1.一种模糊线性机器学习的茶叶品种分类方法，其特征在于，包括以下步骤：S1，采集待分类茶叶样本的近红外光谱数据；

S2，用多元散射校正对所采集的近红外光谱数据进行校正处理；

S3，从S2处理后的近红外光谱数据提取茶叶近红外光谱模糊鉴别信息；

S4，建立模糊聚类目标函数和约束条件，采用基于p范数距离测度的模糊聚类方法迭代更新茶叶的模糊隶属度值，根据所得到的模糊隶属度值对茶叶进行分类。

2.根据原理要求1所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，提取茶叶近红外光谱模糊鉴别信息的方法为：S3.1，初始化参数：训练样本数为n1、测试样本数为n2、权重指数为m，类别数为c；

S3.2，计算第k个训练样本隶属于第i类的模糊隶属度μik；

S3.3，基于模糊隶属度μik计算模糊类间离散度矩阵SfB和模糊类内离散度矩阵SfW；对糊类间离散度矩阵SfB和模糊类内离散度矩阵SfW之和进行奇异值分解得到特征矩阵U；

S3.4，基于特征矩阵U，计算优化变换矩阵G；

S3.5，利用变换矩阵G对分别对第t个测试样本 和第k个训练样本进行变换得到 和yk；

S3.6，利用线性判别分析分别将测试样本 和测试样本yk转化为测试样本 和zk。

3.根据原理要求1所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，所述糊类间离散度矩阵SfB和模糊类内离散度矩阵SfW表示为：其中， 为在权重指数为m的第k个训练样本隶属于第i类的模糊隶属度；为所有训练样本采集的近红外光谱数据的均值， xk为第k个训练样本采集到的近红外光谱数据；vi指训练样本中第i类茶叶近红外光谱数据的均值，i＝1，2,...,c。

4.根据原理要求3所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，所述优化变换矩阵G表示为：

G＝UQM

其中，Q表示对矩阵 进行特征分解，由非零特征值所对应的特征向量组成的矩阵；M表示对 进行特征分解得到的非零特征值所对应的特征向量组成矩阵；且

5.根据原理要求4所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，S3.5中 和yk分别表示为： yk＝xkG，其中， 是基于矩阵G进行变换后待分类的样本数据；yk是基于矩阵G进行变换后的训练样本数据。

6.根据原理要求1所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，所述模糊聚类目标函数表示为：

其中，J(μit,vi)为目标函数， 为在权重指数mf下第t个测试样本zt隶属于第i(1≤i≤c)类的模糊隶属度；ηi为第i类的参数值，μit为第t个测试样本 隶属于第i类的模糊隶属度，γi是第i类的类中心，权重指数mf。

7.根据原理要求6所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，约束条件表示为： 0≤μit≤1，1＜c＜n2，指数p＞1。

8.根据原理要求7所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，设定迭代次数，根据模糊聚类目标函数和约束条件分别计算模糊隶属度值μit和类中心γi；其中，模糊隶属度表示为：

类中心表示为：

其中， 在权重指数m下运行模糊C均值聚类后得到的第t个测试样本 隶属于第i类的模糊隶属度值和vi,FCM是运行FCM后得到的类中心。

9.根据原理要求1‑8中任意一项权利要求所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，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。

10.根据原理要求9所述的一种模糊线性机器学习的茶叶品种分类方法，其特征在于，每个样本采样3次，3次平均值作后续实验样本的数据。