基于近红外光谱和深度模型转移预测烟丝总糖含量

模型转移主要用来解决一台仪器上开发的模型应用于新场景进行预测的问题。化学计量学领域开发了大量的模型转移方法可以实现多元校正模型转移。然而,随着深度学习技术在光谱数据建模中的广泛应用,传统的多元校正模型转移方法已不适合处理基于神经网络结构的深度学习模型。因此,本文利用深度模型转移策略,将一台仪器上构建的烟粉深度学习模型迁移到新仪器上用于烟丝总糖含量的检测。结果表明,深度模型转移无需标准样品构建传递函数,即可实现对不同仪器、不同样品物理状态之间的准确预测,与重新建立的偏最小二乘(PLS)和卷积神经网络(CNN)模型相比,其预测均方根误差分别降低了33.2%和27.2%。无标样深度模型转移支持在不同应用实践之间广泛共享、扩展深度学习模型,具有较好的应用前景。