Cet article propose une méthode de modélisation inter-appareils intégrant un mécanisme d'attention multi-échelle et un apprentissage antagoniste de domaine. Lors de l'extraction des caractéristiques, un réseau encodeur-décodeur unidimensionnel combinant un module d'attention par blocs convolutifs et une fusion multi-échelle des caractéristiques est construit pour capturer simultanément les tendances globales et les détails locaux du spectre tout en supprimant le bruit ; dans la stratégie de transfert, un apprentissage antagoniste de domaine est introduit, utilisant une couche de renversement de gradient et un classificateur de domaine pour un alignement de bout en bout des distributions de caractéristiques des dispositifs source et cible, combiné à une transformation de variables normales standards et un lissage par convolution Savitzky-Golay pour améliorer la cohérence et le rapport signal-bruit des entrées spectrales. Dans une validation croisée à huit plis sur 1 330 spectres de bauxite collectés par deux spectromètres portables dans le proche infrarouge, la méthode a atteint un coefficient de détermination de 0,8603 sur le dispositif cible, avec une erreur quadratique moyenne racine de 1,7521, surpassant nettement les méthodes d'étalonnage traditionnelles et plusieurs modèles de base en apprentissage profond. La visualisation de la distribution des caractéristiques et les expériences d’ablation confirment en outre l'efficacité de la fusion multi-échelle des caractéristiques, du mécanisme d'attention et de la stratégie antagoniste dans l'alignement des caractéristiques et l'amélioration des performances.

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