一種基于優(yōu)化的模糊學(xué)習(xí)矢量量化的蘋果分類方法
【專利摘要】本發(fā)明是一種基于優(yōu)化的模糊學(xué)習(xí)矢量量化的蘋果分類方法，其包括以下步驟：第一步，蘋果樣本近紅外光譜采集；第二步，用主成分分析方法對蘋果的近紅外光譜進(jìn)行降維處理；第三步，運(yùn)行模糊C-均值聚類以得到初始聚類中心；第四步，用優(yōu)化的模糊學(xué)習(xí)矢量量化方法進(jìn)行蘋果品種的分類。本發(fā)明解決了模糊學(xué)習(xí)矢量量化處理含噪聲數(shù)據(jù)時(shí)對噪聲敏感的問題，具有檢測速度快，分類準(zhǔn)確率高，分類效率高，對蘋果不造成損壞等優(yōu)點(diǎn)，可實(shí)現(xiàn)不同品種蘋果的分類。
【專利說明】一種基于優(yōu)化的模糊學(xué)習(xí)矢量量化的蘋果分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于人工智能【技術(shù)領(lǐng)域】，尤其是一種基于優(yōu)化的模糊學(xué)習(xí)矢量量化的蘋果分類方法。
【背景技術(shù)】
[0002]蘋果是我國主要的水果之一，蘋果的采后處理、品質(zhì)判斷及檢測一直是農(nóng)產(chǎn)品加工研究的重要課題。蘋果品種不同則它的大小、顏色、外觀形狀等外部品質(zhì)到口感、糖分含量、酸度和維生素含量等內(nèi)部品質(zhì)都是不相同的，隨著蘋果采后處理技術(shù)的發(fā)展，蘋果品種的鑒別變得越來越重要，所以研究一種簡單、快速、非破壞的蘋果品種鑒別方法是非常必要的。
[0003]近紅外光譜是波長在780?2526nm范圍里的電磁波，其吸收譜帶對應(yīng)于有機(jī)物質(zhì)分子基頻振動(dòng)的倍頻和組合頻，是解析有機(jī)物質(zhì)結(jié)構(gòu)的強(qiáng)有力工具，被廣泛用于定量分析、定性鑒別物質(zhì)。近紅外光譜技術(shù)具有非破壞性檢測，檢測速度快，可同時(shí)檢測多種成分等優(yōu)點(diǎn)。近紅外光譜射向蘋果后得到漫反射光譜，在不同品種的蘋果上獲得的漫反射光譜是不同的，利用這個(gè)原理，可以實(shí)現(xiàn)不同品種的蘋果分類。但是，近紅外采集過程中會(huì)采集到一些噪聲信號，這給近紅外光譜數(shù)據(jù)的處理帶來誤差。
[0004]模糊學(xué)習(xí)矢量量化是一種無監(jiān)督的學(xué)習(xí)方法(Tsao E C, Bezdek J C，Pal NR.Fuzzy Kohonen clustering networks.Pattern Recognition, 1994,27 (5):757 -764.)。模糊學(xué)習(xí)矢量量化是將模糊C-均值聚類(FCM)引入到Kohonen聚類網(wǎng)絡(luò)的學(xué)習(xí)速率和更新策略中。但是FCM建立在可能性約束條件基礎(chǔ)上，對噪聲敏感。所以，建立在FCM基礎(chǔ)上的模糊學(xué)習(xí)矢量量化也對噪聲敏感。為了克服FCM的這個(gè)缺點(diǎn)，Krishnapuram和Keller放棄了 FCM的可能性約束條件,提出了可能性C-均值聚類(PCM)(Krishnapuram R, Keller J.A possibilistic approach to clustering.1EEE Trans.Fuzzy Systems, 1993，1(2):98-110.)。PCM能夠聚類包含噪聲的數(shù)據(jù)。本發(fā)明是將優(yōu)化參數(shù)的PCM引入到Kohonen聚類網(wǎng)絡(luò)的學(xué)習(xí)速率和更新策略中而得到的。從而解決了模糊學(xué)習(xí)矢量量化方法對噪聲敏感的問題。
[0005]目前，在應(yīng)用近紅外光譜技術(shù)分類水果時(shí)對近紅外光譜的分類方法主要有人工神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)和k_近鄰法等方法。這些方法屬于有監(jiān)督的學(xué)習(xí)方法，即它們需要學(xué)習(xí)樣本來獲取先驗(yàn)知識(shí)。在沒有學(xué)習(xí)樣本，或者學(xué)習(xí)樣本比較少的情況下運(yùn)用以上方法進(jìn)行水果分類時(shí)會(huì)導(dǎo)致分類準(zhǔn)確率低而難以實(shí)現(xiàn)水果的正確分類。

【發(fā)明內(nèi)容】

[0006]針對上述現(xiàn)有的分類方法的缺陷和不足，本發(fā)明的目的是提出一種基于優(yōu)化的模糊學(xué)習(xí)矢量量化的蘋果分類方法。該方法用近紅外光譜技術(shù)獲取蘋果的近紅外光譜，用主成分分析對蘋果的近紅外光譜進(jìn)行降維處理，運(yùn)行模糊C-均值聚類以得到初始聚類中心，用優(yōu)化的模糊學(xué)習(xí)矢量量化方法進(jìn)行蘋果品種的分類。本發(fā)明屬于無監(jiān)督學(xué)習(xí)方法，不需要學(xué)習(xí)樣本，能快速、無損的分類蘋果。
[0007]本發(fā)明依據(jù)的原理:研究表明，蘋果的近紅外漫反射光譜包含了蘋果內(nèi)部的糖度，酸度和可溶性固形物等內(nèi)部品質(zhì)信息，品種不同的蘋果所對應(yīng)的近紅外漫反射光譜也不同。用優(yōu)化的模糊學(xué)習(xí)矢量量化方法可以實(shí)現(xiàn)蘋果品種的分類。
[0008]根據(jù)上述原理，采用的技術(shù)方案包括以下步驟:
[0009]步驟一、在恒溫恒濕環(huán)境下，蘋果樣本近紅外光譜采集:針對不同品種的蘋果樣本，用近紅外光譜儀對這些蘋果樣本投射近紅外，獲取蘋果樣本的近紅外漫反射光譜信息，將光譜信息存儲(chǔ)在計(jì)算機(jī)里。
[0010]步驟二、對蘋果樣本近紅外光譜進(jìn)行降維處理:采用主成分分析方法(PCA)將蘋果樣本近紅外光譜從高維數(shù)據(jù)降到相對較低的低維數(shù)據(jù)，并保存這些數(shù)據(jù)。
[0011]步驟三、模糊C-均值聚類以得到初始聚類中心:對降維后的蘋果近紅外數(shù)據(jù)運(yùn)行模糊C-均值聚類，得到初始的聚類中心。
[0012]步驟四、用優(yōu)化的模糊學(xué)習(xí)矢量量化方法進(jìn)行蘋果品種的分類:根據(jù)步驟(3)的初始的聚類中心運(yùn)行優(yōu)化的模糊學(xué)習(xí)矢量量化方法得到模糊隸屬度，根據(jù)模糊隸屬度可將不同品種蘋果進(jìn)行分類。
[0013]所述步驟一中近紅外漫反射光譜信息是指光譜的波數(shù)范圍為10000~4000cm-l，采集到每個(gè)蘋果樣本的光譜是1557維的數(shù)據(jù)。
[0014]所述步驟二中用主成分分析方法進(jìn)行降維時(shí)，在滿足主成分的累計(jì)可信度>95%條件下選取主成分個(gè)數(shù)。
[0015]所述步驟四中的優(yōu)化的模糊學(xué)習(xí)矢量量化方法如下:
[0016]1.初始化
[0017](I)固定蘋果近紅外光譜樣本類別數(shù)c和權(quán)重指數(shù)Hici的值，η為樣本數(shù)，n>c>l，+ 00 >m0>l;
[0018](2)計(jì)算蘋果近紅外光譜樣本的協(xié)方差σ 2
[0019]
【權(quán)利要求】
1.一種基于優(yōu)化的模糊學(xué)習(xí)矢量量化的蘋果分類方法，其特征是包括如下步驟:a.在恒溫恒濕環(huán)境下，針對不同品種的蘋果樣本，用近紅外光譜儀對這些蘋果樣本投射近紅外，獲取蘋果近紅外漫反射光譜信息，將蘋果近紅外漫反射光譜信息存儲(chǔ)在計(jì)算機(jī)里；b.采用主成分分析方法將蘋果近紅外漫反射光譜信息進(jìn)行降維處理，在滿足主成分的累計(jì)可信度> 95%的條件下選取主成分個(gè)數(shù)，并保存降維后的蘋果近紅外數(shù)據(jù)；c.對降維后的蘋果近紅外數(shù)據(jù)運(yùn)行模糊C-均值聚類，得到初始的聚類中心vw；d.對初始的聚類中心運(yùn)行優(yōu)化的模糊學(xué)習(xí)矢量量化方法得到模糊隸屬度，根據(jù)模糊隸屬度將不同品種蘋果進(jìn)行分類。
2.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化的模糊學(xué)習(xí)矢量量化的蘋果分類方法，其特征是:所述累計(jì)可信度為前i個(gè)主成分特征值除以總的特征值之和。
3.根據(jù)權(quán)利要求1所述的一種基于優(yōu)化的模糊學(xué)習(xí)矢量量化的蘋果分類方法，其特征是所述優(yōu)化的模糊學(xué)習(xí)矢量量化方法包括如下步驟:1)固定蘋果近紅外光譜樣本類別數(shù)c，權(quán)重指數(shù)IV樣本數(shù)n，最大迭代次數(shù)tfflax,n>c>l, + - >mQ>l，計(jì)算蘋果近紅外光譜樣本的協(xié)方差。2，
【文檔編號】G06K9/62GK103646252SQ201310649236
【公開日】2014年3月19日 申請日期:2013年12月5日 優(yōu)先權(quán)日:2013年12月5日
【發(fā)明者】武小紅, 武斌, 孫俊, 傅海軍 申請人:江蘇大學(xué)