Para mejorar la precisión del análisis cuantitativo del contenido de nicotina en hojas de tabaco mediante espectroscopía de infrarrojo cercano, se propone un modelo de aprendizaje profundo que combina el Algoritmo de Optimización Kepler (KOA), Redes Neuronales Convolucionales (CNN), Unidad Recurrente con Puertas (GRU) y mecanismo de atención múltiple (MultiAttention). Primero, se preprocesaron los espectros de 1790 muestras de hojas de tabaco mediante la derivada de primer orden de Savitzky-Golay, se extrajeron características espectrales a múltiples escalas mediante CNN, se utilizó GRU para capturar dependencias temporales entre puntos de longitud de onda, y se introdujo MultiAttention para lograr un ponderado dinámico de características; al mismo tiempo, el algoritmo KOA optimizó los hiperparámetros del modelo (tasa de aprendizaje, número de núcleos convolucionales, número de nodos de la capa oculta), regulando el período orbital (T_C), la intensidad inicial de atracción (M₀) y el coeficiente de decaimiento (λ), resolviendo el problema de los óptimos locales y la lenta convergencia de los modelos tradicionales. Los resultados experimentales muestran que cuando T_C=1, M₀=0.05 y λ=8, el coeficiente de determinación (R²) para la predicción del contenido de nicotina es 0.980, el error cuadrático medio (RMSE) es 0.069 y el error absoluto medio (MAE) es 0.049, mostrando una mejora significativa en precisión en comparación con modelos de referencia como la regresión por mínimos cuadrados parciales (PLS) y la regresión CNN (CNNR). El estudio demuestra que el modelo, a través de un marco integrado de extracción de características, modelado secuencial y optimización global, mejora eficazmente la robustez y la capacidad de generalización del análisis cuantitativo por espectroscopía de infrarrojo cercano, proporcionando un nuevo método para la detección rápida y precisa de los componentes químicos de las hojas de tabaco.

espectroscopía de infrarrojo cercano; análisis cuantitativo de nicotina; algoritmo de optimización Kepler; mecanismo de atención múltiple; aprendizaje profundo