不同品种茶叶因其所含的有机化学成分不同, 其效果也会有差别。 所以, 寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。 近红外光谱(NIR)分析是一种无损检测技术, 能很好的鉴别茶叶品种。 使用NIR光谱仪采集茶叶的NIR数据。 为了对包含噪声信号的茶叶近红外光谱进行准确鉴别, 提出了一种模糊线性判别QR分析的新方法, 可以对茶叶近红外光谱进行准确分类。 通过使用模糊线性判别分析（FLDA）将由主成分分析（PCA）压缩的茶叶近红外光谱数据进行降维, 由模糊线性判别分析得出的特征向量构建鉴别向量矩阵, 对鉴别向量矩阵进行矩阵的QR分解, 得到新的鉴别向量矩阵。 经过模糊线性判别QR分析后使用K近邻算法进行分类, 具有准确率高等优点。 以岳西翠兰、 六安瓜片、 施集毛峰和黄山毛峰四种茶叶为研究样本, 每类65个, 茶叶样本总数为260个。 采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理, 采用多元散射校正, 由于采集到的茶叶光谱数据存在散射干扰。 以此得到的近红外光谱数据的维数为1557维, 通过主成分分析压缩数据集的维数, 使得光谱数据集的维数达到7维。 经压缩过后的光谱数据集中的鉴别信息再通过模糊线性判别QR分析进行提取, 使得光谱数据的维数降低到3维。 利用K近邻算法对茶叶样本进行分类, 实现对茶叶品种的准确分类。 最后进行三种算法分析结果的比较, 分别是主成分分析结合K近邻算法、 主成分分析和线性判别分析结合K近邻算法、 主成分分析和模糊线性判别QR分析结合K近邻算法。 在权重指数m=2, K=1条件下, 最后的分类准确率分别为83.89%, 87.78%和98.33%。 实验结果显示: 模糊线性判别QR分析可以实现茶叶近红外光谱的准确鉴别分析, 其展现出来的效果比主成分分析和线性判别分析表现的效果更好。

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。