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。