Unterschiede zwischen Nahinfrarotspektrometern erschweren die gemeinsame Nutzung von Vorhersagemodellen auf verschiedenen Geräten und begrenzen dadurch die Verbreitung der Technik. Um die Schwierigkeit des erneuten Aufbaus von Vorhersagemodellen nach Spektralverschiebungen zu verringern, schlägt diese Arbeit eine Methode zur Modellübertragung von Nahinfrarotspektren basierend auf einem konvolutionalen Brücken-Zwillings-Rauschunterdrückungs-Autoencoder (CBSDAE) vor. Die Methode nutzt den Encoder eines konvolutionalen Rauschunterdrückungs-Autoencoders (CDAE), um die verborgenen Spektralfunktionen zu extrahieren, und passt die Transferabbildungsfunktion der verborgenen Spektralfunktionen zwischen Ziel- und Quellgerät mittels eines konvolutionalen neuronalen Netzes an, um schließlich das übertragene Spektrum über den Decoder des CDAE zu rekonstruieren. Zur Überprüfung der Wirksamkeit wurde das Nahinfrarotspektrum von Tabakblättern und die Vorhersageergebnisse chemischer Komponenten bewertet. Die Ergebnisse zeigen, dass die übertragenen Zielgerätespektren nach CBSDAE-Methode stark mit den Quellgerätespektren übereinstimmen. Im Vergleich zu Direkter Standardisierung (DS), Partieller Direkter Standardisierung (PDS), Spektral-Differenz-Korrekturalgorithmus (SSC), Shenk’s Algorithmus, Convolutional Neural Network (CNN) und Deep Autoencoder Algorithmus führt die Verwendung dieser Methode zur Spektralübertragung zu einer Reduzierung des mittleren relativen Vorhersagefehlers von Nikotin um 6,42 %, 5,84 %, 5,32 %, 5,24 %, 4,35 % bzw. 4,85 %, wobei die vorhergesagten Wurzelmittelquadratischen Fehler (RMSEP) und Korrelationskoeffizienten ebenfalls besser sind als bei den genannten Methoden. Die Ergebnisse zeigen, dass diese Methode eine effektive Modellübertragungsmethode ist.

Modellübertragung;Encoder;Zwilling;konvolutionale Brücke;Nahinfrarotspektrum