CN105891422A - 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法 - Google Patents

基于源域迁移极限学习漂移补偿的电子鼻气体识别方法 Download PDF

Info

Publication number
CN105891422A
CN105891422A CN201610218450.7A CN201610218450A CN105891422A CN 105891422 A CN105891422 A CN 105891422A CN 201610218450 A CN201610218450 A CN 201610218450A CN 105891422 A CN105891422 A CN 105891422A
Authority
CN
China
Prior art keywords
gas
electronic nose
source domain
data sample
extreme learning
Prior art date
Application number
CN201610218450.7A
Other languages
English (en)
Other versions
CN105891422B (zh
Inventor
张磊
刘燕
邓平聆
田逢春
Original Assignee
重庆大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 重庆大学 filed Critical 重庆大学
Priority to CN201610218450.7A priority Critical patent/CN105891422B/zh
Publication of CN105891422A publication Critical patent/CN105891422A/zh
Application granted granted Critical
Publication of CN105891422B publication Critical patent/CN105891422B/zh

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004Gaseous mixtures, e.g. polluted air
    • G01N33/0009General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004Gaseous mixtures, e.g. polluted air
    • G01N33/0009General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
    • G01N2033/0068General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a computer specifically programmed

Abstract

本发明提供了一种基于源域迁移极限学习漂移补偿的电子鼻气体识别方法,其从机器学习角度提出域迁移极限学习机框架用于解决传感器漂移问题,而不是直接地校正单一传感器响应,利用电子鼻在未发生漂移时和发生漂移后采集的有标签的气体传感器阵列感测数据矩阵分别构建源域数据集和目标域数据集分别作为极限学习机的输入,对电子鼻的识别分类器进行学习,以提升识别分类器在电子鼻发生漂移后对气体识别的容差性能,达到漂移补偿和提高气体识别精度的目的,并且持了极限学习机的技术优点,使得该方法具备了较好的泛化性和迁移性能。可见,本发明方法中提出的源域迁移极限学习机框架建立了一个有良好学习能力和泛化能力的学习框架。

Description

基于源域迁移极限学习漂移补偿的电子鼻气体识别方法
技术领域
[0001] 本发明涉及电子鼻检测技术领域,具体涉及一种基于源域迀移极限学习漂移补偿 的电子鼻气体识别方法。
背景技术
[0002] 电子鼻是利用气体传感器阵列的响应图谱来识别气体的智能电子装置或者人工 嗅觉系统。由于电子鼻中气体传感器阵列的交叉特性和广谱性,使得电子鼻的气体识别能 力被广泛用于医疗诊断、茶叶质量评估、环境检测以及预测气体浓度等领域。
[0003] 但是,电子鼻的气体传感器随使用时间的增长而不断老化,这大大缩短了电子鼻 气体传感器阵列的使用寿命。中毒,老化或者环境变量都能造成电子鼻的气体传感器漂移, 而气体传感器漂移会降低分类器的气体识别性能。对上述问题,研究人员们需要针对电子 鼻所能够识别的各类别气体,定期的用新的带有标签的各类别气体的纯净标定样本重新训 练电子鼻的分类器网络,而重新训练分类器网络较为费时,并且定期获取新的气体的纯净 标定样本也较为困难。
[0004] 电子鼻中气体传感器的漂移可表述如下。假设,在电子鼻在未发生漂移的状态下, 其检测某种气体所得到的气体传感器阵列感测数据矩阵为不 示在未漂移状态下检测该气体时电子鼻气体传感器阵列的第n个气体传感器的感测特征向 量,N表示电子鼻气体传感器阵列中所包含的气体传感器数量,上角标T为转置符号;而在子 鼻在发生漂移后,若其检测该同种气体所得到的气体传感器阵列感测数据矩阵为 ^^=[4,.4,一.#,一.4] 3\1【在漂移后检测该气体时电子鼻气体传感器阵列的第11个气体 传感器的感测特征向量;那么,电子鼻中气体传感器漂移问题则表现为矩阵X K的感测特征 分布不同于矩阵Xo的感测特征分布,通常将矩阵XK称为异构数据样本,所以,用未发生漂移 的数据样本Xo所训练得到识别分类器对漂移后的异构数据样本X K进行气体识别时,就会出 现识别准确率降低的问题。而且,随着时间的推移,气体传感器的老化、漂移问题会逐渐增 大,即检测漂移后数据样本X K的时间与检测未漂移数据样本XQ的时间间隔越久,那么XK与X〇 之间的感测特征分布差异也会越大。
[0005] 气体传感器的漂移补偿技术研究始于几十年前,目前的主要补偿方法有成分校正 法、调节补偿法和机器学习法。
[0006] 典型的多变量成分校正法有成分校正主成分分析法,其是通过用主成分分析找到 漂移方向,从而去掉漂移成分;但是,成分校正主成分分析法的补偿思路需要建立在所有类 别数据的漂移方向相一致的前提下,然而电子鼻的实际漂移情况并非如此,因此该方法难 以有效的应用到电子鼻的漂移补偿上;而如果通过在成分校正主成分分析法的基础上增加 一个乘子校正变量来改善对数据漂移方向一致性限制的问题,则又会随之带来其漂移补偿 的泛化性会受到在线应用时气体传感器非线性动态特性的制约问题,导致其漂移补偿效果 难以针对不同的气体识别应用中广泛适用。
[0007] 调节补偿法,是通过对电子鼻的气体传感器阵列在进行不同阶段气体识别检测时 的响应变化情况,对其感测特征分布差异进行调整,进而实现漂移补偿;但是这种刚调整补 偿方法,容易在电子鼻的气体传感器阵列出现暂态响应情况时被误判为气体传感器阵列正 发生剧烈变化的漂移,进而频繁地进行调整补偿,容易打乱电子鼻气体传感器阵列原有的 特征值分布规律,导致原本较为准确的识别神经网络经过漂移补偿后反而不能够正确识别 其匹配气体,影响电子鼻的气体识别精度。
[0008] 此前,研究人员们也展开了一些通过机器学习法对电子鼻进行漂移补偿的方法研 究,但目前所采用的机器学习法都主要基于支持向量机,其往往需要借助大量的训练样本 加以学习,在训练样本有限的情况下补偿效果不佳,依然不能很好地通过漂移补偿来提升 电子鼻的气体识别精度,此外这类机器学习法通常需要训练很多基分类器,因此其域迀移 能力和泛化性都受到限制。
[0009] 综上所述,现有技术针对于电子鼻气体传感器漂移的补偿方法,普遍存在补偿后 电子鼻的气体识别精度不高、迀移能力和泛化性较差的问题。
发明内容
[0010] 针对现有技术中存在的上述不足,本发明的目的在于提供一种基于源域迀移极限 学习漂移补偿的电子鼻气体识别方法,其利用电子鼻在未发生漂移时和发生漂移后的有标 签的气体传感器阵列感测数据矩阵分别作为源域数据集和目标域数据集分别作为极限学 习机的输入,对电子鼻的识别分类器进行学习,以提升识别分类器在电子鼻发生漂移后对 气体识别的容差性能,达到漂移补偿的识别效果,从而提高电子鼻在其气体传感器发生漂 移后的气体识别精度和泛化性,并且具备较好的迀移性能。
[0011] 为解决上述技术问题,本发明采用了如下的技术手段:
[0012] 基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,包括如下步骤:
[0013] 1 )获取电子鼻在未发生漂移时所采集的N s个有标签的气体传感 器阵列感测数据矩阵作为源域数据集;= X,!,对应的标签集合 21-=冗142,"、,砭,">,穿^};任意的第1个源域数据样本4为电子鼻在未发生漂移时进行一 次气体检测所得到的气体传感器阵列感测数据矩阵,i G {1,2,…,Ns},即:
[0014] Z; =[x^,x^2,---,xf ;
[0015] 其中,xf表示第i个源域数据样本X;中电子鼻气体传感器阵列的第n个气体传感 器的感测特征向量,nG {1,2,…,N},N表不电子鼻气体传感器阵列中所包含的气体传感器 数量;上角标T为转置符号;
[0016] 所述第i个源域数据样本尤的标签g为:
[0017] 穹=[4'W",4'm,…,4'*f ;
[0018] 其中,表示第i个源域数据样本X〗在第m类目标气体类别序号上的类别标签值, 若对第i个源域数据样本I;的识别结果为属于第m类气体,则令?r=i,否则令c=-i,由此 构成第i个源域数据样本的标签{1,2,…,M},M表示电子鼻所能够识别的目标气体 种类数;
[0019] 2)获取电子鼻在发生漂移后所采集的Nt个有标签的气体传感器阵列 感测数据矩阵作为目标域数据集;={<,右,…,对应的标签集合 A = …,]7,…,r/";任意的第j个目标域数据样本z/为电子鼻在发生漂移后进行一 次气体检测所得到的气体传感器阵列感测数据矩阵,j G {1,2,…,Nt},即:
[0020] X; = [xp1. xJ/2, • •, xf1, • • •. xJrs f ;
[0021] 其中,xf表示第j个目标域数据样本中电子鼻气体传感器阵列的第n个气体传 感器的感测特征向量,nG {1,2,…,N};上角标T为转置符号;
[0022] 所述第j个目标域数据样本為的标签穿为:
[0023] TTj =[4.'心…•,
[0024] 其中,表示第j个目标域数据样本'在第m类目标气体类别序号上的类别标签 值,若对第j个目标域数据样本的识别结果为属于第m类气体,则令珍 M =1,否则令皆M=-l, 由此构成第j个目标域数据样本X/的标签写;mG {1,2,…,M};
[0025] 3)设定源域数据样本的预测误差惩罚系数Cs和目标域数据样本的预测误差惩罚 系数CT,且设定极限学习机的隐含层神经元个数Nl,并随机初始化极限学习机的输入层与隐 含层之间的权重矩阵W 和隐含层的偏置向量
[0026] 4)将源域数据集Xs作为极限学习机的输入,计算得到相应的极限学习机的隐含层 输出矩阵仏
[0027] ff^giW-X.+b);
[0028]将目标域数据集XT作为极限学习机的输入,计算得到相应的极限学习机的隐含层 输出矩阵焉ei^x:sS [0029] HT=g(W-X, +h),
[0030]其中,g( •)表示极限学习机的激活函数;
[0031] 5)判断源域数据集所包含的源域数据样本个数Ns与极限学习机隐含层神经元个 数Nl的数值关系;
[0032]若Ns多Nl,则按下式计算极限学习机的隐含层与输出层之间的权重矩阵 f\ e :
[0033] &= (IL+Cs • HsT • Hs+Ct • Htt • Ht)-HCs • HsT • Ts+Ct • Htt • Tt);
[0034] 其中,IL为NlXNl的单位矩阵;
[0035]若Ns <Nl,则按下式计算极限学习机的隐含层与输出层之间的权重矩阵 爲 :
[0036] 氏= hst • Fst+Htt(Fb-1 • Tt-Fb-1 • Fa • Fst);
[0037] 其中,Fst、Fa、Fb和Fc均为缩写式,其各自的展开式为:
[0038] Fst= (Fc • Fb_1 • Fa-Fd)_1(Fc • Fb_1 • Tt-Ts);
[0039] Fa=HtHst;^ = +^f- ;Fc = HsHtt; ^
[0040] 其中,Is为Ns X Ns的单位矩阵;上角标T均为转置符号;
[0041] 6)获取电子鼻在发生漂移后所采集的Nu个未标记标签的气体传感器阵列感测数 据矩阵作为待测域数据集A,=…,私,…,;^"},任意的第k个待测数据样本;^为 电子鼻在发生漂移后进行一次气体检测所得到的气体传感器阵列感测数据矩阵,kG{l, 2,…,Nu},即:
[0042]
[0043]其中,<'"表示第k个待测数据样本Xg中电子鼻气体传感器阵列的第n个气体传感 器的感测特征向量,nG {1,2,…,N};上角标T为转置符号;
[0044] 7)将待测域数据集Xu作为极限学习机的输入,计算得到相应的极限学习机的隐含 层输出矩阵私
[0045] H, =g(W-X{ -rh):
[0046] 由此得到的对应的隐含层输出矩阵/-/,.=丨A/., V.…./(/V'/d,/V__ ev表亦第k 个待测数据样本At所对应的隐含层输出向量;
[0047] 8)将步骤5)所得到的权重矩阵说作为电子鼻的识别分类器,按下式分别计算待测 域数据集中各个待测数据样本所对应的标签:
[0048] 尤=/V.A,/ce.!l,2,…,A,,!.;
[0049] 其中,宂表示计算得到的第k个待测数据样本;^的标签,且:
[0050] 究《,蛞2,...
[0051] 表示第k个待测数据样本X〗在第m类目标气体类别序号上的类别标签值;
[0052] 对于第k个待测数据样本,将其标签总中最大类别标签值所在的目标气体类别 序号所对应的目标气体类别判定识别为待测数据样本所属的气体类别;由此,判定得到 待测域数据集中各个待测数据样本的气体类别识别结果。
[0053]上述基于源域迀移极限学习漂移补偿的电子鼻气体识别方法中,作为优选方案, 所述步骤3)中,源域数据样本的预测误差惩罚系数Cs的优选取值范围为1(T3~10*3。
[0054]上述基于源域迀移极限学习漂移补偿的电子鼻气体识别方法中,作为优选方案, 所述步骤3)中,目标域数据样本的预测误差惩罚系数CT的优选取值范围为10*3~10 3。
[0055] 上述基于源域迀移极限学习漂移补偿的电子鼻气体识别方法中,作为优选方案, 所述步骤3)中,极限学习机的隐含层神经元个数Nl的优选取值范围为10 2~104。
[0056] 上述基于源域迀移极限学习漂移补偿的电子鼻气体识别方法中,作为优选方案, 所述极限学习机的激活函数g( •)选用径向基函数或sigmoid函数。
[0057] 相比于现有技术,本发明具有以下有益效果:
[0058] 1、本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,从机器学习机 的角度对电子鼻气体传感器漂移问题进行分析和解决,借助少量电子鼻在未发生漂移时和 发生漂移后采集的有标签的气体传感器阵列感测数据矩阵分别构建源域数据集和目标域 数据集,用以进行源域迀移极限学习获得一个鲁棒性好的识别分类器,能够提升识别分类 器在电子鼻发生漂移后对气体识别的容差性能,再利用学习后得到的该识别分类器进行待 测气体样本的识别时,就能够达到漂移补偿的识别效果,从而提高电子鼻在其气体传感器 发生漂移后的气体识别精度。
[0059] 2、本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法保持了极限学 习机的技术优点,学习过程简单,且使得该方法具备了较好的泛化性和迀移性能,能够在不 同的电子鼻产品针对不同的气体识别应用上广泛适用。
[0060] 3、本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法提出的源域迀 移极限学习机框架建立了一个有良好学习能力和泛化能力的电子鼻漂移补偿学习框架。
附图说明
[0061] 图1为本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法的流程图。
[0062] 图2为本发明实施案例中实验数据集中10组数据漂移前后的多维传感器阵列响应 曲线对比图。
[0063] 图3为本发明实施案例中实验数据集中10组数据漂移引起空间分布变化的二维主 成分投影分布图。
[0064] 图4为本发明实施案例中采用本发明方法与各对比方法对实验配置①中各组数据 进行识别的识别精度对比图。
[0065] 图5为本发明实施案例中采用本发明方法与各对比方法对实验配置②中各组数据 进行识别的识别精度对比图。
[0066]图6为本发明实施案例中采用本发明方法与正则化极限学习机方法ELM-rbf对配 置①不同数量的目标域数据样本情况下进行识别的识别精度对比图。
[0067]图7为本发明实施案例中采用本发明方法与正则化极限学习机方法ELM-rbf对配 置②不同数量的目标域数据样本情况下进行识别的识别精度对比图。
具体实施方式
[0068] 针对于电子鼻的气体传感器漂移而影响气体识别精度的问题,本发明提供了一种 基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,从机器学习机的角度对该问题进 行分析和解决,提出了一种基于源域迀移极限学习的理念,借助少量电子鼻在未发生漂移 时和发生漂移后采集的有标签的气体传感器阵列感测数据矩阵分别构建源域数据集和目 标域数据集,用以进行源域迀移极限学习获得一个鲁棒性好的识别分类器,能够提升识别 分类器在电子鼻发生漂移后对气体识别的容差性能,再利用学习后得到的该识别分类器进 行待测气体样本的识别时,就能够达到漂移补偿的识别效果,从而提高电子鼻在其气体传 感器发生漂移后的气体识别精度,并且其保持了极限学习机的技术优点,学习过程简单,且 使得该方法具备了较好的泛化性和迀移性能,能够在不同的电子鼻产品针对不同的气体识 别应用上广泛适用。
[0069] 基于上述技术思路,首先对本发明所应用到的极限学习机技术加以简单的介绍。
[0070] 1、极限学习机理论:
[0071] 极限学习机(Extreme Learning Machine,ELM)算法是新加坡南洋理工大学的黄 广斌教授提出来的,2004年正式发表文章。极限学习机算法是针对SLFNs(即含单个隐藏层 前馈型神经网络)的监督型学习算法,其主要思想是:输入层与隐藏层之间的权值参数,以 及隐藏层上的偏置向量参数是once for all(-次设置配、普遍适用)的,不需要像其他基 于梯度的学习算法一样通过迭代反复调整刷新,因此求解过程很直接,只需求解一个最小 范数最小二乘问题(最终可化归成求解一个矩阵的广义逆问题),具有训练参数少、学习运 算速度快等优点。
[0072] 极限学习机理论可以进行如下的描述。
[0073] 假设,给定N个样本[X1,X2,…,Xi,"_,XN]和对应的标签[tl,t2,…,ti,…,tN],其中, Xi = [Xi,l,Xi,2,…,Xi,n]TGRn,ti = [ti,l,ti,2,…,ti,m]TGRm,n 和m 分别代表输入神经元的个 数和输出层的神经元个数。隐含层的输出向量用h(Xl)GRlxl表示,其中L是隐层神经元的数 目,隐含层和输出层之间的权值用表示。
[0074]正则化极限学习机旨在用最小化预测误差的平方和,和输出权值的范数以防止过 拟合求得输出权值,公式如下:
Figure CN105891422AD00101
(1)
[0076] 其中,L表示第i个训练样本的预测误差,C是预测误差的惩罚函数。
[0077] 把约束项代入目标函数,得到一个与之等价的无约束的优化问题其表达式如下:
Figure CN105891422AD00102
(2)
[0079] 其中,H= [h(xi),h(X2),…,h(xi),…,h(XN),] GRNXL,T = [ti,t2,…,ti,…,tN]T。
[0080] (2)式是一个正则化最小二乘优化问题。e的闭解可通过求(2)式对e求导并令其等 于零方可求得。
[0081] 求解0分两种情况。如果训练样本数量N大于或等于L时,求导式是超定的,0的解如 下式:
Figure CN105891422AD00103
(,)
[0083] 其中,II是L XL的单位矩阵。
[0084] 第二种情况,如果训练样本数量N小于L时,0解如下式:
Figure CN105891422AD00104
(4)
[0086]其中,IN是NXN的单位矩阵。所以,用极限学习机训练分类器,其输出权值可由(3) 式或者(4)式得到。
[0087] 2、基于源域迀移极限学习机框架。
[0088] 基于极限学习机理论,本发明提出了一种基于源域迀移极限学习的理论框架,将 电子鼻在未发生漂移时采集的有标签的气体传感器阵列感测数据矩阵作为源域数据集,加 上少量电子鼻发生漂移后采集的有标签的气体传感器阵列感测数据矩阵作为目标域数据 集,并且将极限学习机的隐含层与输出层之间的权重矩阵&作为识别分类器;由此,源域迀 移极限学习机可表示成如下形式: (5) (6)
[0091] 其中,gei?1%、分别表示第i个源域数据样本X;的隐含层 输出、预测误差和标签(即训练目标);取e 、為e i?w、f e i?胃分别表示第j个目 标域数据样本4的隐含层输出、预测误差和标签(即训练目标);iG{l,2,~,N s},jG{l, 2,…,Nt},Ns和Nt分别是源域数据样本数量和目标域数据样本数量;Nl为极限学习机的隐含 层神经元个数,M为电子鼻所能够识别的目标气体种类数,八e 为极限学习机的隐含 层与输出层之间的权重矩阵,用以作为电子鼻的识别分类器;Cs和C T分别是源域数据样本和 目标域数据样本的预测误差惩罚系数。
[0092] 在这里,如果源域数据样本属于第m类,mG{l,2,…,M},则令其标签f中第m个 标签值# =1;否则,以=_1;例如,如果源域数据样本4属于第1类,则其标签 f = [1,-1,-1,..•,-iy.即除了标签砭中第1个标签值为1之外,其它标签值均为-1。目标域数 据样本右的标签也按照此方式赋值。
[0093]由(5)式可知,由极少的目标域标签引导样本引入用于正则化的第三项和(6)式的 第二个约束式子,可使学习的分类器&的迀移能力提高。并且该源域迀移极限学习机算法 能够同时对多个分类器进行学习。
[0094]用拉格朗日乘子法求解(5)式,其可表示成下式:
Figure CN105891422AD00111
[0096] as和ctT为拉格朗日乘子向量。
[0097] 通过令(7)式分别关于吞,as,aT的偏导数为0,令抒,£及~夂表示源域数据集 输入极限学习机的隐含层输出矩阵,巧e ' '表示目标域数据集输入极限学习机的隐含 层输出矩阵,Ts,Tt分别表示源域数据集和目标域数据集的标签集合,Is,分别表示源域数 据集和目标域数据集的预测误差矩阵;可得:
Figure CN105891422AD00112
[0099] 为了求解&,必须先求解as和aT。
[0100] 求解&分两种情况:
[0101] 当训练样本数Ns少于Nl时,Hs的列数大于行数,此时,有无穷解。为了解出唯一解, 把(8)式中的第一个方程和第二个方程代入第四和第五个方程,此时有:
Figure CN105891422AD00121
[0103]其中,Is为Ns X Ns的单位矩阵;上角标T均为转置符号。
Figure CN105891422AD00122
[0106] 因此,as和aT可求解成如下形式:
[0107] i . t t , , ; (11)
[«r = FBl Tr - • Fa (Fc • Fb^ -Fa-Fd)- (Fc • FBl Tt - Ts )
[0108] 若令Fst=(Fc • Fb-1 • Fa-Fd)-HFc • Fb-1 • Tt-Ts),把(1)式代入(8)式,就可得输出 权值: A = Hs'as +H,' ar
[0109] ,, ,丨 , ; (12) = HS' .Fsr + H,l{FK'-Tr-Fil-PrP ST)
[0110]而当训练样本数Ns大于或等于Nl时,Hs的行数大于或等于列数,为满秩矩阵。此时, 把(1)代入(8),可得然后再代入(4)式和(5)式,从而可求解出 输出权值矩阵&。
Figure CN105891422AD00123
[0112] 其中,IL是大小为NlXNl的单位矩阵。
[0113] 事实上,把约束条件代入目标函数,(5)式可改写成与之等价的无约束的优化问 题,式子如下:
Figure CN105891422AD00131
[0115] 通过令Ldaelm-s对&的偏导数为0,即有:
[0116] ^LbaelM_s ^fis-Csn> (7; -//,/?,) +C,/// (7;-//f/?s) = 0 ; (15)
[0117] 由(15)式可以很容易的求得&。
[0118] 对于待测域中无标签的待测数据样本而言,可以由以下式子求得其标签:
[0119] V;- =Ji;', Are S ; (16)
[0120] 其中,纪ei?&表示待测域数据集中第k个无标签的待测数据样本;^所对应的隐 含层输出向量,Nu表示待测域数据集中待测数据样本的数量;充.表示计算得到的第k个待测 数据样本^的标签,且宄…,.古'…,乂;' Mf,乂"表示第k个待测数据样本#在 第m类目标气体类别序号上的类别标签值;而在标签充中的最大类别标签值所在序号所对 应的目标类别即为第k个待测数据样本X〗所属的类别,这样以来,就可以确定各个无标签 的待测数据样本所述的类别,实现对待测数据样本的识别。
[0121] 3、本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法。
[0122] 根据上述基于源域迀移极限学习的理论框架,本发明基于源域迀移极限学习漂移 补偿的电子鼻气体识别方法流程如图1所示,具体包括如下步骤:
[0123] 1 )获取电子鼻在未发生漂移时所采集的Ns个有标签的气体传感器 阵列感测数据矩阵作为源域数据集;= …,尤,…,Xf},对应的标签集合 rs =拓1,$,•••,7/,•••,€% 任意的第i个源域数据样本X〗为电子鼻在未发生漂移时进行一 次气体检测所得到的气体传感器阵列感测数据矩阵,i G {1,2,…,Ns},即:
[0124] X's - [a-^'.xls2,,,• • •,x^v]r ;
[0125] 其中,xf表示第i个源域数据样本$中电子鼻气体传感器阵列的第n个气体传感 器的感测特征向量,nG {1,2,…,N},N表不电子鼻气体传感器阵列中所包含的气体传感器 数量;上角标T为转置符号;
[0126] 所述第i个源域数据样本尤的标签安为:
[0127]
[0128] 其中,?f表示第i个源域数据样本和在第m类目标气体类别序号上的类别标签值, 若对第i个源域数据样本尤的识别结果为属于第m类气体,则令否则令f=-l,由此 构成第i个源域数据样本X〖的标签f mG{l,2,…,M},M表示电子鼻所能够识别的目标气 体种类数;
[0129] 2)获取电子鼻在发生漂移后所采集的Nt个有标签的气体传感器阵列 感测数据矩阵作为目标域数据集A = {#.右对应的标签集合 二拓\石2,壬意的第j个目标域数据样本右为电子鼻在发生漂移后进行一 次气体检测所得到的气体传感器阵列感测数据矩阵,j G {1,2,…,Nt},即:
[0130] 匁=[41,xf,…,4%…f ;
[0131 ]其中,表示第j个目标域数据样本X/中电子鼻气体传感器阵列的第n个气体传 感器的感测特征向量,nG {1,2,…,N};上角标T为转置符号;
[0132] 所述第j个目标域数据样本巧的标签f为:
[0133]
[0134] 其中,f表示第j个目标域数据样本右在第m类目标气体类别序号上的类别标签 值,若对第j个目标域数据样本#的识别结果为属于第m类气体,则令f =1,否则令# 由此构成第j个目标域数据样本X/的标签F/ ;mG {1,2,…,M};
[0135] 3)设定源域数据样本的预测误差惩罚系数Cs和目标域数据样本的预测误差惩罚 系数C T,且设定极限学习机的隐含层神经元个数Nl,并随机初始化极限学习机的输入层与隐 含层之间的权重矩阵F e iTViXV和隐含层的偏置向量f e i?-;
[0136] 4)将源域数据集Xs作为极限学习机的输入,计算得到相应的极限学习机的隐含层 输出矩阵:
[0137] Hs =g:g¥-Xs+h)^
[0138] 将目标域数据集XT作为极限学习机的输入,计算得到相应的极限学习机的隐含层 输出矩阵e:
[0139] =g(!V-X., +/V);
[0140]其中,g( •)表示极限学习机的激活函数;
[0141] 5)判断源域数据集所包含的源域数据样本个数Ns与极限学习机隐含层神经元个 数Nl的数值关系;
[0142] 若Ns多Nl,则按下式计算极限学习机的隐含层与输出层之间的权重矩阵
[0143] &= (IL+Cs • HsT • Hs+Ct • Htt • Ht)-HCs • HsT • Ts+Ct • Htt • Tt);
[0144] 其中,IL为NlXNl的单位矩阵;
[0145] 若Ns <Nl,则按下式计算极限学习机的隐含层与输出层之间的权重矩阵 €/?' XM;
[0146] 氏= hst • Fst+Htt(Fb-1 • Tt-Fb-1 • Fa • Fst);
[0147]其中,FsT、FA、FB、F(;和FD均为缩写式,其各自的展开式为:
[0148] Fst= (Fc • Fb_1 • Fa-Fd)_1(Fc • Fb_1 • Tt-Ts);
Figure CN105891422AD00141
[0150]其中,Is为NsXNs的单位矩阵;上角标T均为转置符号;
[0151] 6)获取电子鼻在发生漂移后所采集的Nu个未标记标签的气体传感器阵列感测数 据矩阵作为待测域数据集I = …,匁,…;、},任意的第k个待测数据样本<为 电子鼻在发生漂移后进行一次气体检测所得到的气体传感器阵列感测数据矩阵,kG{l, 2,…,Nu},即:
[0152] =
[0153]其中,表示第k个待测数据样本Xf中电子鼻气体传感器阵列的第n个气体传感 器的感测特征向量,nG {1,2,…,N};上角标T为转置符号;
[0154] 7)将待测域数据集Xu作为极限学习机的输入,计算得到相应的极限学习机的隐含 层输出矩阵尽,
[0155] Hv=g(W-X, +/T);
[0156] 由此得到的对应的隐含层输出矩阵巧,=冗./7...../7....,|,},發&犮&表示第1^ 个待测数据样本#所对应的隐含层输出向量;
[0157] 8)将步骤5)所得到的权重矩阵说作为电子鼻的识别分类器,按下式分别计算待测 域数据集中各个待测数据样本所对应的标签:
[0158] V," = A/' ps, e j 1,2, - - •, N{ :
[0159] 其中,穷表示计算得到的第k个待测数据样本乾的标签,且:
[0160] ^=[v^L,vf
[0161 ] .v^'表示第k个待测数据样本在第m类目标气体类别序号上的类别标签值;
[0162] 对于第k个待测数据样本X〗,将其标签滅中最大类别标签值所在的目标气体类别 序号所对应的目标气体类别判定识别为待测数据样本#所属的气体类别;由此,判定得到 待测域数据集中各个待测数据样本的气体类别识别结果。
[0163] 在本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法中,源域数据样 本的预测误差惩罚系数Cs的优选取值范围为1(T 3~10'目标域数据样本的预测误差惩罚系 数Ct的优选取值范围为100~103;源域数据样本的预测误差惩罚系数Cs和目标域数据样本 的预测误差惩罚系数Ct的取值若超出上述取值范围,容易导致源域和目标域的欠学习和过 学习问题,影响漂移补偿的效果,进而对漂移补偿后的电子鼻气体识别精度造成一定的负 面影响。而极限学习机的隐含层神经元个数Nl的优选取值范围为10 2~104,过多的隐含层神 经元数量容易造成学习运算过于复杂而对电子鼻气体识别精度的提高贡献不大;此外,极 限学习机的激活函数g( •)可以选用径向基函数,还可以选用sigmoid函数。
[0164] 为了更好的说明和验证本发明基于源域迀移极限学习漂移补偿的电子鼻气体识 别方法的有效性,下面通过实验案例对本发明技术方案进行进一步的说明。
[0165] 4、实验案例。
[0166] 4.1、实验数据的描述。
[0167] 在本实验案例中,使用了用公布于UCI机器学习数据库中的长达三年的传感器漂 移数据对其进行验证。
[0168] 这些数据是从2008年1月到2011年2月这个期间收集的,历时36个月。这个数据集 共13910个观测值,用于采集数据的电子鼻系统由16个气体传感器暴露于6种纯净的不同浓 度值气体物质,包含丙酮,酒精,氨,乙醛,乙烯以及甲苯这六种气体。每个传感器提取出8个 特征,所以,特征向量的维数是128。不同时间阶段收集的数据共10组。详情请可查询UCI机 器学习数据库的相应网站。
[0169] 为了使数据集的漂移性质可视化,本案例给出了漂移前后的对比图。如图2所示, 我们视第一组数据集(即图2中的bef〇re(bl))为未漂移的数据,选择第2组(即图2中的 &代6^131))、第7组(即图2中的&代64匕7))和第10组(即图2中的 &代641310))作为漂移数据 集,从图2中可以看到,多维传感器阵列表现出非线性特性,用线性和非线性方法对传感器 响应进行直接校正是不可能的。我们把它看成是空间分布迀移问题,然后用迀移学习来实 现漂移补偿。因此,为了获取数据集中10组数据漂移引起的空间分布变化,我们用主成份对 数据进行分析,取前两个主成份,并将数据进行投影,每组投影后的2维分布如图3所示。 [0170]值得一提的是,有漂移的传感器响应由于非线性动态特性或者混沌特性不能直接 进行校正。因此,数据分布调节和机器学习对传感器漂移进行补偿更有意义。因为在源域迀 移极限学习机中,首先准备好少量的目标域数据样本。所以,本实验案例中用基于欧式距离 的样本选择算法选出有代表性的标签样本,其选择过程如下:
[0171]步骤1、准备数据:选用公布于UCI机器学习数据库中的长达三年的传感器漂移数 据,且该数据库分为了 10组;我们假定第1组数据并未发生漂移,而第K组的数据发生了漂 移,其中,K = 2,…,10;所以,第K组数据集符合要求,K = 2,…,10。
[0172]步骤2、确定所需标本数:标签样本数量可结合分类器,根据识别精度判断所需数 量。
[0173] 步骤3、确定最初的两个样本:计算第K组数据集中两两数据的欧式距离,K = 2,…, 10,选择距离最大的两个数据作为最初的两个标签样本,即有# =以,.心。
[0174] 步骤4、选取每个剩余的最短距离:计算剩余样本分别与已选出的样本 的欧式距离,选取每个剩余样本的最短距离,即有Nd(Xl)。
[0175] 步骤5、选取下一个样本:在Nd(xi)里选取最大值对应的样本为新的标签样本,即有
[0176] 步骤6、判断是否结束:若选取的标签样本达到了预先设定的值,则结束;否则返回 执行步骤4。
[0177] 通过上述的样本选择算法可以更好的选出能代表整个空间分布的样本,从而有助 于更好地体现本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法的泛化性。
[0178] 4.2、实验设计。
[0179] 本实施案例中,极限学习机的隐含层神经元数L设为1000,使用径向基函数为激活 函数,且预设核宽设为1,对特征进行预处理,使得特征值介于(_1,1)。在本发明提出的源域 迀移极限学习机算法中,设置源域数据样本的预测误差惩罚系数Cs为0.001,设置目标域数 据样本的预测误差惩罚系数Ct为100,为了更好的对本发明所提出的方法进行验证,采用如 下的两种实验配置:
[0180] 配置①,将第1组数据集作为固定的训练集(源域),测试集为第K组数据集,其中K =2,…,10;并且在测试集中,选取部分作为目标域数据集,其余部分作为待测域数据集。
[0181] 配置②,训练集(源域)是动态的,依次为第K-1组,而测试集为第K组数据集,其中K =2,…,10;并且在测试集中,选取部分作为目标域数据集,其余部分作为待测域数据集。
[0182] 根据上述的两个实验配置,采用本发明所提出的源域迀移极限学习机理论框架进 行实验,并与用径向基函数为核的支持向量机算法SVM-rbf、SVM-gfk和SVM-comgfk做实验 对比;另外,本实验案例还采用了ML-gf k和ML-comgf k两种半监督学习方法作为对比,用同 样的数据集用于漂移补偿;另外,隐含层为径向基函数的正则化极限学习机ELM-rbf也作为 对比的算法之一;此外,还对比了常用的类主成份分析法CCPCA和集成分类器方法Ensemble 在配置①和配置②下对漂移补偿的效果。由于极限学习机的输入层权值和隐含层的偏置值 是随机产生的,所以,极限学习机、源域迀移极限学习机都运行10次取平均值作为运行结 果。而且极限学习机的训练样本与本发明中源域迀移极限学习机的样本是相同的。
[0183] 4.3、实验结果和数据对比。
[0184] 针对本发明提出的基于源域迀移极限学习漂移补偿的电子鼻气体识别方法以及 上述作为对比的个方法,分别在配置①和配置②的条件下进行实验。采用本发明提出的源 域迀移极限学习机训练时,分为选20个目标域数据样本(记为DAELM-S(20))和选30个目标 域数据样本(记为DAELM-S(30))进行了对比。本发明方法以及各种对比方法对实验配置① 中各组数据进行识别的识别精度如图4所示。从图4可得出以下结论:
[0185] (l)、SVM-comgfk的结果优于类主成份分析法CC-PCA和其它基于支持向量机的方 法,除了第4组和第8组数据集。这同时也表明了机器学习在漂移补偿方面优于传统校正方 法。
[0186] (2)、ML-comgfk方法的平均精度为67.3%,优于其他基本方法。同时也证明了,对 于有限的样本,将正则化与核相结合在半监督学习方面更有效。
[0187] (3)、本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法极大地改善 了极限学习机的泛化性和知识迀移学习能力,且本发明识别方法的平均识别精度比传统极 限学习机方法ELM-rbf高出27%,且本发明识别方法针对本实施案例中六种气体的最高平 均识别精度达到了91.86%。
[0188] (4)、本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法中,在学习源 域迀移极限学习机时,用30个目标域数据样本比用20个目标域数据样本的识别精度要略 尚。
[0189] 从实验配置①下的实验结果可知,本发明所提出的基于源域迀移极限学习漂移补 偿的电子鼻气体识别方法,其识别精度明显优于其它现有技术的方法。
[0190] 同样第,也对实验配置②下的各组数据采用本发明方法以及各种对比方法进行识 别验证实验,实验结果的识别精度统计情况如图5所示。从图5可得出以下结论:
[0191] (1)、ML-comgfk的平均识别精度为79.6%,优于其它基于支持向量机的机器学习 算法和单核方法。
[0192] (2)、类主成份分析法和集成分类器相连合的方法Ensemble能在一定程度上提高 识别精度,但是,需要训练很多基分类器,且域迀移能力较差。
[0193] (3)、本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法的识别精度 优于其它现有技术方法,且在电子鼻的漂移补偿上的鲁棒性较好。
[0194] 为了研究目标域数据样本数量的变化对识别精度的影响,我们用上述样本选择算 法选取了不同数量的目标域数据样本进行了对比,其中目标域数据样本个数取{5,10,15, 20,25,30,35,40,45,50} -系列值;同时,为了公平比较,训练样本由目标域数据样本和源 域数据样本组成以训练极限学习机。采用隐含层为径向基函数的正则化极限学习机ELM-rbf•作为对比的算法,将本发明的识别方法(记为DAELM-S)与ELM-rbf方法分别对配置①和 配置②下的识别实验精度统计结果分别如图6和图7所示,在图6和图7的各个曲线图中,横 坐标为数据集样本数,纵坐标为识别率。从图6和图7可得以下结论:
[0195] (1)、随着目标域数据样本的增加,传统的极限学习机ELM-rbf的识别精度并未显 著提高,这证明了极限学习机没有知识迀移能力。
[0196] (2)、随着目标域数据样本的增加,本发明基于源域迀移极限学习漂移补偿的电子 鼻气体识别方法的识别精度有显著的提高,且平均识别精度明显优于传统的极限学习机 ELM-rbf 〇
[0197] (3)、当目标域数据样本数量较少时,本发明识别方法中所采用的源域迀移极限学 习机的识别效果依然优于传统的极限学习机,表明本发明方法在较少的目标域数据样本条 件下,依然能够获得较好的漂移补偿识别效果,进而更好的提升气体识别精度。
[0198] 综上所述,本发明基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,从机 器学习角度提出域迀移极限学习机框架用于解决传感器漂移问题,而不是直接地校正单一 传感器响应,因为漂移具有非线性或者混沌特性,很难捕捉其规律,为此,本发明利用电子 鼻在未发生漂移时和发生漂移后采集的有标签的气体传感器阵列感测数据矩阵分别构建 源域数据集和目标域数据集分别作为极限学习机的输入,对电子鼻的识别分类器进行学 习,以提升识别分类器在电子鼻发生漂移后对气体识别的容差性能,达到漂移补偿和提高 气体识别精度的目的,并且持了极限学习机的技术优点,学习过程简单,且使得该方法具备 了较好的泛化性和迀移性能。由此也可见,本发明方法中提出的源域迀移极限学习机框架 建立了一个有良好学习能力和泛化能力的电子鼻漂移补偿学习框架。
[0199] 最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照实 施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方 案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明 的权利要求范围当中。

Claims (5)

1.基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,其特征在于,包括如下步 骤: 1) 获取电子鼻在未发生漂移时所采集的Ns个有标签的气体传感器阵列感测数据矩阵作 为源域数据集xs = ,对应的标签集合?; = ·ΐζ\ς2,···,ςν··ϋ;任 意的第i个源域数据样本为电子鼻在未发生漂移时进行一次气体检测所得到的气体传 感器阵列感测数据矩阵,ie{l,2,"_,Ns}JP:
Figure CN105891422AC00021
其中,xf"表示第i个源域数据样本X丨中电子鼻气体传感器阵列的第η个气体传感器的 感测特征向量,ne{l, 2,···,N},N表不电子鼻气体传感器阵列中所包含的气体传感器数量; 上角标T为转置符号; 所述第i个源域数据样本的标签C为:
Figure CN105891422AC00022
其中,if表示第i个源域数据样本4在第m类目标气体类别序号上的类别标签值,若对 第i个源域数据样本尤的识别结果为属于第m类气体,则令if =1,否则令,=_1,由此构成 第i个源域数据样本4的标签左;me {1,2,…,M},M表示电子鼻所能够识别的目标气体种类 数; 2) 获取电子鼻在发生漂移后所采集的Nt个有标签的气体传感器阵列感测数据矩阵作为 目标域数据集;={尤丨,g…,;,·},对应的标签集合I; = {ϋ2,···#,…,0 ;任 意的第j个目标域数据样本X〖为电子鼻在发生漂移后进行一次气体检测所得到的气体传 感器阵列感测数据矩阵,j e {1,2,…,Ντ},即:
Figure CN105891422AC00023
其中,x/'"表示第j个目标域数据样本中电子鼻气体传感器阵列的第η个气体传感器 的感测特征向量,n e {1,2,…,Ν};上角标T为转置符号; 所述第j个目标域数据样本X/的标签为:
Figure CN105891422AC00024
其中,#表示第j个目标域数据样本P在第m类目标气体类别序号上的类别标签值,若 对第j个目标域数据样本A的识别结果为属于第m类气体,则令否则令f=-:l,由此 构成第j个目标域数据样本右的标签f ;me{l,2,···,M}; 3) 设定源域数据样本的预测误差惩罚系数Cs和目标域数据样本的预测误差惩罚系数 Ct,且设定极限学习机的隐含层神经元个数Nl,并随机初始化极限学习机的输入层与隐含层 之间的权重矩阵if e 和隐含层的偏置向量F e ; 4) 将源域数据集Xs作为极限学习机的输入,计算得到相应的极限学习机的隐含层输出 矩阵.¾ :
Figure CN105891422AC00025
将目标域数据集Xt作为极限学习机的输入,计算得到相应的极限学习机的隐含层输出 矩阵:
Figure CN105891422AC00031
其中,g( ·)表示极限学习机的激活函数; 5) 判断源域数据集所包含的源域数据样本个数Ns与极限学习机隐含层神经元个数Nl的 数值关系; 若Ns多NL,则按下式计算极限学习机的隐含层与输出层之间的权重矩阵怂e : &= (Il+Cs · Hst · Hs+CT · Htt · Ht)-HCs · Hst · Ts+Ct · Htt · Ττ); 其中,Il为Nl X Nl的单位矩阵; 若Ns<NL,则按下式计算极限学习机的隐含层与输出层之间的权重矩阵爲ef "": Ps = Hst · Fst+Htt(Fb 1 · Tt-Fb 1 · Fa · Fst); 其中,Fst、Fa、Fb和Fe均为缩写式,其各自的展开式为:
Figure CN105891422AC00032
其中,Is为Ns X Ns的单位矩阵;上角标T均为转置符号; 6) 获取电子鼻在发生漂移后所采集的Nu个未标记标签的气体传感器阵列感测数据矩阵 作为待测域数据集Xt,= {X丨尤,…,拉'卜任意的第k个待测数据样本X〖.为电子鼻 在发生漂移后进行一次气体检测所得到的气体传感器阵列感测数据矩阵,ke {1,2,···, Nu},即:
Figure CN105891422AC00033
其中,;表示第k个待测数据样本1¾中电子鼻气体传感器阵列的第η个气体传感器的 感测特征向量,n e {1,2,…,Ν};上角标T为转置符号; 7) 将待测域数据集Xu作为极限学习机的输入,计算得到相应的极限学习机的隐含层输 出矩阵/-/, :
Figure CN105891422AC00034
由此得到的对应的隐含层输出矩阵仏={纪,妃,…,巧,,.,,^},纪6及~表示第1^个待 测数据样本X〗.所对应的隐含层输出向量; 8) 将步骤5)所得到的权重矩阵说作为电子鼻的识别分类器,按下式分别计算待测域数 据集中各个待测数据样本所对应的标签: 其中,滅表示计算得到的
Figure CN105891422AC00035
表示第k个待测数据样本在第m类目标气体类别序号上的类别标签值; 对于第k个待测数据样本,将其标签%中最大类别标签值所在的目标气体类别序号 所对应的目标气体类别判定识别为待测数据样本XJ所属的气体类别;由此,判定得到待测 域数据集中各个待测数据样本的气体类别识别结果。
2. 根据权利要求1所述基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,其特 征在于,所述步骤3)中,源域数据样本的预测误差惩罚系数Cs的优选取值范围为KT 3~10°。
3. 根据权利要求1所述基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,其特 征在于,所述步骤3)中,目标域数据样本的预测误差惩罚系数Ct的优选取值范围为IO t3~ IO30
4. 根据权利要求1所述基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,其特 征在于,所述步骤3)中,极限学习机的隐含层神经元个数Nl的优选取值范围为IO 2~104。
5. 根据权利要求1所述基于源域迀移极限学习漂移补偿的电子鼻气体识别方法,其特 征在于,所述极限学习机的激活函数g( ·)选用径向基函数或sigmoid函数。
CN201610218450.7A 2016-04-08 2016-04-08 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法 CN105891422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610218450.7A CN105891422B (zh) 2016-04-08 2016-04-08 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610218450.7A CN105891422B (zh) 2016-04-08 2016-04-08 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法

Publications (2)

Publication Number Publication Date
CN105891422A true CN105891422A (zh) 2016-08-24
CN105891422B CN105891422B (zh) 2017-08-25

Family

ID=57012370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610218450.7A CN105891422B (zh) 2016-04-08 2016-04-08 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法

Country Status (1)

Country Link
CN (1) CN105891422B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107132311A (zh) * 2017-03-30 2017-09-05 深圳大学 一种基于频域特征提取的快速气体识别算法
CN109614980A (zh) * 2018-10-16 2019-04-12 杭州电子科技大学 一种基于半监督广域迁移度量学习的小样本目标识别方法
CN109669009A (zh) * 2019-01-10 2019-04-23 重庆邮电大学 基于域校正的域自适应极限学习机电子鼻漂移抑制方法
CN109993088A (zh) * 2019-03-22 2019-07-09 江南大学 一种无线传感网络数据漂移盲校准方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108152458A (zh) * 2017-12-26 2018-06-12 歌尔股份有限公司 气体检测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482531A (zh) * 2009-01-10 2009-07-15 大连理工大学 一种用于可燃气体探测器的基线漂移自适应补偿探测方法
CN102192927A (zh) * 2010-11-05 2011-09-21 重庆大学 一种基于电子鼻技术的空气质量监测系统及其监测方法
CN102507677A (zh) * 2011-11-01 2012-06-20 重庆大学 一种基于多重自组织神经网络的电子鼻漂移抑制方法
CN102507676A (zh) * 2011-11-01 2012-06-20 重庆大学 基于多重自组织神经网络的电子鼻在线漂移补偿方法
CN102890718A (zh) * 2012-10-10 2013-01-23 重庆大学 基于有监督显式流形学习算法的电子鼻数据挖掘方法
CN102944583A (zh) * 2012-11-30 2013-02-27 重庆大学 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482531A (zh) * 2009-01-10 2009-07-15 大连理工大学 一种用于可燃气体探测器的基线漂移自适应补偿探测方法
CN102192927A (zh) * 2010-11-05 2011-09-21 重庆大学 一种基于电子鼻技术的空气质量监测系统及其监测方法
CN102507677A (zh) * 2011-11-01 2012-06-20 重庆大学 一种基于多重自组织神经网络的电子鼻漂移抑制方法
CN102507676A (zh) * 2011-11-01 2012-06-20 重庆大学 基于多重自组织神经网络的电子鼻在线漂移补偿方法
CN102890718A (zh) * 2012-10-10 2013-01-23 重庆大学 基于有监督显式流形学习算法的电子鼻数据挖掘方法
CN102944583A (zh) * 2012-11-30 2013-02-27 重庆大学 基于漂移补偿的金属氧化物气体传感器阵列浓度检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘涛,黄智勇: "一种基于多重自组织图的电子鼻漂移抑制方法", 《仪器仪表学报》 *
殷勇等: "独立分量分析融合小波能量阈值的电子鼻信号去漂移方法", 《农业工程学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107132311A (zh) * 2017-03-30 2017-09-05 深圳大学 一种基于频域特征提取的快速气体识别算法
CN107132311B (zh) * 2017-03-30 2019-06-14 深圳大学 一种基于频域特征提取的快速气体识别算法
CN109614980A (zh) * 2018-10-16 2019-04-12 杭州电子科技大学 一种基于半监督广域迁移度量学习的小样本目标识别方法
CN109669009A (zh) * 2019-01-10 2019-04-23 重庆邮电大学 基于域校正的域自适应极限学习机电子鼻漂移抑制方法
CN109993088A (zh) * 2019-03-22 2019-07-09 江南大学 一种无线传感网络数据漂移盲校准方法

Also Published As

Publication number Publication date
CN105891422B (zh) 2017-08-25

Similar Documents

Publication Publication Date Title
Zhang et al. Quantifying total uncertainty in physics-informed neural networks for solving forward and inverse stochastic problems
Pasini Artificial neural networks for small dataset analysis
Sun et al. Statistical regularization for identification of structural parameters and external loadings using state space models
Simonton Biographical determinants of achieved eminence: a multivariate approach to the Cox data.
Russell et al. Data-driven methods for fault detection and diagnosis in chemical processes
Tan et al. Reducing data dimensionality through optimizing neural network inputs
Laurent et al. The underlying structure of brand awareness scores
Pandey et al. A decision tree algorithm pertaining to the student performance analysis and prediction
Baker et al. Detecting learning moment-by-moment
Koretsky et al. Enhancement of student learning in experimental design using a virtual laboratory
Amigoni et al. An insightful comparison between experiments in mobile robotics and in science
US20030216894A1 (en) Methods and systems for modeling material behavior
Ferracuti et al. Data-driven models for short-term thermal behaviour prediction in real buildings
CN102192927B (zh) 一种基于电子鼻技术的空气质量监测系统及其监测方法
CN105068564B (zh) 一种压电陶瓷作动器的位移控制方法
Fan et al. A knowledge-and-data-driven modeling approach for simulating plant growth: A case study on tomato growth
Torabi et al. A hybrid machine learning approach for daily prediction of solar radiation
CN103106535B (zh) 一种基于神经网络解决协同过滤推荐数据稀疏性的方法
CN104914723B (zh) 基于协同训练偏最小二乘模型的工业过程软测量建模方法
Dongmei et al. Prediction of wind loads on high-rise building using a BP neural network combined with POD
Kumar et al. Heating and cooling potential of an earth-to-air heat exchanger using artificial neural network
CN101630376A (zh) 多模型神经网络的生物发酵过程软测量建模方法及软仪表
CN102799772B (zh) 面向空气质量预报的样本优化方法
CN1381721A (zh) 便携式智能电子鼻及其制备方法
US20170185892A1 (en) Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
GR01 Patent grant