Olfactory Target/Background Odor Detection via Self-expression Model
解决非目标气体检测
摘要：提出了SeELM模型（自表达ELM模型）
分为两步：1.对获得的数据集进行建模，计算出自我表达系数矩阵，2.对于异常检测，通过自我表达矩阵得出的结果进行误差分析，来判断是否异常
自表达矩阵为ELM隐藏层的H矩阵，错误编码的误差阈值.
通过与误差与T之间的大小判断是否为非目标气体
Common Subspace Learning via Cross-Domain Extreme Learning Machine
可以解决传感器飘移问题
摘要：提出CdELM框架，
基本流程：搜集到的数据集，先map到ELM空间中，再映射到子空间中，最后利用分类算法进行分类
映射到ELM中
映射到子空间中，目的为了消去一些漂移影响，找到共有特征，能够是的飘移数据与原始数据具有统一的分布空间，
1.受到LDA启发，最小化类内间距，最大化类间间距
2.映射后的子空间不扭曲目标域的数据，使用矩阵的秩来保证
3.最小化飘移数据与原始数据的平均分布差异（MDD）
4.对子空间转变参数进行范数计算，使其收敛
最终结合为
最终化简通过拉格朗日乘法进行最优化求解得出最终的变换空间参数。
