一种仿生嗅觉系统中传感器的在线漂移补偿方法技术方案

本发明专利技术涉及一种仿生嗅觉系统中传感器的在线漂移补偿方法，属于传感器技术领域。该方法包括以下步骤：步骤1)依据输入样本批次号进行源域重构；步骤2)使用重构完成的源域与目标域样本构建分类模型并保存预测结果。利用先后两批次仿生嗅觉系统中传感器的输出响应样本，即前一批次已通过分类模型预测完成的样本与初始批次人工标注后的样本进行源域重构，而后通过条件分布自适应和流形正则化搭建分类模型，实现仿生嗅觉系统中传感器的在线漂移补偿。本发明专利技术能够随传感器的漂移不断更新气体识别模型，更加符合现实场景下仿生嗅觉系统的生产实际与使用场景，并能够延长设备的使用寿命。

【技术实现步骤摘要】
一种仿生嗅觉系统中传感器的在线漂移补偿方法
本专利技术属于传感器
，涉及一种仿生嗅觉系统中传感器的在线漂移补偿方法。
技术介绍
仿生嗅觉系统由气体传感器阵列、信号预处理单元和模式识别算法组成，可用于气体识别。当气体通入系统后，传感器阵列根据气体特性产生相应的电信号响应，并通过模式识别算法将预处理后的信号转换为气体识别结果。传感器由于自身老化或气体中毒等原因会发生漂移。漂移问题伴随仿生嗅觉系统的使用长期存在且无法被避免。漂移会改变传感器的输出响应，进而导致初始构建的分类模型无法对后期采集到的样本进行准确预测。近年来许多针对传感器漂移补偿的算法被提出，主要分为信号预处理、成分校正和机器学习三类，这些算法虽然能够在一定程度上实现传感器的漂移补偿，但大多属于离线方法，需要定期回收设备以完成人工校正，不适合应用于实际应用场景。此外，传感器漂移前后输出响应样本的特征分布存在差异，以往漂移补偿的相关工作均集中于减小边缘分布差异，未考虑条件分布差异带来的影响。因此，如何减小因传感器漂移所造成的条件分布差异并实现分类模型的有效在线更新对仿生嗅觉系统气体判别结果的正确性影响很大。本专利所公开的一种仿生嗅觉系统中传感器的在线漂移补偿方法能够通过条件分布自适应和流形正则化构建分类模型，同时利用源域重构实现模型的在线更新，完成对仿生嗅觉系统中已发生漂移的传感器所采集到样本的补偿，在现实使用场景下更具有合理性。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种仿生嗅觉系统中传感器的在线漂移补偿方法，利用先后两批次仿生嗅觉系统中传感器的输出响应样本，即前一批次已通过分类模型预测完成的样本与初始批次人工标注后的样本进行源域重构，而后通过条件分布自适应和流形正则化搭建分类模型，实现从而实现仿生嗅觉系统中传感器的在线漂移补偿。为达到上述目的，本专利技术提供如下技术方案：一种仿生嗅觉系统中传感器的在线漂移补偿方法，该方法包括以下步骤：步骤1)依据输入样本批次号进行源域重构；步骤2)使用重构完成的源域与目标域样本构建分类模型并保存预测结果。可选的，所述步骤1)包括以下几个步骤：步骤11)输入样本的批次号a；步骤12)根据批次号a进行源域重构，当a＝1时，源域Ds选择为传感器未发生漂移时所采集到的初始批次有标签样本集n1为初始批次样本数，否则，Ds由当前目标域的前一批次已完成分类预测的样本集与D1共同构造，即Ds＝D1∪Da，其中na为a批次样本数，当a＝1时，由于是首次模型构建，不存在上一批次的分类预测结果，故此时Ds＝D1，重构后的源域样本数为：可选的，所述步骤2)包括以下几个步骤：步骤21)输入无标签的a+1批次目标域样本nt为目标域样本数；步骤22)使用主成分分析法将Xs与Xt降维至p维以生成子空间Ss和St，Gd×p为所有p维子空间的集合，每个子空间视作格拉斯曼流形空间Gd×p上的一点，令Φ(t)为Gd×p上的一条测地线，其中t∈[0,1]，Φ(0)＝Ss和Φ(1)＝St作为测地线的两端，zi和zj为xi与xj在无限维空间上投影后的特征向量，其内积表示为：上式中xi,xj∈Ds∪Dt，G表示测地线核：上式中Rs由Xs经PCA提取p维特征后所剩余的d-p维特征组成，U1和U2互为正交矩阵，通过奇异值分解求出，Λ1,Λ2及Λ3为对角矩阵，矩阵中的元素值分别为：将Xs与Xt投影后所得的样本特征空间使用和表示，其中步骤23)使用Zs通过k＝1的k近邻算法训练分类器，而后将Zt带入到该分类器中以获得伪标签步骤24)使用Zs和Zt选择高斯核以构造核函数步骤25)通过k近邻算法确定Zs和Zt中各点的邻居关系以获得相似度矩阵W：上式中r(zi,zj)＝1表示zi和zj互为邻居关系；获得W后即算出拉普拉斯矩阵L：上式中D为对角矩阵，由计算获得，此时流形正则约束项表示为：步骤26)对Zs和Zt进行条件分布自适应，条件分布差异通过最大均值差异在再生希尔伯特空间上进行度量，使用经验估计式近似统计估计：上式中C表示样本内所含标签的类别总数，由两个对角矩阵组成，其中：表示Zs和Zt中标签为l的nl个样本的分类结果集合，f表示Gd×p下的分类预测函数：上式中α＝[α1,α2,...,αN]T为系数向量，条件分布自适应项的最终计算式为：MMD2(HK,Qs,Qt)＝tr(fTMf)上式中M中各元素由下式直接算出：根据结构风险最小化原则，结合流形正则化项和条件分布自适应项，分类器f的最终优化目标为：上式中U为样本所在域的指示矩阵，即：令优化式中α的偏导数为0以解出α：α＝(λ1I+(λ2M+λ3L+U)K)-1UYT使用f完成对的更新，重复步骤26)e次以迭代更新M和α；步骤27)获得本批次样本的预测标签并保存，等待下一批次样本输入。本专利技术的有益效果在于：该方法能够随传感器的漂移不断更新气体识别模型，更加符合现实场景下仿生嗅觉系统的生产实际与使用场景，并能够延长设备的使用寿命。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作优选的详细描述，其中：图1为本专利技术流程图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利技术的限制；为了更好地说明本专利技术的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。本专利技术实施例的附图中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利技术本文档来自技高网...

【技术保护点】
1.一种仿生嗅觉系统中传感器的在线漂移补偿方法，其特征在于：该方法包括以下步骤：/n步骤1)依据输入样本批次号进行源域重构；/n步骤2)使用重构完成的源域与目标域样本构建分类模型并保存预测结果。/n

【技术特征摘要】
1.一种仿生嗅觉系统中传感器的在线漂移补偿方法，其特征在于：该方法包括以下步骤：
步骤1)依据输入样本批次号进行源域重构；
步骤2)使用重构完成的源域与目标域样本构建分类模型并保存预测结果。


2.根据权利要求1所述的一种仿生嗅觉系统中传感器的在线漂移补偿方法，其特征在于：所述步骤1)包括以下几个步骤：
步骤11)输入样本的批次号a；
步骤12)根据批次号a进行源域重构，当a＝1时，Ds选择为传感器未发生漂移时所采集到的初始批次有标签样本集n1为初始批次样本数，否则，Ds由当前目标域的前一批次已完成分类预测的样本集与D1共同构造，即Ds＝D1∪Da，其中na为a批次样本数，当a＝1时，由于是首次模型构建，不存在上一批次的分类预测结果，故此时Ds＝D1，重构后的源域样本数为：





3.根据权利要求1所述的一种仿生嗅觉系统中传感器的在线漂移补偿方法，其特征在于：所述步骤2)包括以下几个步骤：
步骤21)输入无标签的a+1批次目标域样本nt为目标域样本数；
步骤22)使用主成分分析法将Xs与Xt降维至p维以生成子空间Ss和St，Gd×p为所有p维子空间的集合，每个子空间视作格拉斯曼流形空间Gd×p上的一点，令Φ(t)为Gd×p上的一条测地线，其中t∈[0,1]，Φ(0)＝Ss和Φ(1)＝St作为测地线的两端，zi和zj为xi与xj在无限维空间上投影后的特征向量，其内积表示为：



上式中xi,xj∈Ds∪Dt，G表示测地线核：



上式中Rs由Xs经PCA提取p维特征后所剩余的d-p维特征组成，U1和U2互为正交矩阵，通过奇异值分解求出，Λ1,Λ2及Λ3为对角矩阵，矩阵中的元素值分别为：


<...

【专利技术属性】
技术研发人员：陶洋，杨皓诚，梁志芳，黎春燕，孔宇航，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50