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

• 作者: 孙俊 嵇港 武小红 武斌 蔡培强
• 来源期刊: 光谱学与光谱分析
• 学科: 化学
• 关键词: 近红外光谱 生菜 品种鉴别 无监督机器学习
• 年，卷（期）: 2016,（3）
• 页码范围: 711-715
• 页数: 5页
• 分类号: O657.3
• 字数: 2828字
• 语种: 中文
• DOI: 10.3964/j.issn.1000-0593(2016)03-0711-05

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	武小红	江苏大学电气信息工程学院	62	694	15.0	24.0
5	孙俊	江苏大学电气信息工程学院	133	1226	19.0	28.0
9	蔡培强	江苏大学京江学院	1	6	1.0	1.0
10	武斌	滁州职业技术学院信息工程系	20	30	2.0	4.0
11	嵇港	江苏大学电气信息工程学院	3	7	1.0	2.0