基于极限学习机的电子鼻信号漂移补偿子空间对齐方法.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CN113627084A(43)申请公布日2021.11.09(21)申请号202110903094.3(22)申请日2021.08.06(71)申请人西南大学地址400715重庆市北碚区天生路2号(72)发明人闫嘉段书凯王丽丹陈飞越王子健(74)专利代理机构重庆为信知识产权代理事务所(普通合伙)50216代理人郑鲲熙(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2006.01)G06F111/04(2020.01)权利要求书6页说明书15页附图3页(54)发明名称基于极限学习机的电子鼻信号漂移补偿子空间对齐方法(57)摘要本发明公开了一种基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，包括：获取电子鼻数据；将未漂移的电子鼻数据作为源域数据,将漂移电子鼻数据作为目标域数据；将两域数据投影到基于极限学习机的特征空间中得到HS和HT；最小化两域数据之间的联合边缘和条件分布差异；向分类模型中引入目标域样本的流形空间信息；最大化HSIC最小二乘公式；使用l2,1范数对投影子空间施加约束；最小化源域数据的类内散射，最大化源域数据的类间散射；最大化投影后源域数据和目标域数据的方差；合并得到SAELM；得到校准过后的电子鼻基准数据和校准过后的数据使用进行训练，对进行测试；将得到标签作为电子鼻的预测输出。本发明有助于提高电子鼻对气体的识别率。CN113627084ACN113627084A权利要求书1/6页1.一种基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，包括如下步骤，步骤A：获取电子鼻数据；该电子鼻数据包括未漂移的电子鼻数据和待校准的漂移电子鼻数据；步骤B：将未漂移的电子鼻数据作为源域数据XS,将待校准的漂移电子鼻数据作为目标域数据XT；步骤C：选择激活函数并随机生成权重W和偏置b，将源域数据XS和目标域数据XT投影到基于极限学习机的特征空间中得到HS和HT；HS代表源域数据XS在特征空间中的表示；HT代表目标域数据XT在特征空间中的表示；步骤D：将基于极限学习机的特征空间中的源域数据HS和目标域数据HT投影到校准子空间中后，为了对齐HS和HT之间的数据分布，对校准子空间中投影源域数据集和目标域数据集的联合最大均值差异做最小化处理；步骤E：在投影过程中引入目标域样本的流形空间信息，强制原始空间中的样本在学习子空间中保持彼此接近；步骤F：为了防止投影后数据特征与其对应标签之间的依赖性降低从而影响识别率，根据HSIC准则来增强特征和标签之间的依赖性；步骤G：为了提高分类模型的特征选择能力选择，使用l2,1范数来对投影子空间施加约束；步骤H：为了使投影后的源域数据集更具有可分性，在学习子空间中增强源域数据集的类间离散性和类内收敛性，通过计算并最小化投影源域数据集的类内散射矩阵和类间散度矩阵；步骤I：为了避免投影扭曲源域和目标域的样本数据，通过最大化投影后源域数据HS和目标域数据HT的方差，对投影后源域数据集和投影目标域数据集的判别信息做最大化处理，以便保留更多的可用信息；步骤J：联合步骤D～步骤I的结果，得到子空间对齐极限学习机模型SAELM；并且通过优化计算和特征值分解方法得到校准子空间的投影基β*的快速求解公式；步骤K：根据步骤J得到的源域数据与目标域数据，利用投影基β*从基于极限学习机的特征空间投影到校准子空间，得到校准子空间中源域电子鼻数据和目标域电子鼻数据校准后的特征表示，分别用和表示；步骤L：建立支持向量机分类模型，使用进行训练，对进行测试；步骤M：将得到标签作为电子鼻的预测输出。2.根据权利要求1所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤B包括：将未漂移电子鼻数据作为源域数据XS，其标签为YS，代表第i个样本数据，i＝1～NS；表示第i个样本数据对应的标签，m表示样本数据的类别总数，将待校准的漂移电子鼻数据作为目2CN113627084A权利要求书2/6页标域数据XT；j＝1～NT；D代表数据维数，表示实数集，源域数据XS和目标域数据XT的样本个数分别为NS和NT,上标T表示转置矩阵。3.根据权利要求2所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤C包括：选择激活函数并随机生成权重和偏置将原始空间中源域数据XS和目标域数据XT的样本投影到基于极限学习机的L维特征空间；得到HS和HT，HS代表源域数据XS在特征空间中的表示和HT代表目标域数据XT在特征空间中的表示，其中和分别表示源域数据XS和目标域数据XT的样本在基于极限学习机的特征空间中的表征；L代表基于极限学习机的特征空间的维度。4.根据权利要求3所述的基于极限学习机的电子鼻信号漂移补偿子空间