Aplicação de mixture of experts para resolver o problema de transferência de calibração.
Resumo
A transferência de calibração entre os sensores de infravermelho próximo (NIR) continua sendo um desafio significativo na espectroscopia, dificultando a consistência e confiabilidade das medições em diferentes instrumentos. Este estudo investiga o potencial da aprendizagem profunda para lidar com essa questão. Propõe-se uma estrutura inovadora que utiliza a arquitetura Mixture of Experts (MoE) em conjunto com o SpectraNet, uma rede neural convolucional profunda adaptada para dados espectrais. O SpectraNet superou o método tradicional de Mínimos Quadrados Parciais (PLS) na previsão do teor de proteína,
óleo e umidade em amostras de soja, alcançando maior precisão e menores erros de predição. A incorporação do framework MoE fortaleceu ainda mais a robustez e adaptabilidade do modelo, permitindo que modelos individuais se especializassem em características distintas dos sensores e combinassem suas saídas para uma precisão superior. Notavelmente, a abordagem MoE mitigou eficazmente os efeitos adversos de outliers e ruídos, demonstrando sua capacidade de aproveitar dados de sensores com mau funcionamento. Essas descobertas convincentes destacam a eficácia da aprendizagem profunda, especialmente com a arquitetura MoE, ao fornecer uma solução promissora para a transferência de calibração em sensores NIR. Esse avanço promete uma nova era de confiabilidade e eficiência aprimoradas na análise espectroscópica em uma variedade de domínios, oferecendo avanços significativos no campo.
Coleções
Os arquivos de licença a seguir estão associados a este item: