近赤外線スペクトロスコーピーとトランスファー・ラーニングを用いて,たばこ製剤の混合比率の定量的な決定

科学分野:

• 分析化学
• 化学測定法
• スペクトロスコーピー

背景:

• タバコの質と味の一貫性には 精密なタバコの混合量の検出が不可欠です
• 近赤外線光譜法 (NIRS) は,たばこを定量的に分析するための有望な技術です.
• NIRSモデルでは,タバコの成分とスペクトルデータの変動により,クロスブランドの予測が困難です.

研究 の 目的:

• NIRSベースのモデルのクロスブランド適応性を高めるための移転学習戦略を調査する.
• 調製されたたばこにおけるたばこ糸の混合量の検出を改善する.
• ブランド間予測タスクにおけるNIRSモデルの一般化能力の低下に対処する.

主な方法:

• 4つのたばこブランドのNIRSデータを用いて部分最小二乗回帰 (PLSR) モデルを開発した.
• 移転学習のアプローチを3つ検討した. 移転コンポーネント分析 (TCA),相関アライメント (Coral) およびモデル更新.
• 異なる機能分布の不一致を伴うクロスブランド予測タスクにおけるモデルのパフォーマンスを評価した.

主要な成果:

• TCA-PLSRは,大きな特徴分布の不一致を持つ転送タスクの予測エラーを大幅に削減しました.
• コラールPLSRは,類似のスペクトル特性の分布を持つ転送タスクで最高のパフォーマンスを発揮しました.
• ターゲットドメインのサンプルを組み込むことで,実質的な分布の違いを持つタスクの混合比率を正確に予測した.

結論:

• 移転学習とモデルの更新は,NIRSモデルのパフォーマンスを向上させるための実用的で柔軟で堅固な方法を提供します.
• これらのアプローチは,ブランド間の適応性を向上させ,産業用たばこ生産における正確で一貫した品質管理を支援します.
• この研究は,様々なタバコ製剤におけるNIRSモデルの一般化制限を克服するための効果的な戦略を示しています.