1.一种基于领域自适应卷积神经网络的电子鼻漂移补偿方法，其特征在于，包括：步骤A1：获取电子鼻的原始数据，在电子鼻的漂移补偿问题中，传感器发生漂移之前采集的数据属于源域，称为源域样本；发生漂移之后采集的数据属于目标域，称为目标域样本；

步骤A2：对源域样本和目标域样本数据分别进行批次归一化(Batch Normalization)；

步骤A3：按照传感器维度将两组样本归一化后的数据各自分为k组，k为传感器数量；

步骤A4：将k组数据分别输入k个分支，在每个分支上通过三个卷积块(Convolutional Block)的卷积路径对数据进行卷积操作；

步骤A5：将所有分支上同等级的卷积块的输出通过宽度拼接方式(Width Concatenate)进行连接；

第一卷积路径：将所有卷积块A(Convolutional Block A)的输出进行宽度拼接后连接至分类器1(Classifier 1)；

第二卷积路径：将所有卷积块B(Convolutional Block B)的输出进行宽度拼接后连接至分类器2(Classifier 2)，该卷积块B(Convolutional Block B)的输出还连接至卷积块D(Convolutional Block D)，该卷积块D的输出连接至分类器3(Classifier 3)；

第三卷积路径：将所有卷积块C(Convolutional Block C)的输出进行宽度拼接后连接至分类器4(Classifier 4)；

步骤A6：所有所述分类器分别对卷积后的特征重新投影，之后各自将结果以概率的形式输出；

步骤A7：通过基于最大均值差异(MMD)的分类器集成方法融合不同分类器的结果，得到最终输出，即对输入气体样本做出判断，得出该气体的种类。

2.根据权利要求1所述的基于领域自适应卷积神经网络的电子鼻漂移补偿方法，其特征在于，四个所述分类器结构相同：由两个100单元的全连接层，以及一个Softmax依次连接层组成。

3.根据权利要求2所述的一种基于领域自适应卷积神经网络的电子鼻漂移补偿方法，其特征在于，所述步骤A6中：

步骤B1：分类器接收来自卷积块的宽度拼接后的特征之后，通过两个拥有一百个单元的全连接层(fully connected layer,fc 100)进行非线性投影；

步骤B2：全连接层输出特征矩阵传入Softmax层，以概率形式输出结果，并选取概率最高的类别作为伪标签，第n个分类器得到的伪标签为步骤B3：全连接层输出特征矩阵用于计算当前目标域样本与源域样本间的最大均值差异(MMD)，计算源域s和目标域t之间的MMD需要分别获取源域和目标域中所有类别气体的全部样本：

t t

其中， 表示源域s中的第i个样本，x 表示当前正在接受检测的单个目标域样本，x 被第n个分类器识别为第c类气体，则 表示第c类样本在源域s中的抽样，Mc表示 中样本的数量，fcn表示第n个分类器的隐层输出，φ(·)表示再生核希尔伯特空间(reproducing kernel Hilbert space,RKHS)的核函数，H表示再生核希尔伯特空间；

步骤B4：通过归一化的sigmoid函数(SS(x))，将步骤B3中得到的最大均值差异(MMD)映射到与步骤B2中得到的Softmax输出一致的分布上：*

其中，x表示函数输入，x表示零均值归一化的x，e表示自然常数；使用此函数，MMD被映射到0到1的区间上，与Softmax输出分布一致；

步骤B5：通过加权可信度分数WCS(Weighted Credibility Score)融合最大均值差异(MMD)和Softmax输出，以在多个分类器得到结果不一致时选出最可信的结果，设C为分类器预测得到的伪标签域，定义伪标签为c(c∈C)的样本的加权可信度分数WCSc为：其中， 表示由第n个分类器得到的伪标签， 表示由第n个分类器的Softmax层得到的t

伪标签 的概率， 表示第c类样本在源域s中的抽样，x表示当前正在接受检测的单个目标域样本，wn表示第n个分类器在分数中的权重，对于每个在结果中出现过的标签，分别计算对应的WCS，选取所有结果为样本气体c的分类器，分别融合计算每个分类器的最大均值差异和Softmax输出，之后将结果分别乘以对应的权重wn并相加，从而得到伪标签c为样本气体c的加权可信度分数WCSc；

步骤B6：选取WCS最高的伪标签作为算法的最终结果，也就是当前检测气体为样本气体C这一概率值的可信度大小，可信度越大，推算出的概率值就越准确。

4.根据权利要求3所述的基于领域自适应卷积神经网络的电子鼻漂移补偿方法，其特征在于，所述步骤B5中，

带有参数动态调整策略的加性角度间隔Softmax损失函数包含以下调整步骤：步骤C1：将特征向量xi和网络权重Wj归一化，使用θ表示特征向量和网络权重的夹角：其中， 表示对网络权重Wj进行转置操作；

步骤C2：使用m表示加性角度间隔惩罚，加性角度间隔Softmax损失函数写作如下形式：其中s表示归一化的特征向量||xi||的缩放幅度，N表示Softmax层的单元数量，C表示训练样本中的种类数量，c表示当前样本所属于的气体种类；

步骤C3：利用加性角度间隔惩罚m表示施加在角度上的惩罚，使用如下公式对m的值进行动态调节：

其中，e指当前训练轮数，v表示变化率，m0表示m的初始值。

5.根据权利要求4所述的基于领域自适应卷积神经网络的电子鼻漂移补偿方法，其特征在于，所述步骤C3中：

基于带有参数动态调整策略的加性角度间隔Softmax损失函数，对神经网络进行的训练过程如下：

步骤D1：获取带有标记的来自源域的电子鼻数据集样本；

步骤D2：建立所述无目标域的领域自适应卷积神经网络(TDACNN)；

步骤D3：建立带有参数动态调整策略的加性角度间隔Softmax损失函数，并确定m0和v的数值；

步骤D4：确定损失函数的终止训练阈值以及迭代次数阈值；

步骤D5：从打乱的来自源域的电子鼻数据集中获取训练样本并输入TDACNN中，依据步骤C1～步骤C3在四个分类器上分别使用带有参数动态调整策略的加性角度间隔Softmax损失函数计算得到各分类器上的损失值，之后将四个分类器的损失值相加得到总损失值，使用该损失值训练TDACNN，得到更新之后的网络权重值；

步骤D6：判断总损失值是否小于终止训练阈值，如果是则转至步骤D8，如果否则转至步骤D7；

步骤D7：判断网络训练的迭代次数是否大于迭代次数阈值，如果是转步骤D8，否则转步骤D5；

步骤D8：保存当前权重值作为最终权重值。