1.一种基于边界点的抗噪支持向量机的水蜜桃品质分级方法，其特征包括如下步骤：(1)采集n个不同品质等级的水蜜桃可见/近红外光谱数据，并对可见/近红外光谱数据进行预处理和PCA特征提取，得到不同品质等级的水蜜桃可见/近红外光谱样本集；

(2)将不同品质等级的水蜜桃可见/近红外光谱样本集两两组合，建立 组水蜜桃可见/近红外光谱训练集；

(3)将上述 组水蜜桃可见/近红外光谱训练集输入到基于边界点的抗噪支持向量机中进行训练，得到 个水蜜桃品质等级分类器；

(4)使用水蜜桃品质等级分类器对待分级的水蜜桃样本进行检测；

上述步骤(3)所述的水蜜桃品质等级分类器的构建步骤如下：(31)在每组水蜜桃可见/近红外光谱训练集中的两类品质等级的水蜜桃可见/近红外光谱样本集X1和X2上分别使用支持向量域描述(support vector data description,SVDD)算法得到两类样本集在特征空间下的最小球形空间闭区域的球心c1和c2，以及分布在两个最小球形空间闭区域上的样本点集合Z1和Z2，并设置X1和X2在特征空间的边界点集B1和B2的初始值分别为Z1和Z2；

(32)在X1中计算每个样本x1,i到球心c1在特征空间中的欧氏距离di：di＝||φ(x1,i)-φ(c1)||2，                                            (1)其中x1,i满足x1,i∈X1且 φ()表示样本从原始空间到核空间的映射函数，在X2计算每个样本x2,i到球心c2在特征空间中的欧氏距离ei：ei＝||φ(x2,i)-φ(c2)||2，                                            (2)其中x2,i满足x2,i∈X2且(33)根据di值降序排列X1中的样本x1,i，其中x1,i满足x1,i∈X1且 依次将样本x1,i代入式(3)求解向量μ，随即将x1,i连同得到的μ值代入式(4)更新边界点集B1，这一过程直至遍历X1中所有满足条件的样本，其中|B1|表示B1中样本的个数,阈值ε为一正常数；

根据ei值降序排列X2中的样本x2,i，其中x2,i满足x2,i∈X2且 依次将样本x2,i代入式(5)求解向量λ，随即将x2,i连同得到的λ值代入式(6)更新边界点集B2，这一过程直至遍历X2中所有满足条件的样本，其中|B2|表示B2中样本的个数；

(34)计算X1中边界点集B1中各边界点的权重αi：计算X2中边界点集B2中各边界点的权重βi：

(35)将B1集中权重αi平方值小于阈值δ的样本剔除出B1集：其中 阈值δ为一正常数，

将B2集中权重βi平方值小于阈值δ的样本剔除出B2集：其中

(36)将步骤(35)得到的B1和B2集连同其样本的类别标签代入中位数损失函数支持向量机：其中w为权向量，C为惩罚参数， 为松弛向量，yi∈{+1,-1}分别表示两类品质等级水蜜桃可见/近红外光谱样本的类别标签，b为分类超平面的偏移量，τ为一个在[0,1]之间的实数；

引入拉格朗日函数,上式可以转换成如下的二次规划形式：其中,γ和ν是拉格朗日系数；

求解式(11)和(12)式可得w和b最优解w*，b*并得到基于边界点的抗噪支持向量机的水蜜桃品质等级分类器：f(x)＝sign(1-(w*·φ(x)+b*))，                                   (13)其中sign()为符号函数；

上述步骤(4)所述的使用水蜜桃品质等级分类器对待分级的水蜜桃样本进行检测，具体步骤如下：(41)获取待检测的水蜜桃可见/近红外光谱数据；

(42)对获取的可见/近红外光谱数据进行预处理和使用PCA方法进行特征提取；

(43)将提取到的特征数据输入到步骤(3)所述的 个水蜜桃品质等级分类器中，得到 个判别结果；

(44)采用投票机制统计 个判别结果，以所有结果中占最多的等级作为待检水蜜桃的品质等级。