摘要
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)将光谱数据降至14维,其14个主成分的累计贡献率为99.74%;然后将降维后的光谱数据使用线性判别分析(LDA)进一步降至2维,同时提取数据中的鉴别信息;最后运行模糊C均值聚类算法(FCM),将其运算得到的聚类中心作为FCLVQ的初始聚类中心参与迭代,设置模糊隶属度的权重指数m=2,最终分类准确率高达95.25%。将FCM算法、 GK算法、模糊Kohonen聚类网络(FKCN)算法与FCLVQ算法的运行结果进行对比,FCM, GK和FKCN的分类准确率分别为90.91%, 92.41%和90.91%。结果表明,与其他三个算法相比较,FCLVQ在m=2,主成分个数为14时有着更好的分类效果,可以用来实现对茶叶品种的准确分类。
- 单位