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。

茶是一种让人喜爱的健康饮品, 不同品种的茶叶其功效和作用是不相同的。 研究出一种可靠、 简单易行、 分类速度快的茶叶品种鉴别方法具有重要的意义。 在模糊非相关判别转换(FUDT)算法和模糊C均值聚类(FCM)算法的基础上提出了一种模糊非相关鉴别C均值聚类(FUDCM)算法。 FUDCM可以在聚类过程中动态提取光谱数据的模糊非相关鉴别信息。 用FTIR-7600型傅里叶红外光谱分析仪分别采集优质乐山竹叶青、 劣质乐山竹叶青和峨眉山毛峰三种茶叶的傅里叶中红外光谱, 波数范围为4 001.569～401.121 1 cm-1。 先用多元散射校正(MSC)进行光谱预处理, 然后用主成分分析法(PCA)将光谱数据降维到20维, 再利用线性判别分析(LDA)提取光谱数据中的鉴别信息。 最后分别运行FCM和FUDCM进行茶叶品种鉴别。 实验结果表明: 当权重指数m=2时, FCM的聚类准确率为63.64%, FUDCM的聚类准确率为83.33%； FCM经过67次迭代计算实现了收敛, 而FUDCM仅需17次迭代计算就可以实现收敛。 用傅里叶红外光谱技术结合主成分分析、 线性判别分析和FUDCM的方法能快速、 有效地实现茶叶品种的鉴别分析, 且鉴别准确率比FCM更高。