用于气体传感器漂移校正的自适应置信度主动学习方法技术

本发明专利技术涉及电子鼻的气味识别领域，具体涉及用于气体传感器漂移校正的自适应置信度主动学习方法，包括以下步骤：输入训练样本集和测试样本；计算测试样本中样本的信息熵；选取信息熵最大或最小的样本作为标记样本；预测标记样本的类型，并对其初次标记；将初次标记的样本加入训练样本集；更新分类器；使用更新后的分类器再次预测标记样本的类型，并对其进行再次标记；判断初次标记和再次标记是否相同，不同，返回样本选取步骤中选取测试样本集中信息熵最大的样本作为标记样本，相同，返回样本选取步骤中则选取测试样本集中信息熵最小的样本作为标记样本，以此解决漂移校正精度不高的问题，本发明专利技术主要用于气体传感器漂移校正。

Self-adaptive Confidence Active Learning Method for Gas Sensor Drift Correction

【技术实现步骤摘要】
用于气体传感器漂移校正的自适应置信度主动学习方法
本专利技术涉及电子鼻的气味识别领域，具体涉及用于气体传感器漂移校正的自适应置信度主动学习方法。
技术介绍
典型的电子鼻系统通常由气体传感器阵列和模式识别算法两部分构成。通过电子鼻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，进行数据分析识别气体，在这种结构上，电子鼻可以用低成本的气体传感器阵列识别复杂的气体。由于低成本和简单操作的优势，电子鼻系统已被用于环境监测、食品工业、农业和医学等领域。电子鼻系统中的气体传感器漂移是一种概念漂移，通常由表面老化、环境干扰和传感器中毒引起。这种现象使气体传感器响应与算法模型之间的兼容性随时间恶化，最终导致电子鼻的性能下降。换句话说，算法模型在没有任何漂移校准的情况下将毫无意义。因此，电子鼻系统在其在线工作过程中需要漂移校准方法。为了减少电子鼻的漂移效应，可以进行传感器改进和算法改进。根据目前的研究，由于人工智能和机器学习的成就，算法修改方法受到越来越多的关注。信号预处理和分类器更新是算法修改的两个主流。信号预处理是从原始气体传本文档来自技高网...

【技术保护点】
1.用于气体传感器漂移校正的自适应置信度主动学习方法，其特征在于，包括以下步骤：训练样本集输入步骤：向分类器输入训练样本集；测试样本输入步骤：向分类器输入若干测试样本；计算步骤：计算由若干测试样本组成的测试样本集中样本的信息熵；样本选取步骤：选取测试样本集中信息熵最大或信息熵最小的样本作为标记样本；样本预测步骤：预测标记样本的类型，并根据标记样本的类型对其进行初次标记；训练样本集扩充步骤：将初次标记完成的标记样本通过人工标记的方式加入训练样本集；分类器更新步骤：使用扩充后的训练样本集更新分类器；重复预测步骤：使用更新后的分类器再次预测标记样本的类型，并根据标记样本的类型对其进行再次标记；判断步...

【技术特征摘要】
1.用于气体传感器漂移校正的自适应置信度主动学习方法，其特征在于，包括以下步骤：训练样本集输入步骤：向分类器输入训练样本集；测试样本输入步骤：向分类器输入若干测试样本；计算步骤：计算由若干测试样本组成的测试样本集中样本的信息熵；样本选取步骤：选取测试样本集中信息熵最大或信息熵最小的样本作为标记样本；样本预测步骤：预测标记样本的类型，并根据标记样本的类型对其进行初次标记；训练样本集扩充步骤：将初次标记完成的标记样本通过人工标记的方式加入训练样本集；分类器更新步骤：使用扩充后的训练样本集更新分类器；重复预测步骤：使用更新后的分类器再次预测标记样本的类型，并根据标记样本的类型对其进行再次标记；判断步骤：判断初次标记和再次标记是否相同，若不同，返回样本选取步骤中选取测试样本集中信息熵最大的样本作为标记样本，若相同，返回样本选取步骤中则选取测试样本集中信息熵最小的样本作为标记样本。2.根据权利要求1所述的用于气体传感器漂移校正的自适应置信度主动学习方法，其特征在于，所述训练样本集输入步骤和测试样本集输入步骤之间还包括：分类器训练步骤：使用训练样本集训练分类器。3.根据权利要求1所述的用于气体传感器漂移校正的自适应置信度主动学习方法，其特征在于，所述测试样本集输入步骤和计算步骤之间还包括：分类器识别步骤：识别测试样本，并在测试样本达到指定数...

【专利技术属性】
技术研发人员：刘涛，李东琦，陈艳兵，杨桃，曹建华，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50