仿生嗅觉感知中气味指纹图谱表达、重建与预测

Artificial intelligence is playing an increasingly important role in social production and life, bionic olfactory perception shows a broad application prospects in several important areas of environment, health, food, and public safety. However, long-term drift, uncertainty, and poor stability of gas sensor array in bionic olfactory system have become a major bottleneck in restricting its promotion and application. This project takes bionic olfactory electronic nose system as the research object, and machine learning as theoretical tool, expand the olfactory bionic mechanism and algorithms research. Specific contents include: odor fingerprint feature extraction, expression and sparse representation; study the sensor drift characteristics and mechanisms, establish a quantitative drift compensation model through the “long cycle” smell simulation experiments, and realize odor fingerprint reconstruction; study the relation between the sensor response and environmental factors, the gas concentrations, and establish feature fusion based single modality learning and multi-modality/multi-view joint semi-supervised learning framework, and realize rapid quantitative prediction of mixtures in complex environments. This project aims to study the algorithm framework suitable for different application areas of machine olfactory system, provide scientific, reasonable and effective methods and ideas for solving the key issues such as sensor drift and concentration uncertainty in bionic olfactory technique, and establish the theoretical and technical foundation for development and industrialization of bionic olfactory perception instruments.

人工智能在社会生产和生活中发挥着越来越重要的作用，仿生嗅觉感知在环境、医疗、食品、公共安全等重要领域体现了广阔的应用前景。然而，仿生嗅觉系统中气敏传感器阵列的长期漂移、测不准、稳定性差等因素，成为制约该项技术推广应用的主要瓶颈。本项目以仿生嗅觉电子鼻系统为研究对象，以机器学习为理论工具，展开嗅觉仿生机制和算法研究。具体内容包括：基于子空间分析的气味指纹图谱特征提取、表达以及稀疏表示；通过“长周期”嗅觉模拟试验，研究传感器漂移特性与机制，建立漂移补偿模型，实现图谱重建；研究传感器响应与外界环境因素和气体浓度之间的关系，建立特征融合单模态学习和多模态/多视角联合半监督学习框架，实现混合气体快速定量预测。本项目旨在研究适用不同应用领域的机器嗅觉系统算法框架，为解决仿生嗅觉技术中传感器漂移、浓度测不准等关键问题提供科学合理而且有效的方法和思路，为仿生嗅觉感知仪器的研制和产业化奠定理论和技术基础。

机器仿生嗅觉系统中，气味传感器阵列充当着生物嗅觉神经系统的感知单元。由于器件生产和环境感知过程中的不可测因素，嗅觉模式的时空差异，如长期漂移和背景干扰，已成为机器嗅觉研究的重要瓶颈，并严重阻碍了仿生嗅觉的理论和应用研究发展。本项目的研究内容主要包括基于域迁移学习的传感器漂移补偿模型、单模态快速学习和多模态联合半监督学习框架，确立特征表达、漂移补偿和浓度预测模型，完成人工嗅觉系统的算法框架和关键问题解决方案。主要研究成果包括：1）提出了领域自适应的超限学习分类迁移模型，明显提升了分类器对嗅觉模式的时空不变性，其创新点在于：首次提出嗅觉模式时空不变性的迁移分类器模型，气味识别率提升将近20%，有效改善了时间和空间的自适应性，获得了国际高度认可；2）提出了跨域子空间迁移学习模型，实现了嗅觉感知特征空间的时空对齐，提升了气味的识别性能5%，其创新之处在于：对嗅觉时空特征进行联合建模并学习判别子空间，提出特征子空间对齐算法实现嗅觉系统的时空数据对齐，增强了对齐空间内的类别判别性；3）提出了针对机器嗅觉模式受时空差异和外部干扰的数据对齐、子空间对齐和和自表达干扰抑制模型，有效的消除了环境和背景干扰对电子鼻的影响；4）提出了电子鼻多特征联合半监督学习模型，有效地提升了电子鼻在长周期漂移数据上的识别率；同时提出了温度调制电子鼻系统，通过加热电压的线性调制，可获得更加丰富的气味特征图谱信息，并在基于电子鼻的气体分类任务上提升了10%；5）从理论模型上，提出了隐稀疏子空间重建迁移模型、鲁棒分类器迁移学习模型、多特征联合半监督学习模型，在视觉模型分析任务包括图像识别、人脸识别、视频事件识别等均获得了较现有迁移学习算法优越的迁移性能。该项目研究成果的科学意义在于，从理论上促进了仿生嗅觉研究的可行性以及机器学习理论的拓展，为机器嗅觉领域在特征图谱表达、特征分类、特征漂移补偿、背景干扰消除奠定了理论和方法基础。

内容获取失败，请点击重试