825組，開(kāi)花結(jié)果期825組。
[0036] 2、模型建立
[0037] 2. 1訓(xùn)練方法
[0038] 為了建立最優(yōu)的光合速率預(yù)測(cè)模型，針對(duì)黃瓜的生長(zhǎng)期不同采用同樣的建模方法 共建立四種模型，分別為僅針對(duì)黃瓜幼苗期的預(yù)測(cè)模型、僅針對(duì)黃瓜開(kāi)花結(jié)果期的預(yù)測(cè)模 型、黃瓜全程的光合速率預(yù)測(cè)模型和將生長(zhǎng)期的不同作為一維輸入建立黃瓜全程的預(yù)測(cè)模 型。輸入信號(hào)為X' = (Xi'x/ . . .X5'）T;x1'、x/、x/、x/、V分別為溫度、C〇2濃度、光照強(qiáng) 度、相對(duì)濕度和葉綠素含量，第四種模型加入生長(zhǎng)期作為一維輸入，輸出信號(hào)均用?；表示網(wǎng) 絡(luò)計(jì)算得到的光合速率，每組對(duì)應(yīng)實(shí)測(cè)光合速率均為教師信號(hào)Td。通過(guò)ΒΡ梯度訓(xùn)練法建立 全程黃瓜幼苗光合速率模型Td'（X'）。
[0039] 如圖1所示，BP神經(jīng)網(wǎng)絡(luò)程序運(yùn)行時(shí)，根據(jù)網(wǎng)絡(luò)連接值和閾值，隨機(jī)分配輸入層 到隱含層權(quán)值向量初始值V和隱含層到輸出層權(quán)值向量初始值W;運(yùn)行BP神經(jīng)網(wǎng)絡(luò)程序， 輸入訓(xùn)練集樣本U'JJ);并根據(jù)
計(jì)算網(wǎng)絡(luò)的輸出T。，并觸發(fā)以下過(guò) 程：
[0040] 基于教師信號(hào)和網(wǎng)絡(luò)輸出信號(hào)，系統(tǒng)總誤差計(jì)算公式為
[0041]
[0042] 式中，疔為訓(xùn)練樣本真實(shí)值，7f為訓(xùn)練樣本網(wǎng)絡(luò)輸出值，P為訓(xùn)練樣本個(gè)數(shù)，1為 輸出層個(gè)數(shù)；基于教師信號(hào)Td、網(wǎng)絡(luò)輸出信號(hào)?；、隱含層到輸出層權(quán)值向量和隱含層的輸出 分量，
[0043]輸出層誤差信號(hào)：
[0044]δ°= (Td-T0)T0(1-T0) ⑵
[0045] 神經(jīng)元誤差信號(hào)：
[0046]
[0047] 式中，ω,為隱含層到輸出層的權(quán)值向量，^為各層的輸出。
[0048] 采用LM訓(xùn)練法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，輸入層到隱含層的權(quán)值和隱含層到輸出層權(quán)值計(jì) 算公式為
[0049] ^ ..V" + 〇 4)
[0050]ωj=ωs+Δω(5)
[0051] 式中Vlj為輸入層到隱含層的權(quán)值向量，η為學(xué)習(xí)率，Αω為權(quán)值調(diào)整向量，AW 計(jì)算公式為：
[0052] Aw= -(JnTJn+qnI)ijn^n(6)
[0053] 其中，墳=/】·/"，是用來(lái)近似目標(biāo)函數(shù)的Hessian矩陣，I為單位矩陣。njLM訓(xùn) 練法內(nèi)部大于〇的參數(shù)，用于加快網(wǎng)絡(luò)的訓(xùn)練速度。當(dāng)ηη接近零時(shí)，LM算法接近高斯-牛 頓法；隨著ηη不斷增大，LM算法近似于最速下降法。
[0054] 2. 2性能分析
[0055] 基于上述試驗(yàn)樣本集，采用LM訓(xùn)練法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，得到四種模型，圖2a即僅 針對(duì)幼苗期建立的黃瓜預(yù)測(cè)模型，圖2b即僅針對(duì)開(kāi)花生長(zhǎng)期建立的模型，圖2c為全程模 型，圖2d為加入生長(zhǎng)期作為一維因子的模型。對(duì)比分析訓(xùn)練結(jié)果可以發(fā)現(xiàn)，圖2a中截止 到57步，網(wǎng)絡(luò)達(dá)到了期望的誤差水平，訓(xùn)練過(guò)程未出現(xiàn)震蕩和局部平坦區(qū)，誤差函數(shù)為 0. 0000658,圖2b中截止到38步，網(wǎng)絡(luò)達(dá)到了期望的誤差水平，訓(xùn)練過(guò)程未出現(xiàn)震蕩和局部 平坦區(qū)，誤差函數(shù)為0. 0000993,圖2c中訓(xùn)練過(guò)程出現(xiàn)局部平坦區(qū)，截止到1000步，網(wǎng)絡(luò)未 達(dá)到期望的誤差水平，誤差函數(shù)為0. 00030153,圖2d中截止到13步，網(wǎng)絡(luò)達(dá)到了期望的誤 差水平，訓(xùn)練過(guò)程未出現(xiàn)震蕩和局部平坦區(qū)，誤差函數(shù)為〇. 000028408。
[0056] 基于上述結(jié)果，加入生長(zhǎng)期作為一維因子建立的模型效果顯著，可以為光環(huán)境調(diào) 控提供理論基礎(chǔ)和技術(shù)支持，簡(jiǎn)化了光環(huán)境設(shè)備的操作。
[0057] 3模型驗(yàn)證結(jié)果分析
[0058] 采用多因子嵌套試驗(yàn)獲得的試驗(yàn)樣本集共1650個(gè)兩小組，將樣本分為訓(xùn)練集和 測(cè)試集，其中660組用于模型的建立，剩余165組用于構(gòu)成測(cè)試集，約占總樣本的20%，采用 異校驗(yàn)方法進(jìn)行模型驗(yàn)證，得到光合速率實(shí)測(cè)值與預(yù)測(cè)值相關(guān)性分析如圖所示。從圖3中 可以發(fā)現(xiàn)，圖3a中基于LM訓(xùn)練法的模型實(shí)測(cè)值和預(yù)測(cè)值相關(guān)性分析的決定系數(shù)是0. 987， 直線斜率是1. 031，截距是0. 343,圖3b中基于LM訓(xùn)練法的模型實(shí)測(cè)值和預(yù)測(cè)值相關(guān)性分 析的決定系數(shù)是〇. 9922,直線斜率是1. 0211，截距是1. 4331，圖3c中基于LM訓(xùn)練法的模型 實(shí)測(cè)值和預(yù)測(cè)值相關(guān)性分析的決定系數(shù)是〇. 8796,直線斜率是0. 9424,截距是0. 04474,圖 3d中基于LM訓(xùn)練法的模型實(shí)測(cè)值和預(yù)測(cè)值相關(guān)性分析的決定系數(shù)是0. 9897,直線斜率是 0. 9982,截距是0. 002729?？紤]生長(zhǎng)期建立模型的線性度明顯更高，擬合程度更好。
[0059] 對(duì)試驗(yàn)結(jié)果進(jìn)行誤差分析可知，考慮生長(zhǎng)期建立的全程光合速率預(yù)測(cè)模型的實(shí)測(cè) 值與模擬值最大相對(duì)誤差小于±6. 559%，表明本文所建立的模型可進(jìn)行全生長(zhǎng)期的光合 速率模型預(yù)測(cè)，有良好的精度。
【主權(quán)項(xiàng)】
1. 一種基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預(yù)測(cè)模型，其特征在于，該模型融合了生長(zhǎng)，其中輸出信號(hào)?；表示神經(jīng)網(wǎng)絡(luò)計(jì)算得到的光合速 率，輸入信號(hào)X' = (x/，x2'，......，x6' )T;x/、x2'、x3'、x4'、x5'、x6'分別為生 長(zhǎng)期、溫度、C02濃度、光照強(qiáng)度、相對(duì)濕度和葉綠素含量;m= 8、n= 6;vu是輸入層到隱含 層的權(quán)值，《,是隱含層到輸出層權(quán)值向量，表示的是輸入層經(jīng)過(guò)權(quán)值調(diào)整到隱 層的凈輸入量表示的是輸出層的輸入量。2. 根據(jù)權(quán)利要求1所述基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預(yù)測(cè)模型的建立方法，其特 征在于，包括如下步驟： 步驟1，獲取實(shí)驗(yàn)數(shù)據(jù)，過(guò)程如下： 采用營(yíng)養(yǎng)缽育苗，待黃瓜幼苗長(zhǎng)成二葉一心，選擇長(zhǎng)勢(shì)均勾、莖橫徑在〇. 6~0. 8cm之 間、株高10cm以內(nèi)的黃瓜幼苗進(jìn)行試驗(yàn)，選取范壯的黃瓜幼苗150株作為試驗(yàn)樣本，待黃瓜 處于開(kāi)花結(jié)果期，選取開(kāi)花節(jié)位距龍頭約50厘米的植株150株作為開(kāi)花結(jié)果期的試驗(yàn)樣 本； 測(cè)定凈光合速率，過(guò)程中利用控溫模塊設(shè)定16、20、24、28、32°(：共5個(gè)溫度梯度；利用C02注入模塊設(shè)定二氧化碳體積比為300、600、900、1200、1500μL/L共5個(gè)梯度；利用LED 光源模塊獲得0、20、50、100、200、300、500、700、1000、1200、150(^111〇1八111 2.8)共11個(gè)光子 通量密度梯度，以嵌套方式共進(jìn)行275組試驗(yàn)，每組試驗(yàn)在隨機(jī)選取的3株植株上做重復(fù)測(cè) 試，試驗(yàn)中記錄葉室相對(duì)濕度，并記錄被測(cè)葉片葉綠素含量，從而形成以葉綠素含量、溫度、 C02濃度、光照強(qiáng)度、相對(duì)濕度為輸入，凈光合速率為輸出的1650組試驗(yàn)數(shù)據(jù)，即幼苗期825 組，開(kāi)花結(jié)果期825組； 步驟2,建立模型 步驟2. 1訓(xùn)練方法 輸入信號(hào)為X' = (x/ ，x2' ，......，χ6'）τ;χ/、χ2'、χ3'、χ4'、χ5'、χ6' 分別 為生長(zhǎng)期、溫度、C02濃度、光照強(qiáng)度、相對(duì)濕度和葉綠素含量，輸出信號(hào)Τ^表示通過(guò)神經(jīng)網(wǎng) 絡(luò)計(jì)算得到的光合速率，對(duì)應(yīng)實(shí)測(cè)光合速率為教師信號(hào)Td，通過(guò)ΒΡ梯度訓(xùn)練法建立加入生 長(zhǎng)期作為一維因子的全程黃瓜幼苗光合速率模型； 步驟2. 2訓(xùn)練過(guò)程 隨機(jī)分配輸入層到隱含層權(quán)值向量初始值V和隱含層到輸出層權(quán)值向量初始值W;運(yùn) 行BP神經(jīng)網(wǎng)絡(luò)程序，輸入訓(xùn)練集樣本u'jp;計(jì)算網(wǎng)絡(luò)的 輸出T。； 基于教師信號(hào)1和網(wǎng)絡(luò)輸出信號(hào)，系統(tǒng)總誤差：，.式中，J：f 為訓(xùn)練樣本真實(shí)值，If為訓(xùn)練樣本網(wǎng)絡(luò)輸出值，P為訓(xùn)練樣本個(gè)數(shù)，1為輸出層個(gè)數(shù)； 基于教師信號(hào)Td、網(wǎng)絡(luò)輸出信號(hào)T。、隱含層到輸出層權(quán)值向量和隱含層的輸出分量，輸 出層誤差信號(hào)s°=OVTJIUI-T丄神經(jīng)元誤差信號(hào)< -.V,〉，式中，〇^為 隱含層到輸出層的權(quán)值向量，1為各層的輸出； 采用LM訓(xùn)練法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，輸入層到隱含層的權(quán)值向量'+ = ，隱含層到輸出 層權(quán)值ωj+ =Δω，式中，q為學(xué)習(xí)率，Δω為權(quán)值調(diào)整向量，AW = - (JnTJn+qnI)ijnTrn， ^=/,!/"，是用來(lái)近似目標(biāo)函數(shù)的Hessian矩陣，I為單位矩陣，η"為L(zhǎng)M訓(xùn)練法內(nèi)部大于0 的參數(shù)，用于加快網(wǎng)絡(luò)的訓(xùn)練速度，當(dāng)nn接近零時(shí)，LM算法接近高斯-牛頓法；隨著τι"不 斷增大，LM算法近似于最速下降法； 步驟2. 3模型建立 當(dāng)Eres小于設(shè)定的誤差值或者學(xué)習(xí)次數(shù)達(dá)到設(shè)定步數(shù)時(shí)，訓(xùn)練停止得到最終預(yù)測(cè)模型。3.根據(jù)權(quán)利要求2所述基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預(yù)測(cè)模型的建立方法，其特 征在于，所述步驟2. 2中， 對(duì)訓(xùn)練集樣本取)進(jìn)行〇. 2~0. 9區(qū)間的歸一化處理，設(shè)置神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)為 10,隨機(jī)分配輸入層到隱含層權(quán)值向量初始值V和隱含層到輸出層權(quán)值向量初始值W;然后 運(yùn)行BP神經(jīng)網(wǎng)絡(luò)程序，輸入訓(xùn)練集樣本(Xp, 77)計(jì)算輸出層的輸出；網(wǎng)絡(luò)是否達(dá)到訓(xùn)練精度，如果未達(dá)到則重新選擇樣本開(kāi)始訓(xùn)練，反之訓(xùn)練停止，模型建立完 成。
【專利摘要】本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預(yù)測(cè)模型，利用多因子嵌套試驗(yàn)獲得黃瓜幼苗光合速率測(cè)試數(shù)據(jù)，采用LM訓(xùn)練法進(jìn)行模型訓(xùn)練，建立融合生長(zhǎng)階段黃瓜全過(guò)程光合速率模型，并將其與單一生長(zhǎng)期的光合速率模型、未融合生長(zhǎng)期階段參量的全過(guò)程光合速率模型進(jìn)行模型性能參數(shù)比較與準(zhǔn)確性驗(yàn)證；訓(xùn)練結(jié)果表明，加入生長(zhǎng)期作為一維輸入量建立的全過(guò)程光合速率模型，可有效越過(guò)局部平坦區(qū)，具有明顯的優(yōu)越性，滿足誤差小于0.0001的訓(xùn)練要求并對(duì)其采用異校驗(yàn)的方式進(jìn)行驗(yàn)證，模型預(yù)測(cè)值與實(shí)測(cè)值決定系數(shù)為0.9897，誤差小于6.559％，其可為設(shè)施作物光環(huán)境調(diào)控提供理論基礎(chǔ)和技術(shù)支持。
【IPC分類】G06N3/08, G06F17/50
【公開(kāi)號(hào)】CN105389452
【申請(qǐng)?zhí)枴緾N201511025438
【發(fā)明人】張海輝, 陶彥蓉, 胡瑾, 王智永, 張斯威, 辛萍萍, 張珍
【申請(qǐng)人】西北農(nóng)林科技大學(xué)
【公開(kāi)日】2016年3月9日
【申請(qǐng)日】2015年12月31日