-
题名波长注意力1DCNN近红外光谱定量分析算法研究
- 1
-
-
作者
陈蓓
蒋思远
郑恩让
-
机构
陕西科技大学电气与控制工程学院
-
出处
《光谱学与光谱分析》
北大核心
2025年第6期1598-1604,共7页
-
基金
国家自然科学基金项目(62203285)资助。
-
文摘
近红外光谱(NIRS)技术因其快速、无损和高效的特点,广泛应用于石油、纺织、食品、制药等领域。然而传统的分析方法在处理变量多、冗余大的光谱数据时,往往存在特征提取困难和建模精度不高等问题。因此提出一种适用于近红外光谱且无需变量筛选的一维波长注意力卷积神经网络(WA-1DCNN)定量建模方法,该建模方法结构简单、通用性强、准确率高。该研究引入波长注意力机制,通过赋予不同波长数据不同的权重,增强模型对重要波长特征的捕捉能力,从而提高定量分析的准确性和鲁棒性。为了验证所提出方法的可行性,采用了公开的4种近红外光谱数据集,将所提出的算法与加入波长筛选偏最小二乘法(PLS)、支持向量回归(SVR)、极限学习机(ELM)三种传统建模方法和一维卷积神经网络(1DCNN)建模方法进行了对比,并通过模型性能指标均方根误差(RMSE)和决定系数(R^(2))对模型性能评估。结果表明没有使用波长筛选算法的WA-1DCNN建模方法性能指标均优于加入波长筛选算法的传统建模方法和1DCNN建模方法。其中在655药片数据集中测试集决定系数为0.9563,相比于1DCNN和加入波长筛选的PLS、SVR、ELM提升了4.34%、12.56%、18.42%、11.59%;在310药片数据集中测试集决定系数为0.9574,相比于1DCNN和加入波长筛选的PLS、SVR、ELM、1DCNN提升了2.72%、8.28%、7.27%、1.17%;在玉米水分和蛋白质数据集中测试集决定系数分别为0.9803和0.9685,相比于1DCNN和加入波长筛选的PLS、SVR、ELM提升了6.24%、1.48%、1.75%、6.08%和5.81%、1.85%、1.58%、2.96%;在小麦蛋白质数据集中测试集决定系数为0.9600,相比于DCNN和加入波长筛选的PLS、SVR、ELM提升了8.67%、5.79%、7.94%、0.56%。为了验证WA-1DCNN模型结构的最佳性,在4种近红外光谱数据集上进行了改变WA-1DCNN模型结构的消融实验。研究结果表明:基于波长注意力卷积神经网络是一种结构简单、通用性强、准确率高的光谱定量分析方法,该方法对于近红外光谱定量分析具有促进作用。
-
关键词
近红外光谱
定量分析
波长注意力机制
一维卷积神经网络
-
Keywords
Near-infrared spectroscopy
Quantitative analysis
Wavelength attention mechanism
One-dimensional convolutional neural network
-
分类号
O657.3
[理学—分析化学]
-
