基于域校正的电子鼻传感器漂移抑制方法研究

发布时间：2021-01-01 18:55

　　电子鼻是用来模仿人类嗅觉的人工嗅觉系统。待测气体进入电子鼻时,传感器阵列产生传感器响应,然后用智能信号处理方法对传感器响应信号进行分析处理,并对其作出气味预测,从而完成对气味的识别。然而,在实际应用场景中,电子鼻会受到传感器漂移的影响,而漂移方向是不确定且不可预测的。这将使得先前采集的数据和之后采集的数据的数据分布不一致,导致事先训练好的模式识别算法性能下降甚至失效,从而降低电子鼻系统的性能和使用寿命。因此,本文主要研究如何抑制传感器漂移,提高预测模型的准确性和鲁棒性。文中将没有发生传感器漂移的数据视为源域,发生了传感器漂移的数据视为目标域。针对电子鼻面临的漂移问题,本文提出了相应的解决方法。具体如下:1.提出了一种跨域子空间对齐漂移抑制模型,通过找到一种线性映射关系P,将源域和目标域同时映射到一个相同的子空间,在此空间,最小化源域和目标域的距离,保证类与类之间的可区分性,同时最大程度上保留局部邻域结构。由于源域和目标域的数据分布不一致,因此该方法的主要思想是通过一个线性映射学习一个新的公共子空间,使源域和目标域数据分布一致性提高,同时让类可分性加强,从而实现漂移抑制。2.提出了一种基... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

电子鼻结构框图

通过多种连接方式建立起一个网络。人工神经网络是由大元）通过各种连接方式连接起来的一个模型。每个节点都有一种特定之为激励函数。每个节点之间也有相应的连接权重，权重不一样代网络的“记忆”。差反向传播神经网络(Back propagation neural network, BPNN)又被络，BP 神经网络可以认为是一个不断进行误差修正的“万能模型”，会将结果与预期结果进行误差分析，从而修正节点间的权重和神经训练结果和预期结果一步步接近。 神经网络模型由三层组成：输入层、隐含层和输出层。BP 神经网络 2.1 所示，输入层有 d 个神经元，隐含层有 q 个神经元，输出层有么就有 l 个神经元阈值。其中用ijv 表示第 i 个输入层节点到第 j 个权重，用jkw 表示第 j 个隐含层节点到第 k 个输出层节点间的权重

图 2.2 传统机器学习与迁移学习的学习过程差异从图 2.2 中可以看出，传统的机器学习进行任务学习时的知识是从本身的训练样本中来获得，而迁移学习则存储着解决上一个问题的知识，用于解决下一个不同但相关的问题。传统机器学习的学习过程是不同学习任务之间将会有不同的学习系统，而迁移学习过程的学习过程是将有关联的学习任务之间联系起来进行训练学习。比如说，一个人如果学会了骑自行车，那么他能很快地学会骑摩托车，因为这两个任务是有关联的。由于受到了传感器漂移的影响，使得电子鼻系统获得数据的分布不同于标准电子鼻数据的分布，这就是迁移学习应用的场景之一。许多研究者在迁移学习应用在电子鼻系统上的场景做出了很大的努力。文献[51]提出了漂移校正自动编码器用于解决电子鼻系统中传感器漂移问题。文献[52]为了解决传感器漂移提出了一种域自适应极限学习机(Domain adaptation extreme learning machine, DAELM)框架。文

【参考文献】：
期刊论文
[1]基于SFAM神经网络集成的土地评价[J]. 薛月菊,胡月明,杨敬锋,陈强.  农业工程学报. 2008(03)

博士论文
[1]电子鼻及其应用研究[D]. 史志存.中国科学院电子学研究所 2000



本文编号：2951815