본 논문은 다중 스케일 어텐션 메커니즘과 도메인 적대 학습을 융합한 교차 장치 모델링 방법을 제안한다. 특징 추출 단계에서, 합성곱 블록 어텐션 모듈과 다중 스케일 특징 융합을 결합한 1차원 인코더-디코더 네트워크를 구축하여 스펙트럼의 전역 경향과 국부 세부 특징을 동시에 포착하고 노이즈를 억제한다. 전이 전략에서는 도메인 적대 학습을 도입하여 그래디언트 반전 층과 도메인 분류기의 적대적 훈련을 통해 소스 장치와 타깃 장치의 특징 분포를 엔드 투 엔드로 정렬하며, 표준 정규 변수 변환과 Savitzky-Golay 컨볼루션 스무딩을 결합하여 스펙트럼 입력의 일관성과 신호 대 잡음비를 향상시킨다. 두 대의 휴대용 근적외선 분광기로 수집한 1,330개의 보크사이트 스펙트럼 데이터에 대한 8겹 교차 검증에서, 이 방법은 타깃 장치에서 결정 계수 0.8603, 평균 제곱근 오차 1.7521을 달성하여 전통적인 보정 방법과 여러 딥러닝 기본 모델보다 우수한 성능을 보였다. 특징 분포 시각화 및 소거 실험을 통해 다중 스케일 특징 융합, 어텐션 메커니즘, 도메인 적대 전략이 특징 정렬과 성능 향상에 효과적임을 추가로 검증했다.

근적외선 분광;전이 학습;보크사이트;다중 스케일 융합