是第i(i＝1,2,3,…,c)类的类中心值，νi (r-1)是第r－1次迭代时得到的类中心vi的值；vj是第j(j＝1,2,3,…,c)类的类中心值，νj (r-1)是第r－1次迭代时得到的类中心vj的值；n为测试样本数；c为类别数；λ是参数。
S4.3，计算第r次迭代时第i类的类中心值νi (r)：其中νi (r)是第r次迭代计算的类中心vi的值；由c个νi (r)构成矩阵V(r)＝[ν1 (r),ν2 (r),…,νc (r)]。
S4.4，循环计数增加，即r＝r+1；若满足条件：||V(r)-V(r-1)||＜ε或r>rmax则计算终止，否则继续S4.2，根据计算得到的模糊隶属度值，实现茶叶品种分类。
本发明的有益效果：
1、本发明的一种模糊极大熵聚类的茶叶近红外光谱分类方法，在聚类含噪声的近红外光谱数据方面要优于传统的模糊极大熵聚类方法，具有聚类准确率高，聚类速度快的优点。
2、本发明一种模糊极大熵聚类的茶叶近红外光谱分类方法，建立在香农统计熵理论基础上，对光谱信息的处理方面要优于模糊C均值聚类(FCM)，能准确实现茶叶品种的鉴别。
附图说明
图1是本发明的流程图；
图2是茶叶的近红外光谱图；
图3是多元散射校正处理后的茶叶近红外光谱图；
图4是茶叶近红外光谱经PCA压缩后得到的二维数据图
图5是茶叶近红外光谱经线性判别分析提取鉴别信息后得到的测试样本数据图；
图6是一种模糊极大熵聚类方法对茶叶光谱数据聚类后的模糊隶属度值。
具体实施方式
下面结合附图和具体实施例对本发明方法做进一步说明。
如图1所示，一种模糊极大熵聚类的茶叶近红外光谱分类方法，包括步骤：
S1，茶叶样本近红外光谱采集：用傅里叶近红外光谱仪对茶叶样本进行检测，获取茶叶样本近红外漫反射光谱数据，将光谱数据存储在计算机里。
采集岳西翠兰、六安瓜片、施集毛峰三种安徽品牌茶叶，每种茶叶的样本数为65，合计195个样本。所有茶叶样本被研磨粉粹后经40目筛过滤。实验室温度和相对湿度保持相对不变，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茶叶近红外光谱，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。光谱扫描的波数范围为4000～10000cm-1，扫描间隔为3.857cm-1，采集到每个茶叶样品的光谱是1557维的数据。每个样本采样3次，取其平均值作为后续模型建立的实验数据。茶叶样本近红外漫反射光谱如图2所示。
S2，用多元散射矫正(MSC)对茶叶近红外光谱进行预处理。预处理后的光谱图如图3所示。
S3，对茶叶样本近红外光谱进行降维处理和鉴别信息提取：利用主成分分析(PCA)将在S2中获得的茶叶近红外光谱数据压缩；然后利用线性判别分析(LDA)提取茶叶样本的鉴别信息。
将S2中的光谱用主成分分析计算特征值和特征向量，将特征值从大到小排列，取前10个最大特征值(分别为：21.314,1.122,0.371,0.054,0.023,0.016,0.009,0.005,0.001,0.000)对应的10个特征向量，将所有茶叶样本的近红外光谱数据投影到这10个特征向量上，从而将近红外光谱从1557维压缩到10维。其中经PCA压缩后的二维数据如图4所示。将这10维光谱数据分为两个部分：从每类茶叶样本中选取22个样本组成茶叶样本训练集，剩余43个样本组成茶叶样本测试集。用线性判别分析计算茶叶样本训练集的特征值和特征向量，取前2个最大特征值(分别为：567.83,44.43)对应的2个特征向量，将茶叶样本测试集投影到这2个特征(鉴别)向量上得到经过线性判别分析处理后的二维数据图如图5所示。
S4，对S3中包含鉴别信息的测试样本用模糊极大熵聚类方法进行茶叶品种分类；
S4.1，初始化：设置权重指数m＝2，类别数c＝3；设置参数λ＝10；β＝10设置循环计数r的初始值为1和最大迭代次数rmax＝100；设置迭代最大误差参数ε＝0.00001；以S3中包含鉴别信息的训练样本的均值作为初始类中心值νi (0)：
计算茶叶近红外光谱测试样本的协方差σ2：
这里xk为第k(k＝1,2,3,…,n)个样本，n为测试样本数。为样本的均值，
计算可得：σ2＝0.0004
S4.2，计算第r(r＝1,2,…,rmax)次迭代时的模糊隶属度值uik (r)：
uik是xk隶属于第i类的模糊隶属度值，uik (r)是第r次迭代计算得到的uik；vi是第i(i＝1,2,3,…,c)类的类中心值，νi (r-1)是第r－1次迭代时得到的类中心vi的值；vj是第j(j＝1,2,3,…,c)类的类中心值，νj (r-1)是第r－1次迭代时得到的类中心vj的值；n为测试样本数；c为类别数；λ和β是参数。
实验结果：迭代计算r＝9次后聚类收敛，模糊隶属度值如图6所示。
S4.3，计算第r次迭代时第i类的类中心值νi (r)：其中νi (r)是第r次迭代计算的类中心vi的值；由c个νi (r)构成矩阵V(r)＝[ν1 (r),ν2 (r),…,νc (r)]。
实验结果：迭代计算r＝9次后聚类收敛，矩阵V(r)为：
S4.4，循环计数增加，即r＝r+1；若满足条件：||V(r)-V(r-1)||＜ε或r>rmax则计算终止，否则继续S4.2，根据计算得到的模糊隶属度值，实现茶叶品种分类。
实验结果：在迭代9次后迭代结束，其模糊隶属度值为uik (9)，模糊隶属度值如图6所示，根据模糊隶属度值可判定测试茶叶样本所属类别，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属于第i类别。茶叶品种分类准确率达100％。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (8)

1.一种模糊极大熵聚类的茶叶近红外光谱分类方法，其特征在于，包括如下步骤：
S1，采集茶叶近红外光谱；
S2，对茶叶近红外光谱进行预处理；
S3，对茶叶近红外光谱进行降维处理和鉴别信息提取；
S4，对S3中包含鉴别信息的茶叶采用模糊极大熵聚类方法进行茶叶品种分类。
2.根据权利要求1所述的一种模糊极大熵聚类的茶叶近红外光谱分类方法，其特征在于，所述S1的具体实现方法：用傅里叶近红外光谱仪对茶叶样本进行检测，获取茶叶样本近红外漫反射光谱数据。
3.根据权利要求1所述的一种模糊极大熵聚类的茶叶近红外光谱分类方法，其特征在于，所述S2的具体实现方法：采用多元散射矫正(MSC)对茶叶近红外光谱进行预处理。
4.根据权利要求1所述的一种模糊极大熵聚类的茶叶近红外光谱分类方法，其特征在于，所述S3的实现是采用主成分分析(PCA)将在S2中获得的茶叶近红外光谱数据压缩；然后利用线性判别分析(LDA)提取茶叶样本的鉴别信息。
5.根据权利要求4所述的一种模糊极大熵聚类的茶叶近红外光谱分类方法，其特征在于，所述S3的具体实现方法：将S2中的光谱用主成分分析计算特征值和特征向量，将特征值从大到小排列，取前10个最大特征值对应的10个特征向量，将所有茶叶样本的近红外光谱数据投影到这10个特征向量上，将近红外光谱从1557维压缩到10维；将这10维光谱数据分为两个部分：从每类茶叶样本中选取一部分样本组成茶叶样本训练集，剩余样本组成茶叶样本测试集，用线性判别分析计算茶叶样本训练集的特征值和特征向量，取前2个最大特征值对应的2个特征向量，将茶叶样本测试集投影到这2个特征向量上得到经过线性判别分析处理后的二维数据。
6.根据权利要求1所述的一种模糊极大熵聚类的茶叶近红外光谱分类方法，其特征在于，所述S4的具体实现方法：
S4.1，初始化：设置权重指数m，类别数c，其中m>1；设置参数λ(λ>0)和β(β>0)；设置循环计数r的初始值和最大迭代次数rmax；设置迭代最大误差参数ε；以S3中包含鉴别信息的训练样本的均值作为初始类中心值νi (0)，计算茶叶近红外光谱测试样本的协方差σ2：
这里xk为第k(k＝1,2,3,…,n)个样本，n为测试样本数。为样本的均值，
S4.2，计算第r(r＝1,2,…,rmax)次迭代时的模糊隶属度值uik (r)：
uik是xk隶属于第i类的模糊隶属度值，uik (r)是第r次迭代计算得到的uik；vi是第i(i＝1,2,3,…,c)类的类中心值，νi (r-1)是第r－1次迭代时得到的类中心vi的值；vj是第j(j＝1,2,3,…,c)类的类中心值，νj (r-1)是第r－1次迭代时得到的类中心vj的值；n为测试样本数；c为类别数；λ是参数。
S4.3，计算第r次迭代时第i类的类中心值νi (r)：其中νi (r)是第r次迭代计算的类中心vi的值；由c个νi (r)构成矩阵V(r)＝[ν1 (r),ν2 (r),…,νc (r)]。
S4.4，循环计数增加，即r＝r+1；若满足条件：||V(r)-V(r-1)||＜ε或r>rmax则计算终止，否则继续S4.2，根据计算得到的模糊隶属度值，实现茶叶品种分类。
7.根据权利要求6所述的一种模糊极大熵聚类的茶叶近红外光谱分类方法，其特征在于，所述S4.1中，权重指数m＝2，类别数c＝3；参数λ＝10；β＝10；rmax＝100；ε＝0.00001。
8.根据权利要求1所述的一种模糊极大熵聚类的茶叶近红外光谱分类方法，其特征在于，所述S1的实现还包括：将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茶叶近红外光谱，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4000～10000cm-1，扫描间隔为3.857cm-1，采集到每个茶叶样品的光谱是1557维的数据，每个样本采样3次，取其平均值作为后续模型建立的数据。
CN201910321670.6A 2019-04-22 2019-04-22 一种模糊极大熵聚类的茶叶近红外光谱分类方法 Active CN110108661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910321670.6A CN110108661B (zh) 2019-04-22 2019-04-22 一种模糊极大熵聚类的茶叶近红外光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910321670.6A CN110108661B (zh) 2019-04-22 2019-04-22 一种模糊极大熵聚类的茶叶近红外光谱分类方法

Publications (2)

Publication Number Publication Date
CN110108661A true CN110108661A (zh) 2019-08-09
CN110108661B CN110108661B (zh) 2021-12-21

Family

ID=67486081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910321670.6A Active CN110108661B (zh) 2019-04-22 2019-04-22 一种模糊极大熵聚类的茶叶近红外光谱分类方法

Country Status (1)

Country Link
CN (1) CN110108661B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075148A (zh) * 2021-03-22 2021-07-06 久泰能源(准格尔)有限公司 一种mto工艺中催化剂表面碳含量的测定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05324925A (ja) * 1992-05-22 1993-12-10 Yamatake Honeywell Co Ltd ファジィパターン認識装置
US8077956B2 (en) * 2008-10-28 2011-12-13 Carestream Health, Inc. Orientation detection for chest radiographic images
CN104951661A (zh) * 2015-07-15 2015-09-30 哈尔滨工业大学 基于可能性c均值聚类算法的在线汽车悬架性能监控方法
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
CN109657695A (zh) * 2018-11-05 2019-04-19 中国电子科技集团公司电子科学研究院 一种基于确定性退火的模糊划分聚类方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05324925A (ja) * 1992-05-22 1993-12-10 Yamatake Honeywell Co Ltd ファジィパターン認識装置
US8077956B2 (en) * 2008-10-28 2011-12-13 Carestream Health, Inc. Orientation detection for chest radiographic images
CN104951661A (zh) * 2015-07-15 2015-09-30 哈尔滨工业大学 基于可能性c均值聚类算法的在线汽车悬架性能监控方法
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
CN109657695A (zh) * 2018-11-05 2019-04-19 中国电子科技集团公司电子科学研究院 一种基于确定性退火的模糊划分聚类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FU HAI-JUN ET AL.，: "Fuzzy Entropy Clustering Using Possibilistic Approach", 《PROCEDIA ENGINEERING》 *
武小红等: "《模糊分类及其在光谱信息处理中的应用》", 31 October 2017, 东南大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113075148A (zh) * 2021-03-22 2021-07-06 久泰能源(准格尔)有限公司 一种mto工艺中催化剂表面碳含量的测定方法
CN113075148B (zh) * 2021-03-22 2023-06-16 久泰能源(准格尔)有限公司 一种mto工艺中催化剂表面碳含量的测定方法

Also Published As

Publication number Publication date
CN110108661B (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN104374738B (zh) 一种基于近红外提高鉴别结果的定性分析方法
CN107219188B (zh) 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法
CN105181650B (zh) 一种使用近红外光谱技术快速鉴别茶叶品种的方法
CN110378374B (zh) 一种模糊鉴别信息提取的茶叶近红外光谱分类方法
CN106841083A (zh) 基于近红外光谱技术的芝麻油品质检测方法
CN103411912A (zh) 一种利用THz-TDS结合模糊规则专家系统鉴定中草药的方法
CN109030407A (zh) 一种混合模糊c均值聚类的苹果品种分类方法
CN109685098A (zh) 一种模糊簇间分离聚类的茶叶品种分类方法
CN103364362A (zh) 一种利用THz-TDS结合化学计量学鉴定中草药的方法
CN109799207A (zh) 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法
CN104792652A (zh) 一种黄芪药材多指标快速检测方法
Dong et al. Deep learning for geographical discrimination of Panax notoginseng with directly near-infrared spectra image
CN106408012A (zh) 一种模糊鉴别聚类的茶叶红外光谱分类方法
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
CN106770003A (zh) 基于近红外光谱技术的木材识别方法及系统
CN108760677A (zh) 一种基于近红外光谱技术的法半夏掺伪鉴别方法
Yun et al. Identification of tea based on CARS‐SWR variable optimization of visible/near‐infrared spectrum
CN109668850A (zh) 基于紫外指纹图谱的中药药性识别方法及系统
CN110378373B (zh) 一种模糊非相关线性鉴别分析的茶叶品种分类方法
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
CN108491894B (zh) 一种可能模糊鉴别c-均值聚类的茶叶分类方法
CN110108661A (zh) 一种模糊极大熵聚类的茶叶近红外光谱分类方法
CN109507123A (zh) 一种基于紫外可见漫反射光谱及化学模式识别的当归及其相似品的鉴别方法
CN110414549B (zh) 一种模糊正交线性鉴别分析的茶叶近红外光谱分类方法
CN105067558B (zh) 近红外定性鉴别特征提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220831

Address after: 445003 Daping Group, Maozishan Village, Longfeng Town, Enshi City, Enshi Tujia and Miao Autonomous Prefecture, Hubei Province (self-declaration commitment)

Patentee after: Enshi Longma Ecological Agriculture Development Co.,Ltd.

Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301

Patentee before: JIANGSU University