1．不进行预处理

由树状图可以看出此模型分类不准确，从图12-4中可以看出分类错误较多，模型准确率仅为83.3%，所以此模型不可采用。

图12-4 样本数据不进行预处理的聚类分析结果

2. SNV

如图12-5所示，此模型分类正确，并且测试样本分类也均正确无误。

3．一阶导数

如图12-6所示，此模型分类正确，并且测试样本分类也均正确无误。

4．一阶导数＋SNV

如图12-7所示，此模型分类正确，并且测试样本分类也均正确无误。

图12-5 样本数据SNV的聚类分析结果

图12-6 样本数据一阶导数的聚类分析结果

图12-7 样本数据一阶导数＋SNV的聚类分析结果

5．二阶导数

如图12-8所示，此模型分类正确，并且测试样本分类也均正确无误。

图12-8 样本数据二阶导数的聚类分析结果

6．二阶导数＋SNV

如图12-9所示，此模型分类正确，并且测试样本分类也均正确无误。

图12-9 样本数据二阶导数＋SNV的聚类分析结果

通过上述建模对比分析，从表12-1可以看出来，除了不进行预处理之外的其他建模方法均可做到100％分类准确。如上述结果所示，根据树状图，62个茶叶样本被分成两类，可以看到树状图按奇偶数分为两个分支，与样本新、老茶叶按奇偶数分开的编码规则一样。

表12-1 新、老茶叶近红外光建模结果分析对比表

相关链接:基于多光谱技术的新、老茶叶鉴别方法研究实验材料与光谱采集

文章来源：《多光谱食品品质检测技术与信息处理研究》

版权与免责声明：转载目的在于传递更多信息。

如其他媒体、网站或个人从本网下载使用，必须保留本网注明的"稿件来源"，并自负版权等法律责任。

如涉及作品内容、版权等问题，请在作品发表之日起两周内与本网联系，否则视为放弃相关权利。