Cet article propose une méthode de modélisation multi-appareils intégrant un mécanisme d'attention multi-échelles et un apprentissage antagoniste de domaine. Lors de l'extraction des caractéristiques, un réseau encodeur-décodeur unidimensionnel combinant un module d'attention sur blocs convolutifs et une fusion multi-échelles est construit pour capturer simultanément les tendances globales et les détails locaux du spectre tout en supprimant le bruit. Dans la stratégie de transfert, l'apprentissage antagoniste de domaine est introduit : par un entraînement adversarial entre une couche de renversement de gradient et un classificateur de domaine, une alignement bout-à-bout des distributions de caractéristiques entre l'appareil source et cible est réalisé, combiné à une transformation de variables normales standard et un lissage par convolution de Savitzky-Golay pour améliorer la cohérence et le rapport signal à bruit des entrées spectrales. Lors d'une validation croisée à huit pliures sur 1 330 spectres de bauxite recueillis par deux spectromètres NIR portables, cette méthode a atteint un coefficient de détermination de 0,8603 et une erreur quadratique moyenne racine de 1,7521 sur le dispositif cible, surpassant significativement les méthodes d'étalonnage traditionnelles et plusieurs modèles profonds de référence. La visualisation de la distribution des caractéristiques et les expériences d'ablation ont confirmé l'efficacité de la fusion multi-échelles, des mécanismes d'attention et des stratégies antagonistes pour l'alignement des caractéristiques et l'amélioration des performances.

spectre proche infrarouge;apprentissage par transfert;bauxite;fusion multi-échelles