基于改进堆叠自编码器结合LightGBM的近红外光谱回归算法研究

为实现高效的近红外光谱非线性回归分析,提出了一种基于改进堆叠自编码器结合LightGBM的近红外光谱回归分析算法。该算法由堆叠自编码器模块与LightGBM模块构成,将堆叠自编码模块得到的隐层特征输入LightGBM模块进行回归分析,通过递进式策略自适应确定堆叠自编码器模块的结构,并利用Optu⁃na框架自动优化LightGBM模块的超参数。为验证方法的有效性,以烟草的还原糖、氯、钾、总氮4种成分为研究对象,利用1911个烟草样本进行建模,并与其他4种近红外光谱回归分析算法进行了对比。经实验验证,烟草还原糖、氯、钾、总氮预测模型的平均R_(P)、RMSEP、R_(P)^(2)分别为0.9110、0.0568、0.8328,预测精度在5种方法中综合最优。在训练集表现相当的前提下,所建方法的预测集精度相较于XGBoost提高1%~40%,过拟合问题得到改善。改进的堆叠自编码器结合LightGBM算法应用于近红外光谱分析表现出良好的成分回归分析能力,可用于烟叶化学成分预测模型的构建。

分波段Transformer特征提取在近红外光谱数据分类中的应用

针对近红外光谱维度高、受噪声扰动大,以及不同省份样本间光谱相似性高的特点,提出一种分波段Transformer特征提取网络,并将其应用于烟叶产地识别,以提高分类准确性。首先,根据近红外光谱的一维结构特点,设计了嵌入层,利用一维卷积实现特征的压缩。其次,通过滑动窗将数据按照波段维度分成3部分,并改进了Transformer结构进行光谱特征的提取,避免波段数过多导致计算效率低下。最后,为适应光谱数据的特点,设计了多层一维卷积的回归头,用于样本产地预测。为验证所提算法的有效性,以分类准确率、精确率、召回率等指标与其他算法进行性能比较,进行了多个对比实验,实验结果验证了模型中各个结构的优越性。该模型能够有效地利用光谱结构,实现特征提取和噪声压制,成功完成了烟叶产地识别任务。