1.一种模糊鉴别信息提取的茶叶近红外光谱分类方法，其特征在于，包括如下步骤：S1,茶叶样本近红外光谱采集：用傅里叶近红外光谱仪对茶叶样本进行检测，获取茶叶样本近红外漫反射光谱数据；

S2，采用多元散射校正(MSC)对茶叶近红外光谱数据进行预处理；

S3，对茶叶样本近红外光谱进行降维处理，利用主成分分析(PCA)将S2中预处理后的茶叶近红外光谱数据进行压缩；

S4，茶叶近红外光谱的模糊鉴别信息提取：采用一种模糊鉴别信息提取方法提取S3中压缩后的茶叶近红外光谱数据的鉴别信息；

所述步骤S4的实现方法：

S4.1，初始化：设置茶叶训练样本数为N1，测试样本数N2，权重指数m，类别数c，其中m>1；

S4.2，计算第j个训练样本xj隶属于第i类的模糊隶属度μij，其中，1≤j≤N1，xj为第t类训练样本，1≤t≤c，1≤i≤c:这里ni是隶属于第i类的近邻样本数，K为K近邻的参数；

S4.3，计算模糊类间散射矩阵Sfb和模糊类内散射矩阵Sfw：其中， 为所有训练样本的均值， γ i为第i类初始类中心值，S4.4，根据模糊类内散射矩阵Sfw和模糊类间散射矩阵Sfb计算出模糊类内散射矩阵Sfw‑1的逆矩阵Sfw 与模糊类间散射矩阵Sfb乘积矩阵的特征值λ以及特征向量α：‑1

Sfw Sfbα＝λα，

‑1

其中，λ为Sfw Sfb的特征值，α为特征值λ对应的特征向量；

将特征值λ从大到小排列，取前c‑1个特征值为{λ1,λ2,…λc‑1}，对应的特征向量为{α1,Tα2,α3…αc‑1},最大特征值λ1所对应的特征向量α1即为鉴别向量矩阵G＝[α1,α2,α3…αc‑1] 的第一个列向量；

S4.5,对鉴别向量矩阵G进行QR分解，其中， p＝rank(G)，得到新的鉴别向量矩阵S4.6,根据新的鉴别向量矩阵 对测试样本集进行降维，把第k个测试样本yk投影到上，1≤k≤N2，可得：第i个类中心值

S5，对S4中包含鉴别信息的测试样本采用一种模糊簇间分离聚类方法进行茶叶品种分类；

所述步骤S5的实现方法：

S5.1，初始化：设置权重指数m，类别数c，其中m>1；设置参数β；设置迭代最大误差参数(0)ε；以S4.6中νi 作为初始类中心值，计算S4.6中第k个测试样本zk的初始模糊隶属度值uik(0)，1≤k≤N2，如下：

(0)

式中νj 是S4.6中第j个类中心值；

(r)

S5.2，计算第r次迭代时的模糊隶属度值uik ，其中r＝1,2,…,rmax：(r‑1)

Dik为样本zk到类中心νi 的距离范数，且(r‑1)

zk为第k个测试样本，νi 是第r‑1次迭代计算的类中心的值；Sfi为模糊协方差矩阵，且(r‑1)N2为测试样本数，uik 是第r‑1次迭代计算的模糊(r) (r)

隶属度值；所有模糊隶属度组成模糊隶属度矩阵U ＝{uik }c×N2；

(r)

S5.3，计算第r次迭代时第i类的类中心值νi ：(r)

其中νi 是第r次迭代计算的类中心vi的值；

(r) (r‑1)

S5.4，循环计数增加，即r＝r+1；若满足条件：||U ‑U ||＜ε，则计算终止，否则继续S5.2，根据计算得到的模糊隶属度值，实现茶叶品种分类。

2.根据权利要求1所述的一种模糊鉴别信息提取的茶叶近红外光谱分类方法，其特征在于，所述步骤S1中傅里叶近红外光谱仪采用Antaris II。

3.根据权利要求2所述的一种模糊鉴别信息提取的茶叶近红外光谱分类方法，其特征在于，所述茶叶样本近红外光谱采集方法：将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茶叶近红外光谱，近红外光谱分析仪扫描每个样品32次以获‑1 ‑1取样品的漫反射光谱均值，光谱扫描的波数为10000～4000cm ，扫描间隔为3.857cm ，采集到每个茶叶样品的光谱是1557维的数据。

4.根据权利要求3所述的一种模糊鉴别信息提取的茶叶近红外光谱分类方法，其特征在于，还包括：保持温度和相对湿度不变。

5.根据权利要求1所述的一种模糊鉴别信息提取的茶叶近红外光谱分类方法，其特征在于，所述步骤S3的实现方法：将S2中的光谱用主成分分析计算特征值和特征向量，将特征值从大到小排列，取前7个最大特征值，将茶叶样本的近红外光谱数据投影到对应的7个特征向量上，将近红外光谱从1557维压缩到7维。

6.根据权利要求5所述的一种模糊鉴别信息提取的茶叶近红外光谱分类方法，其特征在于，还包括：将这7维光谱数据分为两个部分：从每类茶叶样本中选取若干个样本组成茶叶样本训练集，剩余样本组成茶叶样本测试集。