基于球面归一化耦合马氏算法的通用鲁棒多气体识别框架

电子鼻（E-nose）系统在开放集气体识别中面临两个相互关联的挑战：信号漂移引起的特征分布偏移和未知气体干扰导致的决策边界失效。现有方法主要依赖欧氏距离或传统分类器，未能考虑各向异性特征分布和动态信号强度变化。为了解决这些问题，本研究提出了球面归一化耦合马氏距离（SNM）模块，一种用于开放集气体识别的通用后处理模块。首先，它通过级联的批归一化和 L2 归一化实现几何解耦，将特征投影到单位超球面上以消除信号强度波动。其次，它利用马氏距离构建符合各向异性特征几何结构的自适应椭球决策边界。架构无关的 SNM 模块可与包括卷积神经网络（CNN）、循环神经网络（RNN）和 Transformer 在内的主流骨干网络无缝集成。在公开的 Vergara 数据集上的实验表明，Transformer+SNM 配置在区分多种目标气体方面达到了接近理论极限的性能，在 5% 假阳性率下 AUROC 为 0.9977，未知气体检测率为 99.57%，与最先进方法相比，AUROC 提高了 3.0%，标准差降低了 91.0%，显著优于类锚点聚类（CAC）。该模块在五个传感器位置上均保持了出色的鲁棒性，标准差低于 0.0028。这项工作有效解决了在开放集气体识别中同时实现高准确率和高稳定性的关键挑战，为工业 E-nose 部署提供了坚实支持。