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，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；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(0)，经过采样阶段后，在下一样本开始采样前基准值为x′(0)，那么它们的差值Δx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)+δA)-(xs(0)+δA)＝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δA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3σ准则对获得的诸多样本中的异常数据进行剔除，3σ准则如下所示：式中，xd为第d个数据，为n个数据的均值，σ为n个数据的标准差；当样本量较大时，这时σ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xi(i＝1,2,..,n)与其邻域Γ(i)内的k,k为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Wij，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。

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(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信息。