[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

说明书

本发明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_d作为约束网络net₁的输入，并基于凸集投影对net₁网络的输入X_d进行迭代调整，求得校准后的传感器特征数据集X_c，再将特征数据集X_c作为校准网络net₂的标签，输入特征数据集X_d共同训练后以对未知气体响应信号进行校准，能够提升电子鼻发生漂移后对气体识别的容差性能，利用训练得到的网络对未知气体样本能够达到漂移补偿的效果，从而提高电子鼻在其他气体传感器发生漂移后的气体识别精度。

技术领域

本发明涉及电子鼻校准技术领域，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。

背景技术

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。

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。

电子鼻中气体传感器的漂移可表述如下。

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，…，xⁿ，…，x^N]^T，xⁿ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。

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。

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。

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。