(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111661905.X (22)申请日 2021.12.3 0 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 张霆飞　武小红　武斌　何飞　 齐祖旋　朱兴晨　 (51)Int.Cl. G06Q 30/00(2012.01) G06K 9/62(2022.01) G01N 21/359(2014.01) G01N 21/3577(2014.01) (54)发明名称 一种模糊线性判别分析的牛奶产地溯源方 法 (57)摘要 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。 权利要求书5页 说明书8页 附图3页 CN 114331474 A 2022.04.12 CN 114331474 A 1.一种模糊线性判别分析的牛奶产地溯源方法， 其特 征在于， 包括如下步骤： S1， 牛奶近红外光谱数据采集： 利用近红外光谱仪对牛奶样本的光谱数据进行采集， 获 取牛奶样本的近红外漫反射 光谱数据； S2， 利用最小二乘平滑滤波算法(SG)对光谱数据进行预处理， 消除光谱数据中的噪声 和散射影响； S3， 利用主成分 分析算法对牛奶近红外光谱数据降维， 压缩光谱数据的维度； S4， 利用一种模糊线性判别分析方法初步提取主成分分析降维后光谱数据的模糊类 内 散布矩阵中列空间与零空间中的鉴别 信息， 分隔不同类别的光谱数据； S5， 利用一种模糊线性判别分析方法提取光谱数据的模糊类 内散布矩阵中除零空间以 外空间中的鉴别 信息， 进一 步分隔不同类别的光谱数据； S6， 牛奶样本的产地鉴别： 利用K近邻分类器判定牛奶样本的产地， 实现牛奶的产地鉴 别。 2.根据权利要求1所述的一种 模糊线性判别分析的牛奶产地溯源方法， 其特征在于， 所 述步骤S1 中近红外光谱仪采用便携式的NIR ‑M‑R2光谱仪， 利用该光谱仪采集所述牛奶样 本 近红外光谱的方法： 将NIR ‑M‑R2光谱仪开机预热半个小 时， 采用漫反射方式采集牛奶样本 的近红外光谱数据， 采集过程中要求环境的温度和湿度保持不变， 光谱仪扫描的波长范围 为900‑1700nm， 对每个牛奶样 本采集3次光谱 数据后取平均值作为最终的近红外光谱 数据， 采集得到的每 个样本的近红外光谱数据为2 28维； 最终共 采集得到 300个样本数据。 3.根据权利要求1所述的一种 模糊线性判别分析的牛奶产地溯源方法， 其特征在于， 所 述步骤S2的实现方法： 利用最小二乘平滑滤波算法对采集得到的光谱数据进行处理， 消除 光谱数据中的噪声和光谱散射影响， 最小二乘平滑滤波算法的参数设置为： 多项式阶次 order＝6， 框 长度framelen ＝23。 4.根据权利要求1所述的一种 模糊线性判别分析的牛奶产地溯源方法， 其特征在于， 所 述步骤S3的实现方法： 利用主成分分析计算样本协方差矩阵的特征值和特征向量， 对特征 值按照降序的次序进行排序， 取前12个最大的特征值所对应的特征向量组成变换矩阵， 利 用该变换矩阵到 近红外光谱数据进行变换， 将光谱数据由2 28维压缩至12维。 5.根据权利要求4所述的一种 模糊线性判别分析的牛奶产地溯源方法， 其特征在于， 所 述S3还包括： 将降维后的光谱 数据按照3∶ 1的比例分成训练集样 本和测试集样本， 训练集的 样本个数为2 25， 测试集的样本个数为75 。 6.根据权利要求1所述的一种 模糊线性判别分析的牛奶产地溯源方法， 其特征在于， 所 述步骤S4的实现方法： S4.1， 初始化： 设经过主成分分析降维后的牛奶光谱数据矩阵为X， 样本个数为n， 类别 数为c， 权 重指数为m， 其中m＞1； S4.2， 计算训练集样本的模糊隶属度 μij： μij代表第j(1≤j≤n)个训练样本xj隶属于第i(1≤i≤c)类的程度， 是第i类样本的平 均值；权　利　要　求　书 1/5 页 2 CN 114331474 A 2S4.3， 计算训练集样本的模糊全散布 矩阵Sft： 其中 是所有样本的平均值， 本发明采用 来求模糊全散布 矩阵Sft， 其中 ec＝[1,1,. ..,1]T∈Rc×1， S4.4， 对Aft进行奇异值分解， 能够得到 利用Uft对原始的数据矩阵进行变换， 得到变换后的数据矩阵Y＝UftX； S4.5， 利用变换得到的数据矩阵Y求模糊类间散布矩阵Sfb和模糊类内散布矩阵Sfw， 其 中： 和 分别是是变换后数据矩阵Y的样本数据， 第i类样本的平均值以及数据矩阵Y 的平均值； S4.6， 对Afw进行奇异值分解可以得到 S4.7， 计算t＝ran k(Sft)， w＝rank(Dfw)； 当t＝w时， 此时模糊类内散布 矩阵的逆矩阵 为： 但是当w＜t时， 此时模糊类内散布 矩阵的逆矩阵 为 其中Dα＝α It×t‑Dfw， α ＝max(dia g(Dfw))； S4.8， 求变换矩阵W， 其中矩阵W中的向量ω需要满足 因此对 矩阵做特 征分解， 求得 矩阵的特征值和特征 向量， 按照降序对特征值进行排序， 取c ‑1个最大特 征值所对应的特 征向量组成变换矩阵W， 利用变换矩阵W对光谱数据进行 特征提取。 7.根据权利要求1所述的一种 模糊线性判别分析的牛奶产地溯源方法， 其特征在于， 所 述步骤S5的实现方法： S5.1， 初始化： 设变换矩阵W特征提取处理后的牛奶光谱数据矩阵为Z， 样本个数为n， 类 别数为c， 权 重指数为m， 其中m＞1；权　利　要　求　书 2/5 页 3 CN 114331474 A 3