1.基于智能与模糊聚类算法的混合塑料分选方法，其特征在于，包括如下步骤：S1：获取Sample1塑料的红外吸收光谱，所述红外吸收光谱上具有多个红外特征吸收峰；

S2：产生一组随机数Uj或依据经验得到一组随机数Uj，做归一化处理得到uj，其中j由参与对比的红外特征吸收峰的数量确定：

S3：在波长为L1的红外特征吸收峰的对应位置，计算uj*||yA-ySample 1||的欧几里德距离，其中yA为A塑料的红外吸收率，ySample1为Sample1塑料的红外吸收率；

S4：在L1、L2、L3……Lj j个特征吸收峰处，对uj*||yA-ySample1||求目标函数，通过优化迭代得到目标函数的极小值，并因此得到一组最优的uj-opt；

S5：求uj-opt方差的倒数，获得Sample1属于A塑料的绝对值隶属度uA；

S6：依据步骤S1-S5，计算Sample1属于其他种类塑料的绝对值隶属度；

S7：计算Sample1属于所有种类塑料的相对模糊隶属度，并根据相对模糊隶属度的大小确定Sample1的归类；

S8：对于其他待分选样本，重复上述步骤S1-S7。

2.根据权利要求1所述的基于智能与模糊聚类算法的混合塑料分选方法，其特征在于，所述在L1、L2、L3……Lj j个特征吸收峰处，对uj*||yA-ySample1||求目标函数，通过优化迭代得到目标函数的极小值，并因此得到一组最优的uj-opt，具体为：S21：采用模糊聚类算法得到目标函数为：

这里uij介于0，1间，ci为模糊组i的聚类中心，dij＝||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离,且m∈[1,∞)是一个加权指数；

S22：构造新的目标函数为：

这里λj，j＝1到n；

S23：对所有输入参量求导，得到使目标函数最小的必要条件：和

S24：将uij的值代入目标函数，若目标函数小于阀值ε，则算法停止，此时uj-opt＝uij；否则继续步骤S21、S22、S23。

3.根据权利要求1所述的基于智能与模糊聚类算法的混合塑料分选方法，其特征在于，所述计算Sample1属于所有种类塑料的相对模糊隶属度，并根据相对模糊隶属度的大小确定Sample1的归类，具体为：S31：Sample1属于A塑料的相对模糊隶属度＝uA/Sample1属于所有种类塑料的绝对值隶属度之和；

S32：依据S31求得Sample1属于其他塑料的相对模糊隶属度；

S33：比较Sample1属于所有种类塑料的相对模糊隶属度，相对模糊隶属度最大的塑料种类则对应Sample1的归类。