技術特征：

1.一種基于二維相關光譜不變矩特征判別摻雜尿素牛奶的方法，其特征在于，包括以下步驟：

1)準備純牛奶和摻雜牛奶作為訓練樣品，通過掃描得到所述訓練樣品的一維近紅外光譜，并通過Noda理論進行相關譜計算，得到每一個訓練樣品的同步—異步二維近紅外光譜矩陣，并將所得到的同步—異步二維近紅外光譜矩陣轉化成二維近紅外相關光譜圖；

2)根據不變矩理論，提取步驟1)所得二維近紅外相關光譜圖的不變矩特征；

3)利用主成分分析法對步驟2)所得不變矩特征進行優(yōu)選，得到優(yōu)選不變矩特征；

4)建立支持向量機模型，采用支持向量機法對所述訓練樣品的二維近紅外相關光譜圖進行分類識別，輸入為步驟3)所得的優(yōu)選不變矩特征，輸出為訓練樣品的種類：純牛奶或摻雜牛奶，其中，調用支持向量機模型的訓練函數Svmtrain對所述訓練樣本進行訓練；

5)將未知種類牛奶的二維近紅外相關光譜圖的優(yōu)選不變矩特征輸入步驟4)中訓練后的支持向量機模型中，即可判別所述未知種類牛奶的種類。

2.根據權利要求1所述的方法，其特征在于，在所述步驟1)中，所述同步—異步二維近紅外光譜矩陣轉化成二維近紅外相關光譜圖的方法為：將所述同步—異步二維近紅外光譜矩陣的數據歸一化至0-255之間，通過matlab軟件的image命令得到所述二維近紅外相關光譜圖。

3.根據權利要求2所述的方法，其特征在于，采用離差標準化對所述同步—異步二維近紅外光譜矩陣的數據進行歸一化，離差標準化的轉換公式為：

新數據＝(原數據-原數據的極小值)*255/(原數據的極大值-原數據的極小值)(1)其中，原數據為未歸一化的同步—異步二維近紅外光譜矩陣的數據，新數據為歸一化后的同步—異步二維近紅外光譜矩陣的數據。

4.根據權利要求3所述的方法，其特征在于，在所述步驟2)中，提取不變矩特征的方法為：

①根據公式(2)和(3)計算m×n的所述二維近紅外相關光譜圖的二維矩陣f(x,y)的p+q階中心矩u_pq：

$u_{pq}=\underset{x=1}{\overset{m}{\Σ}}\underset{y=1}{\overset{n}{\Σ}}{(x-\stackrel{\‾}{x})}^p{(y-\stackrel{\‾}{y})}^{q}f(x,y)---\left(2\right)$

$\stackrel{\‾}{x}=\frac{M_{10}}{M_{00}},\stackrel{\‾}{y}=\frac{M_{01}}{M_{00}}---\left(3\right)$

其中，p和q均為整數，p、q＝0、1、2和3，f(x,y)為所述同步—異步二維近紅外光譜矩陣按照權利要求3所述歸一化方法轉化后的二維矩陣，M₀₀為所述二維近紅外相關光譜圖的二維矩陣f(x,y)的零階矩，M₁₀和M₀₁均為所述二維近紅外相關光譜圖的二維矩陣f(x,y)的一階矩；

②通過公式(4)計算所述二維近紅外相關光譜圖的二維矩陣f(x,y)的M₀₀、M₁₀和M₀₁：

$M_{pq}=\underset{x=1}{\overset{m}{\Σ}}\underset{y=1}{\overset{n}{\Σ}}{x}^p{y}^{q}f(x,y)---\left(4\right)$

其中，m×n為所述二維近紅外相關光譜圖的分辨率。

③通過公式(5)對步驟①中所得的p+q階中心矩u_pq進行歸一化，得到η_pq，

η_pq＝u_pq/u₀₀^γ (5)

其中，

④將步驟③所得的η_pq依次代入公式(6)，得到不變矩特征φ₁、φ₂、φ₃、φ₄、φ₅、φ₆和φ₇。

5.根據權利要求1所述的方法，其特征在于，在所述步驟3)中，對步驟2)所得不變矩特征進行優(yōu)選的方法為：

I按照公式(7)將多個訓練樣品的不變矩特征組成特征數據矩陣X′＝(x_ij')_s×l：

$X^{\′}=\left(\begin{array}{cccc}{x_{11}}^{\′}& {x_{12}}^{\′}& \mathrm{...}& {x_{1l}}^{\′}\\ {x_{21}}^{\′}& {x_{22}}^{\′}& \mathrm{...}& {x_{2l}}^{\′}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ {x_{s1}}^{\′}& {x_{s2}}^{\′}& \mathrm{...}& {x_{sl}}^{\′}\end{array}\right)---\left(7\right)$

其中，x_ij'為第i個訓練樣品的第j個不變矩特征參數，l為不變矩特征個數，s為訓練樣品的個數；標準化處理所述特征數據矩陣X′，得到X＝(x_ij)_s×l，其中，

$x_{ij}=\frac{{x_{ij}}^{\′}-{{\stackrel{\‾}{x}}_j}^{\′}}{\sqrt{\mathrm{var}\left({x_j}^{\′}\right)}},(i=1,2,...,s;j=1,2,...,l)---\left(8\right)$

其中，

$\mathrm{var}\left({x_j}^{\′}\right)=\frac{1}{s-1}\underset{i=1}{\overset{s}{\Σ}}{({x_{ij}}^{\′}-{x_j}^{\′})}^2,(j=1,2,...,l)---\left(10\right)$

II按照公式(11)計算X的相關系數，得到相關系數矩陣R＝(r_ij)_s×l：

$r_{ij}=\frac{\underset{k=1}{\overset{s}{\Σ}}(x_{ki}-{\stackrel{\‾}{x}}_i)(x_{kj}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{k=1}{\overset{s}{\Σ}}{(x_{ki}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{s}{\Σ}}{(x_{kj}-{\stackrel{\‾}{x}}_j)}^2}}---\left(11\right)$

III計算所述相關系數矩陣R的特征值(λ₁,λ₂,…,λ_l)；

IV計算貢獻率：將步驟III所得特征值依次代入公式(12)，得到l個貢獻率；

V確定主成分：將l個步驟IV所得貢獻率從大到小排列并進行累加，選取貢獻率累加值大于等于85％的前t個主成分，確定所述t個主成分的不變矩特征為優(yōu)選不變矩特征。