详情

原文传递一种基于自适应子空间学习范式的抗电子鼻漂移方法

专利名称：	一种基于自适应子空间学习范式的抗电子鼻漂移方法
摘要：	本发明涉及电子鼻检测技术领域，具体涉及一种基于自适应子空间学习范式的抗电子鼻漂移方法。针对漂移会影响电子鼻气味识别性能的情况，通过建立基于自适应子空间学习的最优化模型求解最佳投影矩阵，然后利用投影矩阵将源域数据和目标域数据映射到公共自适应子空间，从而减小常规样本和漂移样本分布的差异，从而实现电子鼻漂移抑制。本发明减少了特征的数量，保证了样本分布结构信息的完整性，并且保留了学习过程中分类相关的信息。
专利类型：	发明专利
国家地区组织代码：	重庆;50
申请人：	重庆大学
发明人：	刘涛;陈艳兵;李东琦;杨桃;曹建华
专利状态：	有效
申请日期：	2019-05-31T00:00:00+0800
发布日期：	2019-08-20T00:00:00+0800
申请号：	CN201910471253.X
公开号：	CN110146655A
代理机构：	重庆强大凯创专利代理事务所(普通合伙)
代理人：	隋金艳
分类号：	G01N33/00(2006.01);G;G01;G01N;G01N33
申请人地址：	400000 重庆市沙坪坝区沙正街174号
主权项：	1.一种基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于，包括以下步骤： A)计算原始源域中心、原始目标域中心和矩阵K； B)根据源域矩阵Xs、源域标签矩阵Ts、目标域数据矩阵Xt和正则参数计算矩阵M，正则参数包括α、β和γ； C)对矩阵M进行奇异值分解，获取矩阵M的前d个特征值对应的特征向量构成投影矩阵P； D)将源域数据和目标域数据通过投影矩阵P映射到同一子空间； E)将源域和目标域样本投影至步骤C)中学习的同一子空间，以进行电子鼻漂移的抑制。 2.根据权利要求1所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：所述源域矩阵表示为所述源域标签矩阵表示为所述目标域数据矩阵表示为所述矩阵M表示为其中，D是源域数据的维度，m是标签类别的数量，NS是源域样本的数量。 3.根据权利要求2所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：所述原始源域中心表示为所述原始目标域中心表示为所述矩阵K表示为K＝TsΗXs，其中为中心化矩阵。 4.根据权利要求3所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：步骤D)中对于映射P保留样本分布的结构信息的和去除冗余特征，表示为： s.t.PTP＝I，其中，As是源域的投影系数矩阵，At是目标域的投影系数矩阵，\|\|·\|\|F表示Frobenius范数。 5.根据权利要求4所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：以As为变量对min(As，At，P)求偏导数为零来求解As，以At为变量对min(As，At，P)求偏导数为零来求解At。 6.根据权利要求1至5任一项所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：在步骤A)中，对子空间中源域和目标域数据使用均值分布差异最小化方法，可以表示为：根据步骤B可表示为： 7.根据权利要求1至5任一项所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：在步骤A)中，通过基于希尔伯特-施密特独立性准则的最小二乘形式来对特征和标签进行经验估计，实现标签和特征之间相关性的最大化，可表示为：其中，当i＝j时δij等于1，其余为0。 8.根据权利要求1至5任一项所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：根据步骤B)，基于希尔伯特-施密特独立性准则最大化标签与特征之间的相关性可转换为以下最小二乘优化模型， s.t.PTP＝I，即可表示为 s.t.PTP＝I，其中，其中B∈Rm×d投影系数矩阵。 9.根据权利要求1至5任一项所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：根据最大化标签特征依赖性和最小化特征冗余得到模型为： s.t.PTP＝I。 10.根据权利要求1至5任一项所述的基于自适应子空间学习范式的抗电子鼻漂移方法，其特征在于：为了取minJ(As,At,B,P)的最小值，对minJ(As,At,B,P)进行变换求解Αs、Αt和B，过程如下：使J(Αs,Αt,B,P)对Αs、Αt和B的偏导数均为0，我们可以得到：
所属类别：	发明专利