Dieser Artikel schlägt eine geräteübergreifende Modellierungsmethode vor, die einen multiskaligen Aufmerksamkeitsmechanismus und domänenadversariales Lernen integriert. In der Merkmalsextraktionsphase wird ein eindimensionales Encoder-Decoder-Netzwerk entwickelt, das ein Aufmerksamkeitsmodul in Faltungsschichten mit einer multiskaligen Merkmalsfusion kombiniert, um gleichzeitig globale Trends und lokale Detailmerkmale des Spektrums zu erfassen und Rauschen zu unterdrücken. In der Transferstrategie wird domänenadversariales Lernen eingeführt, das durch Schichten zur Gradientenumkehr und einen Domänenklassifikator eine End-to-End-Angleichung der Merkmalsverteilungen zwischen Quell- und Zielgerät ermöglicht und dabei die Standardnormal-Variablentransformation sowie Savitzky-Golay Faltungsglättung zur Verbesserung der Konsistenz und des Signal-Rausch-Verhältnisses der Spektropeleingänge kombiniert. Bei einer Achtfach-Kreuzvalidierung auf 1330 Bauxit-Spektren, die mit zwei tragbaren Nahinfrarotspektrometern gesammelt wurden, erreichte die Methode auf dem Zielgerät einen Bestimmtheitskoeffizienten von 0,8603 und einen mittleren quadratischen Fehler von 1,7521, was deutlich besser ist als herkömmliche Kalibrierungsmethoden und mehrere tiefenlernende Basismodelle. Die Visualisierung der Merkmalsverteilung und Ablationsstudien bestätigten die Wirksamkeit der multiskaligen Merkmalsfusion, des Aufmerksamkeitsmechanismus und der domänenadversarialen Strategie bei der Merkmalsangleichung und Leistungssteigerung.

Nahinfrarotspektrum;Transferlernen;Bauxit;multiskalige Fusion