每个样本的挥 发性盐基氮值，将其作为大闸蟹新鲜度等级的参照标准，对各个样本的新鲜度等级进行划 分，即甲壳类的水产品挥发性盐基氮（mgN/100g) < 15为一级鲜度，< 25为二级鲜度，>25 为不新鲜。
[0046] (2)面对气味采集所获得的如此复杂的多维数据，需要进行一系列的预处理，包括 均值滤波、基线处理和异常数据剔除等操作，气味响应信息通过预加工后，需要从原始的特 征空间中寻求到最有效的特征来表示气味信息，这就是接下来的特征选择，它将直接影响 后续建立的分类器模型的准确性和稳定性，因此本发明将特征选择和分类器结果结合起来 选择特征参数，瞬时信息为二次多项式拟合响应曲线所得到的常数项、一次项系数和二次 项系数3个特征值，稳态信息为稳态响应值，他们分别是与时间变量相关的信息以及能够 反映气味的浓度信息。
[0047] (3)然后对多维特征进行降维处理，得到可视化结果，如图3所示。传统的线性降 维结果如图3 (a)、3 (b)所示，可以看出，无论是主成分分析还是线性判别分析，相邻两天的 数据不能完全的分开，其中存在部分的交叉数据，这主要与蟹类处于活体检测有关，相邻的 两天气味变化不大。在线性降维的基础上添加非线性的核函数，构成了非线性降维的核主 成分分析，其结果如图3(c)所示。本发明采用另一种非线性降维的拉普拉斯特征映射算 法，其结果如图3 (d)所示，横轴坐标分别为投影到两维平面上的矢量方向，从3 (c)、3 (d)可 以看出，相邻两天的数据还是存在一定的交叉，但是可以看出9天的数据可以分为3类，分 别是第一天到第三天的数据、第四天到第五天的数据和第六天到第九天的数据，从新鲜度 的角度考虑，可以将这种分类形式转化为中华绒螯蟹新鲜、次新鲜和不新鲜三类，这个结果 与挥发性盐基氮的结果是一致的，如图4所示。但是从类间距最大、类内距最小的角度来考 虑，可以看出图3(d)的效果优于图3(c)的效果，所以采用拉普拉斯特征映射更能提取到有 效的分类信息。
[0048] (4)用BP神经网络建立大闸蟹新鲜度等级的预测模型，用拉普拉斯特征映射所提 取的多维传感器的特征数据作为BP神经网络输入层的节点，将样本数据所对应的分类类 别作为输出层节点，对于网络内部参数的设置要结合实际的预测结果，根据网络性能选择 一个隐含层即可，那么BP神经网络即为三层网络，将隐含层节点数设为20,隐含层传递函 数为tansig，输出层传递函数为logsig，训练函数为trainlm，学习率定为0. 2。从数据集中 随机选取72个样本用于训练模型，训练完成后取另外的20个样本用于验证该模型，结果如 图5所示。从图中可以看出总共有三种类别标签，圆圈为真实的类别，星点为预测的类别， 两者重合则预测正确，否则预测错误，那么图5中的20个样本全部预测正确。
【主权项】
1. 一种基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于它包括以下几个步骤： (1) 、针对不同储藏时间的大闸蟹样本，采用机器嗅觉系统进行气味信息的采集；同时， 测定每个样本的挥发性盐基氮含量，依据挥发性盐基氮含量对各个大闸蟹样本的新鲜度等 级进行划分，作为新鲜度等级的参照标准； (2) 、对所述的步骤（1)中所采集到的气味信息进行相应的预处理，滤除干扰，提高信 噪比，另一方面补偿传感器的漂移； (3) 、对所述的步骤（2)中所获得的气味信息接着进行特征选择和特征提取，从瞬时信 息和稳态信息两方面来选择最有效表征气味信息的特征，另外，采用非线性降维的拉普拉 斯特征映射算法对多维数据矩阵进行降维处理，提取到反映原来变量信息的综合特征； (4)、采用BP神经网络建立对大闸蟹新鲜度等级的预测模型，将所述的步骤（3)所提取 的综合特征作为模型的输入，根据所述的步骤（3)降维后的可视化结果以及所述步骤（1) 对样本新鲜度等级的划分，得到储存天数的分类信息，将其作为模型的输出，将训练好的模 型用来预测未知样本的新鲜度等级。2. 根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述 的步骤（1)中机器嗅觉系统是7个金属半导体气敏传感器以静态顶空法对气味进行采样。3. 根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于，所 述的步骤（1)中按照水产行业标准GB/T5009. 44规定的方法测定每个样本的挥发性盐基氮 含量；根据水产行业标准SC3113-2002中对甲壳类水产品的规定，对各个大闸蟹样本的新 鲜度等级进行划分。4. 根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述 的步骤（2)中对采集到的气味信息进行相应的预处理，包括均值滤波、基线处理和异常数 据剔除。5. 根据权利要求4所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述 的步骤（2)中均值滤波的具体步骤为： 用每一个采样点邻域范围内的平均值来代替该点原来的数值，其算子如下所示：式中，g(i)为第i个采样点滤波后的数值，f(i)为第i个采样点原始的数值，N为采样 点邻域的一半。6. 根据权利要求4所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述 的步骤（2)中基线处理的具体步骤为： 前一个样本在采样阶段开始前将传感器洗气到基准值X(O)，经过采样阶段后，在下一 样本开始采样前基准值为X' (〇)，那么它们的差值AX即为传感器的漂移，这样就会造成 稳态值及整个瞬态曲线值的变化，采用差分的基线处理方法如下所示： ys(t) = (xs(t)+8A)-(xs(0)+8 A) =xs (t)-xs(0) 式中，ys(t)为经过基线处理过的数据值，xs(t)为未处理的响应数据，由此可以看出加 性噪声Sa就在相减中消除掉；同时，每次采样的数据曲线都可以看成是从零点出发，这样 补偿了传感器的漂移。7. 根据权利要求4所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所述 的步骤（2)异常数据剔除等操作的具体步骤为： 实验操作过程中引入的粗大误差和传感器的暂时中毒会造成异常数据的出现，采用 3〇准则对获得的诸多样本中的异常数据进行剔除，3 〇准则如下所示：式中，Xd为第d个数据，$为n个数据的均值，〇为1!个数据的标准差；当样本量较大 时，这时〇相对偏小，那么对于数据的剔除就更为严格和准确。8. 根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于，所 述的步骤（3)中选择表征气味信息的特征中的瞬时信息为二次多项式拟合响应曲线所得 到的常数项、一次项系数和二次项系数3个特征值，稳态信息为稳态响应值。9. 根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于，所 述的步骤（3)中特征提取所用到的拉普拉斯特征映射算法的具体步骤为：首先使用邻近算 法构造近邻图，每个样本点Xl(i=l，2，..，n)与其邻域r(i)内的k(预先设定的值）个 点连上边，在近邻图中顶点代表数据，边代表数据间的相关关系；接着计算权值矩阵W1,，采 用热核函数来确定数据间的权值大小，如下所示：最后，通过计算拉普拉斯算子的广义特征向量来构造特征映射。10. 根据权利要求1所述的基于机器嗅觉的蟹类新鲜度等级检测方法，其特征在于所 述的步骤（4)中储存天数的分类信息为：即前三天数据为一类、第四天到第五天为一类、第 六天到第九天为一类，步骤（4)所述的模型的输入为拉普拉斯特征映射算法所提取的两维 fg息
【专利摘要】本发明提供公开了一种基于机器嗅觉的蟹类新鲜度等级检测方法，针对不同储存时期的蟹类样本分别进行气味信息的采集和TVB-N的检测，对获取的气味信息进行预处理，该过程包括均值滤波、基线处理和异常数据的剔除，然后选择能够有效表征气味信息的特征，针对多维特征，采用非线性降维的拉普拉斯特征映射算法实现维数的约减，可视化分析的结果与TVB-N检测结果是相对应的，由此建立蟹类新鲜度等级预测模型，将可视化结果的分类信息作为预测模型的输出，提取到的有效特征作为输入，用未知样本测试训练好的模型，得出最终的蟹类新鲜度等级结果。本发明采用一种新兴的机器嗅觉技术来检测蟹类的新鲜度等级，它具有样本处理简单、检测速度快、无损等优点，为水产品市场和人们的日常生活有着巨大的应用价值。
【IPC分类】G01N33/12
【公开号】CN105044298
【申请号】CN201510409587
【发明人】朱培逸, 杜洁, 徐本连, 鲁明丽, 史肖肖, 陈辰生, 顾晓云
【申请人】常熟理工学院
【公开日】2015年11月11日
【申请日】2015年7月13日