基于卷积神经网络的近红外光谱全流程分析模型研究

近红外光谱分析技术已被广泛应用于食品和医药等定性定量分析领域,泛化能力强的近红外光谱建模算法对于不同物质的定性定量分析具有重要意义.本研究提出了一种基于卷积神经网络的超参数自动搜索全流程近红外光谱分析模型(ATSpecNet),该模型由4个一维卷积层、3个最大池化层、1个展平层、3个全连接层和一个超参数优化器组成.卷积层利用卷积核从原始光谱提取多维特征信息;池化层将多维特征信息进行选择;全连接层作线性变换,提高模型的预测精度和鲁棒性;超参数优化器在超参数空间中同步优化超参数.以玉米、柴油、啤酒和牛奶的近红外光谱公共数据为例,将ATSpecNet预测结果与偏最小二乘(PLS)、支持向量回归(SVR)和BP神经网络(BP)模型预测结果进行了比较.结果表明,与PLS相比,ATSpecNet在玉米、柴油、啤酒和牛奶公共数据集上的预测精度分别提高了23.3％、8.1％、7.2％和63.5％;与SVR相比,ATSpecNet的预测精度分别提高了52.6％、13.3％、11.1％和64.4％;与BP神经网络模型相比,ATSpecNet的预测精度分别提高了84.2％、17.7％、83.9％和67.8％.结果表明,基于卷积神经网络的ATSpecNet具有更好的预测精度和鲁棒性,解决了传统近红外光谱建模算法的预处理困难、模型泛化性差和可解释性不强等问题,利用ATSpecNet对近红外光谱数据进行建模具备可行性.