详情

原文传递一种基于集成神经网络学习的电子鼻信号漂移补偿方法

专利名称：	一种基于集成神经网络学习的电子鼻信号漂移补偿方法
摘要：	本发明公开一种基于集成神经网络学习的电子鼻信号漂移补偿方法，包括如下步骤：1、每个时段内的电子鼻数据特征提取、标记标签、整理数据集；2、利用每个时段内的数据集训练得到各自的浅层神经网络分类器；3、定义所有基础分类器的加权集合为未来一个时段的分类器，求解各基础分类器的权值；4、输出各基础分类器参数及其权值，利用它们构建步骤3中的集成分类器；通过方法建立的集成分类器模型将含有历史数据集的偏移或异构特征，能够自动补偿掉未来一个时段的漂移误差。该集成分类器技术采用了电子鼻原有的弱神经网络模型，同时不需要复杂或深度的学习和训练，兼顾了计算时效性和分类器精度，对硬件要求也低，实际应用性强。
专利类型：	发明专利
申请人：	南京益得冠电子科技有限公司
发明人：	章伟;冯李航
专利状态：	有效
申请日期：	1900-01-20T19:00:00+0805
发布日期：	1900-01-20T05:00:00+0805
申请号：	CN201911316354.6
公开号：	CN111103325A
代理机构：	南京经纬专利商标代理有限公司
代理人：	殷星
分类号：	G01N27/00;G06N20/00;G;G01;G06;G01N;G06N;G01N27;G06N20;G01N27/00;G06N20/00
申请人地址：	210000 江苏省南京市江宁经济技术开发区胜太路68号
主权项：	1.一种基于集成神经网络学习的电子鼻信号漂移补偿方法，其特征在于，包括以下步骤：步骤1，对每个时期内的电子鼻数据进行预处理，提取数据集的特征作为输入，并记录该数据集所对应的标签，即当前时期为t的完整数据集可表示为 St＝{(x1，y1)，(x2，y2)，...(xi，yi)}，...(xn，yn)} (1) 其中，(xi，yi)为当前t时段数据集的第i个样本对，i∈[1，n]，n为总样本数；此时电子鼻传感器的特征矩阵和标签可分别记为Xt＝{x1，x2，...，xn}和Yt＝{y1，y2，...，yn}，所述标签为被测气体或分析物的种类；步骤2，采用浅层神经网络对每个t时段的数据集St进行训练学习，得到各自的基础分类器Nt(x)，这些神经网络分类器模型可记为 Net＝[N1(x)，N2(x)，...Nj(x)，...，Nt(x)] (2)，其中，Nj为第j个分类器，j∈[1，t]，Net表示这些分类器模型的集合；步骤3，将这些分类器模型Nj加权组合，进而可将模型求解转化为一个数值求解问题，即式中，βj即为各个分类器所对应的权值，表示寻找满足公式(3)最小误差的最优权值βj的数值求解算法；步骤4，输出神经网络分类器参数{N1，N2，...，Nt}及其权值向量{β1，β2，...，βt}，采用加权的方式组合当前及其之前时段的基础分类器，得到的集成分类器定义为未来一个时段t+1的分类器，即所述的集成分类器保留了当前及之前数据集的漂移或异构数据的特征信息，能够自动补偿掉未来t+1时段内的漂移误差；所述集成分类器能够采用条件判断的方式，随着数据集的更新而进行自动更新：当新的数据采集时段t+1完成后，判断新采集的数据集St+1样本个数是否满足要求，若满足，则自动依据St+1训练新的基础神经网络Nt+1，并更新Net为[N1(x)，N2(x)，...，Nt(x)，Nt+1(x)]，同时训练新的集成学习器ft+2(x)；若不满足，则再次判断t+1时段间隔是否小于等于t时段：若是，则认为数据集St+1中的样本分布与前一批次st一致，直接使用权值βj作为当前批次St+1应有的权值，同时训练新的集成分类器ft+2(x)；若不是，则提示需要进行增加样本数据量的信息。 2.根据权利要求1所述的基于集成神经网络学习的电子鼻信号漂移补偿方法，其特征在于，步骤1中所述数据预处理包括电子鼻内传感器测量的原始信号降噪和归一化处理，所述原始信号包含传感器的稳态响应特征和瞬态响应特征，预处理后的信号特征值为一维向量形式，样本收集的每个时间段t为一个月，样本数n不小于400，所述标签采用0或1形式编码。 3.根据权利要求1所述的基于集成神经网络学习的电子鼻信号漂移补偿方法，其特征在于，步骤2中的浅层神经网络采用常规的前向多层感知机或反馈神经网络作为基础分类器，所述浅层神经网络包含输入层、隐含层、输出层的三层典型结构，所述隐含层的单元数为20。 4.根据权利要求1所述的基于集成神经网络学习的电子鼻信号漂移补偿方法，其特征在于，步骤3中权值优化问题采用梯度迭代算法求解。 5.根据权利要求1所述的基于集成神经网络学习的电子鼻信号漂移补偿方法，其特征在于，步骤4中的集成基础分类器个数应当不小于5个。
所属类别：	发明专利