Содержание сухого вещества (DM) в манго является одним из важных показателей качества манго. В данной работе используется метод ближней инфракрасной спектроскопии (NIR) для проверки и прогнозирования содержания сухого вещества в манго. Основываясь главным образом на структуре сверточной нейронной сети (CNN), изучается числовая сеточная схема отбора параметров структуры, интегрируется сеть с долгой краткосрочной памятью (LSTM) для совместной оптимизации параметров, создается объединенная оптимизационная модель CNN-LSTM. В ходе эксперимента, посредством построения мелкослойной структуры CNN, проводится локальная совместная настройка гиперпараметров ключевых параметров модели CNN-LSTM. Результаты обучения и тестирования модели показывают, что оптимальные прогнозы моделей CNN и CNN-LSTM значительно превосходят традиционные линейные и нелинейные модели. Помимо определения оптимальной модели, это исследование предлагает множество альтернативных комбинаций оптимизации параметров, которые перспективны для применения в производстве и выращивании манго. Мелкослойная структура CNN с интегрированным оптимизирующим LSTM-моделью и числовой сеточной схемой отбора параметров может предоставить химометрическую поддержку для быстрого определения содержания сухого вещества в плодах манго.

Ближняя инфракрасная (NIR);сухое вещество манго;сверточная нейронная сеть (CNN);сеть с длинной краткосрочной памятью (LSTM);оптимизация параметров;числовая сеточная схема