1.一种仿生嗅觉系统中传感器的在线漂移补偿方法，其特征在于：该方法包括以下步骤：步骤1)依据输入样本批次号进行源域重构；

步骤2)使用重构完成的源域与目标域样本构建分类模型并保存预测结果。

2.根据权利要求1所述的一种仿生嗅觉系统中传感器的在线漂移补偿方法，其特征在于：所述步骤1)包括以下几个步骤：步骤11)输入样本的批次号a；

步骤12)根据批次号a进行源域重构，当a＝1时，Ds选择为传感器未发生漂移时所采集到的初始批次有标签样本集 n1为初始批次样本数，否则，Ds由当前目标域的前一批次已完成分类预测的样本集 与D1共同构造，即Ds＝D1∪Da，其中na为a批次样本数，当a＝1时，由于是首次模型构建，不存在上一批次的分类预测结果，故此时Ds＝D1，重构后的源域样本数为：

3.根据权利要求1所述的一种仿生嗅觉系统中传感器的在线漂移补偿方法，其特征在于：所述步骤2)包括以下几个步骤：步骤21)输入无标签的a+1批次目标域样本 nt为目标域样本数；

步骤22)使用主成分分析法将Xs与Xt降维至p维以生成子空间Ss和St，Gd×p为所有p维子空间的集合，每个子空间视作格拉斯曼流形空间Gd×p上的一点，令Φ(t)为Gd×p上的一条测地线，其中t∈[0,1]，Φ(0)＝Ss和Φ(1)＝St作为测地线的两端，zi和zj为xi与xj在无限维空间上投影后的特征向量，其内积表示为：上式中xi,xj∈Ds∪Dt，G表示测地线核：上式中Rs由Xs经PCA提取p维特征后所剩余的d-p维特征组成，U1和U2互为正交矩阵，通过奇异值分解求出，Λ1,Λ2及Λ3为对角矩阵，矩阵中的元素值分别为：将Xs与Xt投影后所得的样本特征空间使用 和 表示，其中步骤23)使用Zs通过k＝1的k近邻算法训练分类器，而后将Zt带入到该分类器中以获得伪标签步骤24)使用Zs和Zt选择高斯核以构造核函数步骤25)通过k近邻算法确定Zs和Zt中各点的邻居关系以获得相似度矩阵W：上式中r(zi,zj)＝1表示zi和zj互为邻居关系；获得W后即算出拉普拉斯矩阵L：上式中D为对角矩阵，由 计算获得，此时流形正则约束项表示为：步骤26)对Zs和Zt进行条件分布自适应，条件分布差异通过最大均值差异在再生希尔伯特空间上进行度量，使用经验估计式近似统计估计：上式中C表示样本内所含标签的类别总数， 由两个对角矩阵组成，其中：

表示Zs和Zt中标签为l的nl个样本的分类结果集合，f表示Gd×p下的分类预测函数：

上式中α＝[α1,α2,...,αN]T为系数向量，条件分布自适应项的最终计算式为：MMD2(HK,Qs,Qt)＝tr(fTMf)上式中M中各元素由下式直接算出：

根据结构风险最小化原则，结合流形正则化项和条件分布自适应项，分类器f的最终优化目标为：上式中U为样本所在域的指示矩阵，即：

令优化式中α的偏导数为0以解出α：

α＝(λ1I+(λ2M+λ3L+U)K)-1UYT使用f完成对 的更新，重复步骤26)e次以迭代更新M和α；

步骤27)获得本批次样本的预测标签 并保存，等待下一批次样本输入。