[发明专利]一种基于盲领域自适应的电子鼻漂移补偿方法

说明书

本发明公开了一种基于盲领域自适应的电子鼻漂移补偿方法，该方法从特征层面出发，在盲领域场景下，仅使用源域样本构建稀疏极限学习机自编码器与稀疏极限学习机分类器。目标域样本通过稀疏极限学习机自编码器以得到其在源域空间下的表示，而后使用该表示与目标域样本原始特征相加完成特征增强过程，最后将增强后的样本输入到稀疏极限学习机分类器中以实现漂移样本的有效分类。本发明的优点在于模型训练的全过程无需目标域样本参与，更贴近于实际应用场景，同时在模型构建过程中引入范数约束实现了网络的稀疏，提升了特征表示的效果。

技术领域

本发明属于电子鼻的气味识别领域，涉及一种基于盲领域自适应的电子鼻漂移补偿方法。

背景技术

电子鼻又称为人工嗅觉系统，是一个由气体传感器阵列和模式识别算法组成的用于气体识别的系统。电子鼻能够模拟人类嗅觉系统以实现气体识别的关键在于其内部的气体传感器能够根据不同气体的特性产生对应的电信号响应，这些响应通过模式识别算法的处理最终转换为气体识别结果。

由于传感器老化或外界气体中毒等原因传感器会发生漂移现象。漂移会引起相同环境条件下传感器输出响应发生变化，使得同一外界条件下，发生漂移后的传感器采集到的样本特征与未发生漂移时所采集到的样本特征存在差异，进而使得识别算法精度下降。传感器漂移问题普遍存在于电子鼻系统中且无法避免。

近年来许多针对传感器漂移补偿的算法被提出，这些算法虽然能够在一定程度上实现传感器的漂移补偿，但它们在模型训练过程中均使用了漂移后的传感器输出响应即目标域样本，而在实际应用场景下，气体识别模型训练时传感器并未发生漂移，故仅能够使用未漂移的输出响应即源域样本进行训练。这种模型训练阶段无法使用目标域样本的领域自适应问题也被称为盲领域自适应问题。因此，如何在盲领域条件下完成目标域样本的有效自适应对电子鼻气体判别结果的正确性影响很大。基于盲领域自适应的电子鼻漂移补偿方法能够在不借助任何目标域样本的情况下实现传感器漂移补偿，在现实使用场景下更具有合理性。

发明内容

有鉴于此，本发明的目的在于提供一种基于盲领域自适应的电子鼻漂移补偿方法，利用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，在无目标域样本参与模型训练的情况下，通过自编码器获得目标域样本在源域空间下的表示，而后将源域与目标域内的相似特征增强以拉近域间距离，进而提高分类器判别的准确率，实现电子鼻漂移补偿。

为了说明简单，本说明书中规定了以下符号：

源域和目标域分别使用S和T来代表。源域样本由和表示，其中表示源域中第i个样本的特征向量，表示该样本对应的标签。目标域样本则使用和表示。n_s和n_t分别为源域样本和目标域样本的数量，隐藏层节点个数均为n_h，d为样本的特征维数，c为样本中不同标签类别数。

本发明主要解决的技术问题是通过这样的技术方案实现的，它包括有以下步骤：

步骤1)构建稀疏极限学习机自编码器；

步骤2)构建稀疏极限学习机分类器；

步骤3)通过训练完成的稀疏极限学习机自编码器和稀疏极限学习机分类器实现漂移样本的正确分类，完成电子鼻的漂移补偿。

进一步，所述步骤1)具体包括以下步骤：

步骤11)将源域样本特征X_S带入稀疏极限学习机自编码器的训练过程中，设定隐藏层节点数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；