基于知识蒸馏的电子鼻气体识别中的传感器漂移补偿

由于环境变化和传感器老化，传感器漂移在实际部署过程中挑战电子鼻系统在气体分类中的性能。以往研究在UCI气体传感器阵列漂移数据集上报告了有希望的漂移补偿结果，但缺乏稳健的统计实验验证，可能过度补偿传感器漂移而牺牲类别相关方差。为克服这些限制并以统计学严谨性提升传感器漂移补偿，我们首先基于同一电子鼻数据集设计了两个域适应任务：使用第一批数据预测剩余数据，模拟受控实验室环境；使用所有先前数据批次预测下一批数据，模拟在线训练数据持续更新。随后，我们系统性地在UCI数据集上测试了三种方法：我们提出的 novel 知识蒸馏（KD）方法、基准方法域正则化成分分析（DRCA），以及混合方法KD-DRCA，在30个随机测试集划分上进行比较。我们表明KD在所有情况下均优于DRCA和KD-DRCA，在准确率提升最高可达18%，F1分数提升15%，表明KD在漂移补偿中具有优越性。这是首次将KD应用于电子鼻漂移缓解，显著优于前所未有的DRCA方法，显著提升了实际环境下传感器漂移补偿的可靠性。