في السنوات الأخيرة، لقد لقيت طرق استخدام الأكوديجرام (AE) في تحليل الطيف الضوئي بدون إشراف اهتماما واسعا. نظرا لأن عملية تعلم الأكوديجرام يمكن أن تكون وصفت بأنها تعتمد على إيجاد مجموعة من الطبقة الخفية ذات الأبعاد المنخفضة (الغنى) واستخدام وزنها المقابل (العناصر) للحد من الخطأ في إعادة البناء، فإن هذا الهيكل تم نقله وتطبيقه على نطاق واسع في تطبيقات تحليل الطيف الضوئي. ومع ذلك، فإن الهياكل الموجودة استنادا إلى أكوديجرام على الرغم من أنها يمكنها معالجة بفعالية سيناريوهات تحليل الطيف الضوئي بدون إشراف، فإنها تعاني جميعا من مشاكل عدم مقاومة للضوضاء وظروف البدء، وتحتاج إلى تحسين دقة تحليل الطيف. وتتعامل هذه المقالة مع هذه المشاكل من خلال اقتراح أساس جديد تماما على شبكة الأكوديجرام القتالية (AAE) لهيكل شبكة تحليل طيف بدون إشراف. أولا، في مولد الشبكة وبناء على معنى جسم الغنى ووجود القيمة الثابتة (ASC) وعدم السالبية (ANC)، تم تصميم هيكل لتحليل طيف الضوئي من نهاية إلى نهاية استنادا على أكوديجرام. ثم في مقياس الشبكة، هذه المقالة تستخدم صورة الغنى المبدئية كقيمة حقيقية، وتتساءل عن تدريب الطبقة الخفية (الغنى) لجيل الشبكة الكامنة (ASC) ضد الغنى المبدئي، وتعزيز قدرة هيكل الشبكة لتحليل الطيف من خلال تحسين الخطأ في إعادة البناء وتحسين الخطأ المقاوم. بالمقارنة مع الأساليب التقليدية القائمة على أكوديجرام، يمكن أن يعزز هذا الأسلوب أداء الهيكل ومقاومته بشكل كبير من خلال إدخال عملية قتالية، وإضافة المعرفة المسبقة للغنى في مقياس الشبكة. الاختبار الوهمي والبيانات الطيفية الحقيقية يبين أن هذا الخوارزمية لها دقة أعلى من الأساليب الموجودة في الوقت الحالي.

الاستشعار عن بعد، تحليل الطيف الضوئي، تعلم عميق، المشفر القتالي، صورة الطيف الضوئي