Este artículo propone un método de modelado entre dispositivos que integra un mecanismo de atención multiescala y aprendizaje adversarial de dominio. En la fase de extracción de características, se construye una red codificador-decodificador unidimensional que combina un módulo de atención en bloques convolucionales y la fusión de características multiescala para capturar simultáneamente las tendencias globales y los detalles locales del espectro mientras se suprime el ruido. En la estrategia de transferencia, se introduce el aprendizaje adversarial de dominio que, a través de una capa de inversión de gradiente y un clasificador de dominio, logra la alineación de extremo a extremo de la distribución de características entre el dispositivo fuente y el dispositivo objetivo, combinando una transformación estándar de variables normales y suavizado por convolución Savitzky-Golay para mejorar la consistencia de la entrada espectral y la relación señal-ruido. En la validación cruzada de ocho pliegues sobre 1,330 espectros de bauxita recopilados por dos espectrómetros portátiles de infrarrojo cercano, este método alcanzó un coeficiente de determinación de 0.8603 y un error cuadrático medio de raíz de 1.7521 en el dispositivo objetivo, superando significativamente los métodos tradicionales de calibración y varios modelos base de aprendizaje profundo. La visualización de la distribución de características y los experimentos de ablación confirmaron adicionalmente la efectividad de la fusión multiescala, el mecanismo de atención y la estrategia adversarial para la alineación de características y la mejora del rendimiento.

espectro de infrarrojo cercano;aprendizaje por transferencia;bauxita;fusión multiescala