1.一种自适应聚类的生菜品种鉴别方法，其特征在于，包括如下步骤：步骤1、生菜样本光谱的采集：用光谱仪采集不同品种的生菜样本，获取生菜样本的漫反射光谱；

步骤2、光谱的降维处理：采用主成分分析方法(PCA)将生菜样本光谱的维数降低；

步骤3、进行生菜光谱的模糊C均值聚类，得到模糊隶属度以及聚类中心；

步骤4、计算自适应聚类方法的参数λ；

步骤5、采用自适应聚类方法进行生菜品种的鉴别。

2.根据权利要求1所述的一种自适应聚类的生菜品种鉴别方法，其特征在于，所述步骤

1中，光谱采集的条件为：在350～1000nm光谱区采样间隔为1.4nm，分辨率为3nm；在1000～

2500nm光谱区采样间隔为2nm，分辨率为10nm。

3.根据权利要求1所述的一种自适应聚类的生菜品种鉴别方法，其特征在于，所述步骤

2中，所述光谱的维数由2151维数据降低为6维数据。

4.根据权利要求3所述的一种自适应聚类的生菜品种鉴别方法，其特征在于，所述步骤

3的具体过程如下：

对步骤2的6维光谱数据进行模糊C-均值聚类；模糊C-均值聚类的初始化参数设置为：类别数为3，权重指数为2，最大迭代数为100次，误差上限为0.00001。

5.根据权利要求4所述的一种自适应聚类的生菜品种鉴别方法，其特征在于，生菜品种为香港玻璃生菜，意大利全年耐抽苔生菜和大禹奶油生菜时，计算的聚类中心vi,FCM为

6.根据权利要求1所述的一种自适应聚类的生菜品种鉴别方法，其特征在于，所述步骤

4的计算方法为：

uik,FCM是步骤3模糊C均值聚类得到的样本xk隶属于类别i的模糊隶属度值；d(xk,vi,FCM)＝||xk-vi,FCM||2， xk为第k(k＝1,2,3,…,n)个生菜光谱样本，为样本的均值， n(n＞c＞1)为样本数，c(+∞＞c＞1)为类别数；vi,FCM是步骤3模糊C均值聚类得到的类别i的类中心值。

7.根据权利要求1所述的一种自适应聚类的生菜品种鉴别方法，其特征在于，所述步骤

5的具体过程如下：

5.1.初始化

5.1.1 固定生菜光谱样本类别数c(+∞＞c＞1)和样本数n(n＞c＞1)，权重指数m(+∞＞m＞1)和p(+∞＞p＞1)，最大迭代数rmax，初始迭代次数r＝1，误差上限的值ε，固定参数a(+∞＞a＞0)、b(+∞＞b＞0)，初始聚类中心νi(0)为步骤3中模糊C均值聚类得到的聚类中心；

5.1.2 计算生菜光谱样本的协方差σ2这里xk为第k(k＝1,2,3,…,n)个生菜光谱样本，为样本的均值，

5.2.计算第r(r＝1,2,…,rmax)次迭代时的模糊隶属度值uik(r)：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＝1,2,3,…,c)类的类中心值，νj(r-1)是第r－1次迭代计算的类中心vj的值，为样本均值；

5.3.计算第r(r＝1,2,…,rmax)次迭代时的典型值tik(r)：tik是样本xk隶属于类别i的典型值。

(r)

5.4.计算第r次迭代时的第i类的类中心值νiνi(r)是第r次迭代计算的类中心vi的值；

5.5.循环计数增加，即r＝r+1；

当 或者r＝rmax－1时，迭代结束，否则，r＝r+1，返回步骤5.2继续迭代计算，迭代终止后可得到模糊隶属度值和典型值并根据模糊隶属度值或典型值鉴别生菜品种。

8.根据权利要求7所述的一种自适应聚类的生菜品种鉴别方法，其特征在于，步骤

5.1.1中具体参数值设置为：c＝3，n＝120，m＝2.0，p＝3.0，ε＝0.00001，a＝1，b＝1，νi(0)＝vi,FCM。

9.根据权利要求7所述的一种自适应聚类的生菜品种鉴别方法，其特征在于，利用所述方法在经过r＝37次迭代计算得到的类中心νi(37)值为：