1.一种聚谷氨酸复合肥鉴别方法，其特征在于，该方法包括以下步骤：获取含聚谷氨酸、不含聚谷氨酸的两种化肥样本并进行前处理；

测定所述化肥样本的近红外光谱；

对所述近红外光谱进行多元散射校正处理；

对多元散射校正处理后的近红外光谱数据进行二维相关分析，确定特征波段；

基于主成分分析对所述特征波段进行数据降维，得到支持向量机的输入光谱数据；

基于输入光谱数据形成的训练集对支持向量机进行训练，利用网格寻优以及交叉验证方法确定最优支持向量机参数；

获取测试化肥样本，并利用训练好的支持向量机鉴别所述测试化肥样本中有无聚谷氨酸成分。

2.如权利要求1所述的聚谷氨酸复合肥鉴别方法，其特征在于，化肥样本的前处理，包括：对化肥样本进行充分研磨、过滤。

3.如权利要求1所述的聚谷氨酸复合肥鉴别方法，其特征在于，测定所述化肥样本的近红外光谱，包括：利用近红外光谱仪测定所述化肥样本的近红外光谱；其中，所述近红外光谱仪为布鲁克傅里叶变换近红外光谱仪，所述近红外光谱仪扫描设定参数为：光谱扫描范‑1 ‑1

围4000‑400cm ，扫描次数为32次，扫描分辨率为4cm ，扫描时实时扣除背景噪声。

4.如权利要求1所述的聚谷氨酸复合肥鉴别方法，其特征在于，对所述近红外光谱进行多元散射校正处理，包括：

计算所有样本的近红外光谱数据的平均值，将所述平均值作为理想光谱：其中， 为理想光谱，Datai为第i个样本的光谱，n为样本总量；

将每个样本的光谱与理想光谱进行一元线性回归，求解最小二乘问题得到每个近红外光谱的基线平移量和偏移量：

其中，Datai为第i个样本的光谱，ki为偏移量，bi为基线平移量；

对每个样本的光谱进行校正，减去求得的基线平移量后除以偏移量，得到校正后的光谱：

其中，Datai(MSC)为校正后的光谱。

5.如权利要求1所述的聚谷氨酸复合肥鉴别方法，其特征在于，有无聚谷氨酸化肥的共‑1 ‑1

同特征波段组合为：1919‑1960nm ，1748‑1781nm 。

6.如权利要求1所述的聚谷氨酸复合肥鉴别方法，其特征在于，基于主成分分析对所述特征波段进行数据降维，包括：

当前n个主成分累计方差贡献率大于预定值，以前n个主成分近似代替原光谱数据，得到支持向量机的输入光谱数据，n为正整数。

7.如权利要求1所述的聚谷氨酸复合肥鉴别方法，其特征在于，所述支持向量机算法采2

用径向基核函数，所述径向基核函数为K(xi,xj)＝exp(‑γ||xi‑xj||)；其中，γ为核函数的带宽参数，xi为测试样本点，xj为核函数中心。

8.如权利要求1所述的聚谷氨酸复合肥鉴别方法，其特征在于，对多元散射校正处理后的近红外光谱数据进行二维相关分析，确定特征波段，包括：对多元散射校正处理后的近红外光谱数据进行同步二维近红外相关谱，得到同步二维近红外相关谱；

将所述同步二维近红外相关谱中特征吸收峰所在的波长区间作为特征波段。

9.如权利要求8所述的聚谷氨酸复合肥鉴别方法，其特征在于，对多元散射校正处理后的近红外光谱数据进行同步二维近红外相关谱计算，包括：将多元散射校正处理后的近红外光谱作为一维动态光谱矩阵S(m*b)，根据Noda理论，同步二维近红外相关谱Φ(v1,v2)为：式中：m是光谱数，v1,v2为波数，称为Hilbert‑Noda矩阵，T表示转置，b表示在近红外波段分别采集的波长数。

10.如权利要求7所述的聚谷氨酸复合肥鉴别方法，其特征在于，利用网格寻优以及交叉验证方法确定最优支持向量机参数，包括：使用K‑CV方法对输入光谱数据构成的训练集进行交叉验证，对于多组c和g达到最高验证准确率，取最小的一组c和g，其中c为惩罚因子，g为核函数的带宽参数。