基于对抗性域适应进行漂移补偿的电子鼻气体分类方法

本发明涉及电子鼻技术领域，具体公开了一种基于对抗性域适应进行漂移补偿的电子鼻气体分类方法，该方法提出了一种对抗性无监督域适应分类模型(DATAL)，以减轻由空间位置变化引起的信号偏差。DATAL采用一个双分支特征提取器，该提取器整合了时序卷积网络和多头注意力长短期记忆网络，分别专注于捕获气体传感器信号中的全局特征和局部特征，相较于常规的卷积神经网络或Transformer结构，能够更有效地识别特定气体的特征，同时保持参数量相对较低，减轻硬件资源需求。此外，该模型通过先进的学习率调度、损失函数设计和超参数调整策略进一步优化。在多位置气体数据集上的实验证明该模型在减轻开放环境下这种特定漂移方面的有效性。