-
公开(公告)号：CN106408012A
公开(公告)日：2017-02-15
申请号：CN201610813947.3
申请日：2016-09-09
Applicant: 江苏大学
IPC: G06K9/62
CPC classification number: G06K9/6221 , G06K9/6267
Abstract: 本发明公开一种模糊鉴别聚类的茶叶红外光谱分类方法，采用线性鉴别分析方法提取14维的训练样本数据的鉴别信息，将14维的测试样本数据投影到其鉴别向量上得到二维测试样本数据，将二维测试样本数据进行模糊C均值聚类，根据初始聚类中心，先计算模糊类间散射矩阵，计算模糊总体散射矩阵，根据模糊类间散射矩阵和模糊总体散射矩阵计算特征向量，通过模糊隶属度函数值在特征空间中计算聚类中心值，分别计算每个14维训练样本的平均值，分别计算测试样本的聚类中心值和训练样本的平均值的欧式距离，聚类中心值离训练样本的欧式距离最小的，判定该聚类中心值所属茶叶品种和该训练样本的茶叶品种是相同品种，实现不同品种茶叶的正确分类。
-
公开(公告)号：CN103049636A
公开(公告)日：2013-04-17
申请号：CN201210336710.2
申请日：2012-09-12
Applicant: 江苏大学
IPC: G06F19/00
Abstract: 本发明提供了一种可能模糊K调和均值聚类方法及系统，该方法包括以下步骤：确定聚类的初始类中心；设置聚类算法的参数值；计算样本数据的协方差；计算可能模糊K调和均值聚类的模糊隶属度值；计算可能模糊K调和均值聚类的典型值；计算可能模糊K调和均值聚类的聚类中心值；判断是否满足迭代终止条件，若满足则迭代终止，若不满足则继续进行迭代计算；利用模糊隶属度值和典型值最终实现数据集的划分。本发明有效地处理含噪声数据，能得到模糊隶属度值和典型值，其中典型值不同于模糊隶属度值，典型值没有可能性约束条件，因而对噪声不敏感，聚类准确率高，聚类速度快。
-
公开(公告)号：CN110378374B
公开(公告)日：2024-03-15
申请号：CN201910505666.5
申请日：2019-06-12
Applicant: 江苏大学
IPC: G06F18/10 , G06F18/2135 , G06F18/2337 , G06F18/214 , G06F18/243
Abstract: 本发明公开了一种模糊鉴别信息提取的茶叶近红外光谱分类方法，包括步骤：(1)茶叶近红外光谱采集；(2)用多元散射校正进行茶叶近红外光谱的预处理；(3)用主成分分析实现茶叶近红外光谱降维处理；(4)采用一种模糊线性鉴别信息提取方法实现近红外光谱数据的鉴别信息提取；(5)采用一种模糊簇间分离聚类方法进行茶叶近红外光谱数据分类。本发明解决了用传统模糊线性判别分析处理复杂数据结构时分类效果不理想的问题，进一步减少鉴别信息之间的相关性。本发明具有检测速快，能有效提取近红外光谱数据的模糊鉴别信息，茶叶品种分类准确率高等优点。
-
公开(公告)号：CN114331474A
公开(公告)日：2022-04-12
申请号：CN202111661905.X
申请日：2021-12-30
Applicant: 江苏大学
IPC: G06Q30/00 , G06K9/62 , G01N21/359 , G01N21/3577
Abstract: 本发明公开了一种模糊线性判别分析的牛奶产地溯源方法，包括步骤：(1)牛奶近红外光谱数据采集；(2)利用最小二乘平滑滤波算法对光谱数据进行预处理；(3)利用主成分分析对牛奶近红外光谱数据进行降维；(4)采用一种模糊线性判别分析方法实现对牛奶近红外光谱数据中鉴别信息的提取；(5)利用K近邻分类器对光谱数据进行分类。本发明解决了传统的特征提取方法在面对数据集中的有较多重叠数据时分类效果不理想的问题，能够有效地提取出光谱数据中所包含的鉴别信息。本发明具有便捷，检测速度快，分类精度高等优点。
-
公开(公告)号：CN111595804A
公开(公告)日：2020-08-28
申请号：CN202010386941.9
申请日：2020-05-09
IPC: G01N21/3563 , G01N21/359 , G06K9/62
Abstract: 本发明公开了一种模糊聚类的茶叶近红外光谱分类方法，包括以下步骤：S1，采集茶叶样本的近红外漫反射光谱：用傅里叶近红外光谱仪对茶叶样本进行检测，获取茶叶样本近红外漫反射光谱数据；S2，采用多元散射校正(MSC)方法对S1中的近红外漫反射光谱数据进行预处理；S3，对S2中的近红外漫反射光谱进行降维处理：通过主成分分析(PCA)对采集来的样本近红外漫反射光谱数据进行压缩。本发明与现有的模糊聚类分析方法相比，通过模糊线性鉴别信息提取方法对茶叶近红外漫反射光谱的鉴别信息进行提取，再通过一种Gath-Geva模糊聚类方法对茶叶近红外漫反射光谱数据进行分类。本发明具有高效快速、检测准确率高、绿色环保等优点。
-
Patent Agency Ranking
公开(公告)号：CN108872128B
公开(公告)日：2020-08-28
申请号：CN201810468730.2
申请日：2018-05-16
Applicant: 江苏大学
IPC: G01N21/3563
Abstract: 本发明公开了一种模糊非相关C均值聚类的茶叶红外光谱分类方法，本发明的方法能够在模糊C均值聚类过程中动态提取茶叶红外光谱数据的模糊非相关鉴别信息，可提高茶叶品种鉴别的准确率。首先用傅里叶红外光谱分析仪采集茶叶样本的红外光谱；接着对红外光谱进行多元散射校正预处理；然后用主成分分析法将光谱数据降维到20维；再利用线性判别分析提取光谱数据中的鉴别信息；最后用一种模糊非相关C均值聚类方法进行茶叶品种的分类。本发明在模糊C均值聚类方法基础上设计了一种模糊非相关C均值聚类方法，具有检测速度快，分类速度快，分类准确率高等优点，可实现茶叶品种的正确分类。
-
公开(公告)号：CN106951914B
公开(公告)日：2020-06-09
申请号：CN201710094503.3
申请日：2017-02-22
Applicant: 江苏大学
IPC: G06K9/62
Abstract: 本发明公开一种优化模糊鉴别向量提取的电子鼻鉴别食醋品种方法，从电子鼻的传感器里随机选择其中的几个传感器，从训练样本中提取对应于这几个传感器所采集的数据作为新训练样本，计算出新训练样本类均值和新训练样本总均值、新训练样本的类间离散度矩阵和类内离散度矩阵、类间离散度矩阵的迹和类内离散度矩阵的迹以及最优值，将最优值最大时所选择的传感器对应的新训练样本作为最优训练样本，提取最优训练样本的鉴别信息，获得最优鉴别向量集，对最优鉴别向量集进行线性转换，得到投影样本集，对投影样本集进行分类，完成食醋品种的鉴别，本发明在不丢失主要信息的基础上降低数据的维数，降低噪声的影响，提高食醋品种分类准确率。
-
公开(公告)号：CN110414549A
公开(公告)日：2019-11-05
申请号：CN201910506047.8
申请日：2019-06-12
Applicant: 江苏大学
IPC: G06K9/62 , G06F17/16 , G01N21/359
Abstract: 本发明公开了一种模糊正交线性鉴别分析的茶叶近红外光谱分类方法，包括：一、采用Antaris II傅立叶变换近红外光谱分析仪获取茶叶样本的近红外漫反射光谱数据；二、运用多元散射校正对近红外漫反射光谱数据进行预处理，再将经预处理后的茶叶样本数据随机分配到训练集和测试集中；三、利用一种模糊正交线性鉴别分析的茶叶近红外光谱鉴别信息提取方法从茶叶近红外漫反射光谱数据中提取茶叶品种的鉴别信息；四、使用K近邻分类算法进行测试样本分类，确定所测茶叶样本的种类。本发明是正交线性鉴别分析的模糊模型，既有效克服了LDA的小样本问题，又充分解决了样本类信息多样性的问题，具有检测成本低、鉴别速度快、分类准确率高等优点。
-
公开(公告)号：CN105279500B
公开(公告)日：2018-10-09
申请号：CN201510764538.4
申请日：2015-11-10
Applicant: 江苏大学
Abstract: 本发明公开了一种双向两维无相关鉴别矢量集的人脸识别方法，采用非迭代的方法，计算水平方向和垂直方向上的最优无相关鉴别矢量集。首先计算出水平和垂直方向上的类内、类间和总体散度矩阵；接着根据类内散度矩阵的特征值和相应的特征矢量，计算得出两个方向上的变换矩阵；然后利用变换矩阵计算出新的总体散度矩阵，并求出水平和垂直方向上的鉴别矢量集；最后将两组鉴别矢量集经过变换矩阵投影得出最终的鉴别矢量集，将二维人脸图像同时向水平和垂直方向投影，通过最近邻分类器计算出识别率。本发明可同时提取水平和垂直两个方向上的无相关鉴别矢量集，在具有高识别率的同时可以节省计算时间和储存空间。
-
公开(公告)号：CN107271394A
公开(公告)日：2017-10-20
申请号：CN201710342868.3
申请日：2017-05-16
Applicant: 江苏大学
IPC: G01N21/3563 , G06K9/62
CPC classification number: G01N21/3563 , G06K9/6223 , G06K9/6247 , G06K9/6267
Abstract: 本发明公开了一种模糊Kohonen鉴别聚类网络的茶叶红外光谱分类方法，包括以下步骤：第一步，茶叶样本红外光谱采集；第二步，茶叶样本红外光谱的多元散射校正(MSC)。第三步，用主成分分析方法对茶叶的红外光谱进行降维处理，再用线性判别法进一步提取特征和降维；第四步，运行模糊C-均值聚类以得到初始聚类中心；第五步，采用一种模糊Kohonen鉴别聚类网络方法进行茶叶品种的分类。本发明解决了模糊Kohonen聚类网络在对数据进行模糊聚类过程中无法提取数据的鉴别信息，导致聚类准确率不高的问题。本发明可实现在聚类过程中动态提取茶叶光谱数据的鉴别信息，具有检测速度快，分类准确率高，分类效率高，可实现不同品种茶叶的分类。
-
-
-
-
-
-
-
-
-
Search Results
72
records
(took 0.021 seconds)
