[发明专利]基于源域迁移极限学习漂移补偿的电子鼻气体识别方法

说明书

技术领域

本发明涉及电子鼻检测技术领域，具体涉及一种基于源域迁移极限学习漂移补偿的电子鼻气体识别方法。

背景技术

电子鼻是利用气体传感器阵列的响应图谱来识别气体的智能电子装置或者人工嗅觉系统。由于电子鼻中气体传感器阵列的交叉特性和广谱性，使得电子鼻的气体识别能力被广泛用于医疗诊断、茶叶质量评估、环境检测以及预测气体浓度等领域。

但是，电子鼻的气体传感器随使用时间的增长而不断老化，这大大缩短了电子鼻气体传感器阵列的使用寿命。中毒，老化或者环境变量都能造成电子鼻的气体传感器漂移，而气体传感器漂移会降低分类器的气体识别性能。对上述问题，研究人员们需要针对电子鼻所能够识别的各类别气体，定期的用新的带有标签的各类别气体的纯净标定样本重新训练电子鼻的分类器网络，而重新训练分类器网络较为费时，并且定期获取新的气体的纯净标定样本也较为困难。

电子鼻中气体传感器的漂移可表述如下。假设，在电子鼻在未发生漂移的状态下，其检测某种气体所得到的气体传感器阵列感测数据矩阵为表示在未漂移状态下检测该气体时电子鼻气体传感器阵列的第n个气体传感器的感测特征向量，N表示电子鼻气体传感器阵列中所包含的气体传感器数量，上角标T为转置符号；而在子鼻在发生漂移后，若其检测该同种气体所得到的气体传感器阵列感测数据矩阵为在漂移后检测该气体时电子鼻气体传感器阵列的第n个气体传感器的感测特征向量；那么，电子鼻中气体传感器漂移问题则表现为矩阵X_K的感测特征分布不同于矩阵X₀的感测特征分布，通常将矩阵X_K称为异构数据样本，所以，用未发生漂移的数据样本X₀所训练得到识别分类器对漂移后的异构数据样本X_K进行气体识别时，就会出现识别准确率降低的问题。而且，随着时间的推移，气体传感器的老化、漂移问题会逐渐增大，即检测漂移后数据样本X_K的时间与检测未漂移数据样本X₀的时间间隔越久，那么X_K与X₀之间的感测特征分布差异也会越大。

气体传感器的漂移补偿技术研究始于几十年前，目前的主要补偿方法有成分校正法、调节补偿法和机器学习法。

典型的多变量成分校正法有成分校正主成分分析法，其是通过用主成分分析找到漂移方向，从而去掉漂移成分；但是，成分校正主成分分析法的补偿思路需要建立在所有类别数据的漂移方向相一致的前提下，然而电子鼻的实际漂移情况并非如此，因此该方法难以有效的应用到电子鼻的漂移补偿上；而如果通过在成分校正主成分分析法的基础上增加一个乘子校正变量来改善对数据漂移方向一致性限制的问题，则又会随之带来其漂移补偿的泛化性会受到在线应用时气体传感器非线性动态特性的制约问题，导致其漂移补偿效果难以针对不同的气体识别应用中广泛适用。

调节补偿法，是通过对电子鼻的气体传感器阵列在进行不同阶段气体识别检测时的响应变化情况，对其感测特征分布差异进行调整，进而实现漂移补偿；但是这种刚调整补偿方法，容易在电子鼻的气体传感器阵列出现暂态响应情况时被误判为气体传感器阵列正发生剧烈变化的漂移，进而频繁地进行调整补偿，容易打乱电子鼻气体传感器阵列原有的特征值分布规律，导致原本较为准确的识别神经网络经过漂移补偿后反而不能够正确识别其匹配气体，影响电子鼻的气体识别精度。

此前，研究人员们也展开了一些通过机器学习法对电子鼻进行漂移补偿的方法研究，但目前所采用的机器学习法都主要基于支持向量机，其往往需要借助大量的训练样本加以学习，在训练样本有限的情况下补偿效果不佳，依然不能很好地通过漂移补偿来提升电子鼻的气体识别精度，此外这类机器学习法通常需要训练很多基分类器，因此其域迁移能力和泛化性都受到限制。

综上所述，现有技术针对于电子鼻气体传感器漂移的补偿方法，普遍存在补偿后电子鼻的气体识别精度不高、迁移能力和泛化性较差的问题。

发明内容

针对现有技术中存在的上述不足，本发明的目的在于提供一种基于源域迁移极限学习漂移补偿的电子鼻气体识别方法，其利用电子鼻在未发生漂移时和发生漂移后的有标签的气体传感器阵列感测数据矩阵分别作为源域数据集和目标域数据集分别作为极限学习机的输入，对电子鼻的识别分类器进行学习，以提升识别分类器在电子鼻发生漂移后对气体识别的容差性能，达到漂移补偿的识别效果，从而提高电子鼻在其气体传感器发生漂移后的气体识别精度和泛化性，并且具备较好的迁移性能。

为解决上述技术问题，本发明采用了如下的技术手段：