三维荧光光谱结合Zernike图像矩快速鉴别掺伪芝麻油

为了实现对掺伪芝麻油的快速鉴别,应用FS920荧光光谱仪测定样品的三维荧光光谱数据。将三维荧光光谱图视为灰度图,在没有任何预处理的前提下,直接应用Zernike图像矩提取三维光谱灰度图的特征信息,然后采用类平均法对特征信息进行聚类分析,从定性角度实现掺伪芝麻油的鉴别,并解析其组成成分。最后应用广义回归神经网络(GRNN)对掺伪样本的成分进行定量分析。聚类分析能够以很高的辨识率来识别掺伪芝麻油,并能够正确解析其组成成分。定量模型预测了2组掺伪样本中各成分的相对体积,其平均相对误差分别为2.23%,8.00%,9.70%和9.70%。分析结果表明,Zernike矩能够有效提取光谱的特征信息,光谱数据的Zernike矩特征结合聚类分析以及GRNN模型能够获得良好的定性和定量分析结果,为掺伪芝麻油的鉴别提供了一种新的方法。     

三维荧光光谱结合Tchebichef矩快速鉴别掺伪芝麻油

应用FS920荧光光谱仪测定样品的三维荧光光谱数据,直接利用Tchebichef矩提取三维光谱灰度图的特征信息,然后对其进行聚类分析,最后通过逐步回归建立样本中各成分的线性模型。聚类分析能够准确识别掺伪芝麻油,并正确解析其组成成分,得到的线性模型相关系数R>0.99。研究表明,Tchebichef矩能够有效提取光谱的特征信息,应用于掺伪芝麻油鉴别可获得良好的定性和定量分析结果。     

结合小波压缩和APTLD的三维荧光光谱技术在掺伪麻油鉴别中的应用

将三维荧光光谱技术、小波压缩和交替惩罚三线性分解算法(APTLD)结合,提出了一种鉴别掺伪芝麻油的新方法。利用荧光光谱仪测量纯芝麻油及掺伪芝麻油样本的三维荧光光谱,通过激发校正和发射校正消除仪器带来的误差,得到样本的真实三维荧光光谱数据;利用小波压缩对处理后的真实数据进行压缩,以减少冗余信息,其中压缩分数和数据恢复分数分别大于94.00%和98.00%;利用APTLD算法对压缩后的数据进行定性及定量分析,得到的回收率为97.0%～99.8%,预测方均根误差不大于0.120。研究结果表明,所提方法能够准确鉴别纯芝麻油及掺伪芝麻油样本,并对其组分含量进行预测。     

基于FTIR的芝麻油真伪鉴别和掺伪定量分析模型

把低价油掺入到高价油是食用油脂中的常见掺伪现象,芝麻油由于品质好价格高,市场上时有假冒伪劣产品,因此应用FTIR并结合化学计量学,建立了芝麻油的真伪和掺伪的快速分析方法。首先分析了芝麻油与大豆油、葵花籽油在4 000～650 cm-1范围的FTIR谱图,由于食用植物油都是不同脂肪酸甘油三酯的混合物,其谱图极为相似,很难发现芝麻油与其他油脂的明显差异。但是不同食用油的脂肪酸组成不同,其1 800～650 cm-1红外指纹特征区也有所不同,因此可以选择该区域,对红外光谱数据用化学计量学方法进行分类识别。通过建立主成分分析(PCA)和簇类独立软模式识别(SIMCA)模型,进行了芝麻油的真伪鉴别,该模型聚类效果较为理想,识别正确率达到了100％;采用标准正态化校正(SNV)和偏最小二乘法(PLS),经过PCA分析计算,芝麻油中掺入大豆油、葵花籽油的掺伪检测限均为10%;利用FTIR和PLS,建立了芝麻油掺的定量分析模型,该模型预测值与实际值有着良好的对应关系,预测相对误差为-6.87％～8.07％之间,说明定量模型可行。本方法能够实现芝麻油的快速真伪鉴别和掺伪定量分析,其优点是模型一旦建立,分析简便、快速,可以满足大量样品的日常监测。     

荧光光谱成像技术结合聚类分析及主成分分析的藻类鉴别研究

为探讨快速、实时藻类检测方法,实验通过荧光光谱成像技术结合模式识别方法对不同藻类进行鉴别研究。发现藻类样本存在着显著的荧光特性,通过采集40个藻类样品的荧光光谱图像,对图像进行去噪、二值化处理,确定有效像素后,根据光谱立方体绘制每个样本的光谱曲线,将所得400～720 nm区段范围内的光谱数据作鉴别分析,再利用系统聚类分析及主成分分析两种不同的模式识别法对光谱数据进行处理。系统聚类分析结果表明： 采用欧氏距离法及平均加权法计算样本间的聚类距离,在距离L=2.452以上水平处可将样本正确分类,准确率为100%;主成分分析结果表明： 通过对原始光谱数据进行一阶微分、二阶微分、多元散射校正、变量标准化等预处理后,再对数据进行主成分分析,其中二阶微分预处理后鉴别效果最佳,八种藻类样品在主成分特征空间中独立分布。因此,利用荧光光谱成像技术结合聚类分析法及主成分分析法对藻类进行鉴别是可行的,操作简便、快速、无损。     

荧光光谱法快速鉴别花生油、芝麻油和调和油

比较分析了不同品种、同品种不同厂家、不同批次的市售花生油、芝麻油、调和油的分子荧光光谱差异特征,结合系统聚类分析法进行品种鉴别。结果表明:3种食用植物油的荧光光谱图具有各自不同特征,同一品种不同厂家的谱图存在一定的差异,同品种同厂家不同批次的也有微小差异。提取荧光谱图特征信息,利用系统聚类和三维聚类识别模式,从宏观上简便、直观、快速地鉴别3种食用植物油的品种。     

三维荧光光谱结合PCA-SVM对几种浓香型白酒的鉴别

提出一种利用三维荧光光谱技术鉴别不同品牌浓香型白酒的方法。运用FLS920荧光光谱仪测量了七个不同品牌浓香型白酒的三维荧光光谱,不同品牌浓香型白酒的荧光光谱特征相似,仅凭荧光特征参数较难区分。采用求偏导和小波压缩相结合的数据预处理方法,求解光谱数据中每一激发波长下,荧光强度对发射波长的一阶和二阶偏导数,选取db7紧支撑正交小波对数据进行压缩,选择4尺度分解后的近似系数作为新的数据矩阵,然后做主成分分析(PCA)。将提取的主成分作为支持向量机(SVM)的输入,并利用K-fold交叉验证的方法寻找支持向量机的最优参数c和γ,建立不同品牌白酒的分类鉴别模型。从每个品牌白酒中随机选取14个样本,共98个样本组成训练集,其余的42个样本组成预测集。分别比较了数据不求偏导,对数据求一阶偏导和二阶偏导的预处理后对鉴别模型的影响。结果表明：三维荧光光谱经过二阶偏导的预处理后,结合主成分分析和支持向量机能很好地实现不同品牌浓香型白酒的分类鉴别,模型的准确率为98.98%,预测集的准确率为100%。该方法具有简单,快速,成本低的优点,可为中国白酒的检测和鉴别技术的发展提供帮助。     

近红外光谱技术在食用油掺伪检测中的研究进展

食用油是日常饮食的必需品，可以为人体提供热能和脂肪酸，是促进脂溶性维生素吸收的重要有机物。随着人们生活水平的提高，高档食用油已走进大众百姓的餐桌，并深受欢迎和喜爱。由于高档食用油市场售价高，一些不法厂商为牟取暴利，在高档食用油中掺入廉价食用油进行出售，导致食用油掺伪事件时有发生，已引起政府和民众的广泛关注。为保障消费者的合法利益和维护正常的食用油市场秩序，快速有效地检测食用油掺伪已刻不容缓。近红外光谱技术以其简便、快速、无损、无需样品预处理的特点，被广泛应用于食用油掺伪分析。概述了近红外光谱技术的基本原理，综述了近十年来近红外光谱技术在橄榄油、山茶油、芝麻油、核桃油等食用油的掺伪检测研究进展，包括采用不同的试验装置与试验方法、数据处理方法包括预处理、特征波长选择及建模方法，对二元、三元及多元食用油掺伪进行检测研究，从试验方法及数据处理等角度提高食用油掺伪检测的精度与适用范围，以期建立较为有效的食用油掺伪定量检测与定性鉴别模型。总结了食用油掺伪近红外光谱检测目前存在的问题，包括食用油掺伪检测机理不明晰，制备的掺伪食用油样本难以满足实际的复杂掺伪形式，采用取样方式的掺伪检测仅能实现现场部分...     

基于集合经验模态分解的拉曼光谱信号特征研究

拉曼光谱信号是一种基于分子振动的散射信号,拉曼光谱仪的激光源波长一般为纳米级,考虑到散射频移,拉曼光谱有效信息主要集中在较高频段。拉曼信号是典型的非平稳信号,并且由于拉曼散射比较弱,信号很容易被高频噪声和荧光背景干扰,想获取较为全面的拉曼信息,需要对信号进行处理,小波变换对拉曼信号的分析结果取决于小波基的选择,不同小波基处理结果有差异;经验模态分解(EMD)方法可以自适应的分析信号,不需要设置参数,但存在模态混叠的问题;集合平均经验模态分解(EEMD),有效的解决了EMD方法中存在的模态混叠问题,能更加清晰的将信号中的不同频率成分划分开来,因此更加适合频率成分丰富的拉曼信号的特征分析和处理。采集了市面上常见的大豆油、花生油、玉米油和葵花籽油样本,通过拉曼光谱仪获得了各自的拉曼光谱信号。使用集合经验模态分解对食用油拉曼光谱信号进行自适应分解和处理,一共获得了10阶固有模态函数(IMF),根据信号的能量分布以及幅值特性, IMF1和IMF2表征为信号中的噪声部分, IMF3-IMF7表征为拉曼特征信号部分,最后一阶IMF10表征为荧光背景成分, IMF8和IMF9为其他物理意义的频率成分。通过对有效信号段的特征增强并重构拉曼信号,使拉曼信号的信噪比获得了2～5倍的提升,其中,难以探测的酯键羰基伸缩振动位于1 745 cm~(-1)的谱峰得到了显著的增强。最后,将原始信号和经过特征增强的信号通过基于连续小波变换的惩罚最小二乘法进行了二次处理,并将获得的信号进行主成分分析后,可知:没有增强的不同类数据样本相互有重叠,不存在明显的类间距,很难完整的区分类型;基于特征增强的数据样本各自聚集,每种类型都可以相互鉴别,可为拉曼光谱信号处理提供一种新的途径。     

植物油荧光光谱有效信息提取及其自动分类

植物油市场中出售的芝麻油、玉米油和花生油有多种品牌,不同品牌间价格差距较大,且存在假冒的现象,利用荧光光谱技术可以无损地鉴别购买油种是否为标签所标种类。主成分分析方法及平行因子方法可对这3种油种进行人工分类,但其存在类间距离相比于类内距离过小的不足,在结合传统的聚类分析方法时,会造成误分类现象。本文以提高类间距离、达到正确聚类为目标,经过比较分析,选择均值、标准差、光谱重心坐标、二阶混合中心距、相关系数、等价椭圆二倍倾角正切值、在重心激发波长处的发射光谱的偏度系数和峰度系数作为统计参数,相比于直接使用聚类方法,芝麻油分类的正确率从92.3%提高到100%,玉米油分类的正确率从75%提高到100%,花生油从57.1%提高到100%。用偏最小二乘判别分析方法验证了本文方法的合理性。本文方法可以用于植物油检测仪器的自动分类,利于市场监管及指导人们日常消费。     

茶叶傅里叶红外光谱的可能模糊K调和均值聚类分析

茶叶的品种不同,其有机化学成分含量往往不同,其功效也是不尽相同的,因此,研究出一种简单、高效、识别率高的茶叶品种鉴别技术方法是十分有必要的。中红外光谱技术是一种快速检测技术,在用中红外光谱仪采集得到的茶叶中红外光谱中含有噪声信号。为了对含噪声茶叶中红外光谱的准确分类以实现茶叶品种分类,将可能模糊C-均值聚类(PFCM)思想应用到K调和均值(KHM)聚类,设计出一种可能模糊K调和均值(PFKHM)聚类算法,计算出PFKHM的模糊隶属度、典型值和聚类中心。可能模糊K调和均值聚类能有效解决K调和均值聚类的噪声敏感性问题。用傅里叶红外光谱分析仪(FTIR-7600型)分别对三种茶叶(优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰)进行扫描以获取它们的傅里叶中红外光谱。光谱波数区间是4 001.569～401.121 1 cm-1。先采用主成分分析法(PCA)将光谱数据压缩到20维,再采用线性判别分析(LDA)将光谱数据压缩到两维并提取鉴别特征信息。最后分别用K调和均值聚类和可能模糊K调和均值聚类实现茶叶品种分类。实验结果：当权重指数m=2,q=2和p=2时,KHM具有91.67%的聚类准确率,PFKHM聚类准确率达到94.44%;KHM迭代12次达到收敛,而PFKHM迭代11次就可以达到收敛。采用傅里叶红外光谱技术检测茶叶,用主成分分析和线性判别分析压缩光谱数据,再用可能模糊K调和均值聚类进行品种分类可快速、准确地实现茶叶品种的鉴别。     

模糊协方差学习矢量量化的茶叶品种分类研究

茶叶是全球最受欢迎饮品之一,且具有丰富的营养价值,但目前市面上的茶叶鱼龙混杂,难以辨别。因此,快速准确的分类方法对茶叶进行鉴别具有重要的研究意义。由于大多数化合物基频吸收带均出现在波长为2 500～25 000 nm的中红外区域,茶叶的中红外光谱中含有大量关于茶叶品种的特征鉴别信息,利用这一显著特点可以对其进行分类。提出模糊协方差学习矢量量化(FCLVQ),该算法在GK(Gustafson-Kessel)聚类的基础上,引入学习向量量化(LVQ)中学习速率的概念,用以控制模糊类中心的更新速率。FCLVQ结合中红外光谱,通过不断迭代计算样本模糊隶属度值和模糊聚类中心,实现对茶叶的快速精准分类。选取市场上的峨眉山茶叶、优质竹叶青茶叶、劣质竹叶青茶叶作为实验对象。将实验对象分为3组(每个品种各1组),每组32个,共计96个样本。利用FTIR-7600型傅里叶红外光谱分析仪分别采集每组样本的中红外光谱数据,每组样本采集三次,取其平均值作为样本的红外光谱数据。首先,由于原始光谱含有噪声数据,故使用多元散射校正(MSC)作降噪预处理;其次,由于光谱数据维数高达1 868维,采用主成分分析(PCA)将...     

基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究

为解决模糊学习矢量量化(FLVQ)对噪声数据敏感问题,在无监督可能模糊聚类(UPFC)基础上提出一种无监督可能模糊学习矢量量化(UPFLVQ)算法。UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率,计算类中心矢量。UPFLVQ 属于无监督机器学习算法,适用于无学习样本情况下的样本分类。研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。采用FieldSpec@3型便携式光谱分析仪获取波长范围为350～2 500 nm的三种生菜样本的短波近红外光谱和长波近红外光谱,然后采用主成分分析(PCA)进行近红外光谱的维数压缩,取前三个主成分,累计可信度达97.50%,将2151维的近红外光谱压缩为三维数据。再运行模糊C-均值聚类(FCM)至迭代终止,并以FCM的类中心作为UPFLVQ的初始聚类中心,最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。同时,运行UPFC进行近红外光谱的生菜品种鉴别。实验结果表明：UPFLVQ和近红外光谱技术相结合的模型具有检测速度快,鉴别准确率高,对生菜不造成损坏等优点,可实现不同品种生菜的鉴别。UPFLVQ是将UPFC和FLVQ相结合的聚类算法,利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本,适用于线性可分的数据聚类,为快速和无损地鉴别生菜品种提供了一种新的方法。     

基于三维荧光光谱的Krawtchouk图像矩算法在多环芳烃定量分析中的应用

以多环芳烃中的芴和苊为研究对象,提出一种将三维荧光光谱技术与Krawtchouk图像矩、广义回归神经网络相结合的定量分析的方法。利用FS920荧光光谱仪获取样品的三维荧光光谱数据,得到对应的三维光谱灰度图。直接计算三维光谱灰度图的Krawtchouk矩,将得到的Krawtchouk矩经平均影响值筛选后作为广义回归神经网络的输入,建立多环芳烃(PAHs)的定量模型。预测8组混合溶液的测试样本,芴和苊的平均相对误差分别为0.98%和2.15%。研究结果表明,Krawtchouk矩经过筛选后预测结果更为准确,该方法能够有效提取光谱的特征信息,简单、准确的预测PAHs的浓度。     

基于拉曼光谱-模式识别方法对奶粉进行真伪鉴别和掺伪分析

奶粉的真伪和掺伪近年来受到广泛的关注,研究一种操作便捷,能准确、快速、全面鉴定奶粉品牌并实现奶粉掺假鉴别的新方法对于奶粉的质量控制具有重要的意义。为实现奶粉的真伪鉴别,采集三种品牌奶粉贝因美、飞鹤和雀巢的拉曼光谱,并利用拉曼谱图特征峰结合最近邻算法(nearest neighbor,NN)的模型对三种品牌奶粉进行识别,在10次交叉验证的基础上,平均识别率为99.56%。为实现奶粉的掺伪分析,将飞鹤奶粉与雀巢奶粉按不同质量比(0∶1,1∶3,1∶1,3∶1,1∶0)混合成五种掺伪奶粉,提取掺伪奶粉中的脂肪,采集脂肪样本的拉曼光谱,分别使用拉曼谱图特征峰结最近邻算法的模型和核主成分分析(kernel principal components analysis,KPCA)结合最近邻算法的模型对五种脂肪样本进行识别,10次交叉验证下的平均识别率分别为93.33%和98.89%,平均运算时间分别为0.085和0.104 s。实验证明：特征峰结合NN的算法可以快速实现对奶粉真伪的判别,但此算法不能很好的区分掺伪奶粉;拉曼光谱-KPCA-NN模型可以为奶粉的掺伪检测提供一种简便、准确、快速的方法。     

两类红花和牛黄的太赫兹光谱法真伪鉴别分析

藏红花和天然牛黄是广泛应用于临床实践的中药材，由于产量较低、药用价值和价格高，市场需求量大等因素，掺伪和伪品较多，不仅严重损害患者健康，而且妨碍市场正常运转。传统的“一看、二闻、三泡”等经验鉴别方法已经越来越难以分辨高仿伪品；而通过化学提取和色谱、质谱等理化检测方法往往步骤繁琐、费时，且对检测环境、人员及设备的要求和依赖度较高，不能适应现场、快速、简便等实际需求，亟需探索新的有效检测方法和鉴别技术。太赫兹时域光谱(THz-TDS)不但具有单纯化合物的高度专属性和特异性，又具有混合体系的“宏观指纹特征”，可以鉴别混合物化学成分的多样性和复杂性。另外，主成分分析(PCA)作为一种常用的统计分析手段，主要是用少数几个且能最大解释原始数据方差的综合变量来取代原始变量，可以对不同种类的样本进行模式识别。采用粉末研磨压片技术分别压制了藏红花和草红花样品各18个、天然牛黄和人工牛黄各20个，并利用太赫兹时域光谱测试技术分别测量了两种名贵中药材及其伪品在0.3～2.5 THz范围的吸收光谱，最后利用主成分分析方法对获得的光谱数据进行分类识别。为了提高PCA对测试数据的鉴别能力，一方面将数据集映射到一组基(特征向量)进行简化，选用较大的特征值代替原来的主要光谱信息；另一方面，为了消除无关因素对分类处理的干扰，在进行PCA之前采取了Savitzky-Golay(S-G)平滑处理进行降噪，去除冗余、不相关的光谱特征；然后通过Fisher诊断线进行判别分析。对比未处理和经过S-G平滑处理的主成分得分图，可以看出平滑处理后的分类效果明显优于未做处理的，在未处理的得分图中，两类样品点重叠比较严重，而经过平滑后的得分图却只有相对较少的部分样品点重叠，由此可以看出SG平滑在光谱识别中的重要性；另外，前两个主成分(PC1和PC2)已经基本能反映光谱之间的差异性。分类结果显示，藏红花和草红花具有明显的聚类趋势，分类鉴别准确率均为100%；而人工牛黄和天然牛黄的类内样品基本聚在一起，但是类间略有重叠，分类鉴别准确率分别为100%和90%。除此之外，样本的主成分得分图还可以反映样本的内部特征和聚类信息。其中，藏红花样本由于藏红花素、藏红花酸等化合物成分含量较高，聚合度较好，分布范围相对集中；反之，天然牛黄为胆囊分泌物，成分较为复杂，聚类效果较差，分布范围较广。研究结果表明，太赫兹光谱技术结合主成分分析可以区分藏红花和草红花以及天然牛黄和人工牛黄，结果可靠。该研究结果为丰富中草药的质量标准提供检测手段和理论依据。     

基于光谱反射率数据的水面油种鉴别研究

为探讨一种快速、及时对水上油膜种类进行鉴别的方法,采用水上油膜反射率光谱数据结合聚类分析方法、主成分分析方法和小波变换分别对厚度为300,500和1 000 μm的煤油,300,1 000和1 500 μm的润滑油,50,300和500 μm的轻柴油和500,2 000 μm的180#柴油等四种常见溢油油种进行判别研究。聚类分析结果表明：采用欧氏距离计算样本间的聚类距离,在距离L=8.976以上能够将样本正确分类,准确率100%;对同一油种油膜而言,油膜厚度接近的更易聚类;主成分分析结果表明：对原始数据、小波概要系数和小波细节系数分别进行主成分分析,其中小波细节系数对油种区分效果最佳,四种油膜样品在主成分得分空间中独立分布。利用反射率光谱数据结合聚类分析和基于小波细节系数的主成分分析对水上油膜种类的鉴别是可行的。     

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析（2D-LDA）对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻（KNN）分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类（柴油、汽油、航空煤油、润滑油）样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。     

一种广义噪声聚类的红外光谱茶叶品种鉴别研究

茶叶品种鉴别在茶叶的生产和销售中起着十分重要的作用。深入研究一种方法简单、易于操作、检测速度快的茶叶品种的鉴别方法,对于茶叶产品品种的鉴别有着十分重要的意义。利用红外光谱检测技术结合模糊聚类算法对茶叶品种进行快速鉴别是茶叶品种检测中最有效的和最实用的技术之一。为实现茶叶品种的快速分类,以快速广义噪声聚类(FGNC)为基础,提出一种新的广义噪声聚类(NGNC)。NGNC将FGNC目标函数中的欧式距离的平方扩展为欧式距离的p次方,提高了FGNC的聚类准确率。试验以优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰三种茶叶为研究对象,采用FTIR-7600型傅里叶红外光谱仪检测茶叶样本的红外漫反射光谱。首先用主成分分析(PCA)对茶叶的高维红外光谱进行降维处理,然后用线性判别分析(LDA)进行茶叶光谱数据的品种类别信息的提取,最后分别运行FGNC和NGNC两种聚类算法进行茶叶红外光谱的聚类分析。实验结果表明,同FGNC相比较,NGNC具有更高的聚类准确率,更快的收敛速度和更逼近真实的聚类中心。总体而言,采用红外光谱技术检测茶叶样本,同时结合PCA,LDA和NGNC可实现快速、准确地聚类茶叶的红外光谱,能有效地实现茶叶品种的鉴别分析,为实现基于红外光谱和模糊聚类的茶叶品种鉴别分析提供了一种新方法和新思路。     

基于小波不变矩的多类目标特征选择算法

特征选择是目标识别中的重要问题。对于有着3个参数（m,n,q）的小波矩来说更是如此。基于2类模式的特征选择思想,提出多类模式下绝对可分的特征选择算法,给出图像数值化处理中参数(m,n,q)的合理取值范围。实验结果表明：无论是对差别比较大、差别比较小还是混合型的多类目标,经过此特征提取出来的小波矩都有着较好的识别效果。