用于电子鼻系统漂移补偿的领域自适应极限学习机
机器学习
2015-05-26 v1
摘要
本文从机器学习的角度解决了一个重要问题，即电子鼻(E-nose)中表现出非线性动态特性的传感器漂移。传统的漂移补偿方法由于需要频繁获取和标注气体样本以重新校准，既费力又昂贵。极限学习机(ELMs)已被证实是用于模式识别和回归的高效且有效的学习技术。然而，ELMs 主要关注单域（即源域）中的监督、半监督和无监督学习问题。据我们所知，具有跨域学习能力的 ELM 从未被研究过。本文提出了一个统一框架，称为领域自适应极限学习机(DAELM)，它通过利用来自目标域的有限标记数据学习鲁棒分类器，用于电子鼻系统中的漂移补偿以及气体识别，且不损失传统 ELM 的计算效率和学习能力。在该统一框架中，分别提出了称为 DAELM-S 和 DAELM-T 的两种算法以实现本文目的。为了理解 ELM、DAELM-S 和 DAELM-T 之间的区别，提供了两点备注。在电子鼻系统收集的多批次流行传感器漂移数据上的实验清楚地表明，所提出的 DAELM 在无需繁琐措施的情况下显著优于现有漂移补偿方法，并且为 ELM 带来了新视角。
引用
@article{arxiv.1505.06405,
title = {Domain Adaptation Extreme Learning Machines for Drift Compensation in E-nose Systems},
author = {Lei Zhang and David Zhang},
journal= {arXiv preprint arXiv:1505.06405},
year = {2015}
}
备注
11 pages, 9 figures, to appear in IEEE Transactions on Instrumentation and Measurement