1.本发明属于电子鼻的种基制方气体识别领域，涉及一种基于平滑条件对抗网络的于平移抑电子鼻漂移准确率补偿方法。
背景技术：
2.随着科技的滑条进步，越来越多的对抗的电工业产品进入了人类的日常生活。然而，网络这些产品的鼻漂生产过程中常常会产生对人类有害的危险气体。因此，种基制方迫切需要研发高度精确和可靠的于平移抑电子鼻来检测这些气体。此外，滑条电子鼻还在医疗诊断、对抗的电水果质量检测、网络车辆尾气检测等领域中起着重要作用。鼻漂电子鼻是种基制方由多种气体传感器组成的仿生嗅觉系统，旨在定性定量分析复杂气体。于平移抑
3.电子鼻系统由气体传感器阵列、滑条信号预处理单元和模式识别算法三部分组成。气体传感器阵列能够迅速将环境中的气体信息转化为电信号，信号预处理单元可以对传感器响应信号进行分析处理，模式识别算法则实现对气体的识别。
4.然而，由于气体传感器自身材料的限制，它们容易受到中毒、老化和环境影响，导致传感器灵敏度出现变化，从而引发传感器漂移。要根本解决传感器漂移问题，需要改变传感器的材料，但由于传感器材料研发滞后，现有的材料无法避免漂移问题。许多学者希望利用软件技术解决传感器漂移问题，但简单的信号预处理技术无法有效补偿传感器漂移，从而影响了电子鼻模式识别系统的性能和应用。
5.近些年，人工智能技术的不断发展，越来越多的研究者开始从数据分析的角度，采用机器学习、迁移学习等方法来解决传感器漂移的问题。在目前提出的方法中，虽然一定程度上实现了电子鼻漂移的抑制，但还存在一些问题，比如未充分考虑工程实践中的实际情景以及方法过于复杂等。电子鼻的漂移现象导致了源域数据(用于初始训练模型)和目标域数据(用于识别)分布的不一致。因此，在理论研究层面，电子鼻漂移抑制问题可转化为源域和目标域数据分布自适应问题。目标是通过使源域数据和目标域数据的分布一致，同时保持类别间的特征分布差异性，来实现电子鼻漂移的抑制，并确保电子鼻的识别精度。然而，目前存在的方法主要集中在纯理论层面，尚未充分考虑到实际工程实践中的现实场景。此外，部分方法过于复杂，实际应用时可能会面临实施难度较大的问题。因此，需要寻找一种既能有效抑制电子鼻漂移又易于实施的方法。综上所述，解决电子鼻漂移抑制问题需要将源域和目标域数据分布自适应，从而实现数据一致性，并确保类别特征分布的差异性。未来的研究应注重工程实践的可行性，并寻求既有效又易于实施的方法，以提高电子鼻的漂移抑制效果和识别精度。
6.在实际的工程应用中，带标签的目标域数据获取十分困难且代价昂贵，而目前为解决电子鼻漂移问题所提出的方法中，绝大多数方法中使用了半监督学习，这种方法需要重新对传感器进行标定，以准确获得目标域标签数据，产生了巨大生产成本，不利于方法的推广。其次，也有一部分学者考虑到了这个问题，他们在不使用目标域标签的情况下，提出了很多方法解决电子鼻的漂移问题，例如：基于对抗的方法，传统的对抗方法只考虑数据之
间的相关性，忽略了数据标签的相关性。传统方法还有训练难，网络收敛性差等缺点，从而导致电子鼻识别模型的精度降低。
技术实现要素：
7.本发明的目的在于提供一种基于平滑条件域对抗网络的电子鼻漂移抑制方法，从低成本、高精度的目的出发，高效地实现对电子鼻漂移的抑制。本方法的重点在拉近源域数据和目标域数据的相对距离的同时，拉近源域标签与目标域标签相对距离，这个过程因此既考虑了数据相关性，也考虑了类别相关性，同时，本模型采用sam优化器，使得网络训练更加简单，网络更易于收敛。因此，本文所提出的方法能够低成本、高精度、快速地实现电子鼻的漂移抑制。
8.本发明主要解决的技术问题是通过以下技术方案实现的，一种基于平滑条件域对抗网络的电子鼻漂移抑制方法，采用多线性条件调节通过捕获特征表示与分类器预测之间的交叉方差来提高分类器的识别率，采用平滑优化器调节：通过控制优化器的平滑性以增强模型的泛化能力；该方法具体包括以下步骤：
9.s1.构建深度特征提取器与构建平滑优化器sam；
10.s2.构建域辨别器与分类器；
11.s3.通过深度特征和域辨别器对抗，混淆域辨别器，提取源域与目标域共同特征送入分类器，得到可以准确分类目标域的模型y＝c(x)，通过训练完成的模型实现漂移样本的正确分类，完成电子鼻的漂移补偿；具体包括以下步骤：
12.s31.分别完成源域数据和目标域数据的输入工作，完成初始化参数的设定，包括特征提取网络的输出维度d
out
、最小训练的批次数b
min
、平衡系数λ、学习率α1和α2；
13.s32.通过前向传播、反向传播、梯度下降，对模型进行更新和迭代，使模型的整体损失函数l
total
(
·
)＝lc(
·
)+ld(
·
)最小化，完成模型的训练工作，得到最终训练出来平滑条件域对抗的分类模型y＝c(x)；
14.s33.将目标域数据输入至训练好的模型，最后通过模型得到对目标域数据的分类预测结果完成电子鼻系统分类补偿。进一步地，s1中构建深度特征提取器与构建平滑优化器sam的具体步骤如下：
15.s11.源域样本和目标域样本作为深度特征提取网络的输入，设定特征提取网络的输出维度d
out
、最小训练的批次数b
min
、学习率为α1、其源域的输出特征表示为f
is
，目标域的输出特征表示为f
it
；
16.s12.根据总体模型框架图中对特征提取网络部分的描述，搭建一维残差卷积层、bn层、激活层、一维最大池化层、线性层，同时确定各层的层数；确定特征提取网络和分类器的梯度下降方式为锐度感知下降法sam，其学习率为α1；
17.s13.通过面向对象的方式，对各层网络进行封装，确定模型中各单层网络的前向传播次序。
18.进一步地，步骤s12中，锐度感知下降法sam，对分类器做了平滑性的约束，具体使用的损失函数为：
[0019][0020]
其中源域标签的预测值为c(f
is
)和源域标签真实值为它的核心思想是寻找在θ的∈邻域上都取得低损失的参数。准确的找到内层解是非常困难的，因此sam的优化目标是如下的一阶近似解
[0021][0022]
进一步地，s2中构建域辨别器与分类器的具体步骤为：
[0023]
s21.将深度特征提取网络的输出f
is
和f
it
作为分类器的输入，其输出为c(f
is
)或c(f
it
)其中可称为源域或目标域样本的伪标签；
[0024]
s22.根据源域样本的预测值c(f
is
)和真实值计算特征提取器的损失函数lc(
·
)；
[0025][0026]
其中，j(
·
)称为交叉熵损失函数；
[0027]
s23.将深度特征提取网络的输出f
is
、f
it
和分类器输出c(f
is
)或c(f
it
)作为域辨别器网络的输入，其输出为或称为源域或目标域样本的域标签；
[0028]
s24.根据域辨别器输出的域标签或和伪域标签1和0计算域辨别器的损失函数ld(
·
)，
[0029][0030]
其中和是样本的熵，用于划分样本分类的难易程度，λ为源域分类和领域判别权衡超参数；确定域辨别网络的梯度下降方式为随机梯度下降法sgd，其学习率为α2。
[0031]
步骤s32中整体损失函数为：
[0032][0033]
经过上述步骤，电子鼻系统在面临漂移而导致分类器失效的问题将被有效缓解，帮助电子鼻系统提高其识别精度，有助于电子鼻系统的推广，具有非常强的实用价值。
[0034]
本发明的有益效果：平滑条件域对抗性网络(cdans)采用了两种新的条件调节策略：多线性条件调节和平滑优化器调节。前者通过捕获特征表示与分类器预测之间的交叉方差来提高分类器的识别率，后者通过控制优化器的平滑性以增强模型的泛化能力。基于
平滑条件域对抗网络将特征信息和标签信息送入域辨别网络，既考虑了数据相关性，也考虑了类别相关性。同时本模型采用sam优化器，使得网络训练更加简单，网络更易于收敛，保障了电子鼻系统对气体的识别精度和高鲁棒性检测能力。
[0035]
本模型目的是使源域数据和目标域数据在上分布一致，无法区分，完成了域适应和提高目标域识别精度双重目的，实现对电子鼻系统补偿。本发明优势在于可以快速部署于实际工程应用场景，没有使用获取难度大目标域标签，并解决了传统对抗网络收敛性差的问题。
附图说明
[0036]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
[0037]
图1为本方法流程图。
[0038]
图2为本方法的总体模型框架图。
具体实施方式
[0039]
下面将结合附图，对本发明的优选实例进行详细的描述。
[0040]
本发明提供的一种基于平滑条件域对抗网络的电子鼻系统漂移抑制方法，方法流程方法流程图如图1所示，本方法所提的总体模型框架图如图2所示，该方法包括以下步骤：
[0041]
步骤1)构建深度特征提取器与构建平滑优化器sam；
[0042]
步骤2)构建域辨别器与分类器；
[0043]
步骤3)通过深度特征和域辨别器对抗，混淆域辨别器，提取源域与目标域共同特征送入分类器，得到可以准确分类目标域的模型y＝c(x)，通过训练完成的模型实现漂移样本的正确分类，完成电子鼻的漂移补偿。
[0044]
步骤1)具体内容包括以下几个步骤：
[0045]
源域样本和目标域样本本会作为深度特征提取网络的输入，设定特征提取网络的输出维度d
out
、最小训练的批次数b
min
、学习率为α1、深度特征提取网络的源域的输出特征表示为f
is
，目标域的输出特征表示为f
it
。
[0046]
步骤12)根据图2所示本模型的特征提取网络是基于resnet18及残差网络，残差网络是由一系列残差块组成的。一个残差块可以用表示为：
[0047][0048]
残差块分成两部分：恒等映射部分和残差部分。h(x
l
)＝x
l
恒等映射，；是残差部分，一般包含两个卷积层，两个bn层，一个relu层。
[0049]
bn层作为一种应用十分广泛的抗过拟合、加速模型收敛的手段，不仅能够提高训练出来模型的精度，也能减少模型的训练时间，将最小的训练批次数b
min
的样本求平均值和方差，然后按照求出的平均值和方差将数据变换为方差为1，均值为0，通过乘以两个可学习的参数，再将数据分布进行一定程度还原，还原成整体分布特征。
[0050]
激活层采用的激活函数为relu函数，激活函数的主要作用是完成数据的非线性变换，解决线性模型的表达、分类能力不足的问题，relu函数的数学表达式为σ(x)＝max(0,
x)，使用relu作为激活函数的作用在于能够有效克服神经网络梯度消失的问题，提高模型训练效率。按照图2进行设计，构建深度特征提取网络的输出为：
[0051]fis
＝f(xi)
[0052]fit
＝f(xi)
[0053]
步骤13)通过面向对象的方式，创建模型对象，确定前向传播的次序，确定特征提取网络和分类器的梯度下降方式为锐度感知下降法sam(sharpness aware minimization)，其学习率为α1。有大量研究表明，分类损失越平滑，模型在目标域上的表现更好。所以需要寻找局部平滑的最小值点，sharpness aware minimization(sharpness-aware minimization for efficiently improv-ing generalization)方法使用如下损失来完成这个目标
[0054][0055]
它的核心思想是寻找在θ的∈邻域上都取得低损失的参数。准确的找到内层解是非常困难的，因此sam的优化目标是如下的一阶近似解
[0056][0057]
所以本模型对分类器做了平滑性的约束，具体使用的损失函数如下所示
[0058][0059]
所述步骤2)具体内容包括以下步骤：
[0060]
步骤21)将深度特征提取网络的输出f
is
和f
it
作为分类器的输入，其输出为c(f
is
)或c(f
it
)其中可称为源域或目标域样本的伪标签；
[0061]
步骤22)根据源域样本的预测值c(f
is
)和真实值计算特征提取器的损失函数lc(
·
)，得：
[0062][0063]
其中j(
·
)称为交叉熵损失函数，通过方向传播和随机梯度下降寻找损失函数的最小值，找到损失函数的最小值的过程，就是模型的训练过程，模型训练的目标就是使得损失函数最小化。
[0064]
步骤22)将深度特征提取网络的输出f
is
和f
it
和分类器输出c(f
is
)或c(f
it
)作为域辨别器网络的输入，其输出为或其中可称为源域或目标域样本的域标签；
[0065]
步骤22)根据域辨别器输出的域标签或和伪域标签1和0计算域辨别器的损失函数ld(
·
)，得
[0066][0067]
其中和是样本的熵，用于划分样本分类的难易程度，权重等于e的负倒数，熵越大，越难划分，权重越小。常规的对抗网络是指将f
is
和f
it
输入域判别器，这就忽略了类别信息，而本模型对抗网络就将和输入域判别器，这样考虑了即考虑了数据样本的相关性，也考虑了类别信息的相关性，更好提取目标域和源域的共同特征，更好的提升电子鼻系统的补偿，
[0068]
步骤23)确定域辨别网络的梯度下降方式为随机梯度下降法sgd(stochastic gradient descent)，其学习率为α2。只对分类器做平滑性的约束，而不对域分类器做约束的原因是有大量研究从理论性和实验性的验证了，对域分类器做平滑性的约束，可以让域分类损失更小，但是在目标域上的表现却会更差，即对泛化性并没有好处。
[0069]
所述步骤3)具体内容包括以下步骤：
[0070]
步骤31)分别完成源域数据和目标域数据的输入工作，完成初始化参数的设定，包括特征提取网络的输出维度d
out
、最小训练的批次数b
min
、平衡系数λ、学习率α1和α2。
[0071]
步骤32)通过前向传播、反向传播、梯度下降，对模型进行更新和迭代，使模型的整体损失函数
[0072][0073]
最小化，完成模型的训练工作，得到最终训练出来平滑条件域对抗的分类模型。
[0074]
步骤33)将目标域数据输入至训练好的模型，最后通过模型得到对目标域数据的分类结果最终目标域数据通过本模型，完成了电子鼻的漂移抑制，保障了电子鼻的识别精度，提高了电子鼻的高鲁棒性检测能力。
[0075][0076]
将本方法应用于重庆大学数据集并与传统方法比较，结果如上表所示。该数据集的数据采集时间横跨5年，导致传感器漂移程度更深，所以每种方法的精度小于80％。表中为各种方法在主数据-从数据1与主数据-从数据2的两个批次下的分类精度。可以从表得出cdan+sam获得最优的分类识别精度，其平均分类识别精度达到69.56％。
[0077]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过上述实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，但不偏离本发明权利要求书所限定的范围。