[發(fā)明專利]一種可能模糊鑒別C-均值聚類的茶葉分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810335781.8
• 申請(qǐng)日: 2018-04-16
• 公開(kāi)（公告）號(hào): CN108491894B
• 公開(kāi)（公告）日: 2020-12-18
• 發(fā)明（設(shè)計(jì)）人: 武小紅;翟艷麗;傅海軍;陳勇;武斌;高洪燕;戴春霞
• 申請(qǐng)（專利權(quán)）人: 江蘇大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G01N21/3563
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種可能模糊鑒別C-均值聚類的茶葉分類方法,其特征在于，包括以下步驟：

步驟1，采集茶葉樣本紅外光譜數(shù)據(jù)；

步驟2，對(duì)茶葉樣本紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理；

步驟3，采用主成分分析方法對(duì)預(yù)處理后的茶葉樣本紅外光譜數(shù)據(jù)進(jìn)行降維處理；

步驟4，采用線性鑒別分析提取茶葉訓(xùn)練樣本的紅外光譜的鑒別信息；

步驟5，對(duì)步驟4的訓(xùn)練樣本進(jìn)行可能模糊鑒別C-均值聚類，得到的聚類中心；

步驟6，用一種可能模糊鑒別C-均值聚類方法進(jìn)行茶葉品種的判定；

所述步驟6的具體過(guò)程如下：

1)初始化：設(shè)置參數(shù)a、b的值，a＞0,b＞0，類別數(shù)c，權(quán)重指數(shù)m和η，m,η∈(1,+∞)，測(cè)試樣本數(shù)n；設(shè)置迭代次數(shù)r的初始值；

計(jì)算協(xié)方差矩陣σ²：

其中，x_k為第k個(gè)樣本，為樣本的均值；

2)計(jì)算模糊類間散射矩陣S_fB：

其中，為第r次迭代時(shí)第k個(gè)樣本x_k隸屬于第i類的模糊隸屬度；是為第r次迭代時(shí)第k個(gè)樣本x_k隸屬于第i類的典型值，為第r次迭代時(shí)第i類的類中心值，x_j為第j個(gè)測(cè)試樣本，上標(biāo)T代表矩陣轉(zhuǎn)置運(yùn)算；

3)計(jì)算模糊總體散射矩陣S_fT：

4)計(jì)算特征向量：

其中，為模糊離散度矩陣的逆矩陣，λ是特征向量ψ所對(duì)應(yīng)的特征值；

5)將x_k∈R^q轉(zhuǎn)換到由ψ₁,ψ₂,...,ψ_p組成的特征空間中

y_k＝x_k^T[ψ₁,ψ₂,...,ψ_p]，y_k∈R^p；

其中，p和q均為樣本的維數(shù)，ψ_p為第p個(gè)特征向量；

6)同樣將由R^q空間轉(zhuǎn)化到R^p的

7)在R^p空間計(jì)算y_k的模糊隸屬度函數(shù)值

其中，y_k為R^p空間里第k個(gè)樣本，是第r+1次迭代時(shí)樣本y_k隸屬于類別i的模糊隸屬度值；和分別是第r次迭代計(jì)算的第i類和第j類的類中心值；

在R^p空間計(jì)算y_k的典型值

其中，u_ik^(r+1)是第r+1次迭代計(jì)算的模糊隸屬度值；

8)在R^p空間中計(jì)算i類的類中心值

其中，是第r+1次迭代計(jì)算的第i類的類中心值；

9)增加迭代數(shù)r值，即r＝r+1；直到或者rr_max計(jì)算終止，否則將的值賦給變量的值賦給變量的值賦給變量繼續(xù)從2)開(kāi)始重新計(jì)算；

所述初始模糊隸屬度和初始典型值分別計(jì)算如下：

其中，為第i類訓(xùn)練樣本的類中心值；為第k個(gè)樣本x_k隸屬于第i類的初始模糊隸屬度值，為第j類訓(xùn)練樣本的初始類中心值，第k個(gè)樣本x_k隸屬于第i類的初始典型值；

所述步驟5中獲得聚類中心的方法為：

設(shè)置可能模糊鑒別C-均值聚類的權(quán)重指數(shù)m，最大迭代數(shù)r_max，設(shè)置迭代最大誤差參數(shù)ε；對(duì)步驟4的測(cè)試樣本數(shù)進(jìn)行可能模糊鑒別C-均值聚類，得到的聚類中心作為一種模糊鑒別聚類方法的初始聚類中心V⁽⁰⁾：

其中，為第一類訓(xùn)練樣本的類中心值，為第二類訓(xùn)練樣本的類中心值，為第三類訓(xùn)練樣本的類中心值，

2.根據(jù)權(quán)利要求1所述的一種可能模糊鑒別C-均值聚類的茶葉分類方法，其特征在于，所述步驟1中所述紅外光譜數(shù)據(jù)采用FTIR-7600型傅里葉紅外光譜分析儀測(cè)得。