CN111595804A - 一种模糊聚类的茶叶近红外光谱分类方法 - Google Patents

一种模糊聚类的茶叶近红外光谱分类方法 Download PDF

Info

Publication number
CN111595804A
CN111595804A CN202010386941.9A CN202010386941A CN111595804A CN 111595804 A CN111595804 A CN 111595804A CN 202010386941 A CN202010386941 A CN 202010386941A CN 111595804 A CN111595804 A CN 111595804A
Authority
CN
China
Prior art keywords
tea
fuzzy
sample
diffuse reflection
reflection spectrum
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
Application number
CN202010386941.9A
Other languages
English (en)
Inventor
武斌
周浩祥
武小红
贾红雯
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
Chuzhou Vocational and Technical College
Original Assignee
Jiangsu University
Chuzhou Vocational and Technical College
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, Chuzhou Vocational and Technical College filed Critical Jiangsu University
Priority to CN202010386941.9A priority Critical patent/CN111595804A/zh
Publication of CN111595804A publication Critical patent/CN111595804A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种模糊聚类的茶叶近红外光谱分类方法，包括以下步骤：S1，采集茶叶样本的近红外漫反射光谱：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，采用多元散射校正(MSC)方法对S1中的近红外漫反射光谱数据进行预处理；S3，对S2中的近红外漫反射光谱进行降维处理：通过主成分分析(PCA)对采集来的样本近红外漫反射光谱数据进行压缩。本发明与现有的模糊聚类分析方法相比，通过模糊线性鉴别信息提取方法对茶叶近红外漫反射光谱的鉴别信息进行提取，再通过一种Gath‑Geva模糊聚类方法对茶叶近红外漫反射光谱数据进行分类。本发明具有高效快速、检测准确率高、绿色环保等优点。

Description

一种模糊聚类的茶叶近红外光谱分类方法
技术领域
本发明涉及模式识别和人工智能技术领域，尤其涉及一种模糊聚类的茶叶近红外光谱分类方法，应用于茶叶品种鉴别分类。
背景技术
茶叶作为世界最受欢迎的三大饮料之一，既可以提神醒脑，还有帮助消化和降低血压等作用。随着人们对茶叶品质要求的日益提高，需要对不同品种的茶叶实现准确的鉴别分析以防止茶叶市场里茶叶品牌名不副实和以次充好等现象的发生。因此研究出一种高效快速又准确的茶叶品种鉴别方法符合社会和广大消费者的需求。
近红外光谱是介于中红外和可见光谱之间的一种非可见光谱。近红外光谱区主要是波长在780-2526nm之间的电磁波。近红外光谱技术作为一种无损检测技术，样本在检测时不会被破坏，对于样本内部构造和外观均不会有影响。(4)近红外光谱技术是一种无污染环保分析技术，无需化学试剂或高温、高压等条件，因此分析后不会产生各种污染。现阶段，它在化工，食品，农业，医药等许多领域得到了广泛的应用，并且结合当下人工智能技术成为新的热点技术。不同种类茶叶反射的近红外漫反射光谱具有差异性，因此可以根据这一原理，将不同品种茶叶进行区分，从而实现对茶叶品种的分类。
模糊线性判别分析(FLDA)是在模糊集基础上，通过模糊类内散射矩阵与模糊总体散射矩阵对线性判别分析(LDA)进行改进，可以有效提取到样本模糊鉴别信息。但是，FLDA在处理高维复杂的光谱数据时，其模糊线性鉴别信息提取效果往往并不理想，需要进一步提高。因此，亟需一种模糊聚类的茶叶近红外光谱分类方法来解决上述问题。
发明内容
基于背景技术存在的技术问题，本发明提出了一种模糊聚类的茶叶近红外光谱分类方法。
本发明提出的一种模糊聚类的茶叶近红外光谱分类方法，包括以下步骤：
S1，采集茶叶样本的近红外漫反射光谱：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，采用多元散射校正(MSC)方法对S1中的近红外漫反射光谱数据进行预处理；
S3，对S2中的近红外漫反射光谱进行降维处理：通过主成分分析(PCA)对采集来的样本近红外漫反射光谱数据进行压缩；
S4，下面根据训练样本集计算模糊鉴别向量；
S4.1，计算第j(1≤j≤N1)个训练样本zj隶属于第i(1≤i≤c)类的模糊隶属度μij:
Figure BDA0002484136290000021
S4.2，计算模糊类间散射矩阵SFB和模糊总体散射矩阵SFT：
Figure BDA0002484136290000022
Figure BDA0002484136290000031
S4.3，对S4.2的矩阵SFT进行特征分解，计算出其特征值对角矩阵Λ和特征向量矩阵P，令Q＝(PΛ-0.5)TSFB，对Q进行特征分解得到c-1个特征向量组成的矩阵M，令G＝(PΛ-0.5)M，并对G中的向量进行单位化得到
Figure BDA0002484136290000032
S4.4，根据S4.3的鉴别向量矩阵
Figure BDA0002484136290000033
把第k(1≤k≤n)个测试样本zk投影到
Figure BDA0002484136290000034
上，可得到新的测试样本：
Figure BDA0002484136290000035
S5，鉴别茶叶样本的种类：运用一种Gath-Geva模糊聚类方法对S4.4中已处理过的新的测试样本数据(1≤k≤n)进行聚类分析，从而鉴别茶叶样本的种类；
S5.1，初始化：设置阈值ε＞0，模糊加权参数m∈(1，+∞),系数a＞0，b＞0,类别数为c；确定最大迭代次数rmax,并且初始迭代计数器r0＝1xk；运行模糊C均值聚类得到的模糊隶属度值和聚类中心值分别作为初始模糊隶属度值
Figure BDA0002484136290000036
和初始聚类中心
Figure BDA0002484136290000037
S5.2，计算参数γi
Figure BDA0002484136290000038
Figure BDA0002484136290000039
S5.3进行以下迭代计算直至收敛：
S5.3.1计算距离测度：
Figure BDA0002484136290000041
S5.3.2计算模糊隶属度：
Figure BDA0002484136290000042
S5.3.3计算典型值：
Figure BDA0002484136290000043
S5.3.4计算聚类中心值：
Figure BDA0002484136290000044
进一步地，所述S4.1中，zk为第k个训练样本，
Figure BDA0002484136290000045
为第i类训练样本的均值。
进一步地，S4.2中，
Figure BDA0002484136290000046
为所有训练样本的均值，
Figure BDA0002484136290000047
zj为第j个训练样本。
进一步地，所述S5.2在迭代过程中，参数作为常数存在；n和c分别代表测试样本数据的数量和类别数。
进一步地，S5.3.1中，
Figure BDA0002484136290000048
进一步地，S5.3.4vi是第i类的聚类中心值；模糊隶属度值uik表示第k个样本xk属于类别i的模糊隶属度值；典型值tik表示第k个样本xk属于类别i的典型值。
进一步地，在对S3中压缩后的光谱数据进行模糊鉴别信息提取：先将数据分为训练样本集和测试样本集：设置茶叶训练样本数为，测试样本数为，权重指数，类别数，其中m>1。
本发明具有以下有益效果：
与现有的模糊聚类分析方法相比，本发明公开了一种Gath-Geva模糊聚类的茶叶近红外光谱分类方法，通过模糊线性鉴别信息提取方法对茶叶近红外漫反射光谱的鉴别信息进行提取，再通过一种Gath-Geva模糊聚类方法对茶叶近红外漫反射光谱数据进行分类。本发明具有高效快速、检测准确率高、绿色环保等优点。
附图说明
图1是一种模糊聚类的茶叶近红外光谱分类方法的流程图；
图2是一种模糊聚类的茶叶近红外光谱分类方法的茶叶的近红外漫反射光谱图；
图3是一种模糊聚类的茶叶近红外光谱分类方法的多元散射校正处理后的茶叶近红外漫反射光谱图；
图4是一种模糊聚类的茶叶近红外光谱分类方法的茶叶近红外漫反射光谱经主成分分析处理后得到的测试样本数据图；
图5是一种模糊聚类的茶叶近红外光谱分类方法的初始模糊隶属度值；
图6是一种模糊聚类的茶叶近红外光谱分类方法的模糊隶属度值。
图7是一种模糊聚类的茶叶近红外光谱分类方法的典型值。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示，一种Gath-Geva模糊聚类的茶叶近红外光谱分类方法，包括步骤：
S1，采集茶叶样本的近红外漫反射光谱：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；
采集岳西翠兰、六安瓜片、施集毛峰、黄山毛峰四种安徽品牌茶叶，每种茶叶的样本数为65，合计260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，采用多元散射校正(MSC)方法对S1中的近红外漫反射光谱数据进行预处理；
MSC预处理后的近红外漫反射光谱图如图3所示。
S3，对S2中的近红外漫反射光谱进行降维处理：通过主成分分析(PCA)对采集来的样本近红外漫反射光谱数据进行压缩；
通过PCA将预处理后的光谱分析计算特征值和特征向量，将特征值从大到小排列，取前5个最大特征值(分别为：22.6951，1.1931，0.4745，0.1797，0.0491)对应的5个特征向量，将260个茶叶样本的近红外光谱数据投影到这5个特征向量上，从而将近红外光谱从1557维压缩到5维。茶叶近红外漫反射光谱经主成分分析处理后得到的测试样本数据图如图4所示。
S4，对S3中压缩后的光谱数据进行模糊鉴别信息提取：先将数据分为训练样本集和测试样本集：将S3中得到5维光谱数据分为两个部分，从每类茶叶样本中选取43个样本组成茶叶样本训练集，剩余22个样本组成茶叶样本测试集。设置茶叶训练样本数为N1＝172，测试样本数为n＝88，权重指数m＝1.5，类别数c＝4，其中m>1。下面根据训练样本集计算模糊鉴别向量：
S4.1，计算第j(1≤j≤N1)个训练样本xj隶属于第i(1≤i≤c)类的模糊隶属度μij:
Figure BDA0002484136290000071
其中，zk为第k个训练样本，
Figure BDA0002484136290000072
为第i类训练样本的均值；
S4.2，计算模糊类间散射矩阵SFB和模糊总体散射矩阵SFT：
Figure BDA0002484136290000081
Figure BDA0002484136290000082
其中，
Figure BDA0002484136290000083
为所有训练样本的均值，
Figure BDA0002484136290000084
zj为第j个训练样本。
S4.3，对S4.2的矩阵SFT进行特征分解，计算出其特征值对角矩阵Λ和特征向量矩阵P，令Q＝(PΛ-0.5)TSFB，对Q进行特征分解得到c-1个特征向量组成的矩阵M，令G＝(PΛ-0.5)M，并对G中的向量进行单位化得到
Figure BDA0002484136290000085
Figure BDA0002484136290000086
Figure BDA0002484136290000087
S4.4，根据S4.3的鉴别向量矩阵
Figure BDA0002484136290000088
把第k(1≤k≤n)个测试样本zk投影到
Figure BDA0002484136290000089
上，可得到新的测试样本：
Figure BDA00024841362900000810
S5，鉴别茶叶样本的种类：运用一种Gath-Geva模糊聚类方法对S4.4中已处理过的新的测试样本数据xk(1≤k≤n)进行聚类分析，从而鉴别茶叶样本的种类；
S5.1，初始化：设置阈值ε＞0，模糊加权参数m∈(1，+∞),系数a＞0，b＞0,a＝1,b＝1,m＝2,类别数为c＝4；确定最大迭代次数rmax＝100,并且初始迭代计数器r0＝1；运行模糊C均值聚类得到的模糊隶属度值和聚类中心值分别作为初始模糊隶属度值
Figure BDA0002484136290000091
和初始聚类中心
Figure BDA0002484136290000092
模糊隶属度
Figure BDA0002484136290000093
如图5所示。
Figure BDA0002484136290000094
S5.2，计算参数γi
Figure BDA0002484136290000095
Figure BDA0002484136290000096
在迭代过程中，参数γi作为常数存在；n和c分别代表测试样本数据的数量和类别数，n＝88，c＝4。
γ1＝1.8637，γ2＝9.6977，γ3＝1.4861，γ4＝1.3427。
S5.3进行以下迭代计算直至收敛：
S5.3.1计算距离测度：
Figure BDA0002484136290000097
其中，
Figure BDA0002484136290000098
S5.3.2计算模糊隶属度：
Figure BDA0002484136290000101
一种Gath-Geva模糊聚类方法的模糊隶属度值如图6所示。
S5.3.3计算典型值：
Figure BDA0002484136290000102
典型值tik如图7所示。
S5.3.4计算聚类中心值：
Figure BDA0002484136290000103
vi是第i类的聚类中心值；模糊隶属度值uik表示第k个样本xk属于类别i的模糊隶属度值；典型值tik表示第k个样本xk属于类别i的典型值。
Figure BDA0002484136290000104
根据模糊隶属度U计算的误分数为13，而根据典型值计算的误分数为36。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种模糊聚类的茶叶近红外光谱分类方法，其特征在于，包括以下步骤：
S1，采集茶叶样本的近红外漫反射光谱：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，采用多元散射校正(MSC)方法对S1中的近红外漫反射光谱数据进行预处理；
S3，对S2中的近红外漫反射光谱进行降维处理：通过主成分分析(PCA)对采集来的样本近红外漫反射光谱数据进行压缩；
S4，下面根据训练样本集计算模糊鉴别向量；
S4.1，计算第j(1≤j≤N1)个训练样本zj隶属于第i(1≤i≤c)类的模糊隶属度μij:
Figure FDA0002484136280000011
S4.2，计算模糊类间散射矩阵SFB和模糊总体散射矩阵SFT：
Figure FDA0002484136280000012
Figure FDA0002484136280000013
S4.3，对S4.2的矩阵SFT进行特征分解，计算出其特征值对角矩阵Λ和特征向量矩阵P，令Q＝(PΛ-0.5)TSFB，对Q进行特征分解得到c-1个特征向量组成的矩阵M，令G＝(PΛ-0.5)M，并对G中的向量进行单位化得到
Figure FDA0002484136280000014
S4.4，根据S4.3的鉴别向量矩阵
Figure FDA0002484136280000015
把第k(1≤k≤n)个测试样本zk投影到
Figure FDA0002484136280000021
上，可得到新的测试样本：
Figure FDA0002484136280000022
S5，鉴别茶叶样本的种类：运用一种Gath-Geva模糊聚类方法对S4.4中已处理过的新的测试样本数据xk(1≤k≤n)进行聚类分析，从而鉴别茶叶样本的种类；
S5.1，初始化：设置阈值ε＞0，模糊加权参数m∈(1，+∞),系数a＞0，b＞0,类别数为c；确定最大迭代次数rmax,并且初始迭代计数器r0＝1；运行模糊C均值聚类得到的模糊隶属度值和聚类中心值分别作为初始模糊隶属度值
Figure FDA0002484136280000023
和初始聚类中心
Figure FDA0002484136280000024
S5.2，计算参数γi
Figure FDA0002484136280000025
Figure FDA0002484136280000026
S5.3进行以下迭代计算直至收敛：
S5.3.1计算距离测度：
Figure FDA0002484136280000027
S5.3.2计算模糊隶属度：
Figure FDA0002484136280000028
S5.3.3计算典型值：
Figure FDA0002484136280000029
S5.3.4计算聚类中心值：
Figure FDA0002484136280000031
2.根据权利要求1所述的一种模糊聚类的茶叶近红外光谱分类方法，其特征在于，所述S4.1中，zk为第k个训练样本，
Figure FDA0002484136280000032
为第i类训练样本的均值。
3.根据权利要求1所述的一种模糊聚类的茶叶近红外光谱分类方法，其特征在于，S4.2中，
Figure FDA0002484136280000033
为所有训练样本的均值，
Figure FDA0002484136280000034
zj为第j个训练样本。
4.根据权利要求1所述的一种模糊聚类的茶叶近红外光谱分类方法，其特征在于，所述S5.2在迭代过程中，参数作为常数存在；n和c分别代表测试样本数据的数量和类别数。
5.根据权利要求1所述的一种模糊聚类的茶叶近红外光谱分类方法，其特征在于，S5.3.1中，
Figure FDA0002484136280000035
6.根据权利要求1所述的一种模糊聚类的茶叶近红外光谱分类方法，其特征在于，S5.3.4 vi是第i类的聚类中心值；模糊隶属度值uik表示第k个样本xk属于类别i的模糊隶属度值；典型值tik表示第k个样本xk属于类别i的典型值。
7.根据权利要求1所述的一种模糊聚类的茶叶近红外光谱分类方法，其特征在于，在对S3中压缩后的光谱数据进行模糊鉴别信息提取：先将数据分为训练样本集和测试样本集：设置茶叶训练样本数为，测试样本数为，权重指数，类别数，其中m>1。
CN202010386941.9A 2020-05-09 2020-05-09 一种模糊聚类的茶叶近红外光谱分类方法 Pending CN111595804A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010386941.9A CN111595804A (zh) 2020-05-09 2020-05-09 一种模糊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
CN202010386941.9A CN111595804A (zh) 2020-05-09 2020-05-09 一种模糊聚类的茶叶近红外光谱分类方法

Publications (1)

Publication Number Publication Date
CN111595804A true CN111595804A (zh) 2020-08-28

Family

ID=72184009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010386941.9A Pending CN111595804A (zh) 2020-05-09 2020-05-09 一种模糊聚类的茶叶近红外光谱分类方法

Country Status (1)

Country Link
CN (1) CN111595804A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801173A (zh) * 2021-01-25 2021-05-14 江苏大学 一种qr模糊鉴别分析的生菜近红外光谱分类方法
CN116680590A (zh) * 2023-07-28 2023-09-01 中国人民解放军国防科技大学 基于工作说明书解析的岗位画像标签提取方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801173A (zh) * 2021-01-25 2021-05-14 江苏大学 一种qr模糊鉴别分析的生菜近红外光谱分类方法
CN112801173B (zh) * 2021-01-25 2024-06-07 江苏大学 一种qr模糊鉴别分析的生菜近红外光谱分类方法
CN116680590A (zh) * 2023-07-28 2023-09-01 中国人民解放军国防科技大学 基于工作说明书解析的岗位画像标签提取方法及装置
CN116680590B (zh) * 2023-07-28 2023-10-20 中国人民解放军国防科技大学 基于工作说明书解析的岗位画像标签提取方法及装置

Similar Documents

Publication Publication Date Title
CN110378374B (zh) 一种模糊鉴别信息提取的茶叶近红外光谱分类方法
Feng et al. Application of visible/infrared spectroscopy and hyperspectral imaging with machine learning techniques for identifying food varieties and geographical origins
CN109685098B (zh) 一种模糊簇间分离聚类的茶叶品种分类方法
CN106951914B (zh) 一种优化模糊鉴别向量提取的电子鼻鉴别食醋品种方法
CN105181650B (zh) 一种使用近红外光谱技术快速鉴别茶叶品种的方法
CN106408012A (zh) 一种模糊鉴别聚类的茶叶红外光谱分类方法
CN112836671B (zh) 一种基于最大化比率和线性判别分析的数据降维方法
CN111595804A (zh) 一种模糊聚类的茶叶近红外光谱分类方法
CN108764288A (zh) 一种gk鉴别聚类的茶叶品种分类方法
Wu et al. Discrimination of apples using near infrared spectroscopy and sorting discriminant analysis
CN111896495A (zh) 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统
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
Supekar et al. Multi-parameter based mango grading using image processing and machine learning techniques
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
CN108491894B (zh) 一种可能模糊鉴别c-均值聚类的茶叶分类方法
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
CN112801173B (zh) 一种qr模糊鉴别分析的生菜近红外光谱分类方法
CN109886296A (zh) 一种鉴别信息提取式噪声聚类的茶叶品种分类方法
CN110108661B (zh) 一种模糊极大熵聚类的茶叶近红外光谱分类方法
CN114331474A (zh) 一种模糊线性判别分析的牛奶产地溯源方法
Liu et al. Toward automated quality classification via statistical modeling of grain images for rice processing monitoring
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
CN114140652A (zh) 一种基于SE-ResNet模型的茶叶品种分类方法
CN111881738A (zh) 一种核模糊正交鉴别分析的茶叶近红外光谱分类方法
CN114494779B (zh) 一种改进鉴别转换的茶叶近红外光谱分类方法

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