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。

生菜的储藏时间是影响生菜新鲜程度的重要因素。 为了快速、 无损和有效地鉴别生菜的储藏时间, 以欧式距离的p次方代替模糊K调和均值聚类(FKHM)中欧式距离的平方提出了一种广义模糊K调和均值聚类(GFKHM)算法并将该算法应用于鉴别生菜的储藏时间。 以60个新鲜生菜样本为研究对象, 采用Antaris Ⅱ近红外光谱分析仪每隔12 h检测生菜的近红外漫反射光谱, 共检测三次, 光谱扫描的波数范围为10 000~4 000 cm-1。 首先用主成分分析(PCA)对1 557维的生菜近红外光谱进行降维处理以减少冗余信息, 取前20个主成分, 经过PCA处理后得到20维的数据。 然后用线性判别分析(LDA)提取光谱数据的鉴别信息以提高聚类的准确率, 取鉴别向量数为2, 则LDA将20维的数据转换为2维数据。 最后以模糊C-均值聚类(FCM)的类中心作为FKHM和GFKHM的初始聚类中心, 分别运行FKHM和GFKHM计算模糊隶属度以实现生菜储藏时间的鉴别。 结果表明, GFKHM的鉴别准确率能达到92.5%, FKHM的鉴别准确率为90.0%, GFKHM具有比FKHM更高的鉴别准确率。 GFKHM的聚类中心比FKHM更逼近真实类中心。 GFKHM的收敛速度明显快于FKHM。 采用近红外光谱技术同时结合GFKHM, PCA和LDA为快速和无损地鉴别生菜储藏时间提供了一种新的方法。

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。

在植物工厂全密闭环境中水培种植大速生生菜, 以光谱比例可调节的LED灯板为植物生长光源, 应用电感耦合等离子体原子发射光谱技术（ICP-AES）, 研究了红蓝LED组合光谱下生菜对K, P, Ca, Mg, Na, Fe, Mn, Zn, Cu, B, Mo等11种营养元素的吸收特性。 结果表明: （1）与叶绿素生理吸收波峰（峰值450和660 nm）对应的单一或组合光谱均可增强水培生菜根对Na, Fe, Mn, Cu, Mo元素的吸收能力, 且单一红光光谱的促进作用最为显著, 四种元素含量分别为荧光灯全光谱下的7.8, 4.2, 5.3, 11.0倍; （2）根对K和B元素的吸收量在荧光灯全光谱下达到最大分别为10.309 mg·g-1和32.6 μg·g-1, 而在红、 蓝单一或组合光谱下吸收能力降低; (3)单一蓝色光谱下根对Ca和Mg元素的吸收受到抑制, 分别比荧光灯对照降低35%, 33%; (4)生菜在30%蓝光+70%红光的光谱条件下生物量最高, 而在20%蓝光+80%红光条件下对Ca, Mg, Na, Fe, Mn, Zn, B七种元素的累积量达到最大值。 试验结果为水培生菜光源光谱选择及营养液配方调节提供了理论依据。

为了便于经济合理的生菜施肥, 研究一种生菜叶片氮素水平智能鉴别方法。 在温室大棚内无土栽培不同氮素水平的生菜样本, 在特定生育期, 采集各类氮素水平生菜样本, 利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。 由于原始高光谱数据存在噪声且冗余性强, 利用标准归一化(SNV)对原始高光谱数据进行降噪处理, 再利用主成分分析方法(PCA)对高光谱数据进行特征提取。 分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究, 由于自适应提升法(Adaboost)能提升弱分类器分类性能, 将其分别引入到KNN和SVM两种分类器中, 提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。 分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。 结果表明, KNN, SVM, Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%, 87.34%, 100%和100%, 其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好, 且Adaboost-SVM分类算法的稳定性最好。 因此, Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法, 并且也为其他作物营养元素无损检测提供了一种新的方法。