基于凸集投影和极限学习机的电子鼻漂移通用校准方法技术

本发明专利技术涉及电子鼻校准技术领域，具体公开了一种基于凸集投影和极限学习机的电子鼻漂移通用校准方法，从机器学习的角度，基于极限学习机构建约束网络net1和校准网络net2，采用电子鼻在未发生漂移的特征数据集X训练约束网络net1，保存网络参数，然后将发生漂移的特征数据集X

【技术实现步骤摘要】
基于凸集投影和极限学习机的电子鼻漂移通用校准方法


[0001]本专利技术涉及电子鼻校准
，尤其涉及一种基于凸集投影和极限学习机的电子鼻漂移通用校准方法。

技术介绍

[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，定期地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。
[0005]假设，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数据为X＝[x1，x2,
…
,x
n
,
…
,x
N
]T
，x
n
表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个气体传感器的特征向量，N表示电子鼻气体传感器阵列中包含的气体传感器数量，上角标T为转置符号。
[0006]而在电子鼻发生漂移后，若其检测该同种气体所得到的气体传感器阵列数据为而在电子鼻发生漂移后，若其检测该同种气体所得到的气体传感器阵列数据为为漂移后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
d
的特征分布，其不同于矩阵X的特征分布，通常将矩阵X
d
称为异构数据样本。所以，用未发生漂移的数据样本X所训练得到的识别分类器对漂移后的异构数据样本X
d
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
d
的时间与检测未漂移数据样本X的时间间隔越久，那么X
d
与X之间的特征分布差异也会越大。
[0007]气体传感器的漂移校准技术研究始于几十年前，目前的主要校准方法有成分校准法、调节补偿法和机器学习法。
[0008]典型的多变量成分校准主成分分析法，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，成分校准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地应用到电子鼻的漂移补偿上；而如果通过在成分校准主成分分析法的基础上增加一个乘子校准变量来改善对数据漂移方向一致性的限制问题，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。
[0009]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，对其特征分布差异进行调整，进而实现漂移校准；但是这种调整方法，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校准，容易打断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校准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。
[0010]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校准的方法研究，但是目前所采用的机器学习方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校准效果不佳，依然不能很好地通过漂移校准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，其域迁移能力和泛化性都受到限制。
[0011]综上所述，现有技术针对电子鼻气体传感器漂移的校准方法，普遍存在校准后电子鼻的气体识别精度不高、泛化性较差的问题。

技术实现思路

[0012]本专利技术提供一种基于凸集投影和极限学习机的电子鼻漂移通用校准方法，解决的技术问题在于：如何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。
[0013]为解决以上技术问题，本专利技术提供一种基于凸集投影和极限学习机的电子鼻漂移通用校准方法，包括步骤：
[0014]S1、采用未漂移的特征数据集X及其对应的浓度标签Y对构建的约束网络net1进行训练，保存训练完成的网络参数为所述约束网络net1的固定网络参数；
[0015]S2、将漂移后的特征数据集X
d
及其对应的目标标签浓度Y
d
输入训练完成的约束网络net1中进行校准，并在迭代停止条件下，输出校准后的目标特征数据集X
c
；
[0016]S3、采用漂移后的特征数据集X
d
及校准后的目标特征数据集X
c
对构建的校准网络net2进行训练，保存训练完成的网络参数为所述校准网络net2的固定网络参数；
[0017]S4、应用时，将未知气体的特征数据集X
z
输入训练完成的校准网络net2，即可输出校准后的特征数据集
[0018]进一步地，在所述步骤S1中，采用极限学习机网络模型来构建所述约束网络net1，所述约束网络net1包括约束输入层、约束隐含层和约束输出层；
[0019]所述步骤S2的校准过程为：
[0020]计算预测浓度与真实浓度之间的误差，使用凸集投影算法对输入的特征数据集X
d
进行多次迭代调整，直到达到迭代停止条件即满足凸集约束条件或达到了预设的迭代次数，输出校准后的目标特征数据集X
c
。
[0021]进一步地，在所述步骤S2中，在高维空间Η中，所述约束网络net1的凸集约束条件定义为：
[0022][0023]其中，C
m
代表第m个凸集，δ
m
为第m个凸集允许的均方误差范围，M表示中所使用标准
气体的种类，所述标准气体包括校准气体和基线气体；表示最终的预测标签，y为真实标签，β为所述约束隐含层的权值，上角标T为转置符号，g＝s(W
T
X+b)，g为输入特征被映射后的高维特征，s(
·
)代表所述约束网络net1中的激活函数，W为所述约束输入层的权值，b为所述约束隐含层的偏置。
[0024]进一步地，在所述步骤S2的多次迭代调整过程中，经过一次迭代修正后输入样本第k个特征的第i个传感器响应的第i个传感器响应表示迭代前的传感器响应，表示该次迭代的修正量，η为修正步长，表示该次迭代的修正量，η为修正步长，为约束网络net1输出的预测浓度值与真实浓度值的误差度量，v<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于凸集投影和极限学习机的电子鼻漂移通用校准方法，其特征在于，包括步骤：S1、采用未漂移的特征数据集X及其对应的浓度标签Y对构建的约束网络net1进行训练，保存训练完成的网络参数为所述约束网络net1的固定网络参数；S2、将漂移后的特征数据集X
d
及其对应的目标标签浓度Y
d
输入训练完成的约束网络net1中进行校准，并在迭代停止条件下，输出校准后的目标特征数据集X
c
；S3、采用漂移后的特征数据集X
d
及校准后的目标特征数据集X
c
对构建的校准网络net2进行训练，保存训练完成的网络参数为所述校准网络net2的固定网络参数；S4、应用时，将未知气体的特征数据集X
z
输入训练完成的校准网络net2，即可输出校准后的特征数据集2.根据权利要求1所述的基于凸集投影和极限学习机的电子鼻漂移通用校准方法，其特征在于：在所述步骤S1中，采用极限学习机网络模型来构建所述约束网络net1，所述约束网络net1包括约束输入层、约束隐含层和约束输出层；所述步骤S2的校准过程为：计算预测浓度与真实浓度之间的误差，使用凸集投影算法对输入的特征数据集X
d
进行多次迭代调整，直到达到迭代停止条件即满足凸集约束条件或达到了预设的迭代次数，输出校准后的目标特征数据集X
c
。3.根据权利要求2所述的基于凸集投影和极限学习机的电子鼻漂移通用校准方法，其特征在于，在所述步骤S2中，在高维空间H中，所述约束网络net1的凸集约束条件定义为：其中，C
m
代表第m个凸集，δ
m
为第m个凸集允许的均方误差范围，M表示中所使用标准气体的种类，所述标准气体包括校准气体和基线气体；表示最终的预测标签，y为真实标签，β为所述约束隐含层的权值，上角标T为转置符号，g＝s(W
T
K+b)，g为输入特征被映射后的高维特征，s(
·
)代表所述约束网络net1中的激活函数，W为所述约束输入层的权值，b为所述约束隐含层的偏置。4.根据权利要求3所述的基于凸集投影和极限学习机的电子鼻漂移通用校准方法，其特征在于：在所述步骤S2的多次迭代调整过程中，经过一次迭代修正后输入样本第k个特征的第i个传感器响应的第i个传感器响应表示迭代前的传感器响应，表示该次迭代的修正量，η为修正步长，为约束网络net1输出的预测浓度值与真实浓度值的误差度量，v
i
是M个凸集对第i个传感器响应的误差迭代调整量，d代表每个样本输入...

【专利技术属性】
技术研发人员：田逢春，李翰韬，毛虎，张书雅，钱君辉，刘然，吴志远，赵磊磊，
申请(专利权)人：深圳市利拓光电有限公司，
类型：发明
国别省市：