لتحسين دقة التحليل الكمي لنسبة النيكوتين في أوراق التبغ باستخدام طيف الأشعة تحت الحمراء القريبة، تم اقتراح نموذج تعلم عميق يجمع بين خوارزمية تحسين كبلر (KOA)، وشبكة العصب التلافيفية (CNN)، ووحدة الحلقة المغلقة ذات البوابة (GRU)، وآلية الانتباه الذاتي المتعدد الرؤوس (MultiAttention). أولاً، تم معالجة طيف 1790 عينة من أوراق التبغ باستخدام معالجة مشتقة سافيتزكي-غولي من الدرجة الأولى، ثم تم استخراج الميزات متعددة المقاييس من الطيف باستخدام CNN، واستخدام GRU لالتقاط التبعيات التسلسلية بين نقاط الطول الموجي، كما تم إدخال MultiAttention لتحقيق وزن ديناميكي للميزات؛ في الوقت نفسه، تم استخدام خوارزمية KOA لتحسين المعلمات الفائقة للنموذج (معدل التعلم، عدد نوى التلافيف، عدد عقد الطبقة المخفية)، من خلال ضبط دورة المدار (T_C)، قوة الجاذبية الأولية (M₀)، ومعامل التلاشي (λ)، لحل مشكلة وقوع النماذج التقليدية في الأمثلية المحلية وبطء التقارب. أظهرت النتائج التجريبية أنه عندما تكون T_C=1، M₀=0.05، λ=8، فإن جودة التوافق (R²) لتنبؤ النموذج بمحتوى النيكوتين تساوي 0.980، وخطأ الجذر التربيعي المتوسط (RMSE) يساوي 0.069، ومتوسط الخطأ المطلق (MAE) يساوي 0.049، مما يشير إلى تحسن كبير في الدقة مقارنة بنماذج المقارنة مثل طريقة المربعات الصغرى الجزئية (PLS) والانحدار عبر الشبكة العصبية التلافيفية (CNNR). توضح الدراسة أن النموذج من خلال إطار متكامل لاستخراج الميزات، النمذجة التسلسلية، والتحسين العالمي، قد حسّن بشكل فعال من متانة وقدرة التعميم في التحليل الكمي للأشعة تحت الحمراء القريبة، مما يوفر طريقة جديدة للكشف السريع والدقيق لمكونات أوراق التبغ الكيميائية.

طيف الأشعة تحت الحمراء القريبة; التحليل الكمي للنيكوتين; خوارزمية تحسين كبلر; آلية الانتباه الذاتي المتعدد الرؤوس; التعلم العميق