基于神经网络的黄瓜全程光合速率预测模型及建立方法技术

本发明专利技术基于神经网络的黄瓜全程光合速率预测模型，利用多因子嵌套试验获得黄瓜幼苗光合速率测试数据，采用LM训练法进行模型训练，建立融合生长阶段黄瓜全过程光合速率模型，并将其与单一生长期的光合速率模型、未融合生长期阶段参量的全过程光合速率模型进行模型性能参数比较与准确性验证；训练结果表明，加入生长期作为一维输入量建立的全过程光合速率模型，可有效越过局部平坦区，具有明显的优越性，满足误差小于0.0001的训练要求并对其采用异校验的方式进行验证，模型预测值与实测值决定系数为0.9897，误差小于6.559％，其可为设施作物光环境调控提供理论基础和技术支持。

【技术实现步骤摘要】

本专利技术属于智能农业
，特别涉及一种基于神经网络的黄瓜全程光合速率 预测模型及建立方法。
技术介绍
黄瓜是我国栽培的主要蔬菜之一，黄瓜的品质和产量与其进行光合作用的能力密 不可分。光合速率与叶绿素含量、温度、C02浓度、光照强度、相对湿度等多个因子有着显著 关系。其中，叶绿体是绿色植物进行光合作用的基础细胞器，而叶绿素是叶绿体的基本组成 物质，在植物光合作用中至关重要，其含量是植物光合作用能力、营养状况和生长态势的重 要指示因子，温度影响作物体内Rubisco活化酶的活性、气孔导度，C02浓度直接影响作物进 行暗反应速率和干物质的积累，光照强度是光合作用的直接动力与推动力量，相对湿度影 响叶片气孔导度等，且各因子间存在相互影响。因此，综合考虑多个因子影响、建立多因子 耦合的全程光合速率预测模型，对优化黄瓜光环境具有重要作用。 近年来，众多学者在建立光合速率模型方面已进行了相关研究，上述研究均考虑 了不同环境因子之间的关联，但存在拟合度较低、拟合公式复杂、误差较大等不足。而神经 网络具有非线性映射和自适应学习能力等优点，适宜拟合和预测非线性复杂系统模型，因 此基于神经网络的光合速率建模已成为研究热点。近期出现了基于Hopfield网络光合速 率模型、基于BP神经网络的温室番茄叶片气孔导度模型、基于WSN的番茄开花期单叶净光 合作用速率预测模型，上述研究从不同角度将神经网络应用于光合速率建模，但均未考虑 不同生长期对作物的影响，尚未建立起全程的黄瓜光合速率预测模型，且存在训练过程较 慢，训练误差相差较大的不足。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于神经网络的黄瓜 全程光合速率预测模型及建立方法，设计多因子嵌套试验，将数据归一化处理后采用BP神 经网络建模，在考虑原有环境与生理参量的前提下，创新性地将生长阶段信息作为一维输 入因子加以区分的黄瓜光合速率预测模型，通过对比验证建立起全程的黄瓜光合速率预测 模型，为设施农业的光环境调控建立基础。 为了实现上述目的，本专利技术采用的技术方案是： 一种基于神经网络的黄瓜全程光合速率预测模型，该模型融合了生长期，模型公 式关其中输出信号?；表示神经网络计算得到的光合速率，输入信 号X'=(X!，，χ2'，......，χ6'）τ;χ/、χ2'、χ3'、χ4'、χ5'、χ6' 分另ll为生长其月、温度、C02 浓度、光照强度、相对湿度和叶绿素含量;m= 8、n= 6 ;Vl]是输入层到隐含层的权值，《 ,是 隐含层到输出层权值向量，表示的是输入层经过权值调整到隐层的净输入量；表示的是输出层的输入量。 所述基于神经网络的黄瓜全程光合速率预测模型的建立方法，包括如下步骤： 步骤1，获取实验数据，过程如下： 采用营养钵育苗，待黄瓜幼苗长成二叶一心，选择长势均勾、莖横径在0. 6~ 0. 8cm之间、株高10cm以内的黄瓜幼苗进行试验，选取范壮的黄瓜幼苗150株作为试验样 本，待黄瓜处于开花结果期，选取开花节位距龙头约50厘米的植株150株作为开花结果期 的试验样本； 测定净光合速率，过程中利用控温模块设定16、20、24、28、32°(：共5个温度梯度； 利用C02注入模块设定二氧化碳体积比为300、600、900、1200、1500μL/L共5个梯度；利用 LED光源模块获得 0、20、50、100、200、300、500、700、1000、1200、1500ym〇V(m2 .s)共 11 个 光子通量密度梯度，以嵌套方式共进行275组试验，每组试验在随机选取的3株植株上做重 复测试，试验中记录叶室相对湿度，并记录被测叶片叶绿素含量，从而形成以叶绿素含量、 温度、C02浓度、光照强度、相对湿度为输入，净光合速率为输出的1650组试验数据，即幼苗 期825组，开花结果期825组； 步骤2,建立模型 步骤2.1训练方法输入信号为X'= (x/，x2'，......，x6'）T;x/、x2'、x3'、x4'、x5'、x6' 分别为生长 期、温度、C02浓度、光照强度、相对湿度和叶绿素含量，输出信号T^表示通过神经网络计算 得到的光合速率，对应实测光合速率为教师信号Td，通过BP梯度训练法建立加入生长期作 为一维因子的全程黄瓜幼苗光合速率模型； 步骤2. 2训练过程 随机分配输入层到隐含层权值向量初始值V和隐含层到输出层权值向量初始值 w;运行bp神经网络程序，输入训练集样本（.r,ipi并根I计算 网络的输出τ。； 基于教师信号TjP网络输出信号?\，系统总误差，式 中，厂'为训练样本真实值，？f为训练样本网络输出值，Ρ为训练样本个数，1为输出层个数； 基于教师信号Td、网络输出信号?；、隐含层到输出层权值向量和隐含层的输出分 量，输出层误差信号s°=OVTJUl-T上神经元误差信号 < 二故V?,,.丨V//-.VJ，式中， ω,为隐含层到输出层的权值向量，y,为各层的输出； 采用LM训练法进行网络训练，输入层到隐含层的权值向量& + =成Λ)， 隐含层到输出层权值ω，=Δω，式中，q为学习率，Δω为权值调整向量，AW =_(JnTJn+nnI)W，，是用来近似目标函数的Hessian矩阵，I为单位矩阵，ηn 为LM训练法内部大于0的参数，用于加快网络的训练速度，当rin接近零时，LM算法接近高 斯-牛顿法；随着nn不断增大，LM算法近似于最速下降法； 步骤2. 3模型建立 当Eres小于设定的误差值或者学习次数达到设定步数时，训练停止得到最终预测 模型。 所述步骤2. 2中， 对训练集样本U)进行0. 2~0. 9区间的归一化处理，设置神经网络隐层节点 数为10,随机分配输入层到隐含层权值向量初始值V和隐含层到输出层权值向量初始值W; 然后运行BP神经网络程序，输入训练集样本7：p;并根据·算隐层节点 的输出7];根_汁算输出层的输出；通过判断神 经网络是否达到训练精度，如果未达到则重新选择样本开始训练，反之训练停止，模型建立 完成。 本专利技术建立环境因子和植物生理因子与光合速率的映射，从而可以有效的进行光 环境的调控，对作物的增产具有重要意义。 与现有技术相比，本专利技术的有益效果是： 1)提出了基于神经网络的黄瓜全程光合速率预测模型，通过加入一维生长期输入 量，有效区分了黄瓜幼苗期与开花结果期的光合速率值在不同条件下的差异，训练过程中 可有效越过局部平坦区，没有出现反复震荡，收敛迅速、精度高于混合生长期的预测模型。 2)用LM训练法建立的神经网络预测模型，其决定系数为0. 9897,具有良好拟合效 果，可实现针对植物不同生长期光合速率值的预测。构建的全程黄瓜幼苗光合速率预测模 型可为黄光幼苗期光环境调控提供理论。 本专利技术提出的全程光合速率预测模型可为黄瓜光环境调控提供理论依据，可扩展 应用于不同作物的光合优化调控模型建立，以提高温室作物的光合能力。【附图说明】 图1是本专利技术基于神经网络算法流程图。 图2是本专利技术不同生长期的误差变化曲线。图3是本专利技术模型验证中光合速率实测值与模拟值之间的相关性示意图。【具体实施方式】 下面结合附图和实施例详细说明本专利技术的实施方式。 本专利技术一种基于神经网络的黄瓜全程光合速本文档来自技高网...

【技术保护点】
一种基于神经网络的黄瓜全程光合速率预测模型，其特征在于，该模型融合了生长期，模型公式为其中输出信号To表示神经网络计算得到的光合速率，输入信号x′＝(x1′,x2′,......,x6′)T；x1′、x2′、x3′、x4′、x5′、x6′分别为生长期、温度、CO2浓度、光照强度、相对湿度和叶绿素含量；m＝8、n＝6；vij是输入层到隐含层的权值，wj是隐含层到输出层权值向量，表示的是输入层经过权值调整到隐层的净输入量；表示的是输出层的输入量。

【技术特征摘要】

【专利技术属性】
技术研发人员：张海辉，陶彦蓉，胡瑾，王智永，张斯威，辛萍萍，张珍，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：陕西;61