摘要
准确快速地检测大果豆蔻中的1,8-蒎醇含量对于正确评估其品质和提高精油行业的产业链效率至关重要。本文介绍了一种自适应带卷积变换器神经网络(AdBand-CTNet),该网络利用近红外(NIR)光谱测量数据来预测1,8-蒎醇的含量。该算法结合了可微分的自适应带选择(ABS)模块和注意力机制,使模型能够在完全整合的训练过程中同时学习最具信息量的波长区域和回归参数。与传统特征选择策略或固定宽度的光谱分割方法相比,所提出的架构通过梯度更新动态优化每个带宽的中心和范围,从而生成简洁且易于解释的光谱特征。研究样本来自印度西孟加拉邦和锡金多个农业气候区域种植的七种大果豆蔻品种。1,8-蒎醇的参考值是通过气相色谱-质谱联用技术(GC–MS)确定的,NIR光谱的测量范围为900至1700纳米。在100次随机试验中,AdBand-CTNet在测试数据上的平均绝对误差为0.0633,均方根误差为0.1301,R2值为0.9969,体现了其出色的精度和鲁棒性。该方法去除了不必要的波长段,同时保持了良好的预测能力。其灵活且可解释的架构使其非常适合需要可靠和准确化学成分检测的工业应用,相比传统的色谱方法更具经济性。
数据可用性声明
支持本研究结果的数据可向通讯作者索取。由于隐私或伦理限制,这些数据并未公开。
同行评审
为保证透明度,与本文相关的同行评审文件可在此链接查看:https://doi.org/10.1002/cem.70132。


