来源：期刊VIP网 时间：
作者：曾小松;宦克为;刘小溪;曹献文;韩雪艳;
单位：长春理工大学物理学院;吉林省科学技术信息研究所;
摘要：近红外光谱（NIRS）分析技术已成为工业和农业生产过程中重要的过程分析工具，广泛应用于烟草、农业和医药等领域的定性和定量分析。针对NIRS建模中存在的泛化能力差和预测精度低等问题，本研究提出了一种基于竞争性自适应重加权采样（CARS）和格拉姆角差场（GADF）的二维卷积神经网络（2DCNN）定量分析模型（CARS-GADF-2DCNN）。此模型使用CARS方法从全光谱中选择最优的波长集合，采用GADF将选择结果编码为二维图像，再利用2DCNN进行预测分析。其中，2DCNN模型由卷积层、并行卷积模块、展平层和全连接层组成。基于土壤、药片和谷物3个近红外光谱公共数据集对CARS-GADF-2DCNN模型进行仿真实验，结果表明，与一维卷积神经网络（1DCNN）相比，GADF-2DCNN模型在土壤、药片和谷物数据集中的预测精度分别提高了16.74%、23.40%和7.13%。与GADF-2DCNN、VCPA-GADF-2DCNN和IRIV-GADF-2DCNN模型相比，CARS-GADF-2DCNN模型在预测精度上取得了进一步提升。对于土壤数据集，预测精度分别提高了39.00%、30.78%和4.13%；对于药片数据集，分别提高了9.52%、6.94%和2.56%；对于谷物数据集，分别提高了20.57%、9.85%和15.66%。研究结果表明，CARS-GADF-2DCNN能够有效选择近红外光谱中的最优波长子集，同时揭示近红外光谱中不同波长之间的潜在特征。CARSGADF-2DCNN有效解决了近红外光谱建模中存在的预测模型复杂度高和预测精度低的问题，可应用于不同物质的近红外光谱预测分析。
关键词：近红外光谱;;变量选择;;格拉姆角差场;;卷积神经网络;;定量分析
基金资助：国家自然科学基金项目（No.62405031）;; 吉林省科技发展计划项目（No.20250601077RC）资助~~
