CN114511031B 基于生成对抗网络的电子鼻数据校正方法 （重庆大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114511031B(45)授权公告日2025.07.01

(21)申请号202210138121.7

(22)申请日2022.02.15

(65)同一申请的已公布的文献号申请公布号CN114511031A

(43)申请公布日2022.05.17

(73)专利权人重庆大学

地址400030重庆市沙坪坝区正街174号

专利权人勒威半导体技术(嘉兴)有限公司

(72)发明人刘然陈希毛虎田逢春

钱君辉崔珊珊王斐斐陈丹陈鑫任席伟王仕丹

(51)Int.CI.

GO6FGO6N

GO6N

GO6N

18/241(2023.01)3/0475(2023.01)

3/045(2023.01)

3/094(2023.01)

(56)对比文件

CN113011523A,2021.06.22CN111208081A,2020.05.29审查员宋佳丽

(74)专利代理机构重庆信航知识产权代理有限

公司50218专利代理师吴彬

权利要求书2页说明书8页附图1页

(54)发明名称

基于生成对抗网络的电子鼻数据校正方法

(57)摘要

CN114511031B本发明基于生成对抗网络的电子鼻数据校正方法，其包括1)搭建命名为FEDA的神经网络，2)进行领域对抗训练：分别在特征提取器G和域判别器Ga上添加一个梯度反转层，首先在数据正向传播过程中训练特征提取器G学习到域不变特征，从而让域判别器G?无法区分特征是来自源域和还是目标域，再通过最小化域分类损失L来训练域判别器Ga,使得域判别器Ga可以区分源域和目标域特征；然后在数据反向传播经过梯度反转层的时候反转梯度，让特征提取器G?无法正确判断领域不变特征，以此完成对抗训练。本发明基于生成对抗网络的电子鼻数据校正方法，降低了源域和目标域的分布差异，增加了类内同质

CN114511031B

标签分类器

标签分类器

类标签

类标签

特征范数损失

域不变特

传感器阵列

目标域

特征提取器

域判别器

数据获取

域标签

CN114511031B权利要求书1/2页

2

1.基于生成对抗网络的电子鼻数据校正方法，其特征在于：包括以下步骤：

1)搭建命名为FEDA的神经网络，所述FEDA包括用于提取源域和目标域的域不变特征的特征提取器G?、用来区分数据来自源域和目标域的域判别器Ga用于计算域不变特征的L2范数损失的L2范数模块G?、用于数据类别的分类的标签分类器G,、用于计算类熵损失的类条件概率熵G。和用于进行梯度反转的梯度反转层，所述梯度反转层连接在特征提取器G和域判别器Ga之间；

所述特征提取器G的输出作为类条件概率熵G。,域判别器G,L2范数模块G?,以及标签分类器G,的输入；数据分为标签丰富的源域和无标签的目标域，定义源域X,={(x,y)%,其中n表示源域样本数量，x,表示源域的第i个样本，y表示源域第i个样本的标签；X,={(x);”“,其中n表示源域样本数量，x/表示目标域第j个样本；源域数据的分布为P(Xs,Y),目标域数据分布为Q(X,Y),P≠Q;

2)进行领域对抗训练：分别在特征提取器G和域判别器Ga上添加一个梯度反转层，首先在数据正向传播过程中训练特征提取器G学习到域不变特征，从而让域判别器Ga无法区分特征是来自源域和还是目标域，再通过最小化域分类损失L来训练域判别器Ga,使得域判别器G可以区分源域和目标域特征；然后在数据反向传播经过梯度反转层的时候反转梯度，让特征提取器G?无法正确判断领域不变特征，以此完成对抗训练；

在领域对抗训练过程中，计算特征提取器G所提取特征的L2范数，并通过自适应的特征范数损失L。使得源域和目标域的L2范数在大范围上取得平衡；且类条件概率熵G。采用最小化目标域条件熵L以减少目标域的类间重叠，增加类内同质性；

所述自适应的特征范数损失L是通过最大平均特征分布差的方式构造得到，构造步骤包括：

定义源域和目标域的最大平均特征分布差如下：

(1)

其中MMFDD[G?,Xg,X]为最大平均特征分布差；Xi,x;分别表示源域和目标域的数据；构造一个距离Z来拟合源域和目标域之间的特征范数差距Lz,使源域和目标域的L2范数分别收敛到Z,从而使得MMFDD[G,X,X]最小