CN110146655B - 一种基于自适应子空间学习范式的抗电子鼻漂移方法 - Google Patents

Abstract

本发明涉及电子鼻检测技术领域，具体涉及一种基于自适应子空间学习范式的抗电子鼻漂移方法。针对漂移会影响电子鼻气味识别性能的情况，通过建立基于自适应子空间学习的最优化模型求解最佳投影矩阵，然后利用投影矩阵将源域数据和目标域数据映射到公共自适应子空间，从而减小常规样本和漂移样本分布的差异，从而实现电子鼻漂移抑制。本发明减少了特征的数量，保证了样本分布结构信息的完整性，并且保留了学习过程中分类相关的信息。

Description

一种基于自适应子空间学习范式的抗电子鼻漂移方法

技术领域

本发明涉及电子鼻检测技术领域，具体涉及一种基于自适应子空间学习范式的抗电子鼻漂移方法。

背景技术

电子鼻又称气味扫描仪，电子鼻是一种智能仿生系统，电子鼻包括气体传感器阵列和模式识别算法，主要依靠一系列具有交叉敏感特性和特异性的气体传感器结合进行气味的有效识别，电子鼻可在几小时、几天甚至数月的时间内连续地、实时地监测特定位置的气味状况。电子鼻因其小巧、快捷、高效等特点应用得到发展，如医学疾病诊断，食品分析和环境监测。虽然电子鼻已成功用于气味检测，但由于缓慢和连续的气体传感器漂移使得电子鼻的广泛应用面临着重大的挑战。由传感器中毒、老化和其他客观因素引起的不确定性漂移会使气体传感器响应随着时间发生不可预测的变化。气体传感器的不规则漂移使得难以用确定性数学模型来准确估计和补偿漂移，从而直接影响到电子鼻的性能。

电子鼻漂移抑制主要是通过机器学习算法实现，根据漂移数据分布的变化，需要自适应抗漂移方法来提高电子鼻气味识别的性能，自适应抗漂移方法包括自适应分类器和自适应特征提取两种，由于数据分布的变化不规则性，需要建立一个更好的漂移补偿模型来提高电子鼻气味识别的性能。

从目前的研究来看，采用正交信号校正(OSC)来处理气体传感器阵列数据以进行漂移补偿，该方式不能有效地减少特征数量；采用基于主成分分析(CC-PCA)的成分校正用某些类别气体(参考气体)计算漂移方来去除漂移成分；采用域正则化分量分析(DRCA)探索了漂移和常规数据的潜在共同子空间，但是，这些方法中学到的特征对分类不是最佳的，针对使用域自适应特征提取方法来解决电子鼻的漂移问题应该具有如下属性：1)应该有效地减少特征的数量，从而减小计算成本；2)解决漂移问题的同时应保留样本分布的结构信息；3)与分类相关的信息应在学习过程中被保留。根据迁移学习可以处理数据分布不一致的分类问题，提出了一种基于自适应子空间学习范式的抗电子鼻漂移方法。

发明内容

本发明意在提供一种基于自适应子空间学习范式的抗电子鼻漂移方法，以提高电子鼻的气味识别性能。

本方案中的基于自适应子空间学习范式的抗电子鼻漂移方法，包括以下步骤：

A)计算原始源域中心、原始目标域中心和矩阵K；

B)根据源域矩阵X_s、源域标签矩阵T_s、目标域数据矩阵X_t和正则参数计算矩阵M，正则参数包括α、β和γ；

C)对矩阵M进行奇异值分解，获取矩阵M的前d个特征值对应的特征向量构成投影矩阵P；

D)将源域数据和目标域数据通过投影矩阵P映射到同一子空间；

E)将源域和目标域样本投影至步骤D)中学习的同一子空间，以进行电子鼻漂移的抑制。

本方案的有益效果是：

通过投影矩阵P将源域数据和目标域数据映射到自适应的自适应子空间，减少了特征的数量，还保证了所保留样本分布的结构信息的完整性，而且通过希尔伯特-施密特独立性准则保留了学习过程中分类相关的信息，从而保证电子鼻的识别性能。

进一步，所述源域矩阵表示为

所述源域标签矩阵表示为

所述目标域数据矩阵表示为

所述矩阵M表示为

其中，D是样本特征的维度，m是标签类别的数量，N_S是源域样本的数量。

进一步，所述原始源域中心表示为

所述原始目标域中心表示为

所述矩阵K表示为^K＝^T _s ^HX _s，其中

为中心化矩阵。

进一步，步骤D)中为了保留样本分布的结构信息的和去除冗余特征，对于映射P有：

s.t.P^TP＝I，

其中，A_s是源域的投影系数矩阵，A_t是目标域的投影系数矩阵，||·||_F表示Frobenius范数。

进一步，在步骤A)中，对子空间中源域和目标域数据使用均值分布差异最小化方法，可以表示为

根据步骤B可表示为

通过均值分布差异最小化方法，使源域和目标域的数据在获得的子空间中分布相似。

进一步，以A_s为变量对min(A_s，A_t，P)求偏导数为零来求解A_s，以A_t为变量对min(A_s，A_t，P)求偏导数为零来求解A_t。

通过求偏导数，保证min(A_s，A_t，P)的最小值。

进一步，在步骤A)中，通过基于希尔伯特-施密特独立性准则的最小二乘形式来对特征和标签进行经验估计，实现标签和特征之间相关性的最大化，可表示为

其中，

当i＝j时δ_ij等于1，其余为0。

从而通过最大化特征和标签之间的依赖性，来保持分类相关的有用信息很好地保留在子空间中。

进一步，根据步骤B),通过最小二乘优化方法求解优化模型，

即可表示为

其中，其中Β∈R^m×d投影系数矩阵。

由最小二乘优化方法来求解优化模型，能够使在学习的子空间中特征-标签之间的相关性最大化。

进一步，根据最大化标签特征依赖性和最小化特征冗余得到模型为：

通过调整提出的子空间学习方法模型中不同正则项的影响程度，可以提高抗漂移效率和分类性能。

进一步，为了取minJ(A_s,A_t,B,P)的最小值，对minJ(A_s,A_t,B,P)进行变换求解Α_s、Α_t和Β，过程如下：

使J(Α_s,Α_t,Β,P)对Α_s、Α_t和Β的偏导数均为0，我们可以得到：

通过求偏导数来提高投影系数矩阵的准确性，保证minJ(A_s,A_t,B,P)的值最小。

附图说明

图1为本发明基于自适应子空间学习范式的抗电子鼻漂移方法实施例的流程框图；

图2为本发明基于自适应子空间学习范式的抗电子鼻漂移方法实施例中优化模型的示意图。

具体实施方式

下面通过具体实施方式进一步详细说明。

实施例基本如附图1和图2所示，包括以下步骤：

A)获取传感器对气味的响应值作为源域矩阵(常规的样本)，源域矩阵不存在漂移，源域矩阵表示为：

获取气味的浓度值作为源域标签矩阵，标签矩阵表示为：

获取同一传感器阵列不同时间段对气味的相应信号作为目标域数据矩阵(存在漂移的样本)，目标域数据矩阵表示为：

获取正则参数α、β和γ；其中，D是样本特征的维度，m是标签类别的数量，N_S是源域样本的数量；

B)先计算原始源域中心

原始目标域中心

矩阵K＝T_sHX_s；其中

为中心化矩阵；

再计算矩阵M，

C)对矩阵M进行奇异值分解，获取矩阵M的前d个特征值对应的特征向量构成投影矩阵P；

D)将源域数据和目标域数据通过投影矩阵P映射到自适应子空间，该映射过程表示为：

其中，Α_s是源域的投影系数矩阵，Α_t是目标域的投影系数矩阵，||·||_F表示Frobenius范数，以A_s为变量对min(A_s，A_t，P)求偏导数为零来求解A_s，以A_t为变量对min(A_s，A_t，P)求偏导数为零来求解A_t；

E)将源域和目标域样本投影至步骤D)中学习的自适应子空间，以进行电子鼻漂移的抑制。

对子空间中源域和目标域数据使用均值分布差异最小化方法得到步骤A)中源域和目标域数据在子空间中的分布，可以表示为

根据步骤B)可表示为

使源域和目标域的数据在获得的子空间中分布相似。

通过基于希尔伯特-施密特独立性准则的最小二乘形式来对步骤A)中的特征和标签进行经验估计，实现标签和特征之间相关性的最大化，可表示为

其中，

当i＝j时δ_ij等于1，其余为0，最大化特征和标签之间的依赖性，保持分类相关的有用信息很好地保留在子空间中。

基于希尔伯特-施密特独立性准则最大化标签与特征之间的相关性可转换为以下最小二乘优化模型，

即可表示为

其中，其中Β∈R^m×d投影系数矩阵，使在学习的子空间中特征-标签之间的相关性最大化。

根据最大化标签特征依赖性和最小化特征冗余得到模型为：

实现抗漂移和分类性能提升。

在另一实施例中，为了取minJ(A_s,A_t,B,P)的最小值，对minJ(A_s,A_t,B,P)进行变换求解Α_s、Α_t和Β，过程如下：

使J(Α_s,Α_t,Β,P)对Α_s、Α_t和Β的偏导数均为0，我们可以得到：

通过求偏导数来提高投影系数矩阵的准确性，保证minJ(A_s,A_t,B,P)的值最小。

本具体实施方式中通过投影矩阵P将源域数据和目标域数据映射到自适应子空间，减少了特征的数量，还保证了所保留样本分布的结构信息的完整性，而且通过希尔伯特-施密特独立性准则保留了学习过程中分类相关的信息(标签的相关信息)。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (6)

1.一种基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于，包括以下步骤：

A)获取传感器对气味的响应值作为源域矩阵，源域矩阵不存在漂移，获取气味的浓度值作为源域标签矩阵，获取同一传感器阵列不同时间段对气味的相应信号作为目标域数据矩阵，计算原始源域中心、原始目标域中心和矩阵K，所述原始源域中心表示为

所述原始目标域中心表示为

所述矩阵K表示为K＝T_sHX_s；其中

为中心化矩阵；

B)根据源域矩阵X_s、源域标签矩阵T_s、目标域数据矩阵X_t和正则参数计算矩阵M，正则参数包括α、β和γ，所述源域矩阵表示为

所述源域标签矩阵表示为

所述目标域数据矩阵表示为

所述矩阵M表示为

其中，D是源域数据的维度，m是标签类别的数量，N_S是源域样本的数量；

C)对矩阵M进行奇异值分解，获取矩阵M的前d个特征值对应的特征向量构成投影矩阵P；

D)将源域数据和目标域数据通过投影矩阵P映射到同一子空间；

E)将源域和目标域样本投影至步骤D)中学习的同一子空间，以进行电子鼻漂移的抑制。

2.根据权利要求1所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：步骤D)中对于映射P保留样本分布的结构信息的和去除冗余特征，表示为：

s.t.P^TP＝I，

其中，A_s是源域的投影系数矩阵，A_t是目标域的投影系数矩阵，||·||_F表示Frobenius范数。

3.根据权利要求2所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：以A_s为变量对min(A_s，A_t，P)求偏导数为零来求解A_s，以A_t为变量对min(A_s，A_t，P)求偏导数为零来求解A_t。

4.根据权利要求3所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：在步骤D)中，对子空间中源域和目标域数据使用均值分布差异最小化方法，可以表示为：

根据步骤B可表示为：

5.根据权利要求4所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：在步骤D)中，通过基于希尔伯特-施密特独立性准则的最小二乘形式来对特征和标签进行经验估计，实现标签和特征之间相关性的最大化，可表示为：

其中，

当i＝j时δ_ij等于1，其余为0。

6.根据权利要求5所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：根据步骤B)和步骤C)，基于希尔伯特-施密特独立性准则最大化标签与特征之间的相关性可转换为以下最小二乘优化模型，

s.t.P^TP＝I，

即可表示为

s.t.P^TP＝I，

其中，其中Β∈R^m×d投影系数矩阵。

Images