基于样本分布加权跨域极限学习机的电子鼻漂移补偿

针对电子鼻应用中传感器漂移现象导致的电子鼻分类准确率降低问题,文中提出一种基于样本分布加权的跨域极限学习机模型。该模型考虑到单个样本对全局分布差异度量的贡献度不同,以基于样本分布加权的最大均值差异作为衡量领域间样本分布差异的度量,将源域和目标域数据投影到高维的极限学习机特征空间中,然后寻找一个合适的投影方向,将特征空间中的数据映射到一个公共子空间中,使得子空间中源域数据和目标域数据具有相似的分布。使用Matlab对该算法进行仿真,并对比不同的隐含层节点数对该算法识别率的影响,以验证该算法的可行性。结果表明,文中提出的算法模型可以明显减小两个域间数据的分布差异,满足传统的分类学习算法对训练和测试数据的分布要求,从而提高电子鼻的分类准确率。