1.一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法，包括：步骤1、电子鼻传感器系统在环境中检测到待测气体后，传感器系统产生电流信号或电压信号，统一处理成电阻响应曲线后，每个信号样本经过信号调理电路进行滤波、放大，再经AD转换，生成有效的气体数字信号，其特征在于，还包括；

步骤2、将气体数字信号送入处理器，处理器提取响应曲线的特征，获得无漂移的源域气体样本数据和有漂移的目标域气体样本数据；

步骤3、处理器利用源域气体样本数据和目标域气体样本数据训练LME‑CDSL模型，再利用训练好的LME‑CDSL模型，对目标域气体样本数据的漂移补偿，将得到的补偿后的数据送入分类器进行气体分类，获得气体分类结果；

步骤4、处理器经人机交互机构输出气体分类结果；

所述步骤3中LME‑CDSL数学模型的初级表达式为：使得 

其中， 为源域数据集，NS为源域样本数，为目标域数据，NT为目标域样本数，P为投影转换矩阵，T

Tr(·)和(·) 分别为迹运算和转置运算，Ed×d为d维单位矩阵，所有矩阵均为大写字母，向量则为小写字母；

所述步骤3中LME‑CDSL数学模型经过拉格朗日乘数法得到的优化表达式为：在这一部分，令

得到：

‑1

B AP＝ρ2P                               (3)‑1 ‑1

由此可知，P为B A的特征向量组，即投影转换矩阵，可通过对B A进行特征值分解得到，*由于优化目标要求解对应最大值，其最优投影方向P应当为P的前d个特征向量，其特征向*量[(p1)1,(p1)2,...,(p1)d]根据特征值降序排列，P被表示为：*

P＝[p1,p2,...,pd].                             (4)其中，λ为正则化参数，

分别为源域数据的类间散布矩阵和类内散布

矩阵，x为单个源域数据，C为类别数，μc为原始源域子类c的数据中心，μS为原始源域数据中心，μT为原始目标域数据中心，E为单位矩阵，W为局部权值矩阵，ρ2为拉格朗日乘子；

对目标域气体样本数据XT进行漂移补偿，表达式如下：* T

YT＝(P) XT

其中，YT为补偿后的目标域气体样本数据。

2.根据权利要求1所述的一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法，其特征在于，步骤3中的漂移补偿方法为静态分析方法：获得第一批气体样本数据，作为无漂移的源域气体样本数据；

采用无漂移的源域气体样本数据训练原始LME‑CDSL数学模型，优化原始LME‑CDSL数学模型的参数，获得第一参数LME‑CDSL数学模型；

利用第一参数LME‑CDSL数学模型计算作为有漂移的目标域气体样本数据的之后所有时间段气体样本数据。

3.根据权利要求1所述的一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法，其特征在于，步骤3中的漂移补偿方法为动态分析方法：获得第一批气体样本数据，作为无漂移的源域气体样本数据；

采用无漂移的源域气体样本数据训练原始LME‑CDSL数学模型，优化原始LME‑CDSL数学模型的参数，获得第一参数LME‑CDSL数学模型；

利用第一参数LME‑CDSL数学模型计算作为有漂移的目标域气体样本数据的第二时间段样本气体，获得第二批补偿后的目标域气体样本数据；

采用第二时间段样本气体训练原始LME‑CDSL数学模型，优化原始LME‑CDSL数学模型的参数，获得第二参数LME‑CDSL数学模型；

利用第二参数LME‑CDSL数学模型计算作为有漂移的目标域气体样本数据的第三时间段样本气体，获得第三批补偿后的目标域气体样本数据；

依次类推，直到；

利用第末‑1参数LME‑CDSL数学模型计算第末时间段样本气体，获得第末批补偿后的目标域气体样本数据。

4.根据权利要求1所述的一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法，其特征在于，步骤3中分类器表达式为：f(YT)＝softmax(Hβ+b),                     (5)其中 (Hβ+b)i为矩阵(Hβ+b)的第i个行向量，N为样本矩阵 中的样本数， 为激活函数，隐层神经元偏置b＝[b1,b2,…,bhid]，hid为隐层神经元数， 权重矩阵β的表达式如下：

其中ED为D维单位矩阵，T为标签向量；

获取的气体分类结果f(YT)，对于其中的某一样本的分类结果 其表现为一个c维行向量，向量中各数值对应属于各类气体类别的概率，即第一个元素表示该样本属于第一类气体的概率，第二个元素表示该样本属于第二类气体的概率，以此类推，向量内所有元素累加和为1，概率最大者视为该样本属于对应类别。