一种温室作物光合速率预测模型构建方法及系统技术方案

本申请公开了一种温室作物光合速率预测模型构建方法及系统，首先，获取样本数据，将样本数据进行归一化操作得到训练样本集；然后，构建基于SOPSO

【技术实现步骤摘要】
一种温室作物光合速率预测模型构建方法及系统


[0001]本专利技术涉及生物信息领域，特别涉及一种温室作物光合速率预测模型构建方法及系统。

技术介绍

[0002]作物光合作用是指在一定的光子通量密度条件下，将二氧化碳和水转化为有机物，实现物质积累的生化过程，这决定了作物的产量和质量。因此，创造一个良好的小气候环境以满足作物光合需求是提高光合速率、加快物质积累、提高作物产量和品质的关键。
[0003]现有技术中，通常采用支持向量机(SVM)技术模拟这些环境因子与光合速率之间的关系时，然而，当输入变量数量的增加，现有技术存在拟合复杂度高、误差大等缺点。

技术实现思路

[0004]基于此，本申请实施例提供了一种温室作物光合速率预测模型构建方法及系统，可以提高对光合速率预测的准确性。
[0005]第一方面，提供了一种温室作物光合速率预测模型构建方法，该方法包括：
[0006]获取样本数据，将所述样本数据进行归一化操作得到训练样本集；
[0007]构建基于SOPSO
‑
LSSVM的光合速率预测模型，利用所述训练样本集对所述光合速率预测模型进行训练，其中，训练过程包括：
[0008]将所述训练样本集输入至LSSVM模型中进行训练，得到当前训练批次中光合速率的预测值；
[0009]根据所述预测值通过SOPSO算法得到当前训练批次的参数最优值，利用所述参数最优值对所述LSSVM模型中的参数进行更新；
[0010]当训练批次达到预设条件，得到温室作物光合速率预测模型。
[0011]可选地，所述样本数据包括温度、湿度、光合光子通量密度、二氧化碳浓度以及光合速率值。
[0012]可选地，所述温度、湿度、光合光子通量密度、二氧化碳浓度是通过无线传感器网络的节点采集获得，所述光合速率值是通过在预设时间内利用便携式光合仪测量得到。
[0013]可选地，所述将所述样本数据通过第一公式进行归一化操作得到训练样本集，所述第一公式具体包括：
[0014][0015]其中，
[0016]X
i
表示第i个变量的输入向量，X
i
'(j)表示第i个变量的第j个样本值，i＝1,2,...,n表示变量数，j＝1,2,...,m表示样本数。
[0017]可选地，所述构建基于SOPSO
‑
LSSVM的光合速率预测模型，包括：
[0018]设置SOPSO算法的参数，然后初始化粒子的速度和位置。
[0019]可选地，所述将所述训练样本集输入至LSSVM模型中进行训练，根据第二公式得到光合速率的预测值，所述第二公式具体包括：
[0020][0021]其中，
[0022]表示光合速率的预测值，α
i
≥0表示拉格朗日乘子，b表示偏差项，I＝[1,1,...,1]，T表示转置，Ω
i
＝K(X,X
i
)表示矩阵中的元素，σ表示核函数常数，γ表示惩罚系数，exp()表示e为底的指数函数，X
i
,X
j
表示输入向量，i＝1,2,...,n表示变量数，j＝1,2,...,m表示样本数。
[0023]可选地，所述根据所述预测值通过SOPSO算法得到当前训练批次的参数最优值，具体包括：
[0024]根据所述预测值通过第三公式计算得到当前训练批次的适应度值，并根据所述适应度值最小时的粒子位置得到的参数最优值。
[0025]可选地，所述第三公式具体包括：
[0026][0027]其中，fit表示适应度值，y
i
表示第i个样本的实际测量值，表示第i个样本的预测值，n表示预测样本数。
[0028]可选地，所述预设条件包括：模型训练的最大迭代次数或模型训练中所得到的最小适应度值。
[0029]第二方面，提供了一种温室作物光合速率预测模型构建系统，该系统包括：
[0030]获取模块，用于获取样本数据，将所述样本数据进行归一化操作得到训练样本集
[0031]训练模块，用于构建基于SOPSO
‑
LSSVM的光合速率预测模型，利用所述训练样本集对所述光合速率预测模型进行训练，其中，训练过程包括：
[0032]将所述训练样本集输入至LSSVM模型中进行训练，得到当前训练批次中光合速率的预测值；
[0033]根据所述预测值通过SOPSO算法得到当前训练批次的参数最优值，利用所述参数最优值对所述LSSVM模型中的参数进行更新；
[0034]生成模块，用于当训练批次达到预设条件，得到温室作物光合速率预测模型。
[0035]本申请实施例提供的技术方案提供了一种温室作物光合速率预测模型构建方法，首先，获取样本数据，将样本数据进行归一化操作得到训练样本集；然后，构建基于SOPSO
‑
LSSVM的光合速率预测模型，利用训练样本集对光合速率预测模型进行训练，其中，训练过程包括：将训练样本集输入至LSSVM模型中进行训练，得到当前训练批次中光合速率的预测值；根据预测值通过SOPSO算法得到当前训练批次的参数最优值，利用参数最优值对LSSVM
模型中的参数进行更新；最后，当训练批次达到预设条件，得到温室作物光合速率预测模型。可以看出，该模型能够准确预测在不同温度、CO2浓度和PPFD条件下的番茄光合速率，可为温室环境优化控制提供良好的模型基础。
附图说明
[0036]图1为本申请实施例提供的一种温室作物光合速率预测模型构建方法的流程图；
[0037]图2为本申请实施例提供的光合速率测量过程框图；
[0038]图3为采用实施例样本数据基于BP模型的预测值；
[0039]图4为采用实施例样本数据基于LSSVM模型的预测值；
[0040]图5为采用实施例样本数据基于SOPSO
‑
LSSVM模型的预测值；
[0041]图6为本申请实施例提供的一种温室作物光合速率预测模型构建系统的框图。
具体实施方式
[0042]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0043]在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)旨在区别指代的对象。对于具有时序流程的方案，这种术语表述方式不必理解为描述特定的顺序或先后次序，对于装置结构的方案，这种术语表述方式也不存在对重要程度、位置关系的区分等。
[0044]此外，术语“包括”、“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元，而是还可包含虽然本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种温室作物光合速率预测模型构建方法，其特征在于，所述方法包括：获取样本数据，将所述样本数据进行归一化操作得到训练样本集；构建基于SOPSO
‑
LSSVM的光合速率预测模型，利用所述训练样本集对所述光合速率预测模型进行训练，其中，训练过程包括：将所述训练样本集输入至LSSVM模型中进行训练，得到当前训练批次中光合速率的预测值；根据所述预测值通过SOPSO算法得到当前训练批次的参数最优值，利用所述参数最优值对所述LSSVM模型中的参数进行更新；当训练批次达到预设条件，得到温室作物光合速率预测模型。2.根据权利要求1所述的方法，其特征在于，所述样本数据包括温度、湿度、光合光子通量密度、二氧化碳浓度以及光合速率值。3.根据权利要求2所述的方法，其特征在于，所述温度、湿度、光合光子通量密度、二氧化碳浓度是通过无线传感器网络的节点采集获得，所述光合速率值是通过在预设时间内利用便携式光合仪测量得到。4.根据权利要求1所述的方法，其特征在于，所述将所述样本数据通过第一公式进行归一化操作得到训练样本集，所述第一公式具体包括：其中，X
i
表示第i个变量的输入向量，X
′
i
(j)表示第i个变量的第j个样本值，i＝1,2,...,n表示变量数，j＝1,2,...,m表示样本数。5.根据权利要求1所述的方法，其特征在于，所述构建基于SOPSO
‑
LSSVM的光合速率预测模型，包括：设置SOPSO算法的参数，然后初始化粒子的速度和位置。6.根据权利要求1所述的方法，其特征在于，所述将所述训练样本集输入至LSSVM模型中进行训练，根据第二公式得到光合速率的预测值，所述第二公式具体包括：其中，其中，表示光合速率的预测值，α<...

【专利技术属性】
技术研发人员：刘潭，袁青云，谭东明，王永刚，张大鹏，张楠楠，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：