CN105678405A - 一种融合气孔导度的黄瓜ga-rbf光合速率预测模型建模方法 - Google Patents

Abstract

一种融合气孔导度的黄瓜GA-RBF光合速率预测模型，利用多因子嵌套试验获得以气孔导度、温度、CO₂浓度、光照强度、相对湿度为输入，净光合速率为输出实验数据，然后利用遗传算法进行种群的初始化，根据给定的spread参数的初始范围，进行适应值函数的计算，通过选择、交叉、变异，找到最佳的RBF神经网络中的spread参数，构建融合气孔导度的黄瓜GA-RBF光合速率预测模型，试验结果表明，本发明模型预测值与实测值决定系数为0.99878，直线斜率是0.99781，误差小于6％，其训练效果与基于未用遗传算法优化RBF算法融合气孔导度构建的光合速率预测模型和基于未融合气孔导度的黄瓜GA-RBF光合速率预测模型相比具有更好预测效果。

Description

一种融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法

技术领域

本发明属于智能农业技术领域，特别涉及一种融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法。

背景技术

黄瓜属于喜光耐阴作物，开花结果期光照不足，叶片的光合效能低，特别是下层叶感光微弱，会导致化瓜，产量减少。充足的光照强度下，黄瓜的光合速率高，雌花的分化能力加强，提高果实的品质和产量。光合作用是能够捕获光能的生物学唯一途径，植物的光合作用将二氧化碳和水合成碳水化合物，并产生氧气，碳水化合物中所存储的能量被用于储存植物细胞的代谢活动，并为所有生命提供能量来源。光合速率是衡量光合作用的强弱的指标。气孔是植物从外界环境吸收CO₂和植物进行蒸腾作用的场所，是光合作用和蒸腾作用的结点。如Cowan等和Farquhar等详尽描述了气孔的功能，为我们揭示了气孔的重要性。Jarvis、Ballc和Leuning研究发现了气孔导度与环境因子和生理因子的关系。我国一些学者，如于强、关义新、许大全、娄成后、邢世岩、于贵瑞等也对不同植物的气孔导度对光合作用的影响做了大量研究。现有资料表明，植物的光合速率、气孔导度的变化特征和环境因子对植物存在相互耦合关系。因此，将气孔导度作为输出数据是必要的。

近年来，对植物光合速率模型很多学者做了大量研究,也取得很一些成果，如融合叶绿素含量的黄瓜幼苗光合速率预测模型等，将植物的生理量融入光合速录模型。但是仅研究的是黄瓜的幼苗期，而黄瓜开花结果期光合作用的质量直接影响座果率和果实品质，而且模型的训练速度比较慢，相对误差比较大。

RBF网络由一个隐含层和一个线性输出层组成，对径向基层的权值训练采用无导师训练，在输出层的权值设计采用误差修正算法，为有导师训练。与BP神经网络相比，RBF神经网络比BP神经网络规模大，但学习速度快，函数逼近、模式识别和分类能力都优于BP神经网络。径向基函数的扩散速度的spread的取值直接影响RBF神经网络的效果，通常spread靠试验法取值,需要多次尝试，而且费时费力。遗传算法由于具有分布、并行、快速全局搜索的能力，克服了以往动态规划渐进法和非线性规划求解不能收敛到真正最优解的缺陷，已广泛用于多个领域动态寻优问题求解。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法，基于遗传算法优化RBF神经的spread参数的算法，利用本模型，可显著提高光合效率。

为了实现上述目的，本发明采用的技术方案是：

一种融合气孔导度的黄瓜GA-RBF光合速率预测模型，模型公式为其中y_i为预测的光合速率，h为训练样本数，w_ij为第j个隐含层神经元与第i个输出层神经元之间的连接权值，c_i是聚类中心，x_p为训练集样本，b_i为隐含层神经元对应的阈值，其中，训练样本是从实验数据中随机选取得到，实验数据是以气孔导度、温度、CO₂浓度、光照强度、相对湿度为输入，净光合速率为输出的数据。

所述融合气孔导度的黄瓜GA-RBF光合速率预测模型的建模方法，包括如下步骤：

步骤1，获取实验数据，过程如下：

取处于开花结果期的黄瓜为实验对象，测试时间为8:00-10:30和16:00-18:30，阴天不进行测试，实验期间不打农药，进行正常的田间管理；

测定净光合速率，过程中利用控温模块设定20、24、28、32、36℃共5个温度梯度；利用CO₂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、1500μmol/(m²·s)共11个光子通量密度梯度，以嵌套方式共进行试验，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，并记录记录气孔导度信息，从而形成以气孔导度、温度、CO₂浓度、光照强度、相对湿度为输入，净光合速率为输出的460组实验数据；

步骤2，建立模型

在步骤1得到的实验数据中随机选取训练集和测试集，然后利用遗传算法进行种群的初始化，根据给定的spread参数的初始范围，进行适应值函数的计算，通过选择、交叉、变异，找到最佳的RBF神经网络中的spread参数，构建融合气孔导度的黄瓜GA-RBF光合速率预测模型。

所述步骤2中，将步骤1所得实验数据随机选取80％作为训练集，剩余的20％作为测试集。

所述步骤2中，使用二进制编码为训练集和测试集中的个体编码，每个个体均是二进制串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层的连接权值、输出层阈值四个部分组成，每个权值和阈值使用M位二进制编码，将所有的权值和阈值编码连接起来即为一个个体编码，由此实现初始化。

所述步骤2中，spread参数的初始范围为0-10之间，每两个取值相隔0.01。

所述步骤2中，将spread参数带进RBF神经网络，将RBF神经网络的均方差的反函数作为适应度函数。

所述步骤2中，选择是将适应高的个体遗传下去，交叉是指新个体组合其父辈个体的特性，变异以一定的概率改变串结构，通过选择、交叉、变异找到最优的spread参数，最优的spread参数使RBF神经网络均方差最小。

所述步骤2中，找到使RBF神经网络均方差最小的spread参数。

与现有技术相比，本发明的有益效果是：

1)提出融合气孔导度的黄瓜GA-RBF光合速率预测模型，提出遗传算法优化的RBF算法，以RBF的均方差为适应度函数你，得到使得均方差最小的RBF的spread参数，以最优spread参数建立模型，能克服RBF的缺点，为建立黄瓜开花结果期光合速率值模型提供了基础。

2)气孔是植物从外界环境吸收CO₂和植物进行蒸腾作用的场所，是光合作用和蒸腾作用的结点，气孔导度是用来衡量气孔张合大小的量，通过性关性分析发现气孔导度对光合速率也存在显著性影响，从而融合气孔导度建立黄瓜开花结果期光合速率值模型，模型验证效果证明模型的决定系数是0.99878，最大相对误差为6％，明显好于未考虑气孔导度影响的GA-RBF光合速率模型。

本发明提出的黄瓜开花结果期的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是本发明基于遗传算法优化RBF算法流程图。

图2是本发明遗传寻优目标函数变化曲线。

图3是本发明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，其中，图3(a)是用融合气孔导度的黄瓜GA-RBF光合速率预测模型；图3(b)是未用遗传优化融合气孔导度光合速率预测模型；图3(c)是用遗传优化未融合气孔导度光合速率预测模型。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

本文发明一种基于遗传算法优化RBF算法融合气孔导度构建黄瓜开花结果期的光合速率预测模型建立过程如下：

1、试验材料与方法

本实验于2015年7-8月西北农林科技大学实验基地内进行，供实验黄瓜品种是“长春密刺”，黄瓜处于开花结果期。测试时间为8:00-10:30和16:00-18:30，阴天不进行测试，实验期间不打农药，进行正常的田间管理。

采用美国LI-COR公司生产的Li-6400XT型便携式光合仪测定净光合速率，在试验过程中采用光合仪选配的多个子模块按需控制叶片周围的温度、CO2浓度、光照强度等参数。其中，利用控温模块设定20、24、28、32、36℃共5个温度梯度；利用CO₂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、1500μmol/(m²·s)共11个光子通量密度(Photofluxdensity,PFD)梯度，以嵌套方式共进行试验，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和气孔导度，从而形成以气孔导度、温度、CO₂浓度、光照强度、相对湿度为输入，净光合速率为输出的460组。

2、模型建立方法

通过SPASS软件分析温度、CO₂浓度、光照强度、气孔导度等因子与光合速率的相关性，分析结果见表一。气孔导度与光合速率的相关性为0.118，这说明气孔导度与光合速率是相关的，融合气孔导度的光合速率模型更加准确。

表一各因子与光合速率的相关性

影响因子	温度	CO2浓度	光照强度	气孔导度
					相关性	0.202	0.270	0.860	0.118

为了建立最优的光合速率预测模型，针对黄瓜的开花结果期采用不同的建模方法建立融合气孔导度的黄瓜GA-RBF光合速率预测模型，其流程图如图1所示。并同时采用基于未用遗传算法优化RBF算法融合气孔导度构建的光合速率预测模型、基于遗传算法优化RBF算法未融合气孔导度构建的光合速率的黄瓜开花结果期的预测模型作为对比，训练流程图如图1。输入信号为X'＝(X₁'X₂'…X₅')^T，X₁'、X₂'、X₃'、X₄'、X₅'分别为温度、CO₂浓度、光照强度、相对湿度和气孔导度含量，第3种模型未加入气孔导度作为一维输入。

遗传算法以RBF算法的均方差为适应度函数，通过遗传、交叉、变异，找到最佳的RBF算法中的spread参数。

RBF的学习步骤为，首先确定隐含层神经元径向函数的中心，不是一般性的设训练集样本输入矩阵为P，输出矩阵为T，Q为训练集样本数，则Q个隐含层神经元对应的径向基函数中心为C＝P′,确定隐含层和输出层间权值和阈值为b₁＝[b₁₁,b₁₂,...,b_1Q]′，其中，确定隐含层与输出层间的权值和阈值，当隐含层神经元的径向基函数中心及阈值确定后，隐含层神经元的输出为：

a_i＝exp(-||C-p_i||²b_i)，i＝1,2，...,Q,(1)

其中，p_i＝[p_i1,p_i2,...,p_iM]′，为第i个训练样本向量。并记为A＝[a₁,a₂,...,a_Q]。设隐含层和输出层的连接权值W为

$W=\left[\begin{array}{c}{w}_{11},w_{12},\mathrm{...},w_{1Q}\\ w_{21},w_{22},\mathrm{...},w_{1Q}\\ \mathrm{...}\\ w_{N1},w_{N2},\mathrm{...},w_{NQ}\end{array}\right]---\left(2\right)$

其中，w_ij表示第j个隐含层神经元与第i个输出层神经元间的连接权值。设N个输出层神经元的阈值b₂为

b₂＝[b₂₁,b₂₂,...,b_2N]′，

且满足：

[w,b₂].[A；I]＝T(3)

其中，I＝[1,1,...,1]_1×Q。

将最优的spread参数代入RBF算法，建立最小均方差的光合速率模型。

图2中可以看出遗传算法遗传到第7代，找到RBF算法的最优spread参数，这是均方差误差最小，为1.009×10^-4。融合气孔导度的黄瓜GA-RBF光合速率预测模型的最大相对误差为6％，基于未用遗传算法优化RBF算法融合气孔导度构建的光合速率预测模型最大相对误差为13％，基于遗传算法优化RBF算法未融合气孔导度构建的光合速率的预测模型大相对误差为7.7％，表明本文所建立的光合速率模型预测，有良好的精度。

采用多因子嵌套试验获得的试验样本集共460个两小组，将样本分为训练集和测试集，其中368组用于模型的建立，剩余92组用于构成测试集，总样本的20％，采用异校验方法进行模型验证，得到光合速率实测值与预测值相关性分析如图所示。从图3中可以发现，图3a中基于遗传算法优化RBF算法融合气孔导度构建的光合速率预测模型，实测值和预测值相关性分析的决定系数是0.99878，直线斜率是0.99781，截距是0.03423。基于未用遗传算法优化RBF算法融合气孔导度构建的光合速率预测模型实测值和预测值相关性分析的决定系数是0.79777，直线斜率是0.93505，截距是0.02942。基于遗传算法优化RBF算法未融合气孔导度构建的光合速率的实测值和预测值相关性分析的决定系数是0.96916，直线斜率是0.99654，截距是-0.00135。本文建立的基于遗传算法优化RBF算法融合气孔导度构建的光合速率预测模型的线性度明显更高，拟合程度更好。

Claims (8)

1.一种融合气孔导度的黄瓜GA-RBF光合速率预测模型，其特征在于，模型公式为其中y_i为预测的光合速率，h为训练样本数，w_ij为第j个隐含层神经元与第i个输出层神经元之间的连接权值，c_i是聚类中心，x_p为训练集样本，b_i为隐含层神经元对应的阈值，其中，训练样本是从实验数据中随机选取得到，实验数据是以气孔导度、温度、CO₂浓度、光照强度、相对湿度为输入，净光合速率为输出的数据。

2.权利要求1所述融合气孔导度的黄瓜GA-RBF光合速率预测模型的建模方法，其特征在于，包括如下步骤：

步骤1，获取实验数据，过程如下：

取处于开花结果期的黄瓜为实验对象，测试时间为8:00-10:30和16:00-18:30，阴天不进行测试，实验期间不打农药，进行正常的田间管理；

测定净光合速率，过程中利用控温模块设定20、24、28、32、36℃共5个温度梯度；利用CO₂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、1500μmol/(m²·s)共11个光子通量密度梯度，以嵌套方式共进行试验，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，并记录气孔导度信息，从而形成以气孔导度、温度、CO₂浓度、光照强度、相对湿度为输入，净光合速率为输出的460组实验数据；

步骤2，建立模型

在步骤1得到的实验数据中随机选取训练集和测试集，然后利用遗传算法进行种群的初始化，根据给定的spread参数的初始范围，进行适应值函数的计算，通过选择、交叉、变异，找到最佳的RBF神经网络中的spread参数，构建融合气孔导度的黄瓜GA-RBF光合速率预测模型。

3.根据权利要求2所述融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法，其特征在于，所述步骤2中，将步骤1所得实验数据随机选取80％作为训练集，剩余的20％作为测试集。

4.根据权利要求2所述融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法，其特征在于，所述步骤2中，使用二进制编码为训练集和测试集中的个体编码，每个个体均是二进制串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层的连接权值、输出层阈值四个部分组成，每个权值和阈值使用M位二进制编码，将所有的权值和阈值编码连接起来即为一个个体编码，由此实现初始化。

5.根据权利要求2所述融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法，其特征在于，所述步骤2中，spread参数的初始范围为0-10之间，每两个取值相隔0.01。

6.根据权利要求2所述融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法，其特征在于，所述步骤2中，将spread参数带进RBF神经网络，将RBF神经网络的均方差的反函数作为适应度函数。

7.根据权利要求2所述融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法，其特征在于，所述步骤2中，选择是将适应高的个体遗传下去，交叉是指新个体组合其父辈个体的特性，变异以一定的概率改变串结构，通过选择、交叉、变异找到最优的spread参数，最优的spread参数使RBF神经网络均方差最小。

8.根据权利要求2所述融合气孔导度的黄瓜GA-RBF光合速率预测模型建模方法，其特征在于，所述步骤2中，找到使RBF神经网络均方差最小的spread参数。