一种基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法技术

基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法，它涉及一种气体传感器漂移补偿方法。本发明专利技术为了解决大多数基于子空间学习的漂移补偿方法只通过对齐源域和目标域之间的边缘分布来降低分布差异，而没有对两个域之间的条件分布进行评估，降低了漂移补偿方法分类性能同时增加了标签成本的问题。本发明专利技术的具体步骤为：步骤一、采集源域和目标域数据集；步骤二、建立特征集；步骤三、子空间学习；步骤四、构件气体分类模型并训练；步骤五、对目标域数据的标签进行预测。本发明专利技术属于模式识别领域。模式识别领域。模式识别领域。

【技术实现步骤摘要】
一种基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法


[0001]本专利技术涉及一种气体传感器漂移补偿方法，属于模式识别领域。

技术介绍

[0002]气体传感器是一种将某种气体体积分数转化成对应电信号的气体分析系统。由于其检测成本低、操作简单、体积小等优点，气体传感器已被应用于许多工业领域，包括食品分析、环境监测、医学诊断和爆炸物检测等。然而，在漂移的作用下，气体传感器所采集数据的特征分布会随着时间的推移而变化。在这种情况下，传统的机器学习方法无法胜任带有漂移影响的分类任务。
[0003]目前，现有的漂移补偿技术通常利用数据处理、子空间学习或者学习一个鲁棒分类器来抑制传感器漂移，但是大多数方法的分类准确率并不理想(准确率小于90％)。另一方面，基于迁移样本的漂移补偿方法需要在模型的训练阶段使用带有标签的目标域样本。事实上，目标域中的样本会随着时间的推移而不断增加。为了适应气体传感器漂移的变化，基于迁移样本的漂移补偿方法必须收集更多带有标签的样本。然而，在现实世界中，收集足够多带有标签的样本是昂贵和费时的。此外，大多数基于子空间学习的漂移补偿方法只通过对齐源域和目标域之间的边缘分布来降低分布差异，而没有对两个域之间的条件分布进行评估，这将降低漂移补偿方法的分类性能。

技术实现思路

[0004]本专利技术为解决大多数基于子空间学习的漂移补偿方法只通过对齐源域和目标域之间的边缘分布来降低分布差异，而没有对两个域之间的条件分布进行评估，降低了漂移补偿方法分类性能同时增加了标签成本的问题，进而提出基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法。
[0005]本专利技术为解决上述问题采取的技术方案是：本专利技术所述方法的具体步骤如下：
[0006]步骤一、采集源域和目标域数据集；
[0007]步骤二、建立特征集；
[0008]步骤三、子空间学习；
[0009]步骤四、构件气体分类模型并训练；
[0010]步骤五、对目标域数据的标签进行预测。
[0011]进一步的，步骤一中利用同一气体传感器采集不同时间段的气体的原始数据或利用同种配置的不同气体传感器在同一时间采集气体的原始数据，建立源域数据集S和目标域数据集T。
[0012]进一步的，步骤二中根据采集的原始数据提取多种特征，并建立特征集，即：
[0013][0014][0015]公式(1)和公式(2)中，X
S
表示源域特征集，X
T
表示目标域特征集，D表示特征集维度，N
S
表示源域中样本的数量，N
T
表示目标域中样本的数量，表示源域中的第i 个样本，i＝1,2,...,N
S
，表示目标域域中的第j个样本，j＝1,2,...,N
T
。
[0016]进一步的，步骤三中计算投影矩阵P
*
，并将源域X
S
和目标域X
T
投影至公共子空间，则投影后子空间的源域是Y
S
，目标域是Y
T
。
[0017]进一步的，投影矩阵P
*
的计算公式是：
[0018]P
*
＝[P1,P2，...，P
d
](3)，
[0019]公式(3)中P表示第d个最小特征值对应的特征向量，d＝1,2,3......。
[0020]进一步的，步骤四中在子空间中，根据建立指导样本集，并将指导样本集和源域数据输入至CAELM中进行训练；
[0021]在第一次迭代过程中，CAELM选择ELM作为分类器，只有源域样本参与分类器的训练，并且分类器对目标域的分类结果作为软标签；这些软标签用于下次迭代过程中的子空间学习和气体分类模型的训练；
[0022]在随后的迭代过程中，利用上次迭代所得到的软标签，CAELM选择DAELM作为分类器。
[0023]进一步的，步骤五中当子空间和气体分类模型经过多次迭代训练并满足要求后，利用训练完成的模型对目标域样本进行分类，从而得出最终的分类结果。
[0024]本专利技术的有益效果是：本专利技术所述方法在特征级和决策级均设计漂移补偿策略，从而以最小的标签成本实现双重抑制传感器漂移的效果，提高分类准确率；本专利技术提出了一种子空间学习方法，能在子空间中最小化源域和目标域的特征分布差异，同时保留原始数据的有用信息；本专利技术解决了大多数基于子空间学习的漂移补偿方法只通过对齐源域和目标域之间的边缘分布来降低分布差异，而没有对两个域之间的条件分布进行评估，降低了漂移补偿方法分类性能的问题；针对不断进化的漂移(特征分布不断改变)，提出的子空间学习方法可以自适应地平衡边缘分布和条件分布的重要性，同时可以自适应地平衡子空间中源域和目标域的能量，这使得本专利技术能够同时解决长期漂移场景和短期漂移场景下的气体分类任务；提出的子空间学习方法通过特征值分解求解，计算简单，易于实现；本专利技术使用目标域的软标签计算源域和目标域之间的条件分布，同时在决策级利用目标域的软标签提高模型的跨域迁移能力。所以，在模型训练阶段，本专利技术无需使用目标域样本的真实标签，从而降低了标签成本；子空间和分类器通过迭代精炼软标签实现不断优化，提高了分类准确率，因此，本专利技术取得在特征级和决策级的双重漂移补偿效果。
附图说明
[0025]图1是本专利技术的流程示意图；
[0026]图2是本专利技术的示意图。
具体实施方式
[0027]具体实施方式一：结合图1和图2说明本实施方式，本实施方式所述基于子空间学
习和跨域自适应极限学习机的气体传感器漂移补偿方法是通过如下步骤实现的：
[0028]步骤一、采集源域和目标域数据集；
[0029]步骤二、建立特征集；
[0030]步骤三、子空间学习；
[0031]步骤四、构件气体分类模型并训练；
[0032]步骤五、对目标域数据的标签进行预测。
[0033]具体实施方式二：结合图1和图2说明本实施方式，本实施方式所述基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法的步骤一中利用同一气体传感器采集不同时间段的气体的原始数据或利用同种配置的不同气体传感器在同一时间采集气体的原始数据，建立源域数据集S和目标域数据集T。
[0034]具体实施方式三：结合图1和图2说明本实施方式，本实施方式所述基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法的步骤二中根据采集的原始数据提取多种特征，并建立特征集，即：
[0035][0036][0037]公式(1)和公式(2)中，X
S
表示源域特征集，X
T
表示目标域特征集，D表示特征集维度，N
S
表示源域中样本的数量，N
T
表示目标域中样本的数量，表示源域中的第i 个样本，i＝1,2,...,N
S
，表示目标域域中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法，其特征在于：所述基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法是通过如下步骤实现的：步骤一、采集源域和目标域数据集；步骤二、建立特征集；步骤三、子空间学习；步骤四、构件气体分类模型并训练；步骤五、对目标域数据的标签进行预测。2.根据权利要求1所述的基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法，其特征在于：步骤一中利用同一气体传感器采集不同时间段的气体的原始数据或利用同种配置的不同气体传感器在同一时间采集气体的原始数据，建立源域数据集S和目标域数据集T。3.根据权利要求1所述的基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法，其特征在于：步骤二中根据采集的原始数据提取多种特征，并建立特征集，即：征在于：步骤二中根据采集的原始数据提取多种特征，并建立特征集，即：公式(1)和公式(2)中，X
S
表示源域特征集，X
T
表示目标域特征集，D表示特征集维度，N
S
表示源域中样本的数量，N
T
表示目标域中样本的数量，表示源域中的第i个样本，i＝1,2,...,N
S
，表示目标域域中的第j个样本，j＝1,2,...,N
T
。4.根据权利要求1所述的基于子空间学习和跨域自适应极限学习机的气体传感器漂移补偿方法，其特征在于：步骤三中计算投影矩阵P<...

【专利技术属性】
技术研发人员：宋凯，色海锋，周天，王祁，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：