基于遗传算法和BP神经网络的组培苗生长模型辨识.pdfVIP

2010年 10月 农 机 化 研 究 第 10期 基 于遗传 算法和 BP神 经 网络 的组培 苗生长模 型辨识 孙 燕，马明建 (山东理工大学 轻工与农业工程学院，山东 淄博 255049) 摘 要：采用遗传算法优化神经网络的方法，以MATLAB的遗传算法及神经网络工具箱函数为平台，选取培养装 置 内空气温度 、相对湿度 、光照强度 、CO 浓度以及基叶面积作为组培苗生长过程的主要影响因素 ，以装置 内无 糖菊花组培苗的实测数据为训练和检验样本 ，对组培苗生长主要参数一植株干质量进行建模与仿真。结果表 明，该方法适合组培苗生长建模。 关键词 ：组培苗；遗传算法 ；神经网络；MATLAB；建模与仿真 中图分类号：TP389．1；S126 文献标识码：A 文章编号：1003—188X(2010)10-0030-03 基叶面积以及组培苗光合作用等。另外，组培苗在生 0 引言 长过程中各个器官的生长状况也各不相同。组培苗 在大空间无糖培养组培苗过程中，若能对组培苗 生长建模的重点在于对与产量形成直接相关的生长 进行生长建模及仿真，就可以很好地对其生长状况进 发育进程和生理生态指标的模拟 。因此在建立模型 行预测，并为大规模 的精准生产打下坚实的基础。完 时，选择培养装置 内空气温度、相对湿度、光照强度、 善的作物生长模型应该具备如下功能：可根据作物 自 CO浓度以及基叶面积作为组培苗生长过程的主要影 身的状态信息以及农 田或设施小气候、土壤等环境信 响因素，并选取组培苗生长过程 中的一个主要生长特 息给出作物生长趋势预测，为决策管理 (即组培苗培 性一植株干质量作为建模对象。 养环境控制系统)提供设计依据。 本文采用遗传算法和神经网络相结合的方法，为 大空间无糖培养组培苗 (菊花)的主要生长特性一植 株干质量进行建模 。 1 问题分析 植物的生长发育过程十分复杂，主要表现为：一 是控制变量及影响因素众多；二是各变量与生长结果 之间可能具有较强的动态耦合变化过程 ；三是生长过 图1 组培苗培养实景 程呈现随机性、非线性、多变性及突变性。 2 组培苗生长状况的BP神经网络模型 事实上，要建立一个能全面反映出以上特征的植 物生长模型是十分困难的。一般来说，总是在一定假 BP神经网络用途非常广泛 ，但是存在训练速度 设条件之下，并根据某些特定研究内容，对植物生长 慢、易陷人局部极小值和全局搜索能力弱等缺点，而 过程模型进行简化数学处理…。 遗传算法不要求 目标函数具有连续性，而且它的搜索 组培苗(菊花)栽培于大空间无糖组培装置 中，如 能力具有全局性，因此易得到全局最优解 。基于这个 图1所示。影响其生长发育过程的因素有培养装置内 原因，本文用遗传算法对神经网络进行优化，主要涉 空气温度、相对湿度、光照强度 、CO 浓度、组培苗 及连接权的优化和网络结构的优化。 2．1 模型建立 收稿 日期 ：2009—12—08 为预测组培苗的生长状况，本文取培养装置 内空 基金项 目：山东省 自然科学基金项 目(2003ZX10) 作者简介：孙 燕(1977一)，女，山东滨州人 ，硕士研究生，(E—mail) 气温度、相对湿度、光照强度、CO 浓度以及植株基叶 sunyanzp@ 126．eom。 面积作为输入变量，以植株干质量为输出变量，建立 通讯作者：马明建 (1953一)，男，山东寿光人，教授