式】
[0053]下面將結(jié)合附圖對本發(fā)明的實(shí)施例進(jìn)行詳細(xì)描述。
[0054]圖1為本發(fā)明提供的溫室C〇2氣肥增施方法，如圖1所示，該方法包括：
[0055]S1，獲取溫室內(nèi)多種環(huán)境因子對應(yīng)的環(huán)境信息和溫室內(nèi)作物的光合速率值；
[0056]S2,將環(huán)境信息作為輸入變量、光合速率值作為輸出變量，建立作物對應(yīng)的基于支 持向量機(jī)的光合速率預(yù)測模型；
[0057]S3,利用光合速率預(yù)測模型分析，得到溫室內(nèi)各環(huán)境因子交互作用對應(yīng)的C〇2濃度 及光合速率之間的關(guān)系曲線圖；
[0058]S4,從關(guān)系曲線圖中獲取各特定環(huán)境因子變量組合條件下最大光合速率對應(yīng)的C〇2濃度飽和點(diǎn)；
[0059]S5，根據(jù)C〇2濃度飽和點(diǎn)，建立C〇2增施調(diào)控模型；
[0060]S6，利用C〇2增施調(diào)控模型，計(jì)算C〇2供給量，并控制向溫室內(nèi)增施C〇2。
[0061]本發(fā)明實(shí)施例通過獲取溫室內(nèi)多個環(huán)境因子對應(yīng)的環(huán)境信息及作物的光合速率 值，建立基于支持向量機(jī)的光合速率預(yù)測模型，通過該光合速率預(yù)測模型分析得到各環(huán)境 因子交互作用對應(yīng)的C〇2濃度及光合速率之間的關(guān)系曲線圖，并從關(guān)系曲線圖中獲取各特 定環(huán)境因子變量組合條件下最大光合速率對應(yīng)的C〇2濃度飽和點(diǎn)，建立C〇2增施調(diào)控模型，利 用該模型，結(jié)合實(shí)時采集的環(huán)境數(shù)據(jù)，便可快速準(zhǔn)確的計(jì)算出最優(yōu)C〇2供給量，實(shí)現(xiàn)溫室內(nèi) C〇2氣肥增施的精細(xì)調(diào)控，提高了作物的光合作用效率和作物的產(chǎn)量。
[0062]上述步驟S1中的環(huán)境信息包括C〇2濃度、光照強(qiáng)度、空氣溫濕度、±壤溫濕度等，通 過布置在溫室內(nèi)多個位置處的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)對溫室的環(huán)境因子進(jìn)行實(shí)時監(jiān)測，即通 過C〇2傳感器采集C〇2濃度信息，通過光照強(qiáng)度傳感器采集光照強(qiáng)度信息，通過空氣溫濕度傳 感器采集空氣溫度信息及空氣濕度信息，通過±壤溫度傳感器采集±壤溫度信息，通過± 壤水分傳感器采集±壤濕度信息等，W獲取溫室內(nèi)各環(huán)境因子對應(yīng)的環(huán)境信息。采用光合 速率儀采集作物單葉光合速率值，W獲取溫室內(nèi)作物的光合速率值。
[0063]支持向量機(jī)（Suppo;rtVectorMachine,SVM)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論 和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，它利用有限的樣本信息在模型的復(fù)雜性和學(xué)習(xí)能力之間尋 求最佳折衷，W獲得最好的推廣能力。支持向量機(jī)在小樣本、非線性、數(shù)據(jù)高維等機(jī)器學(xué)習(xí) 問題中具有一定的優(yōu)勢，能有效避免局部最優(yōu)及過擬合問題。因此，本發(fā)明實(shí)施例將環(huán)境信 息作為輸入變量、光合速率值作為輸出變量，建立作物對應(yīng)的基于SVM的光合速率預(yù)測模 型，W分析多輸入變量與輸出間復(fù)雜的非線性關(guān)系。
[0064]為了簡化光合速率預(yù)測模型的輸入變量，提高光合速率預(yù)測模型的精度，加快光 合速率預(yù)測模型在具體實(shí)施時的響應(yīng)速度，優(yōu)選地，上述步驟S2還包括:對獲取的環(huán)境信息 和光合速率值進(jìn)行預(yù)處理，剔除與作物的光合速率值關(guān)聯(lián)程度小的環(huán)境因子。
[0065]考慮到反應(yīng)作物生長狀態(tài)的因素除了光合速率值外，還包括作物的生長指標(biāo)，如 葉綠素、株高、莖粗、葉面積等，因此，在簡化光合速率預(yù)測模型的輸入變量的同時，為了保 證優(yōu)化的輸入變量更加合理，進(jìn)一步優(yōu)選地，上述步驟SI還包括:獲取作物的生長指標(biāo)，該 生長指標(biāo)包括作物葉綠素、作物株高、作物莖粗、作物的葉面積等。此時，上述步驟S2還具體 包括:對獲取的環(huán)境信息、生長指標(biāo)和光合速率值進(jìn)行預(yù)處理，剔除與作物的生長指標(biāo)、光 合速率值關(guān)聯(lián)程度小的環(huán)境因子，得到優(yōu)化的環(huán)境因子集，并作為輸入變量，結(jié)合光合速率 值作為輸出變量，建立作物對應(yīng)的基于SVM的光合速率預(yù)測模型。
[0066] 如圖2所示，步驟S2中對獲取的環(huán)境信息、生長指標(biāo)和光合速率值進(jìn)行預(yù)處理，剔 除與作物的生長指標(biāo)、光合速率值關(guān)聯(lián)程度小的環(huán)境因子，得到優(yōu)化的環(huán)境因子集包括：
[0067]S201，對環(huán)境信息、生長指標(biāo)和光合速率值分別進(jìn)行歸一化處理。由于不同輸入變 量、輸出變量處于不同數(shù)量級，為了消除變量之間的量綱影響，避免小數(shù)據(jù)被大數(shù)據(jù)淹沒， 對輸入變量、輸出變量進(jìn)行歸一化處理，使其標(biāo)準(zhǔn)化，W解決變量之間的可比性。
[006引
[0069] 其中：
為η個樣本作物中第i種環(huán)境因子變量的最小觀測值，
為η個樣本作物中第i種環(huán)境因子變量的最大觀測值，XI化)為第k個樣本作物第 i種環(huán)境因子變量對應(yīng)的原始數(shù)據(jù)，為第k個樣本作物第i種環(huán)境因子變量對應(yīng)的歸 一化處理后的數(shù)據(jù)。
[0070]
[0071] 其中，
為η個樣本作物中生長指標(biāo)變量或光合速率值變量的最小觀測 值，
為η個樣本作物中生長指標(biāo)變量或光合速率值變量的最大觀測值，Χ0化)為 第k個樣本作物生長指標(biāo)變量或光合速率值變量對應(yīng)的原始數(shù)據(jù)，為第k個樣本作物 生長指標(biāo)變量或光合速率值變量對應(yīng)的歸一化處理后的數(shù)據(jù)。
[0072]S202,分別計(jì)算各環(huán)境因子與生長指標(biāo)、光合速率間的灰度關(guān)聯(lián)系數(shù)。
[0073]
[0074]其中，P為分辨系數(shù)，該分辨系數(shù)取值范圍為(0，1)，本發(fā)明實(shí)施例取P= 0.5, 第k個樣本作物生長指標(biāo)變量或光合速率值變量對應(yīng)的歸一化處理后的數(shù)據(jù)，為第k 個樣本作物第i種環(huán)境因子變量對應(yīng)的歸一化處理后的數(shù)據(jù)。另
表示兩級最小值
表示兩級最大值。
[0075]S203,根據(jù)灰度關(guān)聯(lián)系數(shù)，計(jì)算各環(huán)境因子變量與生長指標(biāo)或光合速率值之間的 灰度關(guān)聯(lián)度；
[0076]
[OOW] S204,剔除與作物的生長指標(biāo)、光合速率值關(guān)聯(lián)程度小的環(huán)境因子，得到優(yōu)化的環(huán) 境因子集。此時，再將該優(yōu)化的環(huán)境因子集作為輸入變量、光合速率值作為輸出變量，建立 作物對應(yīng)的基于SVM的光合速率預(yù)測模型。
[0078]決定SVM性能的主要因素為核函數(shù)的選擇，由于存在多個環(huán)境因子，且環(huán)境因子與 光合速率間存在復(fù)雜的非線性關(guān)系，因此，本發(fā)明實(shí)施例選擇高斯函數(shù)(RBF函數(shù))作為SVM 的核函數(shù)。為了獲取最優(yōu)核函數(shù)參數(shù)g和懲罰因子C，提高基于SVM的光合速率預(yù)測模型的預(yù) 測精度，優(yōu)選地，在步驟S2和步驟S3之間還包括圖中未示出的：
[0079] S2'，對SVM中的核函數(shù)參數(shù)g和懲罰因子C進(jìn)行優(yōu)化，建立優(yōu)化的基于SVM的光合速 率預(yù)測模型。本發(fā)明實(shí)施例采用改進(jìn)的粒子群算法(ParticleSwarmOptimization，PS0) 優(yōu)化基于SVM的光合速率預(yù)測模型中的核函數(shù)參數(shù)g和懲罰因子c，具體方法如下。
[0080]在S個粒子的群體中，第j個粒子的狀態(tài)由粒子j的當(dāng)前位置X^t) = (XW(t)，Xj2 (t), · · ·，Xjd(t))和粒子j的當(dāng)前飛行速度Vj(t) = (Vjl(t)，Vj2(t), · · ·，Vjd(t))描述。 其中，位置向量對應(yīng)d元目標(biāo)函數(shù)的決策變量組，速度向量對應(yīng)決策變量的變化量。向量Pj (t) = (PW(t)，PW(t)，··-，pw(t))代表粒子j所經(jīng)歷的最好位置，稱為個體最好位置。S 個粒子的群體中，所有粒子所經(jīng)歷過的最好位置為全局最優(yōu)位置Pg(t)。其中，粒子j的當(dāng)前 最好位置w(t)由下式確定：
[0081]
.函數(shù)f(x^t))為粒子j當(dāng)前位置的適應(yīng)度 函數(shù)，f(P^t))為粒子個體最好位置的適應(yīng)度函數(shù)值，即粒子j的個體極值Wbest。
[0082] S201'，初始化粒子群（C，g)，確定粒子群體規(guī)模S，最大迭代次數(shù)tmax，設(shè)置算法局 部學(xué)習(xí)因子的最小值Cl,ini和最大值Cl,fni，設(shè)置全局學(xué)習(xí)因子的最小值C2,ini和最大值C2,fni， W及慣性權(quán)重的最大值Wmax的最小值Wmin等。
[0083]S202 '，初始化粒子位置和粒子速度。另，由于C，g的數(shù)量級不同，在隨機(jī)初始化粒 子位置和粒子速度時應(yīng)乘W相應(yīng)的系數(shù)。
[0084]S203'，將每個粒子的初始個體極值Wbest設(shè)置為當(dāng)前位置，利用已確定的適應(yīng)度函 數(shù)(取能直接反應(yīng)SVM回歸性能的均方根誤差作為適應(yīng)度函數(shù))計(jì)算出每個粒子的適應(yīng)度， 取適應(yīng)度最好的粒子所對應(yīng)的個體極值作為最初的全局極值Pg。
[008引 S204'，計(jì)算粒子群算法局部學(xué)習(xí)因子打、全局學(xué)習(xí)因子C2和慣性權(quán)重wv;
[0088]其中，t為當(dāng)前迭代次數(shù)。
[0089] S205'，按照W下公式