论文部分内容阅读
近年来,电子鼻(Electronic nose,E-nose)技术逐渐稳定发展和成熟。电子鼻是一种典型的人工嗅觉系统,擅长识别气味中的挥发性化合物,其主要由气体传感器阵列、信号预处理单元和模式识别单元三部分构成。其中,传感器阵列是电子鼻系统的基础。然而,在实际应用中,传感器响应的在线漂移问题普遍存在。传感器漂移会造成其响应与算法模型之间的兼容性随时间恶化,进而导致电子鼻性能的下降。目前,有许多研究使用不同的方法来解决电子鼻系统技术发展过程中不可回避的漂移问题。然而,在在线漂移抑制场景中,预标签校正方法难以满足获取数量较多且类别全面样本的要求。同时,弱标签校方法中由于模型给定标签的准确率较低,因此无法生成优秀的校正集。除此之外,无标签校正方法从无标签的漂移样本中获取漂移信息。但由于其信息丰富程度较低,模型性能无法实现较大提升。为了在尽量少的人为干预下获取高准确度和高质量的校正集,本研究引入主动学习(Active Learning,AL)方法来完成识别模型的在线更新。
在电子鼻系统在线漂移抑制场景中,为了保证模型性能的提升,漂移校正集需要满足类别全面性和样本分布具有高度代表性的要求。因此,本文提出了三种基于主动学习框架的算法。具体地,本文的工作及取得的成果主要包括:
①电子鼻系统硬件平台实现以及数据集采集
本研究设计与搭建了一套用于电子鼻数据采集的实验平台,该硬件平台主要包括控制单元、传感单元以及气体进样单元。同时,使用该电子鼻系统采集在线漂移数据集。
②提出并验证了基于自适应置信度规则的主动学习算法
针对传统主动学习样本选择策略无法快速掌握漂移样本分布的问题,本文从多样本选择标准的角度提出基于自适应置信度规则的主动学习(Active Learning on Adaptive Confidence Rule,AL-ACR)方法。其核心思想是自适应地调整实例选择标准,从而使所选实例分布尽可能广的覆盖漂移数据。
③提出并验证了基于动态聚类采样的主动学习算法
针对以往主动学习方法获取的漂移校正数据集类别不全面的问题,本文在计算样本信息价值的同时考虑样本的类别信息,提出了基于动态聚类采样的主动学习(Active Learning on Dynamic Clustering Sampling,AL-DCS)方法。其具体分为初始化、聚类和实例选择三个阶段。
④提出并验证了基于分类器状态采样的主动学习算法
为了避免主动学习方法性能受到漂移样本自身分布的影响,本文提出了一种基于分类器状态采样的主动学习(Active Learning on Classifier-State Sampling,AL-CSS)方法。同时,为了减少算法运行时间,本文提出在精炼训练集基础上的AL-CSS(AL-CSS based on training-sample Refining,AL-CSS-R)方法。
本文使用两个数据集分别对三种方法的有效性和实用性进行验证,从算法识别准确度和算法识别效率两个角度均说明了它们在长期和短期中均表现出较优的抗漂移能力。同时,以上实验均说明主动学习方法适用于在线漂移抑制场景,可以有效解决电子鼻中传感器响应在线漂移的问题。其中,AL-ACR和AL-DCS方法适用于对运行时间和算法准确率要求均较高的场景。AL-CSS和AL-CSS-R方法适用于对算法准确率要求较高但对算法运行时间要求不太高的场景。
在电子鼻系统在线漂移抑制场景中,为了保证模型性能的提升,漂移校正集需要满足类别全面性和样本分布具有高度代表性的要求。因此,本文提出了三种基于主动学习框架的算法。具体地,本文的工作及取得的成果主要包括:
①电子鼻系统硬件平台实现以及数据集采集
本研究设计与搭建了一套用于电子鼻数据采集的实验平台,该硬件平台主要包括控制单元、传感单元以及气体进样单元。同时,使用该电子鼻系统采集在线漂移数据集。
②提出并验证了基于自适应置信度规则的主动学习算法
针对传统主动学习样本选择策略无法快速掌握漂移样本分布的问题,本文从多样本选择标准的角度提出基于自适应置信度规则的主动学习(Active Learning on Adaptive Confidence Rule,AL-ACR)方法。其核心思想是自适应地调整实例选择标准,从而使所选实例分布尽可能广的覆盖漂移数据。
③提出并验证了基于动态聚类采样的主动学习算法
针对以往主动学习方法获取的漂移校正数据集类别不全面的问题,本文在计算样本信息价值的同时考虑样本的类别信息,提出了基于动态聚类采样的主动学习(Active Learning on Dynamic Clustering Sampling,AL-DCS)方法。其具体分为初始化、聚类和实例选择三个阶段。
④提出并验证了基于分类器状态采样的主动学习算法
为了避免主动学习方法性能受到漂移样本自身分布的影响,本文提出了一种基于分类器状态采样的主动学习(Active Learning on Classifier-State Sampling,AL-CSS)方法。同时,为了减少算法运行时间,本文提出在精炼训练集基础上的AL-CSS(AL-CSS based on training-sample Refining,AL-CSS-R)方法。
本文使用两个数据集分别对三种方法的有效性和实用性进行验证,从算法识别准确度和算法识别效率两个角度均说明了它们在长期和短期中均表现出较优的抗漂移能力。同时,以上实验均说明主动学习方法适用于在线漂移抑制场景,可以有效解决电子鼻中传感器响应在线漂移的问题。其中,AL-ACR和AL-DCS方法适用于对运行时间和算法准确率要求均较高的场景。AL-CSS和AL-CSS-R方法适用于对算法准确率要求较高但对算法运行时间要求不太高的场景。