一种基于支持向量机的黄瓜全程光合速率预测模型及建立方法技术

一种基于支持向量机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，建立融合多种生长期的黄瓜全过程光合速率模型，并采用异校验方式分别与单一生长期的光合速率模型、全生长期的黄瓜光合速率模型进行对比验证，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，模型预测值与实测值决定系数为0.993，误差小于6.253％，其训练效果与模型拟合度均优于混合生长期的模型，与单一生长期的光合速率模型精度相似，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
，特别涉及一种基于支持向量机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、CO2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，CO2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。国外的很多相关学者和研究机构，已经通过对植物光合作用的深入研究，并以此为基础建立了大量的有关温室内部环境控制模型及植物生长的模型。70年代，Charles-Edwards提出植物光合作用生理模型是建立叶片光合模型的初始模型之一，其中生理模型包括包括光呼吸作用、暗呼吸作用及氧效应。在此相关研究基础上，相关学者建立了多种光合模型，其中包括直角双曲模型、非直角双曲模型和指数关系等模型，但其模型参数不易获取，给模型的应用带来一定困难。基于上述生理模型，ZipiaoYe等提出了基于电子输运的光合速率模型等提出了光合速率稳态模型，J.Z.XU等进行了不同氮素下光合作用模型的研究，Y.LANG等利用不同的叶片，进行了光合速率模型的相关研究和探索。所以，选取性能良好的植物光合模型以及确定较为准确的相关参数对于调控植物生长的环境和和作物培育显得更有必要，但是目前国内在日光温室作物净光合的模型还需不断改进。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。支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法。可以解决样本空间中的高度非线性分类和回归等问题,是一种处理非线性分类和非线性回归的有效方法。光合速率预测包含大量的非线性因素。传统的统计预测方法,在建立预测模型时要求因子与预测对象间存在显著的线性相关,且因子间要求线性相关达最小。而引起光合速率变化诸多因子的复杂性和非线性,决定了预测因子与预测对象间的非线性相关,因而传统的模型预测方法很难解决本质是非线性关系的预测问题，支持向量机为植物光合速率预测提供了一种可行的有效途径。
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支持向量机的黄瓜全程光合速率预测模型，设计多因子嵌套试验，将数据归一化处理后采用支持向量机建模，分别建立仅针对幼苗期、开花结果期、全生长期和加入生长期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：一种基于支持向量机的黄瓜全程光合速率预测模型，模型公式为：其中，输出f(x)表示预测的光合速率，输入信号X'＝(X1'X2'…X5')T，X1'、X2'、X3'、X4'、X5'分别为温度、CO2浓度、光照强度、相对湿度和叶绿素含量，w为权值向量，b为偏置，Φ(x)为非线性映射函数，l为训练集样本对{(xi,yi),i＝1,2,3,…,l本文档来自技高网...

【技术保护点】
一种基于支持向量机的黄瓜全程光合速率预测模型，其特征在于，模型公式为：f(x)=wΦ(x)+b=Σi=1l(ai-ai*)·exp(-||x-xi||2σ2)+b,]]>其中，输出f(x)表示预测的光合速率，输入信号X'＝(X1'X2'…X5')T，X1'、X2'、X3'、X4'、X5'分别为温度、CO2浓度、光照强度、相对湿度和叶绿素含量，w为权值向量，b为偏置，Φ(x)为非线性映射函数，l为训练集样本对{(xi,yi),i＝1,2,3,...,l}中的训练样本个数，xi是第i训练样本的输入列向量，yi为对应的输出值，yi∈R，是i×d维实数域，d是列向量维数，ai和ai*为下式的最优解：maxα,α*[-12Σi=1lΣj=1l(αi-αi*)(αj-αj*)K(xi,xj)-Σi=1l(αi+αi*)ϵ+Σi=1l(αi-αi*)yi]s.t.Σi=1l(αi-αi*)=00≤αi≤c0≤αi*≤c]]>为核函数，σ为宽度参数，ε为中止训练误差，c为惩罚因子。...

【技术特征摘要】
1.一种基于支持向量机的黄瓜全程光合速率预测模型，其特征在于，模
型公式为：f(x)=wΦ(x)+b=Σi=1l(ai-ai*)·exp(-||x-xi||2σ2)+b,]]>其中，输出f(x)表示预测

【专利技术属性】
技术研发人员：张海辉，王智永，胡瑾，陶彦蓉，辛萍萍，张斯威，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