1.一种基于半监督领域自适应的气体检测方法，具体包括如下步骤：
S1.对气体传感器采集的气体数据信号进行预处理；
S2.利用步骤S1预处理后的信号构造特征子空间；
S3.根据步骤S2构造特征子空间建立组合核函数；
S4.选择目标域中无标记样本；
S5.根据步骤S4选择的目标域中无标记样本训练分类器，根据得到的训练分类器进行气体识别。
2.根据权利要求1所述的气体检测方法，其特征在于，步骤S1的具体过程如下：采集一持续时间段的数据，对数据进行小波变换，每个样本经过预处理后表示为一个N维实数向量，即X=(x1,x2,…，xN)。
3.根据权利要求2所述的气体检测方法，其特征在于，所述预处理具体为滤波处理。
4.根据权利要求2所述的气体检测方法，其特征在于，步骤S2的具体过程如下： S21.将多个样本数据按照时间的先后组成数据集D1，D2，…，Di，…,DT，其中，T表示时间段，D1={X1,X2，…，Xn}，共有n个样本，每个样本被人工标记，其中，Xi的类标记为Yi∈{-1,1}，1表示正样本，即待检测的气体，-1表示负样本，为其它气体；D1是唯一的标记样本集，D2，……,DT是无标签样本集，数据集Di可以表示为矩阵形式，用Di表示这个样本矩阵；
S22.对样本数据Di进行特征中心化、进行主成分分析，得到每个d维度的特征子空间，其中，d是预先设计的一个整数，且d特征中心化：Di=Di-ones(size(Di,1),1)×mean(Di)，其中，size(Di,1)表示矩阵Di行数dim，ones(size(Di,1),1)表示构建一个dim维且元素都为1的列向量，mean(Di)表示一个维数等于矩阵Di列数的行向量，每一元素表示矩阵Di对应列向量的均值；
对特征中心化后的每个Di，进行主成分分析，得到特征子空间，其具体步骤如下： 计算样本矩阵Di的协方差矩阵Hi；
计算协方差矩阵Hi的特征向量的特征值，并把特征值按从大到小排序；
提取最大的d个特征值，其对应的特征向量为特征子空间的基底，构成一个矩阵Si，Si为Di特征子空间，其维度为N×d；
通过上述处理，每个Di可以通过Si变为低维度d的数据，Si是对应子空间，且S1，N N
S2,.....,ST都是R 的d维子空间，记R 的所有d维子空间为GN×d，称为格拉斯曼流型，所述Si∈GN×d。
5.根据权利要求2或4所述的气体检测方法，其特征在于，步骤S3的具体过程如下： S31.构建权重核函数，
S311.选定S1、ST分别为源域D1，目标域DT的特征子空间，则S1和ST为格拉斯曼流型GN×d上的点，在GN×d上构建一条从S1到ST的曲线，设曲线的参数化函数Φ(t)：
[0,1]→GN×d,具体如下：
其中，R1是S1的垂直补子空间，U1和U2分别是d×d和(N-d)×d的对角矩阵，具体通过矩阵SVD分解计算得到：
S1'ST=U1ΓV'，R1'ST=-U2ΣV'；
其中，S1'表示S1的转置矩阵，Γ和Σ是d×d的对角矩阵，其对角线上的元素分别为cos(θi)和sin(θi)，其中，i∈{1,2,……,d}，同样，Γ(t)和Σ(t)的对角元素分别为cos(tθi)和sin(tθi)；
通过以上计算，可以得到U1和U2，Γ(t)和Σ(t)，从而得到Φ(t)；
S312.设w(t)：[0,1]→R为权重函数，w(t)=|1-2t|，用w(t)乘以Φ(t)，得到
g(t)=w(t)Φ(t)；
S313.g(t)在每个点上代表一个子空间的带权重的基底，对g(t)表示的无限维的希尔伯特空间的内积求和，即内积表示g(t)'g(t)在[0,1]区间进行积分，其积分为矩阵G：
由 带入上式可得：
则：
由于Γ(t)和Σ(t)为对角矩阵，且其对角元素分别为cos(tθi)和sin(tθi)，则设 Ω=[S1U1,-R1U2],
则可设G有下面的形式：
其中，Λ1，Λ2，Λ3是d×d的对角矩阵，设其对角元素分别为λ1i,λ2i,λ3i，其中i∈{1,2,……,d}：
S314.定义核函数：K(Xi,Xj)=Xi'G Xj，其中，Xi，Xj是源域D1和目标域DT中任意样本向量；
S32.计算组合核函数，
S321.根据步骤S22可知，D1，D2，……,DT其对应格拉斯曼流型的子空间为S1，S2,.....,ST，设Φi-j(t)：[0,1]→GN×d是格拉斯曼流型上从Si到Sj的一条曲线，定义如下： 则w(t)Φi-j(t)表示从Si到Sj的一条权重曲线；
S322.对任意的j∈{2,3，……，T-1}，定义如下从S1到ST的权重曲线：
w(t)Φ1-j-T(t)表示从S1到ST的经过Sj的一条权重曲线；则内积2
Φ1-j-T(t)>表示w(t)Φ1-j-T(t)'Φ1-j-T(t)从0到2积分，可得：
其中，Gi-j表示根据公式（a）计算的Si到Sj的权重核函数；
G1-j-T定义了一个源域D1和目标域DT中的核函数如下：
K(Xi,Xj)=Xi′G1-j-TXj
S323.根据步骤S322，得到源域D1和目标域DT中T-1个核函数集合，其对应的核矩阵集合为{G1-T，G1-2-T，……,G1-(T-1)-T}，其中，G1-T表示根据公式（a）计算的S1到ST的权重核函数，利用这些核函数构造组合核函数的核矩阵如下：
Gc=w1G1-T+w2G1-2-T+......+wT-1G1-(T-1)-T
其中，w1,w2,……，wT-1是预先设定的权重值，则对应的核函数为：
K(Xi,Xj)=Xi'GcXj （b）
其中，Xi，Xj是源域D1和目标域DT中任意样本向量，式（b）定义的函数即为组合核函数。
6.根据权利要求2或4所述的气体检测方法，其特征在于，步骤S4的具体过程如下： S41.设源域D1={X1，X2，……，Xn}共n个标记样本，目标域DT={Xn+1，Xn+2，……,Xn+q}共q个无标记样本；从目标域DT中选择一个子集来进行无监督学习，使得选择的子集能给分类器提供增量知识去自适应目标领域；
首先描述DT中子集与D1的相似性：DT的任意子集可以用一个0,1的q维向量表示：
μ=(μ1，μ2，……,μq)，其中，μi=1表示Xn+i在这个子集中，否则，μi=0表示Xn+i不在这个子集中；用最小化均值来表示这个子集的样本与源域D1中样本的相似性：
其中， 表示样本的高维特征函数，m=μ1+μ2+……+μq，即m表示子集的样本个数，|| ||表示希尔伯特空间的范数，从DT中选中最相似D1的子集，即最优化上面等式: 表示使得{}中取得最小值的参数μ，式（c）是个NP问题，为解决上述优化问
题，定义向量α：
则0≤αi≤1，且α1+α2+……+αq=1，带入公式（c）可得
S42.由于 表示将样本的高维特征函数，而公式（c）中的核函数已经实现了高维空间映射，为此，设范数对应的核函数为公式（c）中组合核函数，则
设矩阵A=(K(Xn+i,Xn+j))q×q是目标域DT的样本核矩阵，B=(K(Xi,Xn+j))n×q是源域到目标域的样本核矩阵，则公式（d）可化简为：
其中，T=(1,1,……,1)是一个q维向量，上式是一个二次优化问题，其约束条件为
0≤αi，且α1+α2+……+αq=1，解出最优的α；
S43.得到α后，设集合Z={Xn+j|αj≥τ，Xn+j∈DT},其中，参数τ是预先设定的阈值参数，DT=DT–Z，即在目标域中将Z中元素去掉，DT被用来作为半监督学习中的无标记样本。
7.根据权利要求6所述的气体检测方法，其特征在于，步骤S5的具体过程如下： S51.采用基于流形规则化半监督学习方法，其中，核函数为步骤S323中公式（b）中的组合核函数，训练样本集为源域D1和通过步骤S43计算后选择的DT；
设经过步骤S43后DT={Xn+1,Xn+2,……,Xn+p}共p个无标记样本，D1={X1，X2，……，Xn}共n个标记样本，Xi的标签为yi，对D1和DT进行归一化处理；
S52.设分类函数为f(X)，为输入向量X到实数的函数，则流形规则化在再生希尔伯特空间搜索一个最优分类器，其优化的目标函数为：
其中，V(Xi,yi,f)为代价函数，取Hinge函数，即V(Xi,yi,f)=max(0,1-yif(Xi)),F=(f(X1),f(X2),……,f(Xn+p))， 是组合核函数K诱导的再生希尔伯特空间的范数，L是D1和DT中数据邻接矩阵的拉普拉斯变换，γA,γI是预先定义的参数；
S53.D1和DT中数据的邻接图按照KNN方法来构造，其中，样本间的距离按照下式定义： d(Xi,Xj)=K(Xi,Xi)+K(Xj,Xj)-2K(Xi,Xj)
数据的邻接矩阵按照上面的公式有K-NN方法构造得到邻接矩阵W，即对D1和DT的每个样本X，按照上面公式计算距离X最近的K个样本点，X与这K个样本点用无向边分别连接，且边对应的权重值为两点的距离；最终得到一个无向图，所述无向图的邻接矩阵即为W；将矩阵W中每行元素相加作为矩阵D的对角元素，D的非对角线元素为0，则L=D-W； *
S54.利用步骤S53得到的矩阵L，优化公式（e），最终得到分类器f ；
S55.输入一个新的气体样本，采用步骤S1对样本进行预处理得到处理后的样本
*
Z=(z1,z2,...,zN)，利用步骤S22中的mean(D1)将Z中心化：即Z=Z-mean(D1)，计算f(Z)，*
如果f(Z)>0则新样本Z为待检测的气体，否则为其它气体。

• 核函数
• 样本
• dt
• 函数
• 子空间
• 矩阵
• xn
• di
• d1
• 气体