波长注意力1DCNN近红外光谱定量分析算法研究.pdfVIP

第45卷，第6期光谱学与光谱分析Vol45,No.6,pp1598-1604

2025年6月SpectroscopyandSpectralAnalysisJune,2025

波长注意力1DCNN近红外光谱定量分析算法研究

陈蓓，蒋思远，郑恩让

陕西科技大学电气与控制工程学院，陕西西安710021

摘要近红外光谱（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、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。该研究引人波长注意力机制，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人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（IDCNN)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（R²）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人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和加人波长筛选的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和加人波长筛选的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

质数据集中测试集决定系数为0.9600，相比于DCNN和加人波长筛选的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

文献标识码：AD0l:10.3964/j.issn.1000-0593(2025)06-1598-07

中图分类号：0657.3

经取得了一定的成功，但由于样本量不足引起的模型预测精

引言度不高、光谱分析步骤复杂、多重共线性等难点问题依然

存在。

近红外光谱技术作为一种绿色分析技术，有分析速度卷积神经网络（convolutionneuralnetwork，CNN)首先

快、操作简单、不需要样本预处理、可实现无损、在线分析在图像识别领域取得了成功，并逐渐在近红外光谱建模得到

等优点[1。由于近红外光谱存在吸收强度弱、光谱重叠严重了一些成绩。于水等[8]基于Inception网络思想提出一种并

等缺点，要想进行准确的定量分析，必须借助化学计量学方联加宽自适应调参的卷积神经网络定量分析模型，该模型由

法和人工智能建立高质量的模型[2]。近红外光谱传统建模方16个一维卷积层、2个平均池化层、1个展平层、4个全连接

法主要有：多元线性回归（multiplelinea