一种模糊模式识别的白菜农药残留定性分析方法技术

本发明专利技术公开了一种模糊模式识别的白菜农药残留定性分析方法，通过采集待分析蔬菜样本的近红外光谱数据；并将近红外光谱数据分为训练样本x

【技术实现步骤摘要】
一种模糊模式识别的白菜农药残留定性分析方法


[0001]本专利技术涉及机器学习以及人工智能邻域，具体涉及一种模糊模式识别的白菜农药残留定性分析方法。

技术介绍

[0002]目前，施用农药已经成为防治植物虫病害、提高农产品产量和质量的重要举措之一，但是不合理的农药使用会对人类健康和环境带来危害。因此，探索有效检测农药残留浓度的方法对于保证消费者食品安全有着研究价值和意义。
[0003]近红外光谱检测技术是利用物质对光的吸收、散射、反射和透射等特性来确定其含量的一种非破坏性检测技术。因为它符合准确、可靠、快速、无损等特点而被广泛应用于农副产品的检测。对于农药残留量不同的白菜，其反射的近红外光谱存在差异性，利用这个特点，可以定性的分析白菜上的农药残留，从而对其进行分类。
[0004]模糊线性判别(FLDA)是在模糊集基础上，利用模糊类内散射矩阵和模糊总体散射矩阵改进了线性判别分析(LDA)方法，FLDA能有效的提取样本的模糊鉴别信息。但是，FLDA在处理高维光谱数据时，存在“小样本问题”。
[0005]聚类算法分为两大类，第一类算法是硬聚类算法例如k均值聚类算法等，将一个数据集分为不同的类，每个对象只属于一类。第二类为模糊聚类算法，该算法允许一个对象属于多类。由于大多数对象没有严格区别，因此选用模糊聚类算法代替硬聚类算法。模糊C均值聚类算法(FCM)建立在平方误差最小准则基础上的聚类算法，使数据点在所有类中隶属度之和为1，有效地避免了所有隶属度为0的解。

技术实现思路

[0006]为了解决现有技术中存在的不足，本专利技术提出了一种模糊模式识别的白菜农药残留定性分析方法，利用模糊奇异值分解方法有效地解决了现有的模糊线性判别方法的小样本问题。
[0007]本专利技术所采用的技术方案如下：
[0008]S1，采集待分析蔬菜样本的近红外光谱数据；并将近红外光谱数据分为训练样本x
i
和测试样本
[0009]S2，采用模糊奇异值分解法提取蔬菜的近红外光谱数据的鉴别信息；
[0010]S3，采用线性判别分析法对S2中的测试样本和训练样本分别进行转换；
[0011]S4，对S3中进行转换后的测试样本和训练样本采用模糊协方差矩阵聚类方法进行光谱数据聚类分析。
[0012]进一步，所述S2中提取鉴别信息的方法为：
[0013]S2.1，计算训练样本的模糊隶属度u
ij
：
[0014][0015]S2.2，基于训练样本的模糊隶属度u
ij
分别计算训练样本x
i
的模糊类间离散度矩阵S
fB
和模糊类内离散度矩阵S
fW
；
[0016]S2.3，基于模糊类间离散度矩阵S
fB
和模糊类内离散度矩阵S
fW
，分别构造矩阵H
fW
和H
fB
；
[0017]S2.4，由矩阵H
fW
和H
fB
构造矩阵并对矩阵M进行奇异值分解得到对角矩阵R和酉矩阵Q；
[0018]S2.5，再对矩阵P进行奇异值分解得到酉矩阵V，
[0019]S2.6，基于奇异值分解得到的酉矩阵Q、对角矩阵R、酉矩阵V和单位矩阵I构造出矩阵将矩阵W的前3列向量构成的变换矩阵G；
[0020]S2.7，利用变换矩阵G分别对测试样本和训练样本x
i
进行变换，分别得到变换后的测试样本变换后的训练样本y
i
＝x
i
G。
[0021]进一步，在S3中，采用线性判别分析法将测试样本和训练样本y
i
分别转换为测试样本和训练样本z
i
。
[0022]进一步，对光谱数据聚类分析的方法为：
[0023]S4.1，对S3转换后的测试样本运行模糊C均值聚类后得到隶属于第j类的模糊隶属度值u
jt,FCM
和第j类的类中心值v
j,FCM
，并将u
jt,FCM
和v
j,FCM
作为后续模糊聚类的初始模糊隶属度值和初始类中心值；建立模糊聚类目标函数：
[0024][0025]其中，是测试样本到类中心v
j,FCM
的距离测度；d为测试样本的维数；S
fj，FCM
是运行FCM后计算得到的模糊协方差矩阵；
[0026]S4.2，计算参数
[0027]其中，是测试样本到类中心v
s,FCM
的距离测度；
[0028]S4.3，基于步骤S4.2所计算的参数对测试样本进行迭代计算，根据迭代结束时的模糊隶属度值实现对白菜的分类。
[0029]进一步，S4.3中的迭代过程为：
[0030]S4.3.1，计算测试样本隶属于类中心γ
j
的模糊隶属度：
[0031][0032]其中，是测试样本到第j类类中心γ
j
的距离测度，是测试样本到第j类类中心γ
j
的距离测度；
[0033]S4.3.2计算类中心：
[0034]当迭代终止后，根据计算得到的模糊隶属度值对蔬菜近红外光谱进行分类。
[0035]进一步，S
fj，FCM
是运行FCM后计算得到的模糊协方差矩阵，表示为：
[0036][0037]其中，为对测试样本运行模糊C均值聚类后测试样本隶属于第j类的模糊隶属度值，m为权重指数；
[0038]进一步，测试样本到类中心v
s,FCM
的距离测度表示为：
[0039][0040]其中，v
s,FCM
为运行FCM后得到隶属于第s类的聚类中心；S
fs,FCM
为是运行FCM后计算得到的模糊协方差矩阵。
[0041]进一步，测试样本到类中心γ
j
的距离测度表示为：
[0042][0043][0044]其中，S
fj
是第j类的模糊协方差矩阵，
[0045]进一步，用多元散射校正对S1中所采集的蔬菜近红外光谱数据进行预处理。
[0046]本专利技术的有益效果：
[0047]本专利技术所提出的分析方法是利用近红外光谱技术检测四种农药残留，解决了传统硬聚类算法分类效果不理想的问题，具有聚类速度快，分类准确率高的特点。另外，在本发
明方法的分析过程中采用模糊奇异值分解方法对数据进行处理，解决了现有的模糊线性判别方法的“小样本问题”。
附图说明
[0048]图1是本专利技术方法的总流程图；
[0049]图2是测试样本集分布图；
[0050]图3是初始模糊隶属度值的分布图；
[0051]图4是模糊协方差矩阵聚类方法的模糊隶属度图。
具体实施方式
[0052]为了使本专利技术的目的、技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模糊模式识别的白菜农药残留定性分析方法，其特征在于，包括如下步骤：S1，采集待分析蔬菜样本的近红外光谱数据；并将近红外光谱数据分为训练样本x
i
和测试样本S2，采用模糊奇异值分解法提取蔬菜的近红外光谱数据的鉴别信息；S3，采用线性判别分析法对S2中的测试样本和训练样本分别进行转换；S4，对S3中进行转换后的测试样本和训练样本采用模糊协方差矩阵聚类方法进行光谱数据聚类分析。2.根据权利要求1所述的一种模糊模式识别的白菜农药残留定性分析方法，其特征在于，所述S2中提取鉴别信息的方法为：S2.1，计算训练样本的模糊隶属度u
ij
：S2.2，基于训练样本的模糊隶属度u
ij
分别计算训练样本x
i
的模糊类间离散度矩阵S
fB
和模糊类内离散度矩阵S
fW
；S2.3，基于模糊类间离散度矩阵S
fB
和模糊类内离散度矩阵S
fW
，分别构造矩阵H
fW
和H
fB
；S2.4，由矩阵H
fW
和H
fB
构造矩阵并对矩阵M进行奇异值分解得到对角矩阵R和酉矩阵Q；S2.5，再对矩阵P进行奇异值分解得到酉矩阵V，S2.6，基于奇异值分解得到的酉矩阵Q、对角矩阵R、酉矩阵V和单位矩阵I构造出矩阵将矩阵W的前3列向量构成的变换矩阵G；S2.7，利用变换矩阵G分别对测试样本和训练样本x
i
进行变换，分别得到变换后的测试样本变换后的训练样本y
i
＝x
i
G。3.根据权利要求2所述的一种模糊模式识别的白菜农药残留定性分析方法，其特征在于，在S3中，采用线性判别分析法将测试样本和训练样本y
i
分别转换为测试样本和训练样本z
i
。4.根据权利要求3所述的一种模糊模式识别的白菜农药残留定性分析方法，其特征在于，对光谱数据聚类分析的方法为：S4.1，对S3转换后的测试样本运行模糊C均值聚类后得到隶属于第j类的模糊隶属度值u
jt,FCM
和第j类的类中心值v

【专利技术属性】
技术研发人员：刘锦茂，武小红，沈砚君，谭阳，
申请(专利权)人：江苏大学，
类型：发明
国别省市：