一种基于域自适应的极限学习机传感器漂移数据重构方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115015472A(43)申请公布日2022.09.06(21)申请号202210182123.6(22)申请日2022.02.25(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)发明人陶洋吴鹏(51)Int.Cl.G01N33/00(2006.01)G06N20/00(2019.01)权利要求书1页说明书3页附图1页(54)发明名称一种基于域自适应的极限学习机传感器漂移数据重构方法(57)摘要本发明提出一种基于域自适应的极限学习机传感器漂移数据重构方法，该方法先设计一个子空间学习策略，该策略能够自适应对输入的数据做出不同的学习行为。若数据来自源域数据集，建立ELM特征学习映射，保证输出目标数据域输入目标数据之间的差值最小，进而保证源域样本类别信息基本保留，而无需降维处理；若数据来自目标域数据集，建立ELM特征学习映射，使用无参数MMD作为差异度量函数，保证映射后的源域数据与目标域数据尽可能相似。最后将重构后的目标域数据与源域数据分别作为自适应ELM分类器的测试数据集与训练数据集，最后得出训练模型的分类预测精度。本发明的优点在于利用ELM训练速度快、且不需要更新，学习过程只需要计算输出权值等优点，实现对域数据的快速重构，解决传感器漂移/偏移问题，进而提高电子鼻CN115015472A系统的预测精度。CN115015472A权利要求书1/1页1.一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于，包括以下步骤：步骤1：设计一个子空间学习策略；步骤2：建立ELM1模型，通过学习最佳输出权值β*来保留有用类别信息；步骤3：建立ELM2模型，通过学习最佳输出权值β*降低不同域之间的重构差异；步骤4：计建立自适应ELM分类器，验证重构数据的分布一致性和域可迁移性。2.如权利要求1所述的一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于：在步骤1设计子空间学习策略，以数据为输入，并根据数据域实现不同的学习行为：若数据为源域执行步骤2；若数据为目标域执行步骤3。3.如权利要求1所述的一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于：在步骤2中建立ELM1特征学习模型，根据最小二乘法原理，将输出目标数据与输入目标数据的差值定义为信息损失函数，从而使得源域样本类别信息基本保持固定，而无需降维。换而言之，通过步骤2建立的学习模型，能够最大可能的保留源域的判别信息，且重构后的数据不扭曲。4.如权利要求1所述的一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于：在步骤3建立ELM2特征学习模型，使用无参数MMD作为差异度量函数，保证源域重构后的数据与目标域重构后的数据尽可能相似。5.如权利要求1所述的一种基于域自适应的极限学习机传感器漂移数据重构方法，其特征在于：在步骤4建立自适应ELM分类器，使用源域重构的数据作为模型训练数据集，目标域数据作为模型测试数据集，进而验证重构方法的可行性。2CN115015472A说明书1/3页一种基于域自适应的极限学习机传感器漂移数据重构方法技术领域[0001]一种基于域自适应的极限学习机传感器漂移数据重构方法。背景技术[0002]电子鼻，又称人工嗅觉仿生系统，是一种具有智能信号处理和模式识别单元的交叉敏感气体传感器阵列，在环境监测、医疗诊断、食品工程等领域具有广泛的应用前景。然而，由于传感器漂移和多设备间信号偏移的存在，已经限制了电子鼻大规模的应用。[0003]传感器漂移是气体传感器定量特性的缓慢变化，其值本应该保持恒定不变。但是，由于传感器都存在老化和中毒的可能，且系统和环境变化之间的差异，比如温度、湿度等，都将引起测量的数据偏离真实的气体物理值。对于一个单一的电子鼻系统，传感器的响应将在同一气体环境下的较长时间(一年或者更长)内发生较大的变化(时变漂移)。因此，在模型迁移过程中，使用传感器漂移之前收集的数据集训练的模式识别系统性能将大大降低。为确保模式识别系统的预测性能，则需要频繁的重新校准。然而，电子鼻的重新校准是费时费力的，所以频繁的校准并不是一种可取的办法。[0004]同一时间段多个同类型电子鼻设备之间的输出差异被称为信号偏移，这是由于相同仪器的重现性较弱造成的。气体传感器的制造技术和多个系统之间的不可控差异，当多个相同的电子鼻设备在相同的气体环境下运行时，电子鼻系统的响应是不同的。当多个配置相同的电子鼻系统来检测和识别气体时，由于信号偏移的影响，当使用一个设备(主设备)上训练的模型直接预测来自另一个设备(从设备)的数据时，模型预测精度会有所下降。因此，利用每个设备收集的气体样本来建立一个预测模型通常是不切实际的，尤其是在样本收集的成本很高的情况下。故在仪器之间的校准