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

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。

【技术实现步骤摘要】
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
本专利技术属于现代农业智能补光
，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。
技术介绍
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。
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，本专利技术采用的技术方案是：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Xi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Yi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：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RBF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pi为：式中，Fi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,…,xn]T，网络输出矩阵为Y＝[y1,y2,…,yn]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＝XTb1＝[b11,b12,…,b1Q]′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：ai＝exp(-||C-Xi||2bi)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pin＝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ti＝1,2,3,...,12＝[18,19,20,.本文档来自技高网...

【技术保护点】
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

【技术特征摘要】
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。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，利用GRNN神经网络构建初始的光合速率预测模型；其次，基于GA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3.根据权利要求2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Xi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Yi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：。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RBF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pi为：式中，Fi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)变异操作变异操是为了维...

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