关键词： 茶叶拼配   机器学习   品质评价   高光谱   图像处理  

摘要： 茶叶拼配是茶叶精加工中的一项工艺,旨在参考茶叶标准样,选择两种及以上外形、品质不一的原料茶按一定比例拼合,使拼配后茶叶的质量符合产品要求。目的在于提高茶叶品质一致性、稳定茶叶质量、扩大供货来源。在我国茶叶生产过程中,仍依靠拼配专家完成拼配工作,存在主观性强、难以定量等问题,不利于实现茶叶质量标准化。尽管目前理化分析方法可以用于检测茶叶品质,但由于试验过程复杂,检测速度较慢等问题,仍难以在茶厂中实现规模化普及。随着传感器技术的发展,各类图像、波谱检测技术被广泛用于茶叶的品质分析中,这为解决拼配问题提供新的思路。本文以眉茶为研究对象,采用计算机视觉技术与高光谱成像技术,面向拼配工艺中的成品茶等级判别问题、试拼小样与标准样的相似性评价问题、拼配比例设计问题开展研究,取得了以下主要结果:(1)针对眉茶等级判别问题,构建了表征其外形品质的几何特征,结合机器学习方法建立眉茶等级判别模型,实现7个等级眉茶的精准分类。本文提取了10种叶片几何特征并构建描述茶叶外形品质的特征直方图,分别基于XGBoost、LMNN和卷积神经网络3种方法建立外观等级判断模型。结果表明,3种方法在测试集中5折交叉验证的平均准确率均高于92%,其中使用卷积神经网络结合Softmax分类器的方法分类精度最高,测试集平均准确率为97.86%。结果表明,本文构建的外形几何特征能有效表征眉茶外观品质,结合卷积神经网络模型,能够精准实现眉茶等级分类。(2)针对茶叶拼配过程中试拼小样与标准样的相似性评价问题,本文提出了一种基于深度度量学习的相似性评价方法。本文采用7种等级的眉茶标准样作为训练样本,并在标准样中加入不同含量半成品茶构建具有不同相似性的测试样本。采集茶样的高光谱数据并提取光谱特征与图像特征,分别以光谱数据、图像数据、图谱融合数据3种类型的数据作为模型输入。为了构建距离特征空间,本文建立深度度量学习模型并设计了Center Anchor Triplet Loss损失函数,通过样本数据在特征空间中的距离,表征相似程度,达到定性判断相似性和定量度量相似度的目的。结果表明:深度度量学习方法可以准确评价茶样相似性,图谱融合数据结合Center Anchor Triplet Loss的方法精度最高,相似性判断准确率为98.89%,相似度度量准确率为100%。本文采用未经训练的独立样本评价模型,获得了较好的结果,说明算法具有较好的泛化能力,研究结果为眉茶的相似性评价提供了理论依据。(3)为了实现茶叶拼配比例的智能计算,本文构建基于强化学习机制的拼配比例计算模型,求解目标样拼配比例。选取4种眉茶拼配中常用的半成品茶,按比例拼合获得10种品质不同的茶样作为目标样。采集上述茶样的高光谱数据,面向拼配比例计算框架中的品质判断、茶叶光谱生成、拼配方案探索问题,分别构建机器学习模型。针对目标状态判断问题,基于深度度量学习构建茶叶相似性判断网络,用以评价当前状态茶样特征与目标样之间的相似性,判断是否符合目标样品质要求;针对数字化拼配中无法采集每种比例茶叶光谱的问题,基于TF-ACGAN网络训练茶叶光谱生成器,生成光谱被茶叶相似性判断网络准确分类的概率为94.25%;针对眉茶拼配问题设计状态、动作与奖励函数,结合茶叶相似性判断网络与茶叶光谱生成器分别构建GM-Q-learning和GM-TD3拼配比例计算模型,测试模型计算拼配比例的效果。结果表明,基于强化学习的茶叶拼配算法可以准确求解目标茶样的拼配比例,实现茶叶智能化拼配。本文面向拼配工艺中的茶叶等级判别问题,构建外形几何特征描述外观品质,实现茶叶等级分类;面向试拼小样与标准样的相似性评价问题,建立深度度量学习模型,利用样本特征距离量化茶样间的相似度;面向拼配比例计算问题,构建强化学习模型准确计算目标样拼配比例。本文针对拼配过程中的若干决策问题,提出了基于机器学习技术的智能化算法,有助于解决茶叶拼配技术中主观性较强的问题,提高拼配过程中的智能化水平,实现茶叶品质标准化。

关键词： 抑郁发作   机器学习   面部表情   心率变异性   识别和评估模型  

摘要： 目的:本研究旨在探讨抑郁发作患者和健康人群在头部特征、面部特征点的运动速度、面部动作单元(Action Unit,AU)强度特征、眼睛特征和心率变异性特征(Heart Rate Variability,HRV)等方面的差异。探寻与抑郁水平相关的头面部特征和心率变异性特征,并以机器学习方法构建基于多模态数据的抑郁发作识别和评估模型。方法:本研究共纳入在院的90名抑郁发作患者作为研究组,包括66名抑郁障碍和24名双相情感障碍目前为抑郁发作的患者(本文统称为“抑郁发作”),同时以年龄、性别、受教育年限等人口学资料匹配纳入对照组90名。两组人群接受抑郁自评量表(Self-Rating Depression Scale,SDS)、焦虑自评量表(Self-Rating Anxiety Scale,SAS)、汉密尔顿抑郁量表(Hamilton Depression Scale,HAMD)和汉密尔顿焦虑量表(Hamilton Anxiety Scale,HAMA)的评估。同时,用摄像头对两组进行正面录像,采用开源的面部行为分析工具Open Face 2.0进行视频处理,并分别计算其头部特征、面部特征点的运动速度、面部动作单元强度特征和眼睛特征。并采集两组的心率变异性数据,通过心电工作站自动分析得到相关特征。运用多元协变量分析(Multivariate analysis of covariance,MANCOVA)的方法,在控制年龄、性别、受教育年限的情况下,进行两组的差异性检验。在SPSS Modeler 18中以有差异的特征为自变量,分别以SDS标准总分、HAMD总分为预测变量构建抑郁水平线性回归预测模型。最后,将有差异的特征以及年龄、性别、受教育年限作为自变量,分别以逻辑回归、支持向量机、随机森林三种机器学习方法构建抑郁发作的二分类识别模型和抑郁严重程度的多分类评估模型。结果:(1)差异性检验发现,研究组与对照组在头部Y轴平均位置、头部Z轴平均位置、面部特征点2、19、24、28、30、31、35、39、42、51、57的平均运动速度、AU06、AU07、AU14、AU23、AU25的平均强度、AU02、AU06、AU12、AU14、AU23、AU25的强度标准差、眼睛X轴平均凝视向量、眼睛Y轴平均凝视向量、眼睛Y轴凝视向量标准差、心跳间期标准差、HRV总功率、HRV超低频功率、HRV低频功率和HRV高频功率方面均存在显著差异(Ps<0.05-0.001)。(2)线性回归预测模型显示,AU07平均强度、AU23强度标准差和眼睛Y轴平均凝视向量与SDS标准总分均呈显著正相关(β=0.153,0.204,0.163,Ps<0.05-0.01)。而受教育年限、AU06强度标准差、AU14强度标准差和心跳间期标准差与SDS标准总分均呈显著负相关(β=-0.313,-0.260,-0.270,-0.275,Ps<0.001)。在控制了其它自变量的情况下,男性的SDS标准总分低于女性(β=-0.223,P<0.001);头部Y轴平均位置、AU06平均强度、AU23强度标准差、眼睛Y轴平均凝视向量和HRV超低频功率与HAMD总分均呈显著正相关(β=0.127,0.327,0.151,0.259,0.290,Ps<0.05-0.001)。受教育年限、AU14平均强度、AU06强度标准差、HRV低频功率和HRV高频功率与HAMD总分均呈显著负相关(β=-0.257,-0.269,-0.392,-0.402,-0.228,Ps<0.01-0.001)。(3)在抑郁发作识别模型和抑郁严重程度评估模型中,采用随机森林方法效果均为最好,两个最佳预测模型的F1分数均为0.967,准确率均为96.7%。结论:(1)运用人工智能技术进行头面部特征检测可以用于客观评估抑郁发作患者的外在行为表现。(2)本研究发现了可以衡量主观抑郁感受和客观抑郁水平的标志物,可用于高危抑郁人群的筛查。(3)机器学习方法构建的抑郁发作识别和评估模型可以有效辅助医生识别抑郁发作患者和评估抑郁发作患者的严重程度。随机森林方法在两个模型中均表现最佳,可供未来的研究选择。图15幅,表11个,参考文献94篇

摘要： 中亚天山高海拔地区的复杂地形和恶劣天气条件以及稀少的水文气象站点分布，导致该地区气象和水文观测数据缺乏。而传统的基于物理过程的水文模型需要大量的观测数据来校准空间参数，使得高山区分布式水文模拟颇为困难。机器学习方法（LSTM）由于非线性拟合能力强大而逐渐被应用于水文建模。这种方法能分析输入和输出数据之间的关系，为流量模拟提供了新策略。中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室研究员陈亚宁团队对比分析了四种机器学习模型与两种水文模型在天山开都河流域日流量和极端流量模拟方面的准确性和适用性,

关键词： 蓄热式铝熔炼炉   炉温预测   工况分类   数据驱动的软测量  

摘要： 铝是目前应用最广泛的金属之一,作为铝冶炼中最重要的一环,铝熔炼过程的运行状况对铝的产量、品质以及能耗至关重要。在铝熔炼实际生产过程中,通常以铝液温度来指导生产,但由于铝液温度高且具有腐蚀性,热电偶传感器需要加保护夹套,这导致铝液温度数据难以获取、生产成本上升。经研究发现,熔炼炉温可以代替铝液温度指导铝熔炼生产,且炉温数据相对容易获取,更有利于建模预测。然而,铝熔炼过程入口原料成分、性质等工况多变,导致熔炼炉温经常需要调整,给炉温的预测带来了困难。针对上述问题,本文研究并提出了一种基于数据驱动的铝熔炼过程的工况分类模型和炉温实时预测模型。本文以某大型铝厂中蓄热式铝熔炼炉的生产过程为背景,对铝熔炼炉的生产过程中的炉温变化趋势进行了研究,并对炉温的预测进行了研究,取得了一些成果。论文的主要内容和创新性成果如下:(1)首先简要说明了再生铝的生产全流程,重点分析了再生铝熔炼过程。对铝熔炼过程的生产工艺进行了机理分析,分析了影响熔炼状态的炉温及相关工艺参数,得到了对炉温产生重要影响的相关变量。(2)针对铝熔炼过程中入口原料成分、性质等工况多变,熔炼炉温度变化频繁的特点,本文提出了基于麻雀搜索算法优化的动态时间规整模糊聚类方法,来对经滑窗后的炉温数据序列进行聚类。该聚类方法可以根据炉温的变化趋势对炉温序列进行准确的工况聚类;同时,根据当前时刻影响炉温变化的相关变量,采用一维卷积神经网络来预测下一时刻熔炼过程所处的工况类别,实现了铝熔炼过程中工况的聚类和分类;最后用某铝厂的实际生产数据验证了该工况分类聚类模型的有效性。(3)针对铝熔炼过程具有时变性,熔炼炉温预测困难的问题,本文提出一种结合上述工况分类模型和基于时间序列相关性加权的长短期记忆神经网络模型的方法来建立炉温的软测量模型,实现对炉温的预测。首先,本文提出了一种基于时间序列相关性加权的及时学习策略。该即时学习策略以动态时间规整算法下的序列间距离作为相似性指标,在查询样本可用时根据其与历史样本序列间的相似性大小来选择建模样本。然后,基于上述即时学习策略以及长短期记忆神经网络模型,本文建立了基于时间序列相关性加权的长短期记忆神经网络软测量模型实现对炉温的预测,该模型提高了长短期记忆神经网络对非线性、时变性的处理能力。第三,为减少建模所消耗的时间,本文将前述的工况分类模型与上述软测量模型结合,先由工况分类模型对当前查询样本进行工况分类,然后在对应的工况类别历史数据下进行软测量建模。最后,通过某铝熔炼厂的实际生产数据验证了所提软测量模型的有效性。

关键词： 机器学习方法   偏微分方程   transformer   算子学习   优化算法  

摘要： 近年来,机器学习方法在各个领域有着极其广泛的应用。由于其强大的表示能力,机器学习方法也被应用于求解偏微分方程。算子学习任务作为其中的一大课题,因为其实用性,也深受学者关注。常见的机器学习方法求解偏微分方程主要包括三个部分:选择网络表征与方程有关的解,构建损失函数,选用合适的优化器优化损失函数。本文从第一部分和第三部分论述了机器学习求解偏微分方程的一般步骤。Transformer框架作为自然语言处理中最先进的框架,却面临着高计算消耗的困难。我们基于其相关性矩阵的低秩性,设计了 Linear(Lin)和Low-rank(Lrk)两种模型用于求解算子学习任务并测试了它们在Burgers方程,Darcy流,Darcy流的逆系数确认问题以及三维Darcy流中的表现。数值结果表明,这两个模型能在保持精度基本相同的前提下提高了效率。较深和较宽神经网络的优化一直是一个较为困难的事情,常见的优化器很难使目标函数优化到一个较为理想的极小值点。我们比较了 Adam算法和Adam-CBO算法,测试了它们在较深和较宽网络中迭代次数相同的情况下分别所能达到的精度,发现Adam-CBO在这类网络中有着更好的表现。

关键词： 新能源汽车企业   价值评估   机器学习  

摘要： 纵观全球,随着天然气、石油等不可再生能源的持续消耗,导致全球变暖、海平面不断升高,气候变化和环境污染问题日益严峻。因此,新能源的开发和应用显得尤为迫切和必要,其中新能源汽车的使用成了一个关键点。综合来看,在我国当前石油高度依赖进口,燃料方式转变的背景下,我国对新能源汽车政策不断利好,叠加近二年的双碳目标,再加上我国居民经济收入水平的提升,以及新能源汽车的性能不断提升,不断推动着新能源汽车市场规模迅速扩大。作为我国经济政策着力扶持的国家战略性高新兴产业,新能源汽车行业的前景受到社会各界的广泛认可,企业规模发展迅速。为了更准确地评估新能源汽车企业价值,本文基于机器学习方法,构建一套科学合理的新能源企业价值评估模型,并选取比亚迪公司作为案例研究对象进行价值评估,验证模型有效性。本文使用机器学习方法是对新能源汽车企业价值评估的拓展。目前传统的企业价值评估方法在面对新能源汽车的行业特点时暴露出了自身的局限性与缺陷,在大数据时代的浪潮中,众多行业已经开始广泛利用机器学习。使用机器学习的方法进行企业价值评估,是对新能源汽车企业估值的一种新思路。同时,本文还将非财务指标与财务指标相结合进行企业价值评估。传统的企业估值方法往往只局限于对财务指标的分析而忽略了非财务指标,而新能源汽车行业作为新兴产业,研发能力、股权结构等非财务指标对企业价值也产生了重要影响。本文结合财务指标与非财务指标,使用机器学习方法进行更加全面的估值。研究发现,在新能源汽车企业的估值模型中同时关注财务和非财务因素可以显著提高评估准确性;采用基于机器学习的估值方法比传统评估手段更能精确地反映新能源汽车企业价值。基于机器学习方法建立的新能源汽车企业价值评估模型具有准确性和普适性,有助于为我国新能源汽车企业的投资、融资、股票增发等行为提供参考,从而更有效地推动我国新能源汽车行业的进步。

关键词： 子痫前期   生物信息学   机器学习   差异表达基因  

摘要： 目的:通过生物信息学和机器学习算法筛选并验证子痫前期(Preeclampsia,PE)的潜在关键基因,揭示可能的分子机制,为临床上PE的诊断、预防及治疗提供思路。方法:首先从基因表达综合数据库(Gene Expression Omnibus,GEO)下载PE基因芯片GSE10588、GSE66273、GSE30186数据集。运用R语言的“limma”包筛选出PE基因芯片GSE10588数据集的差异表达基因(differentially expressed genes,DEGs),并对其进行功能、通路的富集分析。通过最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,LASSO)及随机森林(Random Forests,RF)两种机器学习算法对DEGs进行降维处理,进一步筛选候选关键基因,然后在PE基因芯片数据集(GSE66273、GSE30186)进行验证得到关键基因,对其相关性、表达情况以及对PE的诊断效能进行可视化分析,同时进行基因本体论(gene ontology,GO)、京都基因与基因组百科全书(Kyoto Encyclopedia of Genes and Genomes,KEGG)以及基因集通路富集分析(Gene Set Enrichment Analysis,GSEA)。最后通过RT-PCR分析13例PE患者和11例正常单胎孕妇的胎盘及血清中关键基因的表达情况,验证关键基因是否与生信分析表达一致,并对关键基因与临床特征进行相关性分析。结果:首先,基于GSE10588数据集获得265个DEGs。功能富集分析表明,DEGs的生物学功能主要与缺氧、氧化应激以及促性腺激素的分泌调节等有关,涉及肾素-血管紧张素系统、铁死亡以及Notch、HIF-1、AMPK、IL-17等信号通路。其次通过机器学习算法得到18个候选关键基因,相关性分析显示这些基因之间有协同作用。通过GSE30186、GSE66273数据集对18个候选关键基因进行验证,得到4个关键基因:GCLM和EVI5,LEP和SYNPO2L。相关性分析表明SYNPO2L、GCLM、EVI5均与LEP负相关,SYNPO2L、GCLM、EVI5则相互正相关;在PE中仅LEP高表达,EVI5、GCLM、SYNPO2L低表达;ROC曲线分析显示:EVI5、GCLM、LEP、SYNPO2L诊断PE的AUC值分别为0.733、0.735、0.880、0.679,而关键基因联合诊断PE的效能强,AUC为0.889。GO功能分析显示,它们的功能主要富集在血管直径调节、细胞对碳水化合物刺激的反应、循环系统中血管形成的过程、酸性氨基酸连接酶活性、RAB GTPase结合、激素受体结合等。KEGG及GSEA通路富集分析显示关键基因调控通路可能涉及铁死亡、谷胱甘肽代谢以及AMPK、JAK-STAT和脂肪细胞因子等信号通路。最后RT-PCR验证关键基因的表达:与对照组相比,PE组胎盘中SYNPO2L、GCLM低表达,差异有统计学意义,而EVI5、LEP表达较低,但差异无统计学意义;PE组血清中EVI5和LEP低表达,差异有统计学意义,而SYNPO2L表达较低,GCLM表达较高,但差异均无统计学意义。关键基因与临床特征相关性分析显示:EVI5、GCLM、SYNPO2L、LEP均与PE患者的血压、新生儿体重无相关性。结论:1基于生物信息学分析和机器学习算法确定了与PE密切相关的4个关键基因(EVI5、GCLM、SYNPO2L、LEP)。2关键基因可能通过铁死亡、谷胱甘肽代谢以及AMPK、JAK-STAT等信号通路影响PE的发病机制,但仍需进一步研究阐明具体机制。3通过在PE患者和正常孕妇血清、胎盘组织中对关键基因的表达量进行验证,PE患者胎盘组织中GCLM、SYNPO2L低表达,血清样本中EVI5低表达,这与生物信息学分析结果一致,提示这三个关键基因具有成为PE的诊断生物标志物的潜能;PE患者血清中LEP低表达,这与生物信息学分析结果相反,需进一步研究其与PE的关系。

关键词： 机器学习   面波频散   加速度记录基线校正   地核地震震相  

摘要： 地震学是一种重要的地球物理研究方法,通过研究地震或噪声激发的地震波在地球内部的传播,可以获得地球内部不同尺度速度结构的信息,并进一步推测地球的内部结构和构造。通过经过地幔、内核和外核的不同震相可以直接采样地球内部的深部结构,这些信息有助于深入理解地球内部的物理过程。同时,地震波数据还可用于研究地震的发生机制,从而降低地震灾害的影响。近年来,随着地震观测技术的快速发展,新兴技术如流动台阵、智能地震传感器和分布式光纤传感器等的广泛应用,显著增加了地震观测数据的数量和多样性。同时,背景噪音互相关技术的发展打破了观测地震事件发生时刻和空间的限制,从而大幅提高了地震观测数据的可用性。这些技术的发展极大地扩展了地震观测的数据量,但也提出了对传统地震信号数据处理和分析方法的新要求。因此,需要基于当前的观测数据量和应用需求,发展新的自动化方法以提高数据处理的效率和精度。在机器学习领域,深度神经网络技术近年来也得到了极大的发展,卷积神经网络的出现有效地提高了神经网络方法在高维数据上的训练效率和应用性能。这些技术已经被广泛应用于数字媒体处理领域,大大提高了高维大规模数据的自动化处理效率。因此,结合地震观测得到的大量数据和先进的机器学习方法,可以进一步发展高效精确的自动化数据处理流程,并为地震学研究提供高效的工具。通过推动地震数据的分析和解释,进而推进对地震过程及地球内部结构的理解。通过面波的频散特性可以有效反演测量地下的剪切波速度结构,因此面波频散反演在地下结构成像中被广泛应用。近年来发展的频率-贝塞尔变换方法(F-J method)可以有效从观测的背景噪音信号、地震信号中提取具有高阶频散曲线特征的面波频散谱。为了进一步通过面波频散曲线反演地下速度结构,需要对二维频散谱中的频散曲线特征进行提取。然而,传统的手动与半自动方法需要大量时间且缺乏统一标准。在本研究中,通过首先应用卷积深度编解码器提取频散特征,之后通过非监督聚类实现高阶频散曲线的模式分离。在不同地区和不同尺度上的应用验证了该方法的频散曲线提取能力,表明该方法可以为面波反演工作中的频散曲线提取提供高效而准确的提取方法。加速度数据是地震研究和地震工程的重要观测数据资源。由于其直接测量地面加速度,不受地震仪记录摆幅范围的限制,可以精确记录较大地震震级事件的地面运动。然而,观测数据的采样误差以及强震动对观测设备的影响会导致在从加速度数据转换为位移数据的两次梯形积分过程中出现较大的观测基线漂移。本研究利用深度卷积神经网络结合新提出的基于传统多段基线校正方法的模拟基线-观测数据融合训练集,实现了对观测加速度数据进行有效、稳定且快速的基线校正。该方法首先通过合成数据进行测试和性能验证,并通过合成噪声与合成基线测试验证了该方法校正有效性。观测数据应用与测试表明该方法不仅可以有效校正加速度观测数据中存在的基线漂移,还可以从恢复的位移数据中追踪地面同震位移,为后续研究提供新的观测数据参考。地球深部结构中存在明显的边界特征,如核幔边界和内外核边界。最早通过理论计算和震相观测相结合的方法被发现与检测。近年来,基于流动台阵的大量观测证明这些边界在空间尺度上具有不均匀的特征,可能包含起伏、超低速带和刚性层等复杂结构。可以通过传播经过这些复杂结构的直达波和反射波进行有效的采样与检测。通过分析PmKP震相(在核幔边界反射m-1次),可以在地面陆基观测范围受限的情况下,提供额外的地震波对核幔边界的采样范围。本研究提出了新的地震多台记录采样方法,将离散的地震台站观测数据采样到均匀的空间-时间网格上。通过在网格采样图上进一步应用二维深度卷积神经网络,实现对深部PmKP震相地震图的自动检测和特征提取。经过特征检测地震图进一步通过慢度计算与卷积神经网络的判别实现了 PmKP震相信号的自动验证。该方法可以有效提升大量地震事件数据中不同PmKP震相信号的检测效率,并有望扩增现有已知震相观测数据集与采样范围。此外,对于其他地核震相(如PKiPK震相)的特征,该方法也展现出类似的检测性能,具有潜在的应用价值。本研究介绍了三种在不同地震学数据处理领域的机器学习方法应用。通过针对不同类型和特征的地震数据,设计相应的机器学习方法和训练集构建方法,可以实现地震观测数据的稳定自动与高效处理。这些研究成果为地震学研究提供了有效的工具,通过应用这些方法有望推动地震学领域的发展,并为深入理解地震过程和地球内部结构提供方法支持。

关键词： 机器学习   特征工程   传感器漂移   迁移学习   多任务学习  

摘要： 近年来,由气体传感器阵列和模式识别模型组成的电子鼻(E-nose)作为一种替代的气味分析方法在生产生活中各个领域得到了广泛应用。随着研究人员对识别算法的进一步深入研究,气体信息的数据提取方法越来越成熟。但目前还没有一种通用的特征方法适用于不同应用场合,需要根据具体问题设计选取不同方案的特征来解决通用性差的问题。此外根据特征处理后的数据特点,识别方法也需要结合实际工程需求进行选择。因此,整体的气体识别过程需要人为不断调整最佳的决策组合才能获得较高的分类精度。针对以上在机器嗅觉系统的各类工程应用中的问题,本课题的研究着眼于机器学习技术与气体识别技术的融合,首先从数据分析的角度出发,数据预处理进行Z-score标准化、多项式转换;特征处理对提取的时域特征进行方差选择以及主成分降维,组合出三种不同特征工程方案,然后结合K-邻近法、逻辑回归、支持向量机以及BP神经网络四种不同的机器学习算法,验证分析每种特征方案对分类效果的影响,结果表明预处理采取多项式转换+标准化,特征处理采取方差选择的特征方案在反向传播神经网络下分类效果最好。证明了在气体分类任务中选择合适特征工程和分类模型的重要性。其次考虑到机器嗅觉系统在现实应用中,传感器发生漂移之后收集到的数据分布不同,识别系统性能会严重降低。本课题为了解决传感器漂移导致的数据样本空间分布不一、预测准确率过低等问题,提出基于转移样本的多任务学习方法(TSMTL)来校准漂移数据。将每个不同批次数据定义为一个域,在每个域中测量选取的一组转移样本,利用每个目标域的转移样本在其各自的投影空间中与源域中的转移样本对齐来降低目标域漂移的影响。通过对比现有的传感器漂移补偿算法,验证了该方法在所需辅助样本较少的情况下取得了更好的准确率。而且该算法能够同时学习源域数据的训练模型和多个目标域数据的预测模型,证明了该算法的高效便捷。