基于波长注意力的多特征融合卷积神经网络的近红外光谱定量方法

作     者：朱御康 鲁昌华 张玉钧 蒋薇薇 ZHU Yu-kang;LU Chang-hua;ZHANG Yu-jun;JIANG Wei-wei

作者机构：合肥工业大学计算机与信息学院安徽合肥230009 中国科学院合肥物质科学研究院安徽合肥230031 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2024年第44卷第9期

页      面：2607-2612页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：中国科学院战略性先导科技专项(A类)子课题(XDA23010204)资助 

主　　题：近红外光谱 注意力机制 多特征融合 定量回归 

摘      要：深度学习技术越来越多地应用在近红外光谱的定量分析中,由于近红外光谱数据存在光谱数据量少、数据质量不足等问题,将传统卷积神经网络应用在光谱的定量分析中会出现过拟合,为提升卷积神经网络提取光谱信息的能力,增强网络的泛化性,提出了基于波长注意力的多特征融合卷积神经网络模型(MWA-CNN),对芒果近红外光谱进行干物质含量定量分析。MWA-CNN在传统卷积神经网络的基础上加入了注意力机制以及多特征融合机制,网络可以在训练过程中学习到不同光谱特征以及不同波段的权重信息,从而提取到高质量的光谱信息,缓解传统卷积神经网络中的过拟合问题,提升回归分析的精度。研究中采用11691个芒果样本的近红外光谱数据,采用随机法将80%的样本作为训练集,20%的样本作为测试集,通过测试集均方根误差(RMSEP)、训练集均方根误差(RMSEC)、决定系数(R2)、平均绝对误差(MAE)进行模型评价。先对光谱数据进行标准化预处理,然后通过与偏最小二乘回归(PLS)、极限学习机回归(ELM)、支持向量机回归(SVR)和传统的卷积神经网络(CNN)四种传统模型在原始光谱条件下的预测结果进行对比。预测结果表明MWA-CNN网络在五种方法中表现最佳,MWA-CNN在测试集中的RMSE为0.6699,传统的CNN效果仅次于MWA-CNN,RMSE为0.7408,且MWA-CNN的过拟合程度相较传统CNN下降明显,MWA-CNN中测试集相较于训练集的RMSE增加了15.69%,而CNN中测试集相较于训练集的RMSE增加了151.45%。通过对光谱加入不同信噪比的噪声,再对加噪之后的光谱分别用五种模型进行预测,实验结果表明,在多种信噪比条件下,MWA-CNN模型均能取得五种模型中最优的效果,从实验结果表明,MWA-CNN在近红外光谱定量回归中具有较高的预测精度和泛化能力,同时具有一定的抗噪能力。