[发明专利]一种带子空间投影的电子鼻信号误差自适应学习方法

说明书

技术领域

本发明属于电子鼻的气体检测领域，具体涉及一种自适应学习电子鼻的误差补偿方法。

背景技术

电子鼻，又称人工嗅觉系统，其由传感器阵列和模式识别系统组成，能够检测未知气体及其浓度。理论上，电子鼻的传感器对同一气体的同一浓度在一样的环境下，其响应是相同的。但是，在实际应用中，传感器使用一段时间后，由于中毒、老化等原因会导致传感器发生缓慢地漂移。传感器漂移极大地降低了系统的模式识别性能，使得电子鼻使用一段时间后变得不可靠。在传感器和模式识别领域，漂移已成为一个非常棘手的问题。

近年来，传感器漂移补偿方法已有很多种，第一类为单变量方法，具体有频率分析，基线处理和差分检测等，用于分别对每个传感器的响应进行补偿；这类方法简单且计算复杂度低，但不能完全解决漂移问题，因为这类方法对采样率特别敏感。第二类为多变量方法，与单变量方法相比，多变量方法是对全部传感器响应进行补偿，这类方法最具代表性的是成分校正法，但这类方法最大的缺点是假设漂移方向是线性的，虽然核化后的成分校正似乎可行，如KPCA，能用于非线性的漂移方向，但是，这种方法需要一个参考气体用来估计漂移方向且假设其它气体的漂移方向与参考气体的漂移方向是一致的。第三类为机器学习方法，该类方法有很多，它们是使分类器根据漂移情况进行调整，并不是计算或者明确描述漂移。如：基于支持向量机的集成方法，这种方法的性能优于基于信号校正的方法。但是，这种方法需要大量的标签样本。

在机器学习领域，未漂移的数据集称为源域，漂移的数据集称为目标域，目标域的特征分布不同于源域的特征分布，这种处于不同域的电子鼻数据被称为异构数据。如图1所示，目标域的特征分布与源域的特征分布有明显的差异，另外，特征分布也可理解为特征子空间。导致源域和目标域特征子空间不一致的原因是传感器使用较长时间后，由于老化、中毒等原因，使得传感器发生漂移。传感器发生漂移后，即使将其放置在同样的环境(同样的温湿度、气体以及浓度)下，传感器的响应值与未漂移的响应值有着较大的差别，即电子鼻数据的异构特性；若此时仍用未漂移时的数据训练获得的模式识别系统进行分类，则模式识别系统的性能将会被大大地降低。

发明内容

针对现有技术中存在的技术问题，本发明所要解决的技术问题就是提供一种带子空间投影的电子鼻信号误差自适应学习方法，它能找到一种映射使源域和目标域的子空间达到分布一致，在不增加样本的条件下，从而实现传感器漂移补偿，保持模式识别系统的性能。

为了描述简便，本说明书中规定以下符号为：

用下角标“S”和“T”分别表示源域和目标域，

为源域样本，

为目标域样本，其中，D表示每个样本的维数，N_S和N_T分别表示源域和目标域的样本数量。

为把源域和目标域从原始空间映射到某d维子空间的一组变换基，其中变换基P＝[v₁，v₂，...，v_d]其中v_i＝[v_i1，v_i2，...，v_iD]^T，i＝1，...，d。

||·||_F表示一个矩阵的Frobenius范数。

表示的是源域的第i个样本，表示的是目标域的第j个样本。C是常数。

大写的粗黑体表示矩阵。小写的粗黑体表示向量，变量用斜体表示。

本发明所要解决的技术问题是通过这样的技术方案实现的，它包括以下步骤：

步骤1：数据白化预处理；由于原始数据有很多特征，且特征值差异较大，为了便于后面的模式识别算法，需要对数据进行预处理，即对数据进行归一化，并中心化，使处理后的数据中心为零矢量；

步骤2：计算源域X_S和目标域数据X_T的中心μ_S以及μ_T，其中N_S和N_T分别表示源域和目标域的样本数量，表示的是源域的第i个样本，表示的是目标域的第j个样本；

步骤3：初始化平衡参数λ和子空间维度d；

步骤4：对矩阵执行特征分解，并获得特征向量矩阵V和特征值对角矩阵U；