1.一种基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，包括如下步骤，步骤A：获取电子鼻数据；该电子鼻数据包括未漂移的电子鼻数据和待校准的漂移电子鼻数据；

步骤B：将未漂移的电子鼻数据作为源域数据XS,将待校准的漂移电子鼻数据作为目标域数据XT；

步骤C：选择激活函数并随机生成权重W和偏置b，将源域数据XS和目标域数据XT投影到基于极限学习机的特征空间中得到HS和HT；HS代表源域数据XS在特征空间中的表示；HT代表目标域数据XT在特征空间中的表示；

步骤D：将基于极限学习机的特征空间中的源域数据HS和目标域数据HT投影到校准子空间中后，为了对齐HS和HT之间的数据分布，对校准子空间中投影源域数据集和目标域数据集的联合最大均值差异做最小化处理；

步骤E：在投影过程中引入目标域样本的流形空间信息，强制原始空间中的样本在学习子空间中保持彼此接近；

步骤F：为了防止投影后数据特征与其对应标签之间的依赖性降低从而影响识别率，根据HSIC准则来增强特征和标签之间的依赖性；

步骤G：为了提高分类模型的特征选择能力选择，使用l2,1范数来对投影子空间施加约束；

步骤H：为了使投影后的源域数据集更具有可分性，在学习子空间中增强源域数据集的类间离散性和类内收敛性，通过计算并最小化投影源域数据集的类内散射矩阵和类间散度矩阵；

步骤I：为了避免投影扭曲源域和目标域的样本数据，通过最大化投影后源域数据HS和目标域数据HT的方差，对投影后源域数据集和投影目标域数据集的判别信息做最大化处理，以便保留更多的可用信息；

步骤J：联合步骤D～步骤I的结果，得到子空间对齐极限学习机模型SAELM；并且通过优*

化计算和特征值分解方法得到校准子空间的投影基β的快速求解公式；

*

步骤K：根据步骤J得到的源域数据与目标域数据，利用投影基β从基于极限学习机的特征空间投影到校准子空间，得到校准子空间中源域电子鼻数据和目标域电子鼻数据校准后的特征表示，分别用 和 表示；

步骤L：建立支持向量机分类模型，使用 进行训练，对 进行测试；

步骤M：将得到 标签作为电子鼻的预测输出。

2.根据权利要求1所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤B包括：将未漂移电子鼻数据作为源域数据XS， 其标签为YS， 代表第i个样本数据，i＝1～NS； 表示第i个样本数据 对应的标签，m表示样本数据的类别总数，将待校准的漂移电子鼻数据作为目标域数据XT； j＝1～NT；D代表数据维数， 表示实数集，源域数据XS和目标域数据XT的样本个数分别为NS和NT,上标T表示转置矩阵。

3.根据权利要求2所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤C包括：选择激活函数并随机生成权重 和偏置 将原始空间中源域数据XS和目标域数据XT的样本投影到基于极限学习机的L维特征空间；得到HS和HT，HS代表源域数据XS在特征空间中的表示和HT代表目标域数据XT在特征空间中的表示，其中和 分别表

示源域数据XS和目标域数据XT的样本在基于极限学习机的特征空间中的表征；L代表基于极限学习机的特征空间的维度。

4.根据权利要求3所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤D包括：联合分布自适应，通过最小化源域数据HS和目标域数据HT之间的联合边缘和条件分布差异，来对齐源域数据HS和目标域数据HT之间的数据分布：边缘分布最大均值差异dmar：公式(1)中，β为极限学习机输出层权重矩阵，F代表Frobenius范数， 和 分别代表源域数据XS第i个样本和目标域数据XT第j个样本， 是极限学习机的隐层输出矩阵，M0为最大均值差异矩阵，tr表示求矩阵迹的运算；

条件分布最大均值差异dcon：其中，C表示总的类别数， 和 分别表示属于源域和目标域的第c类样本的ELM隐层输出矩阵； 和 分布表示源域和目标域中的第c类的样本数量；Mc表示最大均值差异矩阵；

因此，最小化联合分布距离可以表示为其中

5.根据权利要求4所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤E包括：向模型中引入目标域样本的流形空间信息，保证投影前后目标域样本数据的流形结构一致；

强制原始空间中的样本在学习子空间中保持彼此接近；Mf代表流形正则化矩阵，最小化Mf，其计算如下:

i j

其中ωij为目标域中样本x和x之间的权重；将公式(5)化简可以得到：其中D是对角矩阵，D的对角线元素为Dii， L为拉普拉斯矩阵；W为权重矩阵，W的元素 如下所示：其中η为热核函数的参数， 和 代表目标域数据XT第i个样本和第j个样本。

6.根据权利要求5所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤F包括：在特征投影后，根据HSIC准则，增强源域数据HS的特征及其对应标签之间的依赖性，避免投影后降低识别率；

其中，Z代表特征标签关系矩阵，U是中心矩阵， U的元素是单位矩阵， 1为元素全为1的向量。

7.根据权利要求6所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤G使用公式(9)来对投影子空间施加约束：

8.根据权利要求7所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤H包括：通过公式(10)计算并最小化投影源域数据集的类内散射矩阵和类间散度矩阵；

其中， 和uS分别表示第c类源样本的均值和整个源样本集的中心， 和 分别代表在投影后子空间中数据的类内散射矩阵和类间散射矩阵， 和 分别代表在原始空间中的类内散射矩阵和类间散射矩阵，C表示类的总个数。

9.根据权利要求8所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤I包括：采用公式(11)和公式(11a)避免投影β扭曲这两个数据集的情况，以便学习的自适应子空间可以保留更多可用的判断信息；

其中，US和UT分别为源域转换矩阵和目标域转换矩阵，表示Ns行Ns列的单位矩阵， 表示Nt行Nt列的单位矩阵； 1是元素全为1的向量。

10.根据权利要求9所述的基于极限学习机的电子鼻信号漂移补偿子空间对齐方法，其特征在于，所述步骤J包括：联合步骤D～步骤I的结果，将联合分布自适应、流形结构约束、增强特征标签相关性结合起来得到子空间对齐极限学习机模型SAELM；通过特征值分解方法得到校准子空间的投*

影基β；

其中，γp(p＝1,2,3,4,5)为权衡参数；将式子(12)转化为约束问题式子(13)，可得唯一解为:

其中，ε是一个大于0的常数；拉格朗日函数如下L(β,ε,α)：其中，α表示拉格朗日乘子；把L(β,ε,α)对β的偏导数置为0，可得到：计算||β||2,1的次梯度，因为它在0处不可微；E是一个对角次梯度矩阵，第i行对角元素为Eii:

i

其中β表示投影β的第i行，θ是一个正的小常数，用来防止分母为零；简化式子(15)，定义:

因此式子(15)改写为:

Vβ＝αβ    (18)；

最优的子空间投影基即前d个最小特征值对应的特征向量*

步骤K：使用学习到的子空间的投影基β对HS和HT进行投影校准，校准后的源域数据集和目标域数据集分别用 和 表示：步骤L和步骤M包括：使用得到的 训练支持向量机分类模型来对 进行分类，将得到 标签作为电子鼻的预测输出。