技术特征：
1.一种海水cod光谱变量特征自适应选择估计方法，其特征在于：包括如下步骤：步骤1，对原始光谱数据集进行筛选；步骤2，对步骤1筛选出的光谱数据集进行预处理，消除基线漂移和背景干扰并对光谱进行平滑处理；步骤3，对步骤2所得光谱变量进行抽样，每次变量选择结果用二进制表示形成二进制矩阵，并对选中的变量建立偏最小二乘回归模型，记录模型中的交叉验证误差rmsecv；步骤4，建立新的偏最小二乘回归模型，将步骤3所得的二进制矩阵与交叉验证误差建立对应关系，并统计相关系数矩阵，对相关系数矩阵进行升序排列得到集合v，从集合v中取上四分位数的变量作为含有个变量的初始子集z*；步骤5，设置第一层循环，给定初始参数t和rmsecv接受阈值，参数的更新函数为：，其中， n为第一层循环次数，k为 boltzmann常数，，以初始子集z*为初始状态，利用偏最小二乘对选中的变量进行建模，并采用rmsecv作为评价指标，得到目标函数f(i)；步骤6，针对步骤4中集合v进行第二层循环，设置循环次数lk，采用正态分布控制变量数，实现变量的选择与增删操作，最终得到lk个候选变量子集z及每个候选变量子集的rmsecv；步骤7，从步骤6所得的lk个候选变量子集z中选择rmsecv最小的候选变量子集更新步骤5中的初始状态，进行第一层循环，当t=0.1或候选变量子集的rmsecv达到rmsecv接受阈值，则第一层循环结束，输出最优候选变量子集及rmsecv。2.根据权利要求1所述的一种海水cod光谱变量特征自适应选择估计方法，其特征在于，所述步骤3中交叉验证误差rmsecv计算公式为：其中，c
i
是实际值, 是预测值, n是训练集样本数。3.根据权利要求1所述的一种海水cod光谱变量特征自适应选择估计方法，其特征在于，所述步骤6变量的选择具体为：从均值为、方差为的正态分布中随机选择一个整数，根据约束条件产生一个含有个变量的候选变量子集z。4.根据权利要求3所述的一种海水cod光谱变量特征自适应选择估计方法，其特征在于，所述约束条件具体为：若,则令z=z*；若,则首先对z建立pls模型，记录并比较模型中每个变量的回归系数的值，将个最小回归系数的相关变量从z*中移除，剩余的个变量为候选变量子集z；若，则从v-z*中随机抽取个变量，设置为4，
生成一个变量子集t，通过z*和t的组合建立pls模型，保留模型中回归系数最大的个变量，并将其设为候选变量子集z。5.根据权利要求1所述的一种海水cod光谱变量特征自适应选择估计方法，其特征在于，所述步骤5中目标函数计算公式为：。6.根据权利要求1所述的一种海水cod光谱变量特征自适应选择估计方法，其特征在于，所述步骤6变量的增删具体包括：以metropolis接受准则进行变量的保留或剔除。7.根据权利要求6所述的一种海水cod光谱变量特征自适应选择估计方法，其特征在于，所述metropolis接受准则具体为：其中，表示接受解j的概率，f(i)、f(j)分别表示解i、j的目标函数；t
n
为第一层循环第n次时的取值。
技术总结
本发明公开了一种海水COD光谱变量特征自适应选择估计方法，涉及海洋检测技术领域，包括对原始光谱数据进行筛选、预处理，对预处理所得谱线进行抽样，并通过偏最小二乘回归模型得到数据集合，通过对数据集合使用冷却收缩控制第一层循环算法进程与第二层循环解，实现算法前期大范围选择，保证搜索范围包含全部光谱数据集，同时避免陷入局部最优，后期进行光谱变量择优。本发明不受特定设置变量数的限制，也不受海洋环境干扰的限制，能够现场、自动、实时的获得当前测量海水光谱最佳变量子集，符合目前海洋现场光谱监测仪器COD检测要求，实现海洋光谱传感器现场、智能、实时的光谱数据分析，并提升海洋光谱传感器COD预测性能提升。并提升海洋光谱传感器COD预测性能提升。并提升海洋光谱传感器COD预测性能提升。
技术研发人员：张颖颖 侯士伟 袁达 吴丙伟 冯现东 曹璐 程岩 王茜
受保护的技术使用者：山东省科学院海洋仪器仪表研究所
技术研发日：2022.12.28
技术公布日：2023/1/31