一种模糊模式识别的白菜农药残留定性分析方法

摘要

本发明公开了一种模糊模式识别的白菜农药残留定性分析方法，通过采集待分析蔬菜样本的近红外光谱数据；并将近红外光谱数据分为训练样本xi和测试样本采用模糊奇异值分解法提取蔬菜的近红外光谱数据的鉴别信息；采用线性判别分析法对测试样本和训练样本分别进行转换；对进行转换后的测试样本和训练样本采用模糊协方差矩阵聚类方法进行光谱数据聚类分析。本方法利用模糊奇异值分解方法有效地解决了现有的模糊线性判别方法的小样本问题。

说明书

技术领域

本发明涉及机器学习以及人工智能邻域，具体涉及一种模糊模式识别的白菜农药残留定性分析方法。

背景技术

目前，施用农药已经成为防治植物虫病害、提高农产品产量和质量的重要举措之一，但是不合理的农药使用会对人类健康和环境带来危害。因此，探索有效检测农药残留浓度的方法对于保证消费者食品安全有着研究价值和意义。

近红外光谱检测技术是利用物质对光的吸收、散射、反射和透射等特性来确定其含量的一种非破坏性检测技术。因为它符合准确、可靠、快速、无损等特点而被广泛应用于农副产品的检测。对于农药残留量不同的白菜，其反射的近红外光谱存在差异性，利用这个特点，可以定性的分析白菜上的农药残留，从而对其进行分类。

模糊线性判别(FLDA)是在模糊集基础上，利用模糊类内散射矩阵和模糊总体散射矩阵改进了线性判别分析(LDA)方法，FLDA能有效的提取样本的模糊鉴别信息。但是，FLDA在处理高维光谱数据时，存在“小样本问题”。

聚类算法分为两大类，第一类算法是硬聚类算法例如k均值聚类算法等，将一个数据集分为不同的类，每个对象只属于一类。第二类为模糊聚类算法，该算法允许一个对象属于多类。由于大多数对象没有严格区别，因此选用模糊聚类算法代替硬聚类算法。模糊C均值聚类算法(FCM)建立在平方误差最小准则基础上的聚类算法，使数据点在所有类中隶属度之和为1，有效地避免了所有隶属度为0的解。

发明内容

为了解决现有技术中存在的不足，本发明提出了一种模糊模式识别的白菜农药残留定性分析方法，利用模糊奇异值分解方法有效地解决了现有的模糊线性判别方法的小样本问题。

本发明所采用的技术方案如下：

S1，采集待分析蔬菜样本的近红外光谱数据；并将近红外光谱数据分为训练样本x

S2，采用模糊奇异值分解法提取蔬菜的近红外光谱数据的鉴别信息；

S3，采用线性判别分析法对S2中的测试样本和训练样本分别进行转换；

S4，对S3中进行转换后的测试样本和训练样本采用模糊协方差矩阵聚类方法进行光谱数据聚类分析。

进一步，所述S2中提取鉴别信息的方法为：

S2.1，计算训练样本的模糊隶属度u

S2.2，基于训练样本的模糊隶属度u

S2.3，基于模糊类间离散度矩阵S

S2.4，由矩阵H

S2.5，再对矩阵P进行奇异值分解得到酉矩阵V，

S2.6，基于奇异值分解得到的酉矩阵Q、对角矩阵R、酉矩阵V和单位矩阵I构造出矩阵

S2.7，利用变换矩阵G分别对测试样本

进一步，在S3中，采用线性判别分析法将测试样本

进一步，对光谱数据聚类分析的方法为：

S4.1，对S3转换后的测试样本

其中，

S4.2，计算参数

其中，

S4.3，基于步骤S4.2所计算的参数

进一步，S4.3中的迭代过程为：

S4.3.1，计算测试样本

其中，

S4.3.2计算类中心：

当迭代终止后，根据计算得到的模糊隶属度值对蔬菜近红外光谱进行分类。

进一步，S

其中，

进一步，测试样本

其中，v

进一步，测试样本

其中，S

进一步，用多元散射校正对S1中所采集的蔬菜近红外光谱数据进行预处理。

本发明的有益效果：

本发明所提出的分析方法是利用近红外光谱技术检测四种农药残留，解决了传统硬聚类算法分类效果不理想的问题，具有聚类速度快，分类准确率高的特点。另外，在本发明方法的分析过程中采用模糊奇异值分解方法对数据进行处理，解决了现有的模糊线性判别方法的“小样本问题”。

附图说明

图1是本发明方法的总流程图；

图2是测试样本集分布图；

图3是初始模糊隶属度值的分布图；

图4是模糊协方差矩阵聚类方法的模糊隶属度图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

在本实施例中检测对象以白菜为例，发明如图1所示的一种模糊模式识别的白菜农药残留定性分析方法。具体包括以下步骤：

S1，采集待分析白菜样本的近红外光谱数据，使用傅里叶近红外光谱仪对白菜样本进行检测，获取白菜样本近红外漫反射光谱数据，并将光谱数据存储在计算机里。

本实施例中的白菜样本用温水充分洗净，保证无农药，然后将处理后的白菜样本分为4组；选取农药为高效氯氟氰菊酯并采用不同配比的农药分别对4组白菜样本进行处理，4组白菜依次为：第0组为无农药，第1组农药与水配比为1：500，第2组为1：100,第3组为1：20。实验室的温度和相对温度保持不变。安捷伦Cary 630FTIR光谱仪开机预热1h。采用反射积分球模式采集白菜近红外光谱，采用8cm-1的分辨率，对每个样本扫描64次。

S2，用多元散射校正(MSC)对所采集的白菜近红外光谱数据进行预处理，以消除散射影响，提高数据的信噪比。并且将预处理后的近红外光谱数据分为训练样本x

S3，采用模糊奇异值分解法提取白菜的近红外光谱数据的鉴别信息。

S3.1，计算训练样本的模糊隶属度如下：

其中，u

S3.2根据下式分别计算训练样本x

其中，

S3.3，基于训练样本x

其中，

S3.4，由矩阵H

S3.5，对矩阵P进行奇异值分解得到P＝UΣV

S3.6，基于上式得到的酉矩阵Q、对角矩阵R、酉矩阵V和单位矩阵I构造出矩阵

S3.7，利用变换矩阵G分别对第t(t＝1,2,…,n

S4，采用线性判别分析法(LDA)把S3.7中的测试样本

S5，采用模糊协方差矩阵聚类方法进行光谱数据聚类分析，具体过程如下：

S5.1，对S4中转换后的测试样本

建立模糊聚类目标函数：

其中，

S5.2计算参数

S5.3，基于步骤S5.2所计算的参数

S5.3.1，计算模糊隶属度：

上式中，测试样本

μ

S5.3.2计算类中心：

γ

当迭代终止后，根据计算得到的模糊隶属度值对白菜近红外光谱进行分类，迭代后的模糊隶属度如图4所示。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。