《仿生嗅覺感知中氣味指紋圖譜表達、重建與預測》是依託重慶大學，由張磊擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：仿生嗅覺感知中氣味指紋圖譜表達、重建與預測
- 項目類別：青年科學基金項目
- 項目負責人：張磊
- 依託單位：重慶大學
中文摘要,結題摘要,
中文摘要
人工智慧在社會生產和生活中發揮著越來越重要的作用，仿生嗅覺感知在環境、醫療、食品、公共安全等重要領域體現了廣闊的套用前景。然而，仿生嗅覺系統中氣敏感測器陣列的長期漂移、測不準、穩定性差等因素，成為制約該項技術推廣套用的主要瓶頸。本項目以仿生嗅覺電子鼻系統為研究對象，以機器學習為理論工具，展開嗅覺仿生機制和算法研究。具體內容包括：基於子空間分析的氣味指紋圖譜特徵提取、表達以及稀疏表示；通過“長周期”嗅覺模擬試驗，研究感測器漂移特性與機制，建立漂移補償模型，實現圖譜重建；研究感測器回響與外界環境因素和氣體濃度之間的關係，建立特徵融合單模態學習和多模態/多視角聯合半監督學習框架，實現混合氣體快速定量預測。本項目旨在研究適用不同套用領域的機器嗅覺系統算法框架，為解決仿生嗅覺技術中感測器漂移、濃度測不準等關鍵問題提供科學合理而且有效的方法和思路，為仿生嗅覺感知儀器的研製和產業化奠定理論和技術基礎。
結題摘要
機器仿生嗅覺系統中，氣味感測器陣列充當著生物嗅覺神經系統的感知單元。由於器件生產和環境感知過程中的不可測因素，嗅覺模式的時空差異，如長期漂移和背景干擾，已成為機器嗅覺研究的重要瓶頸，並嚴重阻礙了仿生嗅覺的理論和套用研究發展。本項目的研究內容主要包括基於域遷移學習的感測器漂移補償模型、單模態快速學習和多模態聯合半監督學習框架，確立特徵表達、漂移補償和濃度預測模型，完成人工嗅覺系統的算法框架和關鍵問題解決方案。主要研究成果包括：（1）提出了領域自適應的超限學習分類遷移模型，明顯提升了分類器對嗅覺模式的時空不變性，其創新點在於：首次提出嗅覺模式時空不變性的遷移分類器模型，氣味識別率提升將近20%，有效改善了時間和空間的自適應性，獲得了國際高度認可；（2）提出了跨域子空間遷移學習模型，實現了嗅覺感知特徵空間的時空對齊，提升了氣味的識別性能5%，其創新之處在於：對嗅覺時空特徵進行聯合建模並學習判別子空間，提出特徵子空間對齊算法實現嗅覺系統的時空數據對齊，增強了對齊空間內的類別判別性；（3）提出了針對機器嗅覺模式受時空差異和外部干擾的數據對齊、子空間對齊和和自表達干擾抑制模型，有效的消除了環境和背景干擾對電子鼻的影響；（4）提出了電子鼻多特徵聯合半監督學習模型，有效地提升了電子鼻在長周期漂移數據上的識別率；同時提出了溫度調製電子鼻系統，通過加熱電壓的線性調製，可獲得更加豐富的氣味特徵圖譜信息，並在基於電子鼻的氣體分類任務上提升了10%；（5）從理論模型上，提出了隱稀疏子空間重建遷移模型、魯棒分類器遷移學習模型、多特徵聯合半監督學習模型，在視覺模型分析任務包括圖像識別、人臉識別、視頻事件識別等均獲得了較現有遷移學習算法優越的遷移性能。該項目研究成果的科學意義在於，從理論上促進了仿生嗅覺研究的可行性以及機器學習理論的拓展，為機器嗅覺領域在特徵圖譜表達、特徵分類、特徵漂移補償、背景干擾消除奠定了理論和方法基礎。
