El artículo propone un método de modelado entre dispositivos que integra un mecanismo de atención multiescalar 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 de bloques convolucionales con fusión de características multiescala para capturar simultáneamente las tendencias globales y los detalles locales del espectro, suprimiendo el ruido; en la estrategia de transferencia se introduce el aprendizaje adversarial de dominio mediante entrenamiento adversarial con una capa de inversión de gradiente y un clasificador de dominio para lograr una alineación de extremo a extremo de las distribuciones de características del dispositivo fuente y objetivo, combinándolo con transformación de variables normales estándar y suavizado por convolución de Savitzky-Golay para mejorar la coherencia y la relación señal-ruido de la entrada espectral. En una validación cruzada de ocho pliegues sobre 1330 espectros de bauxita recogidos con dos espectrómetros portátiles de infrarrojo cercano, el método alcanzó un coeficiente de determinación de 0.8603 en el dispositivo objetivo y un error cuadrático medio raíz de 1.7521, superando significativamente a los métodos de calibración tradicionales y a varios modelos base de aprendizaje profundo. La visualización de la distribución de características y los experimentos de ablación confirmaron además la efectividad de la fusión multiescalar de características, el mecanismo de atención y la estrategia adversarial en la alineación de características y la mejora del rendimiento.

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