一种基于盲领域自适应的电子鼻漂移补偿方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112816616A(43)申请公布日2021.05.18(21)申请号201911124286.3(22)申请日2019.11.18(71)申请人重庆邮电大学地址400065重庆市南岸区崇文路2号(72)发明人陶洋杨皓诚梁志芳黎春燕孔宇航(51)Int.Cl.G01N33/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书5页附图2页(54)发明名称一种基于盲领域自适应的电子鼻漂移补偿方法(57)摘要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。CN112816616ACN112816616A权利要求书1/2页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XS，隐藏层节点数nh和正则项系数λ，其中ns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jj节点数设置为nh，输出层目标设置为O，nh＞d，O＝XS，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XS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XS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XS，源域样本标签YS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nh，输出层节点数设置为c，nh＞c，输出目标设置为源域样本标签YS；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XS和YS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XT输入到MA中以获得目标域样本在源域空间下的表示其中nt为目标域样本数；步骤S32)对进行特征增强以获得Z，即其中2CN112816616A权利要求书2/2页步骤S33)将Z输入到MC中以获得最终的分类预测结果其中3CN112816616A说明书1/5页一种基于盲领域自适应的电子鼻漂移补偿方法技术领域[0001]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[0002]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。[0003]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。[0004]近年来许多