一种基于集成神经网络学习的电子鼻信号漂移补偿方法

摘要

本发明公开一种基于集成神经网络学习的电子鼻信号漂移补偿方法，包括如下步骤：1、每个时段内的电子鼻数据特征提取、标记标签、整理数据集；2、利用每个时段内的数据集训练得到各自的浅层神经网络分类器；3、定义所有基础分类器的加权集合为未来一个时段的分类器，求解各基础分类器的权值；4、输出各基础分类器参数及其权值，利用它们构建步骤3中的集成分类器；通过方法建立的集成分类器模型将含有历史数据集的偏移或异构特征，能够自动补偿掉未来一个时段的漂移误差。该集成分类器技术采用了电子鼻原有的弱神经网络模型，同时不需要复杂或深度的学习和训练，兼顾了计算时效性和分类器精度，对硬件要求也低，实际应用性强。