基于域校正的域自适应极限学习机电子鼻漂移抑制方法.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CN109669009A(43)申请公布日2019.04.23(21)申请号201910021835.8(22)申请日2019.01.10(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)发明人梁志芳徐娟杨皓诚杨柳熊炼郭坦陶洋(51)Int.Cl.G01N33/00(2006.01)G06K9/62(2006.01)权利要求书1页说明书5页附图2页(54)发明名称基于域校正的域自适应极限学习机电子鼻漂移抑制方法(57)摘要本发明公开了基于域校正的域自适应极限学习机电子鼻漂移抑制方法，其从数据分布的角度出发，将数据分布不一致的源域数据和目标域数据映射到一个高维希尔伯特空间，在此空间最小化源域和目标域的域距离，同时，在最大程度上保留原始源域和目标域的数据属性。得到域校正后的源域和目标域数据，从数据层面上对漂移进行了抑制。再将目标域中的迁移样本和无标签样本纳入ELM中学习，得到域自适用ELM，从决策层面提高预测模型的鲁棒性。本发明的优点：在不增加样本的情况下，调整数据分布，并将目标域中无标签样本纳入到分类器的学习当中，从数据层面和决策层面两个层面上抑制了漂移，提高模型鲁棒性。CN109669009ACN109669009A权利要求书1/1页1.基于域校正的域自适应极限学习机电子鼻漂移抑制方法，其特征是，包括以下步骤：步骤1、获取源域的训练样本和标签以及目标域样本步骤2、获取目标域迁移样本以及目标域中无标签样本步骤3、输入正则化系数μ和变换基矩阵维度m；步骤4、利用源域数据和目标域数据通过构造核矩阵K，构造分布矩阵L，其元素为构造中心矩阵步骤5、对(KLK+μI)-1KHK进行特征分解，并取前m个最小特征值对应的特征向量构建基矩阵P；步骤6、得到域校正后的源域数据和目标域数据并利用训练ELM得到输出权重βB；步骤7、输入正则化系数和步骤8、利用随机输入权重矩阵W和隐含层误差矩阵B初始化ELM的L个隐含层神经元网络；步骤9、计算目标域中迁移样本和无标签样本的隐含层输出和步骤10、计算输出权重并预测目标域中无标签数据的标签2.根据权利要求1所述的基于域校正的电子鼻系统漂移补偿方法，其特征是，所述步骤3中变换基矩阵维度m应不大于样本维度d。2CN109669009A说明书1/5页基于域校正的域自适应极限学习机电子鼻漂移抑制方法技术领域[0001]本发明属于电子鼻的气味识别领域，涉及一种基于域校正的域自适应极限学习机电子鼻漂移抑制方法。背景技术[0002]电子鼻是由一组传感器阵列结合相应的模式识别算法组成的系统，可对气体进行识别。当待检测的气体进入检测室时，气体传感器会对其产生一个瞬态响应信号，利用模式识别算法根据传感器响应识别气体。电子鼻在过去的二十多年里经历了迅猛的发展，已经被用于香水、水果、酒、茶和咖啡等的检测。[0003]在气味识别中，很多对于电子鼻分类和回归的模式识别算法已经被提出来。其中神经网络是非常重要的一种方式，包含有导师监督和无导师监督两种学习方式。BP算法和SFAM是在基于自适应共振理论的ARTMAP网络基础上的一种简化，支持向量机(SupportVectorMachine,SVM)是在统计学习理论的基础上发展的一种新的模式识别方法，极限学习机(Extremelearningmachine,ELM)是一种简单易用、有效的单隐层前馈神经网络学习算法，这些都被用于分类算法当中。[0004]以上这些模式识别算法都倾向于在一个单一的电子鼻系统中找到准确率更高、更有效的算法。然而将未发生漂移的源域数据进行模型训练，得到的模式识别模型应用在发生漂移的目标域数据时，将得到较低的识别准确率，而且模型的泛化性较差。[0005]通常，我们将没有发生传感器漂移的电子鼻数据称为源域，发生传感器漂移的电子鼻数据称为目标域，源域和目标域数据的特征分布不一致，并且随着时间的推移，电子鼻传感器数据发生漂移的程度越来越严重，电子鼻系统的气体传感器发生漂移的原因是由于开放环境、温度、湿度等的影响。实际的应用场景中，由于传感器敏感材料发生老化造成漂移，使得利用未发生传感器漂移的数据训练的模式识别模型不能直接应用于已经发生传感器漂移的电子鼻系统之上。目标域当中的无标签数据在构建预测模型时往往被忽略，然后这些数据也包含大量信息，能增强模型的鲁棒性和泛化性。发明内容[0006]有鉴于此，本发明的目的在于提供一种基于域校正的域自适应极限学习机漂移抑制方法，它能够找到一个变换基矩阵使源域和目标域映射到一个高维希尔伯特空间，使源域和目标域的距离最小化。从而改善源域和目标域之间数据分布不一致的问题，从数据层面抑制传感器漂移。再将目标域迁移样本和无标签样本纳入预测模型ELM中学习，