基于对比边缘标记图神经网络的电子鼻传感器漂移自适应研究

本文创新性地提出对比边缘标记图神经网络（CEGNN），通过融合对比学习与图神经网络（GNN）技术，解决了电子鼻（E-nose）系统中传感器漂移导致的长期可靠性难题。该模型无需标注漂移数据，仅需每类1个参考样本即可实现自监督适应，其三大核心模块——自适应样本增强伪标签生成、动量编码双特征提取器和边缘标记GNN（EGNN）相似性传播——在对称/非对称类场景下平均准确率最高提升5.09%。

　　

亮点

边缘标记图神经网络

图神经网络（GNN）在图结构数据分析中展现出卓越性能，通过聚合相邻节点特征学习节点表示，包括图卷积网络（GCN）、门控图网络（GGN）和图注意力网络（GAT）等变体。作为GNN的特殊分支，边缘标记GNN（EGNN）同时整合节点和边特征，在关系推理任务中表现突出。

整体模型架构

CEGNN框架包含三大核心模块（图1）：

1. 1.

   样本增强模块（F）：训练时通过线性插值生成增强样本对，并分配伪标签驱动对比学习目标；

2. 2.

   编码器模块（E）：采用动量编码双特征提取器，稳定特征表示；

3. 3.

   图神经网络模块（G）：通过边缘标记GNN（EGNN）传播样本相似性，有效处理对称/非对称类别场景。

实验环境

实验在Python 3.9和PyTorch 1.13.0（CUDA 11.7）环境下进行，测试数据集包含纯气体和混合气体两组，分别验证模型在不同气体条件下的适应性。

结论

本研究提出的CEGNN创新性地将对比学习与小样本学习结合，解决了电子鼻领域漂移适应难题。模型在数据扰动和传感器故障场景下仍保持稳健，其样本增强策略和EGNN架构为生物传感器长期稳定性研究提供了新范式。