仿生嗅觉系统又称电子鼻系统,是一个由气体传感器阵列、信号预处理单元和模式识别算法组成的用于气体识别的系统。当待测气体通入系统时,传感器阵列根据气体特性产生电信号响应,然后利用信号预处理单元对响应信号进行处理,最后将其输入模式识别算法模型以实现气体判别。传感器漂移在仿生嗅觉系统中持续发生,难以预测。漂移会造成传感器的输出响应异常,改变其所采集的气体样本的数据分布,进而劣化预先训练完成的模式识别算法性能,影响气体的识别准确率。当前大多数漂移补偿算法均为离线算法,此类方法虽然获得了较好的识别效果,但难以部署到现实应用中。本文引入迁移学习的思想,将时间轴上先后两个时间段内所采集到的传感器输出响应样本集分别作为源域和目标域。针对离线算法的局限性,本文提出了两种传感器在线漂移补偿算法以实现目标域样本的准确识别,增强识别模型的鲁棒性,进而达到延长仿生嗅觉系统使用寿命的目的。1.基于子空间分布自适应的传感器在线漂移补偿算法。该算法通过构造测地线核将源域样本与目标域样本嵌入到流形子空间中,然后引入条件分布自适应和流形正则化以减小域间特征的分布差异,并利用结构风险最小化原则构建分类器。由于漂移是一个持续发生的动态过程,算法利用了格拉斯曼流形空间上的几何性质,将每次分类后获得预测标签的漂移样本通过源域重构引入到下一轮的分类器训练中,从而实现了分类模型的在线更新。2.基于稀疏自编码器的传感器在线漂移补偿算法。该算法在不借助任何目标域样本的前提下完成稀疏自编码器与分类器的训练。当目标域样本到达时,将其输入稀疏自编码器中以获得包含源域非线性结构的重构表示,减小其与源域特征分布的偏差,然后对该重构表示进行特征增强以保持重构样本在原始目标域空间下的特性,最后将增强后的样本带入源域分类器中,完成样本的分类识别。通过气体传感器阵列漂移公开数据集对本文提出的两种算法进行实验,结果验证了算法的有效性。