CN114494779A - 一种改进鉴别转换的茶叶近红外光谱分类方法 - Google Patents

一种改进鉴别转换的茶叶近红外光谱分类方法 Download PDF

Info

Publication number
CN114494779A
CN114494779A CN202210093076.8A CN202210093076A CN114494779A CN 114494779 A CN114494779 A CN 114494779A CN 202210093076 A CN202210093076 A CN 202210093076A CN 114494779 A CN114494779 A CN 114494779A
Authority
CN
China
Prior art keywords
tea
sample
near infrared
infrared spectrum
matrix
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
CN202210093076.8A
Other languages
English (en)
Other versions
CN114494779B (zh
Inventor
胡彩平
何飞
武小红
朱兴晨
曾叔鹏
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.)
Hubei Lichuanhong Industry Group Co ltd
Original Assignee
Jinling Institute of Technology
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 Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202210093076.8A priority Critical patent/CN114494779B/zh
Publication of CN114494779A publication Critical patent/CN114494779A/zh
Application granted granted Critical
Publication of CN114494779B publication Critical patent/CN114494779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种改进鉴别转换的茶叶近红外光谱分类方法，包括以下步骤：步骤1，对茶叶样本的近红外光谱进行收集；步骤2，使用多元散射校正的预处理方法对茶叶样本的近红外光谱进行预处理；步骤3，对茶叶样本的近红外光谱数据进行维度压缩；步骤4，对茶叶样本的近红外光谱的鉴别信息提取，得到鉴别信息向量矩阵；步骤5，将待测试的茶叶样本投影至鉴别信息向量矩阵上来获取经过特征提取后的测试样本，使用K近邻分类器对该测试样本进行分类辨别，完成分类。本发明解决了传统鉴别转换方法在处理不满足正态分布的数据时易产生结果偏差的问题，降低了噪声数据对鉴别信息提取的影响，可简单，快速，准确的对茶叶进行分类。

Description

一种改进鉴别转换的茶叶近红外光谱分类方法
技术领域
本发明涉及一种茶叶近红外光谱分类方法，特别是一种改进鉴别转换的茶叶近红外光谱分类方法。
背景技术
茶是世界著名饮料之一。茶叶中富含多种有益于人体的物质，常饮茶有消除疲劳，促进新陈代谢，抑制细胞衰老以及减肥等功效。然而不同品类茶叶经济差距较大，不法商贩以次充好或销售假冒伪劣的茶叶，严重损害了消费者权益以及茶叶市场的信誉。因此，很有必要研究一种高效、便捷、准确的茶叶品种辨别方法。
近红外光谱凭借其操作简单，成本低廉，准确率高的特点广泛围应用于食品检测领域。近红外区域的波长能够记录C-O，O-H和N-H等化学键振动的倍频和合频吸收信息，而不同品种的茶叶在这些化学键的吸收度存在差异，根据这些差异可以实现茶叶的辨别。
傅里桑蒙转换(FST)根据线性判别分析(LDA)改进而来，但是仍存在某些问题。比如LDA，FST等判别算法在面对不满足正态分布的数据时，往往会出现较大的偏差，影响后续的分类结果。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种改进鉴别转换的茶叶近红外光谱分类方法。
为了解决上述技术问题，本发明公开了一种改进鉴别转换的茶叶近红外光谱分类方法，包括以下步骤:
步骤1，对茶叶样本的近红外光谱进行收集，得到茶叶样本的近红外光谱数据；
步骤2，使用多元散射校正的预处理方法对茶叶样本的近红外光谱进行预处理，得到茶叶样本的近红外光谱预处理数据；
步骤3，对茶叶样本的近红外光谱数据进行维度压缩，得到茶叶样本的近红外光谱压缩数据；
步骤4，对茶叶样本的近红外光谱的鉴别信息提取：利用改进鉴别转换方法对经过步骤3所述维度压缩后的茶叶样本的近红外光谱压缩数据进行鉴别信息的提取，得到鉴别信息向量矩阵；
步骤5，将待测试的茶叶样本投影至步骤4获得的鉴别信息向量矩阵上来获取经过特征提取后的测试样本，使用K近邻分类器对经过特征提取后的测试样本进行分类辨别，最终完成改进鉴别转换的茶叶近红外光谱分类。
本发明中步骤1包括，使用傅里叶近红外光谱仪对茶叶样本进行数据采集，将采集到的茶叶样本的近红外光谱数据导入至计算机中。
本发明中步骤2包括，使用多元散射校正的预处理方法对茶叶样本的近红外光谱进行预处理，将原始茶叶光谱样本数据放入至多元散射校正中，采用多元散射校正处理基线平移和漂移现象，增强光谱特异性。
本发明中步骤3包括，采用主成分分析法对经过步骤2所述预处理后的茶叶样本的近红外光谱预处理数据进行冗余数据缩减，得到茶叶样本的近红外光谱压缩数据。
本发明中步骤4包括以下步骤：
步骤4-1，根据茶叶样本类别，设置茶叶的训练样本数量及测试样本数量；
步骤4-2，计算茶叶样本的加权类间散布矩阵和加权总体散布矩阵；
步骤4-3，计算得出加权总体散布矩阵的逆矩阵与加权类间散布矩阵乘积的特征值和特征向量；
步骤4-4，根据目标函数使用拉格朗日乘子法并结合约束条件对特征方程进行计算，得到茶叶样本的近红外光谱的鉴别信息即鉴别向量矩阵。
本发明步骤4-1中，设w1，w2，…，wc是c种已知茶叶类别，xi∈wj，j∈{1，2，…，c}，其中xi表示第i个样本，wj表示第j种茶叶；设置茶叶的训练样本数为n1，测试样本数为n2。
本发明步骤4-2中，计算加权类间散布矩阵Swb，加权总体散布矩阵Swt。此外目标函数
Figure BDA0003489959670000021
如下：
Figure BDA0003489959670000022
Figure BDA0003489959670000023
Figure BDA0003489959670000031
其中，
Figure BDA0003489959670000032
mi表示第i类样本的均值，i∈{1，2，…，c}，x表示任意一样本，E(·)表示求括号中数值的期望，P(wi)是第wi类的先验概率，
Figure BDA0003489959670000033
为q维空间中任一向量；
Figure BDA0003489959670000034
其中，k和j表示n1中的任一样本，
Figure BDA0003489959670000035
为训练样本加权后的平均矩阵，αkj是一个n1×n1的近邻关系矩阵；
Figure BDA0003489959670000036
其中，||xj-xk||表示样本xj和样本xk的欧式距离，σ2为训练样本的方差。
本发明步骤4-3中，目标函数可被转换为以下公式进一步计算：
Figure BDA0003489959670000037
其中，α是
Figure BDA0003489959670000038
的特征值，
Figure BDA0003489959670000039
是α对应的特征向量，
Figure BDA00034899596700000310
表示Swt的逆矩阵；
对特征值α按从大到小的顺序排列，并取前c-1个的特征值{α1，α2，…αc-1}，取特征值相对的特征向量
Figure BDA00034899596700000311
取最大特征值α1其相应的特征向量
Figure BDA00034899596700000312
当做最优鉴别向量矩阵
Figure BDA00034899596700000313
的第一个列向量。
本发明步骤4-4中，根据目标函数并使用拉格朗日乘子法结合相应的约束条件
Figure BDA00034899596700000314
和
Figure BDA00034899596700000315
对特征方程
Figure BDA00034899596700000316
计算可得：
Figure BDA00034899596700000317
其中r为第r个
Figure BDA00034899596700000318
β为PSwt -1Swb的特征值，
Figure BDA00034899596700000319
是对应的特征向量，矩阵P如下：
Figure BDA00034899596700000320
其中，I是单位矩阵，Q是鉴别信息向量矩阵。
本发明中步骤5包括，使用多元散射校正的预处理方法解决茶叶样本的近红外光谱的基线平移和漂移现象，增强光谱特异性，具体方法包括：
鉴别信息向量矩阵对测试样本进行投影方法如下：
将测试样本矩阵乘上鉴别信息矩阵即为在鉴别信息向量矩阵上投影，得到经过鉴别向量矩阵特征提取后的测试样本矩阵；
使用K近邻分类器对测试样本进行分类辨别方法如下：
将K近邻的近邻参数设置为1，分别在K近邻程序中放入训练样本，经特征提取后的测试样本，以及对应的训练样本标签和测试样本标签即获得最终分类结果。
有益效果：
本发明是在茶叶近红外光谱分类过程中，为了改进FST在对不满足正态分布的数据进行鉴别信息提取时的不足而提出的一种改进鉴别转换方法，相比现有的傅里桑蒙转换方法直接以均值计算期望而忽略了样本间的距离对均值的影响，本发明利用高斯核函数对样本加权后再取平均，从而减弱了异常数据对均值的影响，加强了对不满足正态分布的数据的鉴别信息提取。
本发明解决了对茶叶的传统鉴别转换方法在处理不满足正态分布的数据时易产生结果偏差的问题，同时降低噪声数据对鉴别信息提取的影响。本发明可简单，快速，准确的对茶叶进行分类。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述步骤或其他方面的优点将会变得更加清楚。
图1为本发明的总流程示意图。
图2为四种茶叶的近红外光谱示意图。
图3为经过多元散射校正预处理过的近红外光谱示意图。
图4为经过一种改进鉴别转换处理后的茶叶数据分布示意图。
具体实施方式
下面将结合附图和示例对本发明进一步说明。
一种改进鉴别转换的茶叶近红外光谱分类方法，如图1所示，包括下列步骤：
S1,采集四种茶叶的近红外光谱数据：使用傅立叶转换近红外光谱仪采集四种茶叶样本的近红外光谱数据并把将数据存储至计算机中。
四种茶叶(六安瓜片、施集毛峰、岳西翠兰、黄山毛峰)被用作近红外光谱采集的对象，每种茶叶采集65个样本，总计260个样本。将茶叶样本经研磨机研磨后再使用40目筛过滤。傅立叶光谱仪Antaris II开机预热1个小时。将Antaris II的采集模式设置为反射积分球模式，对每个样品扫描32次以获取样品的漫反射光谱均值。近红外光谱扫描的范围为10000～4000cm-1，扫描间隔为3.857cm-1，采集后的茶叶近红外数据是1577维的高维数据，实验中每个样本均采样3次并取其平均值获得最终的茶叶近红外光谱数据。实验中保持温度和湿度恒定，四种茶叶近红外光谱图如图2所示，图2的横坐标为实验中设定的近红外光谱范围，纵坐标为吸光度。四种茶叶的近红外光谱在设定光谱范围内的吸光度趋势有所区别，这些差异提供了近红外光谱分类的依据。
S2，使用多元散射校正(MSC)的预处理方法对茶叶近红外光谱进行处理。
经MSC预处理后的四种茶叶的近红外光谱如图3所示，横纵坐标的含义同图2，经过预处理后可解决原始光谱基线平移和漂移现象，增强光谱特异性。
S3，对茶叶近红外数据进行必要的维度压缩，即采用主成分分析法(PCA)对经过MSC预处理后的茶叶近红外数据进行冗余数据缩减。
对S2中经预处理后的近红外光谱数据使用PCA计算其特征值和特征向量，计算获得前四个最大的特征值及其对应的特征向量，并将这四个特征值对应的特征向量作为数据投影降维向量，进而实现1557维的近红外数据维度缩减至4维。再对维度缩减后的光谱数据进行训练集和测试集划分，每种茶叶取22个作为训练集，剩余的每种茶叶的43个作为测试集。
S4，茶叶近红外光谱的鉴别信息提取：利用一种改进鉴别转换方法对经过维度缩减后的光谱数据进行鉴别信息的提取。实现步骤如下：
S4.1，假设w1，w2，…，wc是c种已知类别，xi∈wj，j∈{1，2，…，c}。设置茶叶的训练样本数为n1＝88，每种茶叶取22个作为训练集，测试样本数为n2＝172，每种茶叶取43个作为测试集。
S4.2，计算加权类间散布矩阵Swb，加权总体散布矩阵Swt。此外目标函数
Figure BDA0003489959670000051
如下：
Figure BDA0003489959670000052
Figure BDA0003489959670000053
Figure BDA0003489959670000054
其中，
Figure BDA0003489959670000055
mi表示第i类样本的均值，i∈{1，2，…，c}，x表示任意一样本，E(·)表示求括号中数值的期望，P(wi)是第wi类的先验概率，
Figure BDA0003489959670000061
为q维空间中任一向量；
Figure BDA0003489959670000062
其中，k和j表示n1中的任一样本，
Figure BDA0003489959670000063
为训练样本加权后的平均矩阵，αkj是一个n1×n1的近邻关系矩阵，
Figure BDA0003489959670000064
||xj-xk||表示样本xj和样本xk的欧式距离，σ2为训练样本的方差。
计算得：
Figure BDA0003489959670000065
Figure BDA0003489959670000066
Figure BDA0003489959670000067
S4.5，目标函数可被转换为以下公式进一步计算：
Figure BDA0003489959670000068
其中，α是
Figure BDA0003489959670000069
的特征值，
Figure BDA00034899596700000610
是α对应的特征向量，
Figure BDA00034899596700000611
表示Swt的逆矩阵。
在计算得到特征值α后按从大到小的顺序排列，然后拿出前c-1＝3个的特征值为{α1＝1.0001，α2＝1.0012，α3＝1.0024}，和特征值相对的特征向量为
Figure BDA00034899596700000612
取最大特征值α1其相应的特征向量
Figure BDA00034899596700000613
当做最优鉴别向量矩阵
Figure BDA00034899596700000614
的第一个列向量。
S4.6，根据目标函数并使用拉格朗日乘子法结合相应的约束条件
Figure BDA00034899596700000615
Figure BDA00034899596700000616
和
Figure BDA00034899596700000617
对特征方程
Figure BDA00034899596700000618
计算可得：
Figure BDA00034899596700000619
其中r为第r个
Figure BDA0003489959670000071
β为PSwt -1Swb的特征值，
Figure BDA0003489959670000072
是对应的特征向量；矩阵P如下：
Figure BDA0003489959670000073
I是单位矩阵，Q是鉴别向量矩阵。
计算得：
Figure BDA0003489959670000074
S5，利用S4.6中的鉴别向量矩阵Q对测试样本n2进行投影来获得经过特征提取后的测试样本n3，然后使用K近邻分类器(K＝1)对测试样本n3进行分类辨别。投影至鉴别向量矩阵Q中的鉴别向量上的茶叶测试集如图4所示，图4即为四种茶叶的测试样本在前三个鉴别向量上的投影分布情况。
在经过以上步骤后，将放入K近邻测试集的茶叶样本运行后得到的准确率为98.26％。
本发明提供了一种改进鉴别转换的茶叶近红外光谱分类方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，包括以下步骤:
步骤1，对茶叶样本的近红外光谱进行收集，得到茶叶样本的近红外光谱数据；
步骤2，使用多元散射校正的预处理方法对茶叶样本的近红外光谱进行预处理，得到茶叶样本的近红外光谱预处理数据；
步骤3，对茶叶样本的近红外光谱数据进行维度压缩，得到茶叶样本的近红外光谱压缩数据；
步骤4，对茶叶样本的近红外光谱的鉴别信息提取：利用改进鉴别转换方法对经过步骤3所述维度压缩后的茶叶样本的近红外光谱压缩数据进行鉴别信息的提取，得到鉴别信息向量矩阵；
步骤5，将待测试的茶叶样本投影至步骤4获得的鉴别信息向量矩阵上来获取经过特征提取后的测试样本，使用K近邻分类器对经过特征提取后的测试样本进行分类辨别，最终完成改进鉴别转换的茶叶近红外光谱分类。
2.根据权利要求1所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤1包括，使用傅里叶近红外光谱仪对茶叶样本进行数据采集，将采集到的茶叶样本的近红外光谱数据导入至计算机中。
3.根据权利要求2所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤2包括，使用多元散射校正的预处理方法对茶叶样本的近红外光谱进行预处理，将原始茶叶光谱样本数据放入至多元散射校正中，采用多元散射校正处理基线平移和漂移现象，增强光谱特异性。
4.根据权利要求3所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤3包括，采用主成分分析法对经过步骤2所述预处理后的茶叶样本的近红外光谱预处理数据进行冗余数据缩减，得到茶叶样本的近红外光谱压缩数据。
5.根据权利要求4所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤4包括以下步骤：
步骤4-1，根据茶叶样本类别，设置茶叶的训练样本数量及测试样本数量；
步骤4-2，计算茶叶样本的加权类间散布矩阵和加权总体散布矩阵；
步骤4-3，计算得出加权总体散布矩阵的逆矩阵与加权类间散布矩阵乘积的特征值和特征向量；
步骤4-4，根据目标函数使用拉格朗日乘子法并结合约束条件对特征方程进行计算，得到茶叶样本的近红外光谱的鉴别信息即鉴别向量矩阵。
6.根据权利要求5所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤4-1中，设w1，w2，…，wc是c种已知茶叶类别，xi∈wj，j∈{1，2，…，c}，其中xi表示第i个样本，wj表示第j种茶叶；设茶叶的训练样本数为n1，测试样本数为n2。
7.根据权利要求6所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤4-2中，计算加权类间散布矩阵Swb，加权总体散布矩阵Swt；此外目标函数
Figure FDA0003489959660000021
如下：
Figure FDA0003489959660000022
Figure FDA0003489959660000023
Figure FDA0003489959660000024
其中，
Figure FDA0003489959660000025
mi表示第i类样本的均值，i∈{1，2，…，c}，x表示任意一样本，E(·)表示求括号中数值的期望，P(wi)是第wi类的先验概率，
Figure FDA0003489959660000026
为q维空间中任一向量；
Figure FDA0003489959660000027
其中，k和j表示n1中的任一样本，
Figure FDA0003489959660000028
为训练样本加权后的平均矩阵，αkj是一个n1×n1的近邻关系矩阵；
Figure FDA0003489959660000029
其中，||xj-xk||表示样本xj和样本xk的欧式距离，σ2为训练样本的方差。
8.根据权利要求7所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤4-3中，将目标函数转换为以下公式进一步计算：
Figure FDA00034899596600000210
其中，α是
Figure FDA00034899596600000211
的特征值，
Figure FDA00034899596600000212
是α对应的特征向量，
Figure FDA00034899596600000213
表示Swt的逆矩阵；
对特征值α按从大到小的顺序排列，并取前c-1个的特征值{α1，α2，…αc-1}，取特征值α相对的特征向量
Figure FDA0003489959660000031
取最大特征值α1其相应的特征向量
Figure FDA0003489959660000032
当做最优鉴别向量矩阵
Figure FDA0003489959660000033
的第一个列向量。
9.根据权利要求8所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤4-4中，根据目标函数并使用拉格朗日乘子法结合相应的约束条件
Figure FDA0003489959660000034
和
Figure FDA0003489959660000035
对特征方程
Figure FDA0003489959660000036
计算可得：
Figure FDA0003489959660000037
其中r为第r个
Figure FDA0003489959660000038
β为PSwt -1Swb的特征值，
Figure FDA0003489959660000039
是对应的特征向量，矩阵P如下：
Figure FDA00034899596600000310
其中，I是单位矩阵，Q是鉴别信息向量矩阵。
10.根据权利要求9所述的一种改进鉴别转换的茶叶近红外光谱分类方法，其特征在于，步骤5包括，使用多元散射校正的预处理方法解决茶叶样本的近红外光谱的基线平移和漂移现象，增强光谱特异性，具体方法包括：
鉴别信息向量矩阵对测试样本进行投影方法如下：
将测试样本矩阵乘上鉴别信息矩阵即为在鉴别信息向量矩阵上投影，得到经过鉴别向量矩阵特征提取后的测试样本矩阵；
使用K近邻分类器对测试样本进行分类辨别方法如下：
将K近邻的近邻参数设置为1，分别在K近邻程序中放入训练样本，经特征提取后的测试样本，以及对应的训练样本标签和测试样本标签即获得最终分类结果。
CN202210093076.8A 2022-01-26 2022-01-26 一种改进鉴别转换的茶叶近红外光谱分类方法 Active CN114494779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210093076.8A CN114494779B (zh) 2022-01-26 2022-01-26 一种改进鉴别转换的茶叶近红外光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210093076.8A CN114494779B (zh) 2022-01-26 2022-01-26 一种改进鉴别转换的茶叶近红外光谱分类方法

Publications (2)

Publication Number Publication Date
CN114494779A true CN114494779A (zh) 2022-05-13
CN114494779B CN114494779B (zh) 2024-01-23

Family

ID=81474021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210093076.8A Active CN114494779B (zh) 2022-01-26 2022-01-26 一种改进鉴别转换的茶叶近红外光谱分类方法

Country Status (1)

Country Link
CN (1) CN114494779B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08271413A (ja) * 1995-03-29 1996-10-18 Shizuoka Seiki Co Ltd 荒茶の製造方法
KR20100001401A (ko) * 2008-06-27 2010-01-06 대한민국(관리부서:농촌진흥청) 근적외선 분광분석법을 이용한 차나무 생엽의 비파괴분석방법
CN103593676A (zh) * 2013-11-29 2014-02-19 重庆大学 基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法
CN104374739A (zh) * 2014-10-30 2015-02-25 中国科学院半导体研究所 一种基于近红外定性分析的种子品种真实性鉴别方法
CN104374738A (zh) * 2014-10-30 2015-02-25 中国科学院半导体研究所 一种基于近红外提高鉴别结果的定性分析方法
CN110378374A (zh) * 2019-06-12 2019-10-25 江苏大学 一种模糊鉴别信息提取的茶叶近红外光谱分类方法
CN111881738A (zh) * 2020-06-19 2020-11-03 江苏大学 一种核模糊正交鉴别分析的茶叶近红外光谱分类方法
CN112966734A (zh) * 2020-11-20 2021-06-15 扬州大学 一种基于分数阶谱的判别多重集典型相关分析方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08271413A (ja) * 1995-03-29 1996-10-18 Shizuoka Seiki Co Ltd 荒茶の製造方法
KR20100001401A (ko) * 2008-06-27 2010-01-06 대한민국(관리부서:농촌진흥청) 근적외선 분광분석법을 이용한 차나무 생엽의 비파괴분석방법
CN103593676A (zh) * 2013-11-29 2014-02-19 重庆大学 基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法
CN104374739A (zh) * 2014-10-30 2015-02-25 中国科学院半导体研究所 一种基于近红外定性分析的种子品种真实性鉴别方法
CN104374738A (zh) * 2014-10-30 2015-02-25 中国科学院半导体研究所 一种基于近红外提高鉴别结果的定性分析方法
CN110378374A (zh) * 2019-06-12 2019-10-25 江苏大学 一种模糊鉴别信息提取的茶叶近红外光谱分类方法
CN111881738A (zh) * 2020-06-19 2020-11-03 江苏大学 一种核模糊正交鉴别分析的茶叶近红外光谱分类方法
CN112966734A (zh) * 2020-11-20 2021-06-15 扬州大学 一种基于分数阶谱的判别多重集典型相关分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SOMDEB CHANDA: "Prediction of polyphenol content in tea leaves using NIR spectroscopy", 《2016 INTERNATIONAL CONFERENCE ON INTELLIGENT CONTROL POWER AND INSTRUMENTATION (ICICPI)》 *
王胜鹏等: "近红外光谱技术在茶叶中的研究进展", 《华中农业大学学报》, pages 226 - 232 *

Also Published As

Publication number Publication date
CN114494779B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
Zhou et al. Non-destructive discrimination of the variety of sweet maize seeds based on hyperspectral image coupled with wavelength selection algorithm
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
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
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
CN109685098B (zh) 一种模糊簇间分离聚类的茶叶品种分类方法
Cui et al. Identification of maize seed varieties based on near infrared reflectance spectroscopy and chemometrics
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
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
CN108491894B (zh) 一种可能模糊鉴别c-均值聚类的茶叶分类方法
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
Wu et al. Identification of tea varieties by mid‐infrared diffuse reflectance spectroscopy coupled with a possibilistic fuzzy c‐means clustering with a fuzzy covariance matrix
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
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
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
CN109886296A (zh) 一种鉴别信息提取式噪声聚类的茶叶品种分类方法
CN107271394A (zh) 一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法
CN114331474A (zh) 一种模糊线性判别分析的牛奶产地溯源方法
He et al. Green tea grades identification via Fourier transform near‐infrared spectroscopy and weighted global fuzzy uncorrelated discriminant transform
CN111595804A (zh) 一种模糊聚类的茶叶近红外光谱分类方法
CN106570520A (zh) 一种混合gk聚类的红外光谱茶叶优劣鉴别方法
Iizuka et al. Differentiation of soy sauce by pattern recognition analysis of mid-and near-IR spectra
CN114494779A (zh) 一种改进鉴别转换的茶叶近红外光谱分类方法
CN112801173B (zh) 一种qr模糊鉴别分析的生菜近红外光谱分类方法

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: 20240322

Address after: R&D Building, Circular Economy Industrial Park, Dongcheng Sub-district Office, Lichuan City, Enshi Tujia and Miao Autonomous Prefecture, Hubei Province 445400

Patentee after: Hubei Lichuanhong Industry Group Co.,Ltd.

Country or region after: China

Address before: No. 99 Jiangning Road, Nanjing District hirokage 211169 cities in Jiangsu Province

Patentee before: JINLING INSTITUTE OF TECHNOLOGY

Country or region before: China