В статье предложен метод кросс-устройственной моделирования, объединяющий многомасштабный механизм внимания и обучение с противоборством доменов. На этапе извлечения признаков построена одномерная кодер-декодерная сеть, сочетающая модуль внимания на сверточных блоках и интеграцию признаков различных масштабов для одновременного захвата глобальных тенденций спектра и локальных детальных характеристик с подавлением шума. В стратегии переноса введено обучение с противоборством доменов, которое с помощью слоя градиентного разворота и доменного классификатора обеспечивает сквозное выравнивание распределения признаков между исходным и целевым устройствами, а также применяется стандартное преобразование нормальных переменных и свёрточное сглаживание Савицкого-Голея для повышения согласованности входных спектров и отношения сигнал/шум. В восьмикратной перекрестной проверке на 1330 спектрах бокситов, собранных двумя портативными приборами ближнего инфракрасного спектра, метод достиг коэффициента детерминации 0.8603 и среднеквадратичной ошибки 1.7521 на целевом устройстве, значительно превосходя традиционные методы калибровки и различные базовые модели глубокого обучения. Визуализация распределения признаков и абляционные эксперименты дополнительно подтвердили эффективность многомасштабной интеграции признаков, механизмов внимания и стратегии обучения с противоборством доменов в выравнивании признаков и улучшении производительности.

ближний инфракрасный спектр;перенос обучения;боксит;многомасштабное объединение