[发明专利]一种基于盲领域自适应的电子鼻漂移补偿方法

权利要求书

1.一种基于盲领域自适应的电子鼻漂移补偿方法，其特征在于：该方法在不借助任何目标域样本的情况下，通过盲领域自适应进行稀疏极限学习机自编码器的特征学习和稀疏极限学习机分类器的标签判别，完成对电子鼻中漂移后的传感器所采集到样本的补偿；

该机制具体包括以下步骤：

S1)搭建稀疏极限学习机自编码器并通过源域样本特征对其进行训练；

S2)搭建稀疏极限学习机分类器并通过源域样本特征与标签对其进行训练；

S3)使用稀疏极限学习机自编码器和稀疏极限学习机分类器完成目标域样本的正确分类，从而实现电子鼻的漂移补偿；

2.如权利要求1所述的一种基于盲领域自适应的电子鼻漂移补偿方法，其特征在于，所述步骤S1中，稀疏极限学习机自编码器的搭建与训练包括以下步骤：

步骤S11)输入源域样本特征X_S，隐藏层节点数n_h和正则项系数λ，其中n_s为源域样本数，d为样本的特征维数；

步骤S12)构建三层神经网络模型，其中网络输入层与输出层的节点数设置为d，隐藏层节点数设置为n_h，输出层目标设置为O^j，n_h＞d，O^j＝X_S，j表示自编码器训练的阶段数；

步骤S13)使用随机生成的正交矩阵初始化神经网络中输入层与隐藏层间的输入权重矩阵并冻结，带入X_S进行第一阶段的网络训练以获得隐藏层与输出层间的输出权重矩阵

步骤S14)使用作为第二阶段训练的输入权重矩阵，其中带入X_S进行第二阶段的网络训练以获得第二阶段输出权重矩阵此时稀疏极限学习机自编码器即搭建并训练完成，其中

3.如权利要求1所述的一种基于盲领域自适应的电子鼻漂移补偿方法，其特征在于，所述步骤S2中，稀疏极限学习机分类器的搭建与训练包括以下步骤：

步骤S21)输入源域样本特征X_S，源域样本标签Y_S和样本中不同标签类别数c，其中

步骤S22)构建三层神经网络模型，其中网络输入层节点数设置为d，隐藏层节点数设置为n_h，输出层节点数设置为c，n_h＞c，输出目标设置为源域样本标签Y_S；

步骤S23)将稀疏极限学习机自编码器的输入权重矩阵作为稀疏极限学习机分类器的输入权重并冻结，使用X_S和Y_S完成稀疏极限学习机分类器的训练，其中

4.如权利要求1所述的一种基于盲领域自适应的电子鼻漂移补偿方法，其特征在于，所述步骤S3中，目标域样本的分类实现包括以下步骤：

步骤S31)将目标域样本特征X_T输入到M_A中以获得目标域样本在源域空间下的表示其中n_t为目标域样本数；

步骤S32)对进行特征增强以获得Z，即其中

步骤S33)将Z输入到M_C中以获得最终的分类预测结果其中