1.一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，包括步骤：S1.选择不同的稀疏正则化参数、特征节点收缩参数和初始随机映射矩阵赋值方法，构建基于宽度学习模型的多个增强宽度学习模型；

S2.获取样本集，并按照预设比例划分为训练数据集和测试数据集；所述样本集包括至少十种气体浓度值指标，所述气体浓度值指标为至少两种测量气体按照第1 N预设浓度组~合进行混合后的混合气体浓度，N≥10；

S3.采用训练数据集对多个所述增强宽度学习模型进行训练，并记录对应的训练时间；

S4.采用测试数据集对训练后的多个所述增强宽度学习模型进行测试，记录回归预测错误率；

S5.综合所述训练时间和所述回归预测错误率，决出性能最优的增强宽度学习模型作为电子鼻回归预测模型；所述电子鼻回归预测模型的稀疏正则化参数为0.00002；所述电子鼻回归预测模型的特征节点收缩参数为1e‑3；所述电子鼻回归预测模型的初始随机映射矩阵赋值方法为高斯分布。

2.如权利要求1所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，在所述步骤S1中，所述稀疏正则化参数的选择范围在2^‑30 0.0002之间。

~

3.如权利要求1所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，在所述步骤S1中，所述特征节点收缩参数的选择范围在1e‑4 1e‑2之间。

~

4.如权利要求1所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于，在所述步骤S1中，所述初始随机映射矩阵赋值方法的选择项有高斯分布、指数分布、泊松分布、瑞利分布、对数正态分布、连续均匀分布、β分布。

5.如权利要求1所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于：在所述步骤S2中，每种所述气体浓度值指标对应至少100个样本；所述预设比例为训练数据集：测试数据集，所述预设比例在4:1 2:1之间。

~

6.如权利要求5所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于：所述预设比例为3:1。

7.如权利要求5所述的一种对混合气体浓度进行回归预测的电子鼻宽度学习方法，其特征在于：所述气体浓度值指标为甲烷和乙烯按照第1 38预设浓度组合进行混合后的混合~气体浓度。