1.一种光谱波段优选模糊聚类的苹果品种辨别方法，其特征在于，包括如下步骤：S1，不同品种苹果样本的傅里叶近红外光谱采集：针对不同品种的苹果样本，用傅里叶近红外光谱仪对苹果样本进行检测，获取苹果样本傅里叶近红外光谱数据并存储数据；

S2，用标准正态变量变化(SNV)对步骤S1的苹果样本近红外光谱进行预处理；

S3，用后向间隔偏最小二乘判别分析(BIPLSDA)对步骤S2的近红外光谱进行波段优选；

S4，对苹果近红外光谱进行降维处理和鉴别信息提取：利用主成分分析(PCA)对步骤S3中的苹果近红外光谱数据进行压缩；然后利用线性判别分析(LDA)提取数据的鉴别信息；

S5，对步骤S4中包含鉴别信息的测试样本采用改进的模糊C均值聚类方法辨别苹果品种；

步骤S5的具体实现：

S5.1，初始化：设置权重指数m，类别数c，其中m>1、c>1；设置循环计数r的初始值和最大迭代次数rmax；设置迭代最大误差参数ε；运行模糊C均值聚类得到的类中心值vi,FCM作为初始(0)的类中心值νi ；计算参数ηi：

上式中，m(m>1)为权重指数，uik,FCM为模糊C均值聚类迭代计算终止后得到的模糊隶属度值，vi,FCM为模糊C均值聚类迭代计算终止后得到的第i(i＝1,2,3,…,c)个类中心值，xk为第k个测试样本；

(r)

S5.2，计算第r(r＝1,2,…,rmax)次迭代时的模糊隶属度值uik ：uik是样本xk隶属于类别i的模糊隶属度值； vi是第i(i＝1,2,3,…,c)(r‑1)

类的类中心值，νi 是第r－1次迭代计算的类中心vi的值； vj是第j(j＝(r‑1)

1,2,3,…,c)类的类中心值，νj 是第r－1次迭代计算的类中心vj的值，n为测试样本数；

(r)

S5.3，计算第r次迭代时的第i类的类中心值νi

(r) (r) (r)

νi 是第r次迭代计算的类中心vi的值，由c个类中心值组成类中心矩阵V ＝[ν1 ,(r) (r)ν2 ,…,νc ]；

S5.4，循环计数增加，即r＝r+1；

(r) (r‑1)

若满足条件：||V ‑V ||＜ε或r>rmax则计算终止，否则继续S5.2，迭代终止后可得到模糊隶属度值并根据模糊隶属度值辨别苹果品种。

2.根据权利要求1所述的一种光谱波段优选模糊聚类的苹果品种辨别方法，其特征在于，步骤S1的具体实现：将苹果样本在温度为20～25℃条件下存放12小时，Antaris II近红外光谱分析仪开机预热1个小时；采用反射积分球模式采集苹果近红外光谱，近红外光谱分析仪扫描每个样品‑1

32次以获取样品的漫反射光谱均值，光谱扫描的波数设为10000～4000cm ，扫描间隔设为‑1

3.856cm ，采集到每个样品的光谱为1557维的数据。

3.根据权利要求2所述的一种光谱波段优选模糊聚类的苹果品种辨别方法，其特征在于，步骤S1还包括：每个苹果样本沿赤道轨迹采样3次，取其平均值作为最终的采集数据。

4.根据权利要求1所述的一种光谱波段优选模糊聚类的苹果品种辨别方法，其特征在于，步骤S2中预处理的具体实现：采用标准正态变量变化消除固体颗粒大小，表面散射以及光程变化对漫反射近红外光谱的影响；将步骤S1的苹果样本近红外光谱数据减去光谱数据的平均值后再除以光谱数据的标准差。

5.根据权利要求1所述的一种光谱波段优选模糊聚类的苹果品种辨别方法，其特征在于，步骤S3的具体实现：S3.1，将若干个苹果样本分为训练样本和测试样本两个部分；

S3.2，建立训练样本类别信息矩阵，将苹果的近红外光谱区域平均地划分为L个等宽的子光谱区域，然后每次去除1个子光谱区域，使剩余的光谱区域中的训练样本光谱值与训练样本类别信息矩阵进行偏最小二乘回归所得交互验证均方根误差(RMSECV)最小，直至最后

1个子光谱区域；

S3.3，根据均方根误差最小原则选取若干个子光谱区域；根据优选的子光谱区域选择测试样本光谱区域并组成苹果测试样本光谱。

6.根据权利要求5所述的一种光谱波段优选模糊聚类的苹果品种辨别方法，其特征在于，所述S3.3中根据均方根误差最小原则选取若干个子光谱区域的方法：将光谱区域平均划分为L＝20个等宽的子光谱区域，每次去除1个子光谱区域，剩余的

19个子光谱区域中的训练样本光谱值与训练样本类别信息矩阵进行偏最小二乘回归，当去除子光谱区域11时所得的偏最小二乘回归所得交互验证均方根误差(RMSECV)最小为

0.1930；因此，将20个子光谱区域中的子光谱区域11去除，剩下的19个子光谱区域再去除1个子光谱区域，使剩余的18个子光谱区域中的训练样本光谱值与训练样本类别信息矩阵进行偏最小二乘回归所得交互验证均方根误差(RMSECV)最小，后面的计算依此类推。

7.根据权利要求1所述的一种光谱波段优选模糊聚类的苹果品种辨别方法，其特征在于，步骤S4中的利用主成分分析(PCA)对S3中的苹果近红外光谱数据进行压缩，是将光谱压缩至8维，具体方法：将步骤S3中的苹果近红外光谱数据减去减去光谱数据的平均值，然后计算协方差矩阵并对协方差矩阵进行特征分解计算特征值和特征向量，将特征值从大到小排列，取前8个最大特征值对应的8个特征向量，将若干个样本的近红外光谱数据投影到这8个特征向量上，从而将近红外光谱压缩到8维。

8.根据权利要求7所述的一种光谱波段优选模糊聚类的苹果品种辨别方法，其特征在于，步骤S4中的利用线性判别分析(LDA)提取8维数据的鉴别信息的具体方法：用PCA处理后的训练样本计算得到类内散射矩阵SW和类间散射矩阵SB，对矩阵 进行特征分解计算特征值和特征向量，取前3个最大特征值对应的3个特征向量，将测试样本投影到这3个特征向量上得到经过线性判别分析LDA处理后的三维测试样本数据。