电子鼻是一种模拟生物嗅觉的仿生技术,其通过气体传感器阵列对待测气体进行感知以获取信号,然后用智能信息处理算法对信号进行分析与识别,并作出判断,从而实现生物嗅觉功能。而气体传感器中毒和老化会导致传感器漂移,进而导致电子鼻的性能不稳定和使用寿命短的缺陷。所以,本文主要研究电子鼻系统中的传感器漂移问题,并提出三种漂移补偿方法,分别是基于基线差分标准化的在线漂移补偿模型、领域正则化成分分析模型和跨域判别子空间学习模型,本文将从以下三个方面进行阐述。(1)提出了基于基线差分标准化的在线漂移补偿模型,本模型将漂移分为基线漂移和响应漂移,通过基线差分抵消传感器的基线漂移,再用标准化来抑制传感器的响应漂移。在线应用该方法的难点在于传感器基线的获取,因此,本文建立两个动态矩阵,即当前传感器基线查询库A和用于实时更新的传感器基线库B,通过动态矩阵B对动态矩阵A的定期更新,在矩阵A上采用查表法和双线性插值法估计当前的基线,从而实现当前传感器基线值的近似估计,使得该漂移补偿方法得以在线应用。(2)在传感器漂移补偿过程中,为了保留数据的大部分信息,避免补偿带来的失真问题,受主成分分析方法的启发,本文从数据分布匹配的角度,提出了一种无监督的领域正则化成分分析方法。该方法的主要思想是联合漂移前后的数据学习一个有效的共同主成分子空间,使得漂移前后的数据子空间分布差异性得到改善,从而实现漂移的自适应补偿。(3)在实际应用中,不同的传感器随时间的漂移程度不同,应当区别对待不同程度的漂移。此外,为了提升识别准确度,采用样本的标签信息提升补偿性能。因此,本文提出了一种有监督的跨域判别子空间学习方法,其通过mini-patch特征加权的方法对不同程度漂移的传感器赋予不同的加权系数,并运用判别分析方法的思想。漂移前后数据在新的特征子空间里,具有同质的分布,同时具有类内散布最小和类间散布最大的判别性质。