基于近红外光谱与信息处理的玉米品种鉴别方法

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明的目的是分为三步来实现的，图1是本发明提供的基于近红外光谱与信息处理的玉米品种鉴别方法的流程图，该方法包括以下步骤：

步骤1：获取光谱数据；

步骤2：对训练样本集进行归一化主成分分析，并根据样本点在主轴上的散布情况调整主成分的权重；

步骤3：使用最近邻分类方法为分类器进行分类。

上述步骤1中，所述的获取光谱数据，是使用傅立叶变换漫反射近红外光谱仪，谱区范围：4000～12000cm^-1，扫描次数：64次，分辨率：8cm^-1，对同一品种的玉米籽粒多次取样，每个参与训练的样本至少取样15次。

上述步骤2中，所述的归一化主成分分析，是将样本主成分分析得到的各主成分进行平方和归一化。具体包括：首先得到训练数据集合x_j，j＝1，…，s的协方差矩阵C_x，然后求出C_x从大到小排列的特征值λ_k以及满足条件的特征向量u_k，然后令为新的特征向量，将按照λ_k的大小降序排列，并将其作为列组成归一化主成分分析的变换矩阵U，得到样本的特征数据为：y_i＝U^Tx_i，主成分数目：25～35。

上述步骤2中，所述的根据样本点在主轴上的散布情况调整主成分的权重，是对主成分进行加权，加权系数其中，β_ki表示第k类的第i样本在第n主轴上的投影值，表示第k类的所有训练样本在第n主轴上的投影平均值，表示所有训练样本在第n主轴上的投影平均值，加权后得到的样本特征为：z_i＝(h₁y_i1，h₂y_i2，…，h_dy_id)，其中i表示某样本，d表示主成分的数目。

再次参照图1，介绍本发明实施例中基于近红外光谱与信息处理的玉米品种鉴别方法的流程图，具体包括以下步骤：

步骤1：光谱的采集。

采集需使用傅立叶变换漫反射近红外光谱仪，谱区范围：4000～12000cm^-1，扫描次数：64次，分辨率：8cm^-1。玉米品种共有37个，对同一品种的玉米籽粒多次取样，测量25次，每个品种共得到25个样本，数据长度为2075。选取其中30个品种，每个品种的15个样本组成训练集，共450个样本；该30个品种每个品种剩余的10个样本组成第一测试集，共300个样本；剩余没有参加训练的7个品种的所有样本组成第二测试集，共175个样本。

步骤2：训练过程。

首先对训练样本集进行归一化主成分分析。由所有的训练样本x_j，j＝1，…，s其中s＝450，组成列向量的数据集合，维数2075，m是其均值向量：协方差矩阵是：求出协方差矩阵从大到小排列的特征值λ_k以及满足条件的特征向量u_k，令为新的特征向量，将按照λ_k的大小降序排列，并将其作为列组成变换矩阵U(需保存该变换矩阵以备后续步骤使用)，最后得到归一化主成分分析后的样本特征数据：y_i＝U^Tx_i。主成分的数目定为31，累积贡献率99.99％。

其次，根据样本点在主轴上的散布情况调整主成分的权重(需保存此权重以备后续步骤使用)，即对主成分进行加权，样本点的第n主成分的加权系数其中β_ki表示第k类的第i样本在第n主轴上的投影值，表示第k类的所有训练样本在第n主轴上的投影平均值，表示所有训练样本在第n主轴上的投影平均值。加权后得到的样本特征为：z_i＝(h₁y_i1，h₂y_i2，…，h₃₁y_i31)，其中i表示某样本。最后，将所有的训练样本特征建立模板库。

步骤3：识别过程。

训练得到的变换矩阵转置后与待测样本相乘并由权重系数进行加权，得到测试样本的样本特征，使用最近邻分类方法对提取的特征进行分类识别，先计算一个测试样本点到某一品种的训练样本集的最小距离，当最小距离小于某个阈值时，判定该测试样本点属于该品种。阈值的选择按照‘等误率’的原则，本实施例所取的阈值如下：将所有其他品种训练样本到某一品种的训练样本集的最小距离升序排列，选取第8个值作为该品种阈值。

步骤4：鉴别结果。

采用交叉验证的方式，共进行了10次测试，取平均值，训练集的30个品种，对第一测试集的300个样本中的同类样本的平均正确识别率为97.93％，对第一测试集的300个样本中的非同类样本的平均正确拒识率为97.61％；对第二测试集的175个样本(均为非同类样本)的平均正确拒识率为97.69％。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。