Este artigo propõe um método de modelagem cross-device que integra um mecanismo de atenção multiescala e aprendizado adversarial de domínio. Na fase de extração de características, é construída uma rede codificador-decodificador unidimensional que combina um módulo de atenção em blocos convolucionais e a fusão de características multiescala para capturar simultaneamente as tendências globais e os detalhes locais do espectro, enquanto suprime o ruído. Na estratégia de transferência, é introduzido o aprendizado adversarial de domínio, que através de uma camada de inversão de gradiente e um classificador de domínio realiza o alinhamento de ponta a ponta da distribuição de características entre o dispositivo fonte e o dispositivo alvo, combinando transformação de variáveis normais padrão e suavização por convolução de Savitzky-Golay para melhorar a consistência da entrada espectral e a relação sinal-ruído. Na validação cruzada de oito dobras sobre 1.330 espectros de bauxita coletados por dois espectrômetros portáteis de infravermelho próximo, o método alcançou um coeficiente de determinação de 0,8603 e um erro quadrático médio raiz de 1,7521 no dispositivo alvo, superando significativamente os métodos tradicionais de calibração e vários modelos basais de aprendizado profundo. A visualização da distribuição de características e os experimentos de ablação confirmaram adicionalmente a eficácia da fusão multiescala, do mecanismo de atenção e da estratégia adversarial para o alinhamento de características e a melhoria do desempenho.

espectro de infravermelho próximo;aprendizado por transferência;bauxita;fusão multiescala