Для повышения точности количественного анализа содержания никотина в табачных листьях с помощью ближней инфракрасной спектроскопии предложена глубокая модель обучения, объединяющая алгоритм оптимизации Кеплера (KOA), сверточные нейронные сети (CNN), рекуррентные блоки с затвором (GRU) и многошляховой механизм самовнимания (MultiAttention). Сначала спектры 1790 образцов табачных листьев были предварительно обработаны с помощью первого порядка производной Савицки-Голея, извлечены многомасштабные спектральные признаки с помощью CNN, использованы GRU для захвата временных зависимостей между точками длины волны, а MultiAttention внедрен для динамического взвешивания признаков; одновременно алгоритм KOA оптимизировал гиперпараметры модели (скорость обучения, количество сверточных ядер, число скрытых узлов) за счет регулировки орбитального периода (T_C), начальной силы притяжения (M₀) и коэффициента затухания (λ), что решает проблему локальных оптимумов и медленной сходимости традиционных моделей. Эксперименты показали, что при T_C=1, M₀=0.05 и λ=8 коэффициент детерминации (R²) прогноза содержания никотина модели составляет 0.980, среднеквадратичная ошибка (RMSE) равна 0.069, средняя абсолютная ошибка (MAE) — 0.049, что значительно превосходит точность сравнительных моделей, таких как метод частичных наименьших квадратов (PLS) и регрессия сверточных нейронных сетей (CNNR). Исследование показывает, что интегрированная схема извлечения признаков — временного моделирования — глобальной оптимизации эффективно повышает устойчивость и обобщающую способность колоночного количественного анализа ближней инфракрасной спектроскопии, предоставляя новый метод для быстрого и точного обнаружения химических компонентов табачных листьев.

ближняя инфракрасная спектроскопия; количественный анализ никотина; алгоритм оптимизации Кеплера; многошляховой механизм самовнимания; глубокое обучение