基于聚类的烟叶近红外光谱有效特征的筛选方法

提出利用聚类方法对光谱数据进行特征筛选。通过分析类内参数γ1和类间参数γ2对筛选结果的影响，选择较好的γ1和γ2进行有用光谱特征筛选。利用烤烟叶的近红外反射光谱（1500～2400 nm间隔2 nm），选用SVM方法进行部位和颜色分组识别，训练样本的识别率为100%，测试样本的识别率分别是96.22%和92.79%。然后利用聚类方法对初始光谱进行特征筛选，选用相同的 SVM 方法及相同的学习样本和测试样本进行部位和颜色分组识别。在删减部分不相干光谱后，识别率分别提高到97.23%和95.52%；继续删除相关度不高的光谱，在识别率略有下降时，光谱特征数可减少到200个以下。结果表明：利用聚类方法进行特征筛选，不仅可提高识别率，且可大大减少光谱数据，因而极大地减少了数据采集时间，简化了分组模型，提高了系统的实时和快速处理能力。

Tobacco Leaf Selection Method of the Near-infrared Spectroscopy Effective Feature Based on the Cluster