GK可能C均值模糊聚类的白菜红外光谱分析

红外光谱分析是基于分子振动与跃迁理论的鉴别物质化学组成的技术。得到的光谱数据常常具有较高的维数和重叠度,这给后续的数据处理带来困难。为此提出一种GK可能C均值聚类算法(GKIPCM),引入了GK聚类算法的马氏距离测度与改进的可能C均值聚类算法(IPCM)的模糊隶属度与聚类中心更新方程,使样本的距离测度具有自适应性且避免了聚类中心的一致性。GKIPCM算法具有分类精度更高,分类准确率对参数敏感性低的优点。将四组洗净白菜作为光谱分析对象,分别施加三种农药(高效氯氟氰菊酯)配比,采用安捷伦Cary630FTIR光谱仪采集白菜的傅里叶中红外光谱(FT-MIR)。首先对样本进行预处理,使用多元散射矫正(MSC)对光谱数据降噪,消除数据偏移量;其次,由于采集到的数据波数范围为4300~590cm^(-1),数据维数达到了971维,故使用主成分分析(PCA)对数据实现降维,降维后的数据维度减小到了23,且23个主成分的累积贡献率高达99.60%;但各类光谱的特征信息依然混杂在一起,故使用线性判别分析(LDA)提取特征鉴别信息,进一步将数据降至3维;最终,运行模糊C-均值聚类算法(FCM)得到较优初始聚类中心,使用GKIPCM算法对四类降维后的光谱数据进行聚类分析,并与GK聚类算法与IPCM聚类算法的运行结果作对比。GKIPCM算法的总迭代时长为0.2188s,分类准确率达到了97.22%。相较之下,GK算法与IPCM算法的准确率分别为63.89%和91.67%,运行的总时长为0.0938与0.0625s。从实验结果可看出,GKIPCM算法可以通过分析光谱数据从而完成对不同程度农药残留进行定性分析的任务。