SHAPAttention 光谱分析模型
可解释模型助精准决策
利用SHAP值动态分配注意力权重，在提升预测精度的同时提供特征重要性解释。
吴霆 · Longhui, Zhu · Lei, Li · 刘磊安 · Weidong, Bai · Li, Lin · 杨灵
Computers and Electronics in Agriculture 2025
参数信息
- 决定系数 R²（近红外）
- 0.87
- 决定系数 R²（拉曼）
- 0.85
- 决定系数 R²（高光谱）
- 0.65
- 性能偏差比 RPD（近红外）
- 2.88
- 性能偏差比 RPD（拉曼）
- 2.78
- 性能偏差比 RPD（高光谱）
- 1.71
技术优势
精度显著提升
相比标准一维卷积神经网络，在三个数据集上 R² 最高提升 0.06，RPD 最高提升 0.46。
自带可解释性
利用 SHAP 值量化每个光谱特征对输出的贡献，提供动态特征重要性分析，无需额外解释模型。
抗噪声干扰
算法对噪声具有一定的抗干扰能力，适用于实际光谱采集中的噪声环境。
应用场景
- 农业光谱检测：提升光谱检测模型精度与可解释性，辅助精准农业决策。
- 作物品质分析：利用高精度预测模型快速评估作物品质指标。
- 光谱仪器数据分析：为光谱仪器数据提供高性能分析与特征重要性解释。
- 智能传感数据分析：增强智能传感器光谱数据的预测准确性和可解释性。
- 可穿戴光谱传感：适用于可穿戴设备采集的光谱数据分析，提供可靠预测。