[发明专利]基于领域自适应卷积神经网络的电子鼻漂移补偿方法

说明书

本发明涉及一种基于领域自适应卷积神经网络的电子鼻漂移补偿方法，其特征在于，包括获取源域样本和目标域样本数据，按照传感器维度将分别输入k个分支，通过三个卷积路径的四个卷积块连接至四个分类器，进行特征投影后，通过基于最大均值差异(MMD)得到最终输出，本发明有益效果是：1、无需使用目标域数据建模，更加实用；2、在决策层实现漂移补偿，无需额外计算；3、网络结构可定制，具有较强灵活性；4、使用特殊设计的损失函数，能够更好的训练网络。

技术领域

本发明属于电子鼻信号处理技术，具体设计一种基于领域自适应卷积神经网络的电子鼻漂移补偿方法。

背景技术

电子鼻(也称人工嗅觉系统)在诸如食品安全、环境质量监测、生物医药等多个领域中应用广泛，但由于其制造工艺和材料本身存在问题，长期使用的传感器仍不可避免的会出现不可预测且非线性的漂移现象，这就需要使用漂移补偿算法抑制漂移对识别精度带来的损害。

抑制电子鼻漂移的方法主要分为两类：一类为传统方法，例如领域正则化主成分分析(domain regularized component analysis)、跨域子空间学习(cross-domaindiscriminant subspace learning method)、跨域极限学习机(cross-domain extremelearning machine)等。另一类为基于深度学习的方法，例如自编码器(autoencoder)、深度置信网路(deep belief network)、长短期记忆(long short-term memory)等。

现有方法的不足：现有方法的建模大都需要目标域样本的参与，以学习目标域的分布来达到域对齐。而在实际工程应用场景下，无法获取大量均匀分布的目标域数据，实用性不足。

且现有电子鼻漂移补偿方法中尚未有基于卷积神经网络的漂移补偿方法。

发明内容

为了解决上述技术问题，本发明提出了一种基于领域自适应卷积神经网络的电子鼻漂移补偿方法：Target-domain-free Domain Adaptation Convolutional NeuralNetwork(TDACNN，无目标域的领域自适应卷积神经网络)，设计了一种多分支多分类器结构，通过同时使用多个分类器，以及加入基于最大均值差异(maximum mean discrepancy,MMD)的分类器集成方法，使分类器能够充分利用网络中不同等级的特征，并加入了优化后的损失函数辅助训练，以达到在不使用目标域数据进行建模的情况下实现决策层面的漂移补偿，并且弥补了基于卷积神经网络的漂移补偿方法在电子鼻漂移补偿领域的空缺。本发明的技术方案如下：

一种基于领域自适应卷积神经网络的电子鼻漂移补偿方法：

首先，K路电子鼻传感器系统在环境中检测到待测气体后，传感器系统产生电流信号或电压信号，各自独立处理成电阻响应曲线后，每个信号样本经过信号调理电路进行滤波、放大，再经AD转换，生成有效的气体数字信号。

其次，步骤A1：将气体数字信号送入处理器，处理器提取响应曲线的特征，获取电子鼻的原始数据，在电子鼻的漂移补偿问题中，传感器发生漂移之前采集的数据属于源域，称为源域样本；发生漂移之后采集的数据属于目标域，称为目标域样本。

步骤A2：对源域样本和目标域样本数据分别进行批次归一化(BatchNormalization)；

步骤A3：按照传感器维度将两组样本归一化后的数据各自分为k组，k为传感器数量；

步骤A4：将k组数据分别输入k个分支，在每个分支上通过三个卷积块(Convolutional Block)的卷积路径对数据进行卷积操作；

步骤A5：将所有分支上同等级的卷积块的输出通过宽度拼接方式(WidthConcatenate)进行连接；