本技术适用于近红外光谱建模分析领域,提供了一种近红外光谱建模的特征模式生成与协同优化方法,包括:获取样本近红外光谱数据并进行预处理操作,利用转换方法将一维近红外光谱数据转换为二维结构数据;在已有的二维结构数据的基础上,利用生成技术生成更多的二维结构数据;针对不同的特征模式,利用不同的神经网络进行深度特征的提取,并利用交叉自适应注意力机制与特征协同构建方法构建最佳最小特征模式集;根据最佳最小特征模式集搭建模型,使用协同优化损失函数对模型进行优化,最终实现对近红外光谱数据的高效建模和准确分析。本发明显著提高了近红外光谱建模在物质成分含量分析中的精确度。
背景技术
在化学计量学领域,近红外光谱技术因其独特的优势而被广泛研究和应用。
近红外光谱技术基于物质对近红外区域光的选择性吸收,能够获取物质的组成和结构信息。近红外光谱技术因其快速、无损检测等优点,已被广泛应用于食品、农业、医药等行业。近红外光谱可以提供丰富的化学和物理信息,是分析物质成分的重要工具。
然而,现有技术中,近红外光谱数据的处理和分析通常依赖于统计学方法或传统机器学习算法,这些方法在处理高维数据时可能面临维度灾难问题,且难以捕捉数据中的非线性关系。此外,现有技术在特征提取和模型构建方面缺乏足够的灵活性和集成优化,限制了模型准确度的提升。
实现思路