CN107145941B - 基于最优光质和光子通量密度的需光量实时动态获取方法 - Google Patents

Abstract

基于最优光质和光子通量密度的需光量实时动态获取方法，首先基于GA‑GRNN神经网络的光合速率建模，利用GA算法对GRNN神经网络的扩展速度进行优化，GA‑GRNN的光合速率预测模型预测值与实测值的相关分析明显优于GRNN神经网络模型；继而以GA‑GRNN的光合速率预测模型为基础，用量子遗传算法实现光合速率寻优，获得对应的最优光质和光子通量密度，并采用多元线性回归拟合构建光环境调控目标值模型；其中，最优光质模型和光子通量密度模型的决定系数分别0.992、0.9893；以每个温度下光合速率为实测值，最优光质和最优光子通量密度对应的光合速率为预测值，采用相关分析法，其决定系数是0.936，拟合直线斜率是1.012，截距是0.054，表明构建的耦合光质和光子通量密度调控目标值模型性能好。

Description

基于最优光质和光子通量密度的需光量实时动态获取方法

技术领域

本发明属于现代农业智能补光技术领域，特别涉及一种基于最优光质和光子通量密度的需光量实时动态获取方法。

背景技术

光为作物的光合作用提供能量，光子通量密度和光质是影响作物瞬时光合速率的两个主要方面。其中，光子通量密度直接决定参加作物光合作用的瞬时光量子总量，直接影响作物瞬时光合速率的大小；光质通过调控红蓝光比例对作物不同的生理作用影响着作物的叶面积扩展、干物质积累、茎粗增强、叶绿素含量，间接影响光合速率。因此，光环境调控不仅为植物光合作用提供充足的能量，也能够调整植物形态建成和控制生长过程，对设施环境的调控尤为重要。

传统的光环境调控是阈值调控，这种调控不能满足根据外界环境变化改变调控量，也没有考虑作物实际需求。胡瑾等在传统的光环境调控的基础上考虑作物在不同温度下所需要的光照强度的差异，并利用人工智能算法构建了光环境调控模型，该模型考虑了不同温度下最优的光子通量密度的差异性，但没有考虑到光质对作物光合作用的影响。在光质调控方面，现有研究主要是分阶段定量调控，这种调控方式针对作物不同的生长阶段对光质需求的差异性，但没有考虑到温度、光质、光子通量密度之间的耦合关系，实现实时动态调控。因此，选择基于温度、光质、光子通量密度等因子的耦合关系构建实时动态调控作物最优光质和最优光子通量密度的调控目标模型是实现设施环境高效调控亟需解决的问题。

由于在建立融合光质和光子通量密度的调控值模型，输入因子增加由于融合因子的增多、寻优问题更复杂、建模过程长，选择一种快速、准确的建模方法尤其重要。

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基于最优光质和光子通量密度的需光量实时动态获取方法，以温度、光子通量密度、光质为输入，作物净光合速率为输出，利用GA-GRNN神经网络构建光合速率预测模型，以不同温度下的光合速率为目标函数，采用量子遗传算法进行寻优，得到最优光合速率及其对应的光质和光照强度，采用多元线性回归拟合得到光环境的光质调控模型和光照强度调控模型，根据红蓝光需光量与光质调控模型和光子通量密度的关系得到红蓝光调控量模型，最终实现基于最优光质和最优光子通量密度的光环境调控目标值实时动态获取。

为了实现上述目的，本发明采用的技术方案是：

基于最优光质和光子通量密度的需光量实时动态获取方法，蓝光需光量为：Par_B(t)＝Pi(t)×Par(t)，红光需光量为：Par_R(t)＝(1-Pi(t))×Par(t)，其中，Par_B(t)表示不同温度下的蓝光需光量，Par_R(t)表示不同温度下的红光需光量，Pi(t)表示温度t下最大光合速率对应的最优光质即蓝光比例值，Par(t)表示温度t下最大光合速率对应的最优光子通量密度，通过如下方法获取：

首先，以温度、光质、光子通量密度为输入，光合速率为输出，采用GA算法优化GRNN神经网络的扩展速度，构建GA-GRNN光合速率预测模型pⁱ _n；

其次，设定每个环境因素的不同步长：温度作为每次寻优固定的环境量，光质和光子通量密度设定寻优区间；

继而，通过量子遗传算法获得不同温度下最优光合速率以及其对应的光质和光子通量密度；

最后，通过多元回归方法完成不同温度下的最优光质和光子通量密度的数据拟合，生成以温度为输入，光质和光子通量密度为输出的光环境调控目标值模型Pi(t)和Par(t)，实现任何温度下最优光质和光子通量密度的动态获取。

所述光合速率预测模型

用GA-GRNN神经网络构建，方法如下：

首先，建立实验样本集合，利用GRNN神经网络构建初始的光合速率预测模型；

其次，基于遗传算法对GRNN神经网络的扩展速度进行寻优；

最后，将最优扩展速度赋给GRNN神经网络，构建GA-GRNN网络光合速率预测模型

所述利用GRNN神经网络构建初始的光合速率预测模型，网络结构为：

(1)输入层

输入层神经元数直接等于学习样本中输入向量的维数，各个神经元是简单的分布单元，直接将输入变量传递给模式层；

(2)模式层

模式层神经元数等于学习样本数目n，各神经元对应不同的样本，模式层神经元传递函数为

式中，X为网络的输入变量，X_i为第i个神经元对应的学习样本，σ为光滑因子；

(3)求和层

求和层使用两种类型的神经元进行求和：

第一类是对所有模式层神经元的输出进行算术求和，计算公式为

其模式层与各神经元的连接权值为1，其传递函数为

第二类是对所有模式层神经元的输出进行加权求和，计算公式为

模式层中第i个神经元与求和层第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素y_ij，传递函数为

(4)输出层

输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果

的第j个元素，计算公式为：

所述基于遗传算法对GRNN神经网络的扩展速度进行寻优，方法如下：

首先，对GRNN神经网络的扩展速度的初始范围进行二进制串编码，建立扩展速度的码串与扩展速度之间的映射关系，为求得使GRNN神经网络性能最好的扩展速度，以网络预测值和实测值的均方误差函数的反函数为适应度函数，适应度函数的计算公式为：

式中，F为适应度函数，pn′_d为光合速率的实测值，pn′_o为光合速率的预测值，P为测试集数目，选取适应度函数ranking(obj)，对个体以目标函数值线性排序分配适应度，如果不满足网络停止条件则进行以下操作：

(1)选择操作

选择操作以一定的概率选择优良个体形成新的种群，个体被选中的概率与适应度有关；选择操作基于适应度比例的选择策略，个体i被选中的概率p_i为：

式中，F_i为个体i的适应度值，N为种群个体的数目，

为所有个体的适应度之和；

(2)交叉操作

选择交叉操作对操作得到的新种群进行两两配对，依据交叉概率交换部分染色体形成新的个体，影响网络的收敛速度和精度，交叉概率设置为0.67；

(3)变异操作

变异操作是为了维持种群的多样性，染色体中即二进制序列中某个数由0突变至1或由1突变至0的操作，序列中每个数值均有可能进行突变，变异概率设置为0.015；

(4)适应度评价与遗传迭代

在变异操作之后，对新生成的扩展速度进行适应度评价和遗传迭代，直至GRNN神经网络的扩展速度优化，生成优化后的扩展速度。

将优化后得到的最优扩展速度赋值给GRNN神经网络，网络训练操作如下：首先，随机选取95％实验样本作为训练集，设网络输入为X＝[x₁,x₂,…,x_n]^T，网络输出矩阵为Y＝[y₁,y₂,…,y_n]^T，进行网络训练。通过输入向量X确定隐含层神经元对应的径向基函数中心和隐含层神经元对应的阈值，计算公式为：

C＝X^T

b₁＝[b₁₁,b₁₂,…,b_1Q]′

其次，由隐含层神经元的径向基函数中心和隐含层神经元对应的阈值确定隐含层神经元的输出，计算公式为：

a_i＝exp(-||C-X_i||²b_i)

GRNN中隐含层与输出层间的连接权值W取为训练集输出矩阵，公式为：

W＝t′

最后，输出神经元输出计算。当隐含层与输出层神经元之间的连接权值确定后，还算出输出层神经元的输出，即

yⁱ＝purelin(nⁱ)

基于上述操作，构建的光合速率预测模型，模型公式为

pⁱ _n＝net(pi,par,t)

式中，pi为光质比例值，par为光子通量密度，t为温度。

所述设定环境因素步长为：温度依次取值t_{i＝1,2,3,...,13}＝[18,19,20,...28,29,30]，光质的寻优区间为[0.1，0.9]，光子通量密度寻优区间为[50，1500]。

所述不同温度下最优光合速率通过如下方式获取：

以不同温度对应的光合速率预测模型

为适应度函数Fⁱ，则

在不同温度下，在遗传寻优中随机生成初始种群，计算适应度值完成种群评价，记录下最优个体以及其对应的适应度值，当其种群评价不满足停止条件，利用旋转门对个体进行调整，进行适应度评价和遗传迭代，直至完成寻优，得到每个温度下最大光合速率以及其对应的最优光质、光子通量密度。

所述的量子遗传算法寻优过程操作为：

(1)种群进行初始化Q(t₀)，种群中全部染色体的所有基因(α′_i,β′_i)都被初始化为

表明一个染色体所表示的是全部可能状态的等概率叠加公式：

其中，S_k为该染色体的第k种状态，表现形式为一长度为m的二进制串(x₁,x₂,…,x_m)，其中x_i为0或者1；

(2)对初始种群中的个体进行一次测量，以获得一组确定的解

其中，

为第t代种群第j个解，表现形式为长度为m的二进制串，其中每一次为0和1，是根据量子比特的概率，选择得到的。测量过程为，随机产生一个[0,1]区间的数，如它大于概率幅的平方，则测量结果取值为1，否则测量取值为0，然后，对这组解进行适应度评估，记录下最佳适应度个体作为下一步演化的目标值；

(3)算法进行循环迭代，种群的解逐渐向最优解收敛。在每一次迭代中，首先对种群进行测量，以获得一组确定解P(t)，然后计算每个解的适应度值，再根据当前的演化目标和事前确定的调整策略，利用量子旋转门对种群中的个体进行调整，获得更新后的种群，记录下当前的最优解，并与当前的目标值进行比较，如果大于当前目标值，则以新的最优解作为下一次迭代的目标值，否则保持当前目标值不变。

所述旋转门对个体进行调整的操作为：

其更新过程如下：

其中，(α_i,β_i)^T和(α′_i,β′_i)^T代表染色体第i个量子比特旋转门更新前后的概率幅；θ_i为旋转角，它的大小和符号由事先设的调整策略确定。

与现有技术相比，本发明的有益效果是：

(1)提出了一种GA-GRNN神经网络光合速率预测模型建立方法，利用GA算法优化GRNN神经网络的扩展速度，克服了GRNN神经网络的扩展速度难以选择的问题，构建的GA-GRNN神经网络光合速率预测模型。模型的预测值与实测值相关分析的相关系数为0.998，直线斜率为0.998，直线截距为0.079，表明GA-GRNN神经网络光合速率预测模型可以实现光合速率精准预测。

(2)提出了耦合光质和光子通量密度的光环境调控目标值模型建立方法，可以实现基于作物最优光质和最优光子通量密度的红蓝光需光量实时动态获取。利用相关分析法验证模型的性能，决定系数是0.936，拟合直线斜率是1.012，截距是0.054，结果表明本发明构建的光环境调控模型精度高。

附图说明

图1是本发明基于最优光质和光子通量密度的调控目标值模型动态获取流程图。

图2是本发明光合速率预测模型的建模过程。

图3是本发明量子遗传算法流程图。

图4是GA-GRNN神经网络的均方误差与进化代数的进化曲线示意图。

图5是GA-GRNN神经网络的光合速率预测值和实测值的相关关系分析结果相关性示意图。

图6是GRNN神经网络的光合速率预测值和实测值的相关关系分析结果相关性示意图。

图7是本发明不同温度下的最优光质曲线图。

图8是本发明不同温度下的最优光子通量密度曲线图。

图9是本发明最大光合速率实测值与预测值的相关分析。

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。

1、实验条件

本实施例实验于2016年11月8日-2016年12月8日在西北农林科技大学北校机械与电子工程学院智能农业实验室(北纬34°07′39”，东经107°59′50′，海拔648米)进行。选择供实验植物品种为黄瓜，品种为“金胚98-1F₁”。

将已经浸胀的种子在培养皿中进行催芽，待要萌发时进行低温处理，2016年10月6日-2016年11月6日每天在50孔(540mm×280mm×50mm)穴盘内采用营养钵育苗一次，育苗基质为农业育苗专用基质，其营养含量为：有机质质量分数50％以上，腐殖酸质量分数20％以上，pH值5.5～6.5。从育苗起，植株一直放于MD1400培养箱(荷兰sinder公司)内培养，培养箱内的光源由红色(波长630nm)和蓝色(波长460nm)灯珠组成。培养箱的温度设为25℃，相对湿度设为60％，CO₂设为400μL/L，光周期设为14小时。进行正常的栽培管理，不喷施任何农药和激素。

光合速率测试实验采用美国LI-COR公司生产的Li-6800便携式光合速率测试仪，测量温度、CO₂浓度和光子通量密度(即光强)嵌套下的净光合速率。控温模块设定实验温度梯度为18、19、20、21、22、23、24、25、26、27、28、29、30℃；LED光源模块设16个光子通量密度，分别为1600、1400、1200、1000、800、600、400、200、100、50、30、20、10、5、0μmol/(m²·s)；红蓝混合LED光源将远红光源关闭，红蓝光光质比设为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9，光质比例是指蓝光光强占总光子通量密度的比例；利用CO₂注入模块设定CO₂体积比为400μL/L，水分控制模块相对湿度设为60％。随机选取具有2叶1心、生长健康、长势一致、苗龄一致的黄瓜幼苗为测量对象，测量位置选择黄瓜幼苗的功能叶。为避免植物午休现象对实验结果的影响，测量时间选择每天8:30-11:30和14:30-17:30；为减少实验数据的偶然性，每组实验条件均重复3次计算平均值，剔除由于环境波动造成的误差数据。得到以温度、光质、光子通量密度为自变量，净光合速率为因变量，容量为1350的实验样本集。

2、融合光质、光子通量密度的光环境调控模型建立

2.1基于GA-GRNN神经网络构建光合速率预测模型

GRNN神经网络能够以任意精度逼近任意连续函数作为一种四层前向型网络，分别为输入层，模式层，求和层和输出层。由于扩展速度是影响GRNN神经网络的主要因素，利用多种智能算法融合成为GRNN神经网络优化建模的关键。其基本思想是首先利用具有全局能力强的智能寻优算法完成对GRNN神经网络的扩展速度进行确定，继而以此扩展速度完成神经网络模型构建。

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法，具有全局优化能力强、自适应强和通用性强等优点，能实现大范围内全局最优解邻域的快速获取，因此将遗传算法与GRNN神经网络相结合，构建的遗传算法优化GRNN神经网络的扩展速度，进而构建GA-GRNN神经网络。

本发明选择用GA-GRNN神经网络完成光合模型构建。首先建立实验样本集合GRNN网络结构构建；其次基于遗传算法进行GRNN神经网络的扩展速度；最后完成最优扩展速度赋给GRNN神经网络构建GA-GRNN网络光合速率预测模型，建模流程如图2所示。

2.1.1GRNN神经网络模型结构

利用GRNN神经网络构建初始的光合速率预测模型，网络结构为：

(1)输入层

输入层神经元数直接等于学习样本中输入向量的维数，各个神经元是简单的分布单元，直接将输入变量传递给模式层；

(2)模式层

模式层神经元数等于学习样本数目n，各神经元对应不同的样本，模式层神经元传递函数为

式中，X为网络的输入变量，X_i为第i个神经元对应的学习样本，σ为光滑因子；

(3)求和层

求和层使用两种类型的神经元进行求和：

第一类是对所有模式层神经元的输出进行算术求和，计算公式为

其模式层与各神经元的连接权值为1，其传递函数为

第二类是对所有模式层神经元的输出进行加权求和，计算公式为

模式层中第i个神经元与求和层第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素，传递函数为

(4)输出层

输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果

的第j个元素，计算公式为：

2.1.2基于GA算法的GRNN神经网络寻优

基于上述网络，本发明基于遗传算法对GRNN神经网络的扩展速度进行寻优。首先，对GRNN神经网络的扩展速度的初始范围进行二进制串编码，建立扩展速度的码串与扩展速度之间的的映射关系，为求得使GRNN神经网络性能最好的扩展速度，以网络预测值和实测值的均方误差函数的反函数为适应度函数，适应度函数的计算公式为：

式中：pn′_d—光合速率的实测值；pn′_o—光合速率的预测值；P—测试集数目。

选取适应度计算函数ranking(obj)，对个体以目标函数值线性排序分配适应度，如果不满足网络停止条件则要进行以下操作：

(1)选择操作。选择操作以一定的概率选择优良个体形成新的种群，个体被选中的概率与适应度有关。本发明用基于适应度比例的选择策略，故个体i被选中的概率p_i为：

式中：F_i—个体i的适应度值；N—种群个体的数目；

—所有个体的适应度之和。

(2)交叉操作。选择交叉操作对操作得到的新种群进行两两配对，依据交叉概率交换部分染色体形成新的个体，影响网络的收敛速度和精度。经多次试探将交叉概率设置为0.67。

(3)变异操作。变异操作是为了维持种群的多样性，染色体中即二进制序列中某个数由0突变至1或有1突变至0的操作，序列中每个数值均有可能进行突变，本发明最适的变异概率为0.015。

(4)适应度评价与遗传迭代。在变异操作之后，对新生成的扩展速度进行适应度评价和遗传迭代，直至网络GRNN神经网络的扩展速度优化，生成优化后的扩展速度。

将优化后得到的最优扩展速度赋值给GRNN神经网络。网络训练操作如下：首先，随机选取95％实验样本作为训练集，设网络输入为X＝[x₁,x₂,…,x_n]^T，网络输出矩阵为Y＝[y₁,y₂,…,y_n]^T，进行网络训练。通过输入向量X确定隐含层神经元对应的径向基函数中心和隐含层神经元对应的阈值，计算公式为：

C＝X^T (9)

b₁＝[b₁₁,b₁₂,…,b_1Q]′ (11)

式中s—径向基函数的扩展速度

Q—训练集样本数

其次，由隐含层神经元的径向基函数中心和隐含层神经元对应的阈值确定隐含层神经元的输出，计算公式为：

a_i＝exp(-||C-X_i||²b_i) (12)

式中X_i—第i个训练样本向量

b_i—隐含层神经元对应的阈值

GRNN中隐含层与输出层间的连接权值W取为训练集输出矩阵，公式为：

W＝t′ (13)

最后，输出神经元输出计算。当隐含层与输出层神经元之间的连接权值确定后，还算出输出层神经元的输出，即

yⁱ＝purelin(nⁱ) (15)

基于上述操作，构建的光合速率预测模型，模型公式为

pⁱ _n＝net(pi,par,t) (16)

式中，pi为光质比例值，par为光子通量密度，t为温度。

2.2建立调控目标值模型

2.2.1量子遗传算法

量子遗传算法是量子计算与遗传算法相结合的产物，是一种新发展起来的概率进化算法。将量子的态矢量并表达引入遗传编码，利用染色体的量子逻辑门实现染色体的演化，从而实现目标的优化求解。

(1)量子比特编码

在量子遗传算法中，采用量子比特存储和表达一个基因。该基因可以为“0”态和“1”态，或者“0”态和“1”态之间的任意叠加态。该基因所表达的不再是某一确定的信息，而是包括所有可能的信息。

在量子计算机中，充当信息存储单元的物理介质中的一个双态量子系统，称为量子比特。量子比特与经典位不同就在于它可以同时处在量子态的叠加态采用量子比特编码使得一个染色体可以同时表达多个态的叠加，使得量子遗传算法比经典遗传算法拥有更好的多样性.

(2)量子遗传算法寻优流程

首先，种群进行初始化Q(t₀)，种群中全部染色体的所有基因(α_i′,β_i)都被初始化为

表明一个染色体所表示的是全部可能状态的等概率叠加公式：

其中，S_k为该染色体的第k种状态，表现形式为一长度为m的二进制串(x₁,x₂,…,x_m)，其中x_i为0或者1。

其次，对初始种群中的个体进行一次测量，以获得一组确定的解

其中，

为第t代种群第j个解，表现形式为长度为m的二进制串，其中每一次为0和1，是根据量子比特的概率，选择得到的。测量过程为，随机产生一个[0,1]区间的数，如它大于概率幅的平方，则测量结果取值为1，否则测量取值为0。然后，对这组解进行适应度评估，记录下最佳适应度个体作为下一步演化的目标值。

最后，算法进行循环迭代，种群的解逐渐向最优解收敛。在每一次迭代中，先对种群进行测量，以获得一组确定解P(t)，然后计算每个解的适应度值，再根据当前的演化目标和事前确定的调整策略，利用量子旋转门对种群中的个体进行调整，获得更新后的种群，记录下当前的最优解，并与当前的目标值进行比较，如果大于当前目标值，则以新的最优解作为下一次迭代的目标值，否则保持当前目标值不变。

(3)量子门更新

量子门作为演化操作的执行机构，可根据具体问题进行选择，目前已有的量子门有很多种，根据量子遗传算法的计算特点，选择量子旋转门较为合适。量子旋转门的调整操作为：

其更新过程如下：

其中，(α_i,β_i)^T和(α_i′,β_i′)^T代表染色体第i个量子比特旋转门更新前后的概率幅；θ_i为旋转角，它的大小和符号由事先设的调整策略确定。

|α′_i|²+|β′_i|²＝[α_icos(θ_i)-β_isin(θ_i)]²+[α_isin(θ_i)+β_icos(θ_i)]²＝|α_i|²+|β_i|²＝1可以看出转换后|α′_i|²+|β′_i|²的值仍为1。

2.2.2基于量子遗传算法调控目标值建立

本发明采用量子遗传算法寻优构建调控目标值模型，通过量子遗传算法获得不同温度下最优光合速率，以及其对应的光质和光子通量子密度；进一步通过多元回归方法完成不同温度下的最优光质和最适光子通量密度的数据拟合，生成以温度为输入，光质和光子通量密度为输出的光环境调控目标值模型。量子遗传算法寻优的流程如图3所示。

首先，设定每个环境因素的不同步长。温度作为每次寻优固定的环境量，其依次取值为t_{i＝1,2,3,...,13}＝[18,19,20,...28,29,30]，光质的寻优区间为[0.1，0.9]，光子通量密度的寻优区间为[50，1500]。

其次，为获得不同温度下的最大光合速率，以不同温度对应的光合速率预测模型

为适应度函数为Fⁱ。

在特定条件遗传寻优中基于随机生成初始种群，利用式(20)计算适应度值完成种群评价，记录下最优个体以及其对应的适应度值，当其种群评价不满足停止条件，利用旋转门对个体进行调整，进行适应度评价和遗传迭代，直至完成寻优，得到每个温度下最大光合速率，以及其对应的最优光质、光子通量密度(pi,par)。

基于寻优结果，利用多元线性回归的方法，以温度为自变量，分别以光质和光子通量密度为因变量，构建黄瓜光环境调控目标值模型，实现任何温度下最优光质和光子通量密度的动态获取。根据红蓝光需光量与光质和光子通量密度的关系，可得蓝光和红光需光量模型分别为式(21)和(22)所示。可以实现任何温度下蓝光和红光需光量的获取。

Par_B(t)＝Pi(t)×Par(t) (21)

Par_R(t)＝(1-Pi(t))×Par(t) (22)

为了验证GA-GRNN神经网络建模的有效性，采用相同的训练集和验证集，分别用GA-GRNN神经网络和GRNN神经网络构建黄瓜光合速率预测模型，通过对比模型训练性能和模型验证结果，对建模结果进行分析和比较。GA-GRNN神经网络的均方误差与进化代数的进化曲线如图4所示。

可以看出，网络进化到第9代找到最佳扩展速度，训练误差迅速下降到最小均方误差(0.1758)，训练过程未出现震荡和局部平坦区，表明GA-GRNN神经网络具有很好的收敛性。

为了验证扩展速度优化后模型的准确性，随机选取67组实验样本为验证集，采用GA-GRNN神经网络和GRNN神经网络构建的光合速率预测模型，利用相关分析进行模型性能的验证分析，分别得到GA-GRNN神经网络和GRNN神经网络的光合速率预测值和实测值的相关关系分析结果如图5和图6所示。

从图5中可以发现，采用GA-GRNN神经网络模型实测值和预测值相关性分析的决定系数是0.995，直线斜率是0.998，截距是0.071；GRNN神经网络模型实测值和预测值相关性分析的决定系数是0.961，直线斜率是0.962，截距是0.052。GA-GRNN神经网络光合速率预测模型线性度更高，拟合度更好。

进一步地，为了比较量子遗传算法和传统遗传算法的将实际的优劣，选用平均绝对误差、平均相对误差、均方误差、相关系数、计算时间、方差、标准差作为评价指标。为评价量子遗传算法在光合速率寻优上的性能，同时选取量子遗传算法和传统遗传算法对不同温度下光合速率进行寻优，寻优结果对比如表1所示。

表1量子遗传算法和传统遗传算法寻优结果对比图

由表1可知，量子遗传算法寻优在各项精度指标表现最优。首先，其平均绝对误差最小，表明量子遗传算法预测值与真实值之间平均相差水平最小；平均相对误差最小，表明量子遗传算法寻优的结果偏离实测值的程度小；量子遗传算法的均方误差、方差、标准差最小，表明预测模型离散程度最小；计算时间最短，表明量子遗传算法实现回归预测具有较高的计算效率。基于以上模型对比分析，融合量子遗传算法对光合速率进行寻优可快速准确得到不同温度下最优光合速率。

采用遗传算法进行不同温度下寻优，得到T_i＝[18，19，20，21，22，23，24，25，26，27，28，29，30]下的最优光合速率与对应光质和光子通量密度，以及通过公式换算得到不同温度下红光需光量和蓝光需光量，寻优结果如表2。

表2基于遗传算法不同温度下最优光合速度及其对应位置

基于上述结果，以温度为自变量，光质和光子通量密度分别为因变量，采用多元线性回归方法建立最优光质和最优光子通量密度的调控模型分别如式16、17所示。其决定系数分别为0.992，0.9893，均方根误差分别为4.24和5.12。

Pi(t)＝0.0006832×t⁶-0.0096×t⁵-0.0057×t⁴+0.026×t³+0.01146×t²-0.06457×t+0.4754 (16)

Par(t)＝-51.02×t⁶-81.36×t⁵+88.83×t⁴+171.6×t³+50.73×t²+100.6×t+1047 (17)

公式(16)、(17)可实现任意温度下最优光质和光子通量密度的获取，拟合图如图7、图8所示。

由公式12和13可得黄瓜蓝光、红光需光量调控模型，如式(18)、(19)所示。

Par_B(t)＝-21.08×t⁶-43.28×t⁵+31.8×t⁴+95.37×t³+30.03×t²-15.1×t+497.9 (18)

Par_R(t)＝-29.17×t⁶-37.55×t⁵+54.12×t⁴+74.19×t³+23.28×t²+117.5×t+549 (19)

本发明构建的红蓝光需光量目标值模型可以实现任何温度下黄瓜红光和蓝光需光量的动态获取。

本发明以LI-6800光合速率仪测得的温度分别为18、19、20、21、22、23、24、25、26、27、28、29、30℃下最大光合速率为实测值，利用GA算法对温度分别为18、19、20、21、22、23、24、25、26、27、28、29、30℃进行寻优得到的最优光合速率为预测值，利用相关分析法，来验证本模型的准确性及适应性。相关关系分析结果如图9所示。

由图9可以发现，其模型预测值和实测值相关性分析的决定系数是0.936，拟合直线斜率是1.012，截距是0.054，表明两者之间高度线性相关，表明本发明所建立的调控目标值模型可实现不同温度下最优光质和最优光子通量密度的动态寻优。

Claims (5)

1.基于最优光质和光子通量密度的需光量实时动态获取方法，其特征在于，蓝光需光量为：Par_B(t)＝Pi(t)×Par(t)，红光需光量为：Par_R(t)＝(1-Pi(t))×Par(t)，其中，Par_B(t)表示不同温度下的蓝光需光量，Par_R(t)表示不同温度下的红光需光量，Pi(t)表示温度t下最大光合速率对应的最优光质即蓝光比例值，Par(t)表示温度t下最大光合速率对应的最优光子通量密度，通过如下方法获取：

首先，以温度、光质、光子通量密度为输入，光合速率为输出，采用GA算法优化GRNN神经网络的扩展速度，构建GA-GRNN光合速率预测模型

方法如下：

1)，建立实验样本集，利用GRNN神经网络构建初始的光合速率预测模型；

2)，基于GA算法对GRNN神经网络的扩展速度进行寻优；

3)，将最优扩展速度赋给GRNN神经网络，构建GA-GRNN网络光合速率预测模型

其次，设定每个环境因素的不同梯度：温度作为每次寻优固定的环境量，光质和光子通量密度设定寻优区间；

继而，通过量子遗传算法获得不同温度下最优光合速率以及其对应的光质和光子通量密度；

最后，通过多元回归方法完成不同温度下的最优光质和光子通量密度的数据拟合，生成以温度为输入，光质和光子通量密度为输出的光环境调控目标值模型Pi(t)和Par(t)，实现任意温度下最优光质和光子通量密度的动态获取；

其中：

所述利用GRNN神经网络构建初始的光合速率预测模型，网络结构为：

(1)输入层

输入层神经元数直接等于学习样本中输入向量的维数，各个神经元是简单的分布单元，直接将输入变量传递给模式层；

(2)模式层

模式层神经元数等于学习样本数目n，各神经元对应不同的样本，模式层神经元传递函数为

式中，X为网络的输入变量，X_i为第i个神经元对应的学习样本，σ为光滑因子；

(3)求和层

求和层使用两种类型的神经元进行求和：

第一类是对所有模式层神经元的输出进行算术求和，计算公式为

其模式层与各神经元的连接权值为1，其传递函数为

第二类是对所有模式层神经元的输出进行加权求和，计算公式为

模式层中第i个神经元与求和层第j个分子求和神经元之间的连接权值为第i个输出样本Y_i中的第j个元素y_ij，传递函数为

(4)输出层

输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元将求和层的输出相除，神经元j的输出对应估计结果

的第j个元素，计算公式为：

所述基于GA算法对GRNN神经网络的扩展速度进行寻优，方法如下：

首先，对GRNN神经网络的扩展速度的初始范围进行二进制串编码，建立扩展速度的码串与扩展速度之间的映射关系，为求得使GRNN神经网络性能最好的扩展速度，以网络预测值和实测值的均方误差函数的反函数为适应度函数，适应度函数的计算公式为：

式中，F为适应度函数，pn′_d为光合速率的实测值，pn′_o为光合速率的预测值，P为测试集数目，选取适应度函数ranking(obj)，对个体以目标函数值线性排序分配适应度，如果不满足网络停止条件则进行以下操作：

(1)选择操作

选择操作以一定的概率选择优良个体形成新的种群，个体被选中的概率与适应度有关；选择操作基于适应度比例的选择策略，个体i被选中的概率p_i为：

式中，F_i为个体i的适应度值，N为种群个体的数目，

为所有个体的适应度之和；

(2)交叉操作

选择交叉操作对操作得到的新种群进行两两配对，依据交叉概率交换部分染色体形成新的个体，影响网络的收敛速度和精度，交叉概率设置为0.67；

(3)变异操作

变异操作是为了维持种群的多样性，染色体中即二进制序列中某个数由0突变至1或由1突变至0的操作，序列中每个数值均有可能进行突变，变异概率设置为0.015；

(4)适应度评价与遗传迭代

在变异操作之后，对新生成的扩展速度进行适应度评价和遗传迭代，直至GRNN神经网络的扩展速度优化，生成优化后的扩展速度；

将优化后得到的最优扩展速度赋值给GRNN神经网络，网络训练操作如下：首先，随机选取95％实验样本作为训练集，设网络输入为X＝[x₁,x₂,…,x_n]^T，网络输出矩阵为Y＝[y₁,y₂,…,y_n]^T，进行网络训练，通过输入向量X确定隐含层神经元对应的径向基函数中心和隐含层神经元对应的阈值，计算公式为：

C＝X^T

b₁＝[b₁₁,b₁₂,…,b_1Q]′

s表示径向基函数的扩展速度，Q表示训练集样本数；

其次，由隐含层神经元的径向基函数中心和隐含层神经元对应的阈值b_i确定隐含层神经元的输出a_i，计算公式为：

a_i＝exp(-||C-X_i||²b_i)

GRNN中隐含层与输出层间的连接权值W取为训练集输出矩阵，公式为：

W＝t′

最后，输出神经元输出计算，当隐含层与输出层神经元之间的连接权值确定后，还算出输出层神经元的输出，即

yⁱ＝purelin(nⁱ)

基于上述操作，构建的光合速率预测模型，模型公式为

式中，pi为光质比例值，par为光子通量密度，t为温度。

2.根据权利要求1所述基于最优光质和光子通量密度的需光量实时动态获取方法，其特征在于，所述设定环境因素步长为：温度依次取值t_{i＝1,2,3,...,13}＝[18,19,20,...28,29,30]，光质的寻优区间为[0.1，0.9]，光子通量密度寻优区间为[50，1500]。

3.根据权利要求1所述基于最优光质和光子通量密度的需光量实时动态获取方法，其特征在于，所述不同温度下最优光合速率通过如下方式获取：

以不同温度对应的光合速率预测模型

为适应度函数Fⁱ，则

在特定条件遗传寻优中基于随机生成初始种群，计算适应度值完成种群评价，记录下最优个体以及其对应的适应度值，当其种群评价不满足停止条件，利用旋转门对个体进行调整，进行适应度评价和遗传迭代，直至完成寻优，得到每个温度下最大光合速率以及其对应的最优光质、光子通量密度。

4.根据权利要求3所述基于最优光质和光子通量密度的需光量实时动态获取方法，其特征在于，所述量子遗传算法寻优过程操作为：

(1)种群进行初始化Q(t₀)，种群中全部染色体的所有基因(α′_i,β′_i)都被初始化为

表明一个染色体所表示的是全部可能状态的等概率叠加公式：

其中，S_k为该染色体的第k种状态，表现形式为一长度为m的二进制串(x₁,x₂,…,x_m)，其中x_i为0或者1；

(2)对初始种群中的个体进行一次测量，以获得一组确定的解

其中，

为第t代种群第j个解，表现形式为长度为m的二进制串，其中每一次为0和1，是根据量子比特的概率选择得到的；测量过程为，随机产生一个[0,1]区间的数，如它大于概率幅的平方，则测量结果取值为1，否则测量取值为0，然后，对这组解进行适应度评估，记录下最佳适应度个体作为下一步演化的目标值；

(3)算法进行循环迭代，种群的解逐渐向最优解收敛，在每一次迭代中，首先对种群进行测量，以获得一组确定解P(t)，然后计算每个解的适应度值，再根据当前的演化目标和事前确定的调整策略，利用量子旋转门对种群中的个体进行调整，获得更新后的种群，记录下当前的最优解，并与当前的目标值进行比较，如果大于当前目标值，则以新的最优解作为下一次迭代的目标值，否则保持当前目标值不变。

5.根据权利要求4所述基于最优光质和光子通量密度的需光量实时动态获取方法，其特征在于，所述旋转门对个体进行调整的操作为：

其更新过程如下：

其中，(α_i,β_i)^T和(α′_i,β′_i)^T代表染色体第i个量子比特旋转门更新前后的概率幅；θ_i为旋转角，它的大小和符号由事先设的调整策略确定。

Images