生菜的新鲜程度是影响生菜品质的最重要因素之一, 其主要取决于生菜的储藏时间, 因此, 对不同储藏时间的生菜进行准确鉴别具有重要研究价值。 由于不同储藏时间生菜的近红外光谱数据具有差异性的特点, 因而使用近红外为不同储藏时间的生菜进行鉴别分类是可行的。 通过将联合模糊C均值聚类(allied fuzzy c-means, AFCM)中的欧式距离测度替换为指数距离测度从而提出了一种GG联合模糊聚类(Gath-Geva AFCM, GGAFCM)分析算法。 GGAFCM通过迭代计算得到模糊隶属度值和典型值, 再结合近红外光谱实现了对不同存储时间生菜的高效精准鉴别。 以新鲜的生菜样本作为研究对象, 使用傅里叶近红外光谱仪(Antaris Ⅱ型)每隔12 h对生菜样本采集漫反射光谱数据, 光谱的波数范围介于10 000~4 000 cm-1之间。 首先, 通过主成分分析(principal component analysis, PCA)对采集到的1 557维生菜近红外光谱数据进行数据压缩将其降至22维, 然后通过模糊线性判别分析(fuzzy linear discriminant analysis, FLDA)对降维后的近红外漫反射光谱数据的鉴别信息进行提取。 设定鉴别向量数为2, 即通过FLDA将22维的生菜近红外光谱数据转换为了2维数据。 最后将模糊C均值聚类(fuzzy c-means, FCM)的聚类中心作为GGAFCM和AFCM的初始聚类中心, 通过运行FCM, GGAFCM和AFCM完成对不同储藏时间生菜的鉴别分类, 并对三种模糊聚类算法得到的聚类准确率、 模糊隶属度、 迭代次数进行分析。 实验结果表明: 在初始化条件相同的情况下, 采用的GGAFCM算法与FCM和AFCM算法相比具有更高的鉴别准确率。 在m=2的情况下, GGAFCM的鉴别准确率达到了95.56%, 而AFCM的聚类准确率为91.11%。 GGAFCM迭代4次达到收敛, 而AFCM与FCM均需要8次迭代计算才能达到收敛。 基于近红外光谱技术, 通过GGAFCM结合PCA与FLDA算法可以高效快速且无损的完成对储存时间不同的生菜的准确鉴别分类, 为生菜储存时间的准确、 快速鉴别提供了实验依据和参考方法, 具有一定的实际应用价值。

茶作为世界最受欢迎的三大饮料之一, 不仅能够提神醒脑, 而且还有帮助消化和降低血压等作用。 随着人们对茶叶品质要求的日益提高, 需要对不同品种的茶叶实现准确的鉴别分析以防止茶叶市场里茶叶品牌名不副实和以次充好等现象的发生。 为实现对茶叶快速精准的鉴别分析, 设计了一种综合采用傅里叶近红外光谱和新的模糊极大熵聚类(FEC)分析算法的茶叶品种鉴别系统。 传统模糊极大熵聚类分析在聚类含噪声数据时, 聚类结果往往容易出现错误, 即FEC对噪声数据敏感。 为解决这个问题, 在FEC分析算法的基础上引入可能C均值聚类分析(PCM), 提出了一种混合模糊极大熵聚类(MFEC)分析算法。 MFEC可通过迭代计算得到模糊隶属度值, 能实现对含噪声的茶叶傅里叶近红外光谱数据的准确聚类分析。 首先, 使用傅里叶近红外光谱仪(Antaris Ⅱ型)采集岳西翠兰、 六安瓜片、 施集毛峰三种安徽茶叶的傅里叶近红外光谱数据, 光谱波数范围为10 000~4 000 cm-1。 其次, 对采集到的光谱数据使用多元散射校正(MSC)进行预处理, 预处理后先用主成分分析(PCA)将光谱数据维数降至10维, 然后再用线性判别分析(LDA)对降维后的近红外光谱数据进行特征提取。 最后, 通过混合模糊极大熵聚类分析和传统的模糊极大熵聚类分析对三种茶叶的光谱数据进行聚类分析, 并对两种聚类分析算法得到的聚类准确率、 收敛速度等进行对比分析。 实验结果表明: 混合模糊极大熵聚类(MFEC)分析算法与传统的模糊极大熵聚类(FEC)分析算法相比较, 在相同的权重指数m下MFEC具有更高的聚类准确率。 在m=2条件下, MFEC的聚类准确率达到了100%, 而传统的模糊极大熵聚类在相同条件下聚类准确率仅为37.98%。 MFEC收敛过程中仅需迭代10次即可达到收敛, 而FEC需要迭代100次, 因此MFEC可以更高效的进行模糊聚类分析, MFEC相比于FEC聚类性能具有明显的优越性。 通过傅里叶近红外光谱技术, 混合模糊极大熵聚类分析结合PCA与LDA算法构建的茶叶品种鉴别系统能够高效快速的完成对岳西翠兰、 六安瓜片、 施集毛峰三种茶叶的准确分类, 为茶叶检测领域提供了一种创新的方法与设计思路, 具有一定的理论价值和良好的市场应用前景。