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.pdfVIP

第36卷，第3期 光谱学与光谱分析 V01．36，No．3，ppTll—715 and March，2016 20 1 6年3月 SpectralAnalysis Spectroscopy 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 武小红1’2，蔡培强3，武斌4，孙 俊1’2，嵇 港1 1．江苏大学电气信息工程学院，江苏镇江212013 2．江苏大学机械工业设施农业测控技术与装备重点实验室，江苏镇江212013 3．江苏大学京江学院，江苏镇江212013 4．滁卅职监技术学院信息工程系，安徽滁州 239000 摘要为解决模糊学习矢量量化(FI。VQ)对噪声数据敏感问题，在无监督可能模糊聚类(UPF℃)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颜学习矢 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 500 析仪获取波长范围为350～2 nlTl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的类中一U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UPFIⅣQ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颏的方法。 关键词近红外光谱；生菜；品种鉴别；无监督机器学习 中图分类号：0657．3文献标识码：A DOI：10．3964／j．issm1000—0593{2016}03—0711—05 谱是不同的，利用这个原理，可以实现生菜品种的鉴别。近 引 言 红外光谱仪器采集的原始光谱中除了包含与样品组成有关的 信息外，也包含了来自背景和检测过程中产生的嗓声信 生菜是人们经常食用的主要蔬菜之一，它营养价值高， 号[“。噪声信号混杂在近红外光谱信息中，消除这些噪声信 含有膳食纤维，蛋白质，维生素和莴苣素等营养成分[1]。不 号比较困难，导致不能正确建立样本的数据模型和实现对样 同品种的生菜其外部品质和内部品质都不相同，如何选择产 品组成成分或性质的预测。 量高，品质高的生菜品种是农业科技工作者研究的重要课 模糊学习矢量量化是建立在模糊c-均值聚类(FCM)和 题，因此研究一种简单、快速、非破坏的生菜品种鉴别方法 Kohonen聚类网络基础上的聚类方法[73。模糊学习矢量量化 是非常必要的。 利用模糊G均值聚类的隶属度作为学习网络的学习速率。但 近红外光谱是研究红外光与物质分子之间相互作用的吸 是FCM建立在可能性约束条件(即同一个样本对所有类别 收光谱，是鉴定化合物和分析有机物结构的有效工具。近红 的隶属度之和为1)基础上，对噪声数据敏感，影响聚类