Dieser Artikel schlägt eine geräteübergreifende Modellierungsmethode vor, die einen mehrskaligen Aufmerksamkeitsmechanismus mit domänenkonkurrierendem Lernen kombiniert. In der Merkmalsextraktionsphase wird ein eindimensionales Encoder-Decoder-Netzwerk aufgebaut, das einen Faltungsblock-Aufmerksamkeitsmodul mit multiskaliger Merkmalsfusion kombiniert, um gleichzeitig globale Trends und lokale Detailmerkmale des Spektrums zu erfassen und Rauschen zu unterdrücken; in der Transferstrategie wird domänenkonkurrierendes Lernen mittels einer Gradienteninvertierungsschicht und einem Domänenklassifikator eingeführt, um eine durchgängige Ausrichtung der Merkmalsverteilung zwischen Quell- und Zielgerät zu erreichen, kombiniert mit einer Standardnormalvariablen-Transformation und Savitzky-Golay-Faltungsglättung zur Verbesserung der Konsistenz und des Signal-Rausch-Verhältnisses der Spektraleingaben. Bei einer achtfachen Kreuzvalidierung mit 1330 Bauxitspektren, die mit zwei tragbaren Nahinfrarotspektrometern erhoben wurden, erreichte die Methode auf dem Zielgerät einen Bestimmtheitsmaß von 0,8603 und eine Wurzel des mittleren quadratischen Fehlers von 1,7521, was traditionelle Kalibrierungsmethoden und verschiedene Basis-Deep-Learning-Modelle deutlich übertrifft. Die Visualisierung der Merkmalsverteilung und Ablationsstudien bestätigen zusätzlich die Wirksamkeit der mehrskaligen Merkmalsfusion, des Aufmerksamkeitsmechanismus und der domänenkonkurrierenden Strategie bei der Merkmalssynchronisation und Leistungssteigerung.

Nahinfrarotspektrum;Transferlernen;Bauxit;mehrskalige Fusion