趙廣宇，趙鵬飛，高斌，盧昱欣

（長(zhǎng)春理工大學(xué)理學(xué)院，長(zhǎng)春　130022）

模糊識(shí)別理論在光譜數(shù)據(jù)中的應(yīng)用

趙廣宇，趙鵬飛，高斌，盧昱欣

（長(zhǎng)春理工大學(xué)理學(xué)院，長(zhǎng)春130022）

基于模糊模式識(shí)別理論，探析模糊模式識(shí)別方法在血液光譜數(shù)據(jù)識(shí)別中的應(yīng)用，實(shí)現(xiàn)了對(duì)動(dòng)物血液熒光光譜的特征提取與分類識(shí)別。在實(shí)驗(yàn)中，本文依據(jù)待處理樣品光譜本身具有的模糊特性，運(yùn)用模糊模式識(shí)別方法對(duì)光譜數(shù)據(jù)進(jìn)行處理，并結(jié)合Matlab程序設(shè)計(jì)了分類效果較好的模糊分類器。實(shí)驗(yàn)結(jié)果表明，模糊識(shí)別方法在光譜數(shù)據(jù)中具有較強(qiáng)的識(shí)別能力，在光譜數(shù)據(jù)中具有較好的檢測(cè)前景。

模糊識(shí)別；分類；光譜

識(shí)別作為人類最基本也是最本能的活動(dòng)之一，時(shí)時(shí)刻刻發(fā)生在我們的身邊。然而隨著科技的進(jìn)步，為了適應(yīng)當(dāng)今社會(huì)，人們迫切希望利用機(jī)器代替人們完成復(fù)雜的識(shí)別工作。模糊識(shí)別的出現(xiàn)給了人們提供了研究方向，現(xiàn)在模式識(shí)別不僅在人工智能研究領(lǐng)域中占有重要比重，同時(shí)也是實(shí)現(xiàn)機(jī)器智能必不可少的技術(shù)手段［1］。在人們解決實(shí)際問題具有指導(dǎo)意義和應(yīng)用價(jià)值［2］。近年來(lái)，隨著光譜技術(shù)的快速發(fā)展，加快了對(duì)生命科學(xué)的應(yīng)用，促進(jìn)了醫(yī)學(xué)等學(xué)科的發(fā)展，相應(yīng)的光譜識(shí)別技術(shù)也越來(lái)越受到人們的重視［3-5］。如：通過主成分分析和模糊聚類對(duì)光譜的樣本聚類識(shí)別方法［6］、自適應(yīng)最小距離算法［7］等分類識(shí)別方法。本文選取較為熟悉的四種動(dòng)物血液，結(jié)合Zadah［8］在1965年提出模糊集理論對(duì)其光譜進(jìn)行研究與分析，重點(diǎn)探析模糊識(shí)別方法在血液光譜數(shù)據(jù)識(shí)別中的應(yīng)用。隨著理論的發(fā)展和完善，模式識(shí)別必將發(fā)揮更大的作用。

1　實(shí)驗(yàn)

1.1實(shí)驗(yàn)儀器

光譜儀的參數(shù)為：儀器（Cary Eclipse）、儀器序列號(hào)（MY13450002），采樣類型（熒光）、掃描模式（發(fā)射）、激發(fā)波長(zhǎng)（200nm）、激發(fā)狹縫（5nm）、發(fā)射狹縫（10mm）、掃描速度（600.00nm/min）。

1.2實(shí)驗(yàn)的內(nèi)容

（1）對(duì)不同樣品全血光譜進(jìn)行分析處理；

（2）運(yùn)用模糊模式識(shí)別方法對(duì)光譜進(jìn)行分類識(shí)別；

（3）建立識(shí)別效果較好的分類器，并應(yīng)用Matlab完成光譜分類識(shí)別的計(jì)算機(jī)程序設(shè)計(jì)。

1.3數(shù)據(jù)的預(yù)處理

光譜儀上測(cè)量到的光譜數(shù)據(jù)不僅包含有用信號(hào)，還包含噪聲，其表現(xiàn)為光譜圖上的毛刺，且具有高頻特征，如圖1所示，這些毛刺的存在，不利于特征提取，因此需要消除這些毛刺對(duì)特征的影響，在這里我們采用數(shù)據(jù)平滑方法對(duì)原始光譜進(jìn)行處理［9］。常用的數(shù)據(jù)平滑方法有快速傅里葉變換、小波變換去噪和鄰域平均值法。

鄰域平均值法不僅在算法上易實(shí)現(xiàn)，而且，鄰域平均值法可以快速平滑圖像，且能有效地消除噪聲對(duì)圖像的干擾程度［10］，因而，在本次實(shí)驗(yàn)中我們采用了鄰域平均值法對(duì)動(dòng)物血液光譜數(shù)據(jù)進(jìn)行平滑處理。

鄰域平均值法就是通過選取固定的點(diǎn)數(shù)，將各點(diǎn)的縱坐標(biāo)值相加求和再除以點(diǎn)數(shù)，得到這組數(shù)劇的平均縱坐標(biāo)值。然后，去掉這組數(shù)據(jù)中左端一個(gè)點(diǎn)，向前移動(dòng)一個(gè)采樣點(diǎn)，重復(fù)上述操作，得到下一個(gè)值。如此反復(fù)，就可以得到整個(gè)曲線的平滑后的數(shù)據(jù)，其數(shù)學(xué)表達(dá)式為：

其中，k=m+1，m+2，…，n-m；2m+1為平滑窗口寬度，即2m+1點(diǎn)移動(dòng)平均。

例如，當(dāng)m=1時(shí)，為三點(diǎn)移動(dòng)平均。

在這里，yk-j是不同點(diǎn)的數(shù)據(jù)值；Yk為以k點(diǎn)為中心的2m+1個(gè)數(shù)的平均值。對(duì)于光譜平滑處理，光譜兩端的數(shù)據(jù)沒有可用信息，對(duì)平滑結(jié)果也沒有影響，故可不做端點(diǎn)處理。

下圖為由光譜儀采集的四種動(dòng)物全血1%濃度的波長(zhǎng)和強(qiáng)度的光譜數(shù)據(jù)，結(jié)合matlab軟件所做出的原始數(shù)據(jù)光譜圖像。

圖1　原始數(shù)據(jù)光譜圖像

從圖中可以分析出理想白噪聲的平滑處理效果，隨m的增大而大大改善。但隨著m增大時(shí)，信號(hào)波形會(huì)受平滑處理的影響而產(chǎn)生偏移。所以說m取值并不是越大越好，盡管在那時(shí)譜線越趨光滑，但譜線的細(xì)微特征也將會(huì)平滑掉，造成光譜譜線形狀畸變，所以需要選擇合適的m值。實(shí)驗(yàn)表明，對(duì)血液光譜進(jìn)行五點(diǎn)一次平滑即可得到較好的平滑效果，如圖2所示。因此，在實(shí)際處理中對(duì)光譜進(jìn)行了五點(diǎn)一次平滑。

圖2　平滑處理后光譜圖像

1.4特征提取與選擇

在模式識(shí)別中，特征提取與選擇是模式識(shí)別的關(guān)鍵。在特征空間中如果同類模式分布比較聚集，不同類模式分布疏遠(yuǎn)，分類識(shí)別就比較容易，正確率較高。在模式識(shí)別中，人們希望依據(jù)最少的特征達(dá)到所要求的分類識(shí)別的正確率。這就是特征提取與選擇的任務(wù)。首先要制定特征提取與選擇的準(zhǔn)則，可直接反映類內(nèi)間距離的函數(shù)作為準(zhǔn)則，或直接以誤判概率最小作為準(zhǔn)則，也類別判決函數(shù)作為準(zhǔn)則，還可以構(gòu)造與誤判概率有關(guān)的判據(jù)來(lái)刻畫特征對(duì)分類識(shí)別的貢獻(xiàn)或有效性.

常用的特征提取途徑有如下兩種：

（1）實(shí)際用于分類識(shí)別的特征數(shù)目d給定后，直接從已獲得的n個(gè)原始特征中選取d個(gè)特征x1，x2，...，xd，使可分性判據(jù)的值滿足下式：

其中J（xi1，xi2，...，xid）是原始特征的任意d個(gè)特征，即直接選取n維特征空間中的d維子空間。這類方法被稱為直接選擇法［11］。

（2）在使判據(jù)J取最大的目標(biāo)下，對(duì)n個(gè)原始特征進(jìn)行降維變換，再取子空間。這類方法稱為變換法，主要有：基于可分性判據(jù)的特征提取選擇，基于誤判概率的特征提取選擇，離散K-L變換法，基于決策界的特征提取選擇等方法。

對(duì)血液光譜特征的提取與選擇，采用了直接選擇法。圖2為預(yù)處理后四類樣品血液光譜曲線。譜線在487nm，605nm，747nm附近有明顯的波峰，且不同樣品的峰值有所不同，故提取此三處附近的波峰進(jìn)行分析處理。

經(jīng)分析，四種樣品光譜曲線在487nm，605nm，747nm附近的波峰有明顯的區(qū)別，取每類樣品的前三十組，再對(duì)各特征參數(shù)作散點(diǎn)圖，如圖3、4、5所示。

圖3　峰值比特征散點(diǎn)

圖4　仰角特征散點(diǎn)圖

圖5　峰值斜率特征散點(diǎn)圖

1.5分類器的設(shè)計(jì)

1.5.1分類器設(shè)計(jì)的原理

模糊模式識(shí)別方法是通過建立隸屬函數(shù)，來(lái)實(shí)現(xiàn)特征量的操作和變換，模仿人腦判別不確定性事物的機(jī)理，充分利用冗余信息，有效處理各種不確定性信息，提高識(shí)別系統(tǒng)的可靠性和智能程度［12］。

這里采用模糊模式識(shí)別的方法對(duì)血液熒光光譜進(jìn)行分類識(shí)別，基于最大隸屬度原則設(shè)計(jì)動(dòng)物血液光譜分類器。隨機(jī)選取ni（）i=1，2，...，c個(gè)樣本作為訓(xùn)練樣本集，c表示樣本種類數(shù)，并根據(jù)所提取的特征，計(jì)算每類的聚類中心νi。

νi的計(jì)算公式如下：

由每個(gè)種類樣本的聚類中心，即可得到一種分類模式。

1.5.2分類隸屬函數(shù)的確立

在模糊識(shí)別技術(shù)中，隸屬函數(shù)的優(yōu)良決定了分類器的性能好壞，因此通過某一種方法建立隸屬函數(shù)，對(duì)識(shí)別的效果起著決定性的因素。而常用的方法有專家確定法、統(tǒng)計(jì)法、綜合加權(quán)法等。本文依據(jù)待分類樣本的特征點(diǎn)到聚類模式中心的距離確定隸屬函數(shù)。

隸屬函數(shù)的數(shù)學(xué)表達(dá)式如下：

其他

表1　隸屬度

2　結(jié)果與討論

2.1分類確定

最大隸屬度原則：預(yù)設(shè)分類判定閾值λ=0.7，若待分類樣本的隸屬度函數(shù)φ）〉λ，則對(duì)該樣本進(jìn)行分類識(shí)別，且將樣本歸為φ）值最大的那一類.每次識(shí)別完成后將識(shí)別類加入訓(xùn)練樣本集，并重新計(jì)算聚類中心，從而形成新的分類模式。

利用上面設(shè)計(jì)的分類器，取每類樣本的前三十個(gè)樣本作為訓(xùn)練樣本集，得到如下四個(gè)聚類中心：（0.7123，0.1643），（0.6068，0.2209），（0.3078，0.1102），（1.0046，0.3651），取每類樣本的后十個(gè)樣本作為識(shí)別樣本，得到每個(gè)樣本對(duì)各類的隸屬度如表1所示（其中1-10為羊、11-20為鼠、21-30為雞、31-40為鴿）

2.2本文識(shí)別結(jié)果

由以上數(shù)據(jù)可得，分類器對(duì)四種樣品全血光譜數(shù)據(jù)的分類正確識(shí)別率如表2所示。

表2　識(shí)別正確率

可知，基于模糊模式識(shí)別方法，通過以上設(shè)計(jì)的模糊模式分類器及隸屬函數(shù)，對(duì)動(dòng)物血液發(fā)射光譜的識(shí)別達(dá)到了令人滿意的效果。根據(jù)本次的實(shí)驗(yàn)結(jié)果，我們可以明確地得到模糊模式識(shí)別方法在光譜識(shí)別上有較好的應(yīng)用前景。

3　結(jié)論

本文重點(diǎn)探析了模糊模式識(shí)別理論及其在光譜數(shù)據(jù)中的應(yīng)用。由于客觀事物在形態(tài)及類屬方面的不分明性，使得彼此之間沒有明確的分界線。因此，對(duì)于本身具有模糊性的事物，采用模糊識(shí)別的方法進(jìn)行分類識(shí)別更加符合現(xiàn)實(shí)。文中對(duì)動(dòng)物血液發(fā)射光譜進(jìn)行了分析處理，運(yùn)用模糊模式識(shí)別的方法對(duì)光譜數(shù)據(jù)進(jìn)行了分類識(shí)別，從完成情況可以分析出我們得到的是一個(gè)識(shí)別正確率較好的分類器，有一個(gè)較為滿意的結(jié)果，從而豐富了模糊模式識(shí)別的應(yīng)用范圍。

目前所做的各種光譜識(shí)別方法都是針對(duì)某一種特定光譜，沒有可以運(yùn)用的較為統(tǒng)一的方法和理論，應(yīng)用面很狹小，有很大的局限性，因此找到適應(yīng)性更好的光譜識(shí)別技術(shù)也是我們努力的方向。

［1］孫即祥.現(xiàn)代模式識(shí)別［M］.長(zhǎng)沙：國(guó)防科技大學(xué)出版社，2002.

［2］Duda.R.O，Hart.P.E.Pattern classification and scene analysis［J］.Journal of the RoyalStatistical Society，1973，6（4）：312-345.

［3］M.Gniadecka，H.C.Wulf and N.Nymark Mortensenetal.Diagnosisofbasalcellcarcinomabyraman spectroscopy［J］.JournalofRamanSpectroscopy，1997，28（2）：125-129.

［4］Roel J.Erckens，Massoud Motamedi，Wayne F.March. Raman Spectroscopy for non-invasive characterization of ocular tissue：potential for detection of bio-logicalmolecules［J］.Journal of Raman Spectroscopy，1997，28（3）：293-299.

［5］丁小平，孟超，王建林.人血清吸收光譜的研究［J］.光譜學(xué)與光譜分析，1999，19（2）：225-226.

［6］褚小立，袁洪福，陸婉珍.光譜結(jié)合主成分分析和模糊聚類方法的樣品聚類與識(shí)別［J］.分析化學(xué)，2000，28（4）：421-427.

［7］朱建華，劉政凱，俞能海.一種多光譜遙感圖象的自適應(yīng)最小距離分類方法［J］.中國(guó)圖象圖形學(xué)報(bào)，2000，5（1）：21-24.

［8］Zadeh LA.Fuzzy sets［J］.Information control，1965，5（8）：338-353.

［9］孫長(zhǎng)森，林鈞岫.譜數(shù)據(jù)峰值的一種實(shí)時(shí)平滑算法［J］.數(shù)據(jù)采集與處理，1996，25（2）：157-159.

［10］孫苗鐘.基于MATLAB的振動(dòng)信號(hào)平滑處理方法［J］.電子測(cè)量技術(shù)，2007（6）：55-57.

［11］羅磊.基于模糊模式識(shí)別的光譜分類研究［D］.鄭州大學(xué)，2006.

［12］劉普寅，吳孟達(dá).模糊理論及其應(yīng)用［M］.長(zhǎng)沙：國(guó)防科技大學(xué)出版社，1998.

Fuzzy Recognition Theory in the Spectral Data

ZHAO Guangyu，ZHAO Pengfei，GAO Bin，LU Yuxin
（School of Science，Changhun University of Science and Technology，Changchun 130022）

Based on the theories of fuzzy pattern recognition，this paper analyzes the application of the fuzzy pattern recognition method in blood spectrum data identification，achieves the extraction and classification of animal blood characteristic fluorescence spectrum.In this trial，we use fuzzy pattern recognition method to deal with sample spectrum on the basis of the fuzzy characteristics of the sample spectrum itself，and design fuzzy classifiers combined with Matlab programming which can reach an ideal classification effect.The results show that the fuzzy recognition method has a higher identification ability to the spectral data and good prospects in the detection of spectral data.

fuzzy recognition；classification；spectrum

O657.3

A

1672-9870（2016）04-0138-05

2016-03-25

國(guó)家自然科學(xué)基金（11326078）

趙廣宇（1980-），男，碩士，講師，E-mail：zgywshzyz@126.com