基于迁移样本的跨域迁移电子鼻漂移抑制方法技术

本发明专利技术公开了一种基于迁移样本的跨域迁移电子鼻漂移抑制方法，将源域、目标数据投影到子空间，不同域数据之间集进行边缘最大均值差异做最小化处理、条件最大均值差异做最小化处理、可分性最大化、判别信息做最大化处理后，得到转换基P和对应投影源域数据集和投影目标域数据集；根据投影源域数据集、投影目标域数据集，计算适应极限学习机的未知输出权重，得到最终的适应极限学习机；并将未知标签的目标域数据进行漂移抑制测试。有益效果：在抑制漂移的同时，保存了源域和目标域的判别信息。最小化边缘分布差异和条件分布差异，提高了模型的健壮性和分类精确度。在特征层和决策层实现知识迁移，充分利用迁移样本。

Drift suppression method of cross domain migration electronic nose based on migration samples

【技术实现步骤摘要】
基于迁移样本的跨域迁移电子鼻漂移抑制方法
本专利技术涉及电子鼻信号处理
，具体的说是一种基于迁移样本的跨域迁移电子鼻漂移抑制方法。
技术介绍
电子鼻中的金属氧化半导体传感器的时间漂移和板件漂移是当前传感器和测量领域的一个亟待解决的问题。漂移的时变特征和方向的不可预测性导致很难对漂移直接进行测量。有着高效率和低计算复杂性的极限学习机常被用于解决电子鼻中的时间漂移/板间漂移现象。抑制传感器漂移的方法主要有如下两种：1、特征层面的抑制方法。旨在从数据分布的角度抑制漂移，使得源域和目标域的数据分布差异缩小。2、决策层面的抑制方法。旨在训练鲁棒性分类器，实现从源域到目标域的知识迁移。不足之处：1、基于特征层面的抑制方法没有考虑分类器的知识迁移能力，不能根据目标域样本进行调整得到自适应分类器，分类效果较差。2、基于决策层面的抑制方法忽略了源域和目标域的数据分布不匹配问题，分类前不同域数据的分布差异大，降低了分类性能。
技术实现思路
针对上述问题，本专利技术提供了一种基于迁移样本的跨域迁移电子鼻漂移抑本文档来自技高网...

【技术保护点】
1.一种基于迁移样本的跨域迁移电子鼻漂移抑制方法，其特征在于：按照以下步骤进行：/nS1：电子鼻获取源域数据集和目标域数据集；/n该目标域数据集包括未知标签目标域数据集、已知标签目标域数据集/n将源域数据集、目标域数据集投影到子空间，得到该两个数据集从原始空间经过转换基P投影到子空间的投影源域数据集、投影目标域数据集；/n该投影目标域数据集包括投影未知标签目标域数据集、投影已知标签目标域数据集；/nS2：对子空间中投影源域数据集和投影目标域数据集的边缘最大均值差异做最小化处理，得到最小化投影后边缘最大均值差异公式；/n对子空间中投影源域数据集和投影已知标签目标域数据集的条件最大均值差异做最小化...

【技术特征摘要】
1.一种基于迁移样本的跨域迁移电子鼻漂移抑制方法，其特征在于：按照以下步骤进行：
S1：电子鼻获取源域数据集和目标域数据集；
该目标域数据集包括未知标签目标域数据集、已知标签目标域数据集
将源域数据集、目标域数据集投影到子空间，得到该两个数据集从原始空间经过转换基P投影到子空间的投影源域数据集、投影目标域数据集；
该投影目标域数据集包括投影未知标签目标域数据集、投影已知标签目标域数据集；
S2：对子空间中投影源域数据集和投影目标域数据集的边缘最大均值差异做最小化处理，得到最小化投影后边缘最大均值差异公式；
对子空间中投影源域数据集和投影已知标签目标域数据集的条件最大均值差异做最小化处理，得到最小化投影后条件最大均值差异公式；
为了使投影源域数据集和投影目标域数据集更具有可分性，增强类内紧密性和类间离散性，计算投影源域数据集和投影已知标签目标域数据集的类内离散度矩阵和类间离散度矩阵，得到投影源域数据集和投影目标域数据集可分性最大化计算公式；
对投影源域数据集和投影目标域数据集的判别信息做最大化处理并简化，得到最大化投影源域数据集判别信息公式和最大化投影目标域数据集判别信息公式；
S3：将步骤S2得到的公式进行合并，得到数据从原始空间投影到子空间的转换基P的求解公式；
S4：根据步骤S3得到的数据从原始空间投影到子空间的转换基P的求解公式，对其进行优化并增加求解约束条件，得到优化约束后的数据从原始空间投影到子空间的转换基P的求解公式，从而得到数据从原始空间投影到子空间的最优转换基P以及投影源域数据集、投影未知标签目标域数据集和投影已知标签目标域数据集；
S5：根据步骤S4得到的投影源域数据集、投影未知标签目标域数据集和投影已知标签目标域数据集，用投影源域数据集和投影已知标签目标域数据集计算域适应极限学习机的输出权重，得到最终的域适应极限学习机；并将电子鼻投影目标域未知标签数据进行漂移抑制测试。


2.根据权利要求1所述的基于迁移样本的跨域迁移电子鼻漂移抑制方法，其特征在于：在步骤S1中，所述源域数据集为
所述目标域数据集
目标域数据集中的迁移样本数据集为源域数据集样本个数分别为NS；目标域数据集样本个数分别为NT；数据维数为D，表示将数据从原始空间投影到维数为d的子空间的转换基；
投影源域数据集为
投影目标域数据集为
符号||·||2表示2范数，Tr(·)表示求矩阵迹的运算，(·)T表示转置矩阵；
在步骤S2中，最小化投影后边缘最大均值差异公式为：



μS代表子空间中投影源域数据集的中心；μT代表子空间中投影目标域数据集的中心；

表示子空间学习后投影源域数据集的第i个样本；其中，




表示子空间学习后投影目标域数据集的第j个样本；其中：




为原始空间中源域数据集的第i个样本，为原始空间中目标域数据集的第j个样本；将公式(2)、(3)带入公式(1)，得到：



uS表示原始空间源域数据集的中心；
uT表示原始空间目标域数据集的中心；
所述最小化投影后条件最大均值差异公式为：




表示投影源域数据集第c类样本的第i个样本；

表示原始空间源域数据集第c类样本的第i个样本；

表示投影目标域迁移样本数据集第c类样本的第k个样本；

表示原始空间目标域迁移样本数据集第c类样本的第k个样本；

表示目标域迁移样本数据集第c类样本的个数；

表示源域数据集第c类样本的个数；
μS.c表示子空间中第c类投影源域数据的中心；

表示子空间中第c类投影目标域迁移样本数据的中心；
uS.c表示原始空间中第c类源域数据的中心；

表示原始空间中第c类目标域迁移样本数据的中心；
投影源域数据集和投影目标域数据集可分性最大化计算公式







表示投影目标域迁移样本数据的中心；

表示原始空间目标域迁移样本数据...

【专利技术属性】
技术研发人员：闫嘉，易若男，陈飞越，王子健，王丽丹，段书凯，
申请(专利权)人：西南大学，
类型：发明
国别省市：重庆;50