Zur Verbesserung der Genauigkeit der quantitativen Analyse des Nikotingehalts in Tabakblättern mittels nahinfrarotspektroskopie wird ein Deep-Learning-Modell vorgeschlagen, das den Kepler-Optimierungsalgorithmus (KOA), Convolutional Neural Networks (CNN), Gate Recurrent Units (GRU) und einen Multi-Head-Selbstaufmerksamkeitsmechanismus (MultiAttention) kombiniert. Zunächst wurden die Nahinfrarotspektren von 1790 Tabakblättern mit der Savitzky-Golay-Ersten-Derivat-Vorverarbeitung behandelt, spektrale Multiskalenmerkmale mit CNN extrahiert, zeitliche Abhängigkeiten zwischen Wellenlängenpunkten mit GRU erfasst, und MultiAttention zur dynamischen Gewichtung der Merkmale eingeführt; gleichzeitig wurden mit dem KOA-Algorithmus die Hyperparameter des Modells (Lernrate, Anzahl der Faltungskerne, Anzahl der Knoten der verborgenen Schicht) optimiert, indem die Umlaufperiode (T_C), die anfängliche Gravitationsstärke (M₀) und der Abklingkoeffizient (λ) reguliert wurden, um das Problem der lokalen Optima und langsamen Konvergenz traditioneller Modelle zu lösen. Die experimentellen Ergebnisse zeigen, dass bei T_C=1, M₀=0.05 und λ=8 die Bestimmtheitsmaß (R²) der Vorhersage des Nikotingehalts 0,980 beträgt, der Root Mean Square Error (RMSE) 0,069 und der Mean Absolute Error (MAE) 0,049, was eine signifikante Verbesserung gegenüber Vergleichsmodellen wie der partiellen kleinsten Quadratmethode (PLS) und der CNN-Regression (CNNR) darstellt. Die Studie zeigt, dass das Modell durch einen integrierten Rahmen aus Merkmalsextraktion, zeitlicher Modellierung und globaler Optimierung die Robustheit und Generalisierungsfähigkeit der quantitativen Analyse mittels Nahinfrarotspektroskopie effektiv verbessert und eine neue Methode zur schnellen und präzisen Erkennung chemischer Bestandteile von Tabakblättern bietet.

Nahinfrarotspektroskopie; quantitative Nikotinanalyse; Kepler-Optimierungsalgorithmus; Multi-Head-Selbstaufmerksamkeitsmechanismus; Deep Learning