[发明专利]基于凸集投影和极限学习机的电子鼻漂移通用校准方法

权利要求书

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；

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，分别设有n、q、p个节点，n表示传感器个数，p表示训练中所使用校准气体的种类；在约束网络net₁中，约束输入层的输入样本k由传感器阵列的n个传感器输出响应构成；约束输出层对应的输出样本k由浓度预测值构成，分别表示各种校准气体的预测浓度值；约束隐含层层数为q；

设为第k个样本漂移后的第i个传感器的响应，为该样本第j个预测浓度值，为约束网络net₁的约束隐含层中第h个节点的输入，w_hi为约束输入层第i个节点与约束隐含层第h个节点间的权值，g_h＝s(α_h+b_h)为约束隐含层第h个节点的输出，b_h为约束隐含层第h个节点的偏置，s(·)为激活函数，β_jh为约束隐含层第h个节点与约束输出层第j个节点间的权值；

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；

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；

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：

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^TX+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；

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；

在所述步骤S3中，采用极限学习机网络模型来构建所述校准网络net₂，所述约束网络net₂包括校准输入层、校准隐含层和校准输出层，分别设有n、t、n个节点，t由寻优自动得到；

在所述步骤S3中，将校准后的目标特征数据集X_c作为漂移后的特征数据集X_d的标签共同输入所述校准网络net₂进行训练，训练后的所述校准网络net₂其固定的网络参数包括w₂、b₂、β₂，分别表示所述校准输入层与所述校准隐含层之间的权值，所述校准隐含层的偏置，所述校准隐含层与所述校准输出层之间的权值；

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