[發(fā)明專利]一種仿生嗅覺系統(tǒng)中傳感器的在線漂移補(bǔ)償方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010158546.5
• 申請(qǐng)日: 2020-03-09
• 公開（公告）號(hào): CN111474297B
• 公開（公告）日: 2022-05-03
• 發(fā)明（設(shè)計(jì)）人: 陶洋;楊皓誠(chéng);梁志芳;黎春燕;孔宇航
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G01N33/00
• 分類號(hào): G01N33/00;G06K9/62
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 楊柳岸

1.一種仿生嗅覺系統(tǒng)中傳感器的在線漂移補(bǔ)償方法，其特征在于：該方法包括以下步驟：

步驟1)依據(jù)輸入樣本批次號(hào)進(jìn)行源域重構(gòu)；

步驟2)使用重構(gòu)完成的源域與目標(biāo)域樣本構(gòu)建分類模型并保存預(yù)測(cè)結(jié)果；

所述步驟1)包括以下幾個(gè)步驟：

步驟11)輸入樣本的批次號(hào)a；

步驟12)根據(jù)批次號(hào)a進(jìn)行源域重構(gòu)，當(dāng)a＝1時(shí)，D_s選擇為傳感器未發(fā)生漂移時(shí)所采集到的初始批次有標(biāo)簽樣本集n₁為初始批次樣本數(shù)，否則，D_s由當(dāng)前目標(biāo)域的前一批次已完成分類預(yù)測(cè)的樣本集與D₁共同構(gòu)造，即D_s＝D₁∪D_a，其中n_a為a批次樣本數(shù)，當(dāng)a＝1時(shí)，由于是首次模型構(gòu)建，不存在上一批次的分類預(yù)測(cè)結(jié)果，故此時(shí)D_s＝D₁，重構(gòu)后的源域樣本數(shù)為：

所述步驟2)包括以下幾個(gè)步驟：

步驟21)輸入無標(biāo)簽的a+1批次目標(biāo)域樣本n_t為目標(biāo)域樣本數(shù)；

步驟22)使用主成分分析法將X_s與X_t降維至p維以生成子空間S_s和S_t，G_d×p為所有p維子空間的集合，每個(gè)子空間視作格拉斯曼流形空間G_d×p上的一點(diǎn)，令Φ(t)為G_d×p上的一條測(cè)地線，其中t∈[0,1]，Φ(0)＝S_s和Φ(1)＝S_t作為測(cè)地線的兩端，z_i和z_j為x_i與x_j在無限維空間上投影后的特征向量，其內(nèi)積表示為：

上式中x_i,x_j∈D_s∪D_t，G表示測(cè)地線核：

上式中R_s由X_s經(jīng)PCA提取p維特征后所剩余的d-p維特征組成，U₁和U₂互為正交矩陣，通過奇異值分解求出，Λ₁,Λ₂及Λ₃為對(duì)角矩陣，矩陣中的元素值分別為：

將X_s與X_t投影后所得的樣本特征空間使用和表示，其中

步驟23)使用Z_s通過k＝1的k近鄰算法訓(xùn)練分類器，而后將Z_t帶入到該分類器中以獲得偽標(biāo)簽

步驟24)使用Z_s和Z_t選擇高斯核以構(gòu)造核函數(shù)

步驟25)通過k近鄰算法確定Z_s和Z_t中各點(diǎn)的鄰居關(guān)系以獲得相似度矩陣W：

上式中r(z_i,z_j)＝1表示z_i和z_j互為鄰居關(guān)系；獲得W后即算出拉普拉斯矩陣L：

上式中D為對(duì)角矩陣，由計(jì)算獲得，此時(shí)流形正則約束項(xiàng)表示為：

步驟26)對(duì)Z_s和Z_t進(jìn)行條件分布自適應(yīng)，條件分布差異通過最大均值差異在再生希爾伯特空間上進(jìn)行度量，使用經(jīng)驗(yàn)估計(jì)式近似統(tǒng)計(jì)估計(jì)：

上式中C表示樣本內(nèi)所含標(biāo)簽的類別總數(shù)，由兩個(gè)對(duì)角矩陣組成，其中：

表示Z_s和Z_t中標(biāo)簽為l的n_l個(gè)樣本的分類結(jié)果集合，f表示G_d×p下的分類預(yù)測(cè)函數(shù)：

上式中α＝[α₁,α₂,...,α_N]^T為系數(shù)向量，條件分布自適應(yīng)項(xiàng)的最終計(jì)算式為：

MMD²(H_K,Q_s,Q_t)＝tr(f^TMf)

上式中M中各元素由下式直接算出：

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，結(jié)合流形正則化項(xiàng)和條件分布自適應(yīng)項(xiàng)，分類器f的最終優(yōu)化目標(biāo)為：

上式中U為樣本所在域的指示矩陣，即：

令優(yōu)化式中α的偏導(dǎo)數(shù)為0以解出α：

α＝(λ₁I+(λ₂M+λ₃L+U)K)^-1UY^T

使用f完成對(duì)的更新，重復(fù)步驟26)e次以迭代更新M和α；

步驟27)獲得本批次樣本的預(yù)測(cè)標(biāo)簽并保存，等待下一批次樣本輸入。