[发明专利]基于作物叶绿素含量在线检测的滴灌自动控制方法

权利要求书

1.一种农作物种植用的自动滴灌控制方法，其特征为：

步骤1：将作物叶面叶绿素含量的检测值c输入到“滴灌量预测模型”；

步骤2：“滴灌量预测模型”输出滴灌量预测值到“动态水量调整模块”，“水量动态调整范围模糊控制模块”输出水量调整范围Δw到“动态水量调整模块”；

步骤3：“动态水量调整模块”根据输入的和Δw在的范围内以mw为单位递增调整给水量w，即从开始以mw为单位递增直到不超过同时将实时的给水量w和叶绿素检测值c输入到“最优给水量计算模块”，其中在给水量w调整过程中如果w≤0时则不滴灌；

步骤4：“最优给水量计算模块”根据步骤3中给水量调整时给水量w和叶绿素检测值c的系列数值计算出最优给水量w*；

步骤5：最优给水量w*输入到“滴灌量预测模型”用于动态调整“滴灌量预测模型”的参数；

步骤6：“滴灌量预测模型”输出的滴灌量预测值与“最优给水量计算模块”的输出w*之差输入到“水量动态调整范围模糊控制模块”，“最优给水量计算模块”的输出w*的微分dw*/dt也输入到“水量动态调整范围模糊控制模块”，“水量动态调整范围模糊控制模块”根据这两个输入数值输出水量调整范围Δw；

步骤7：转到步骤1。

2.权利要求1所述的自动滴灌控制方法，其特征为：所述步骤4中最优给水量w*按照以下步骤计算：

设定数值i＝0，给水增量mw＝1毫升，数组A和数组B；

步骤①：如果则控制滴灌，否则A[i]＝0，停止滴灌；

步骤②：检测作物叶面叶绿素含量c，并令B[i]＝c；

步骤③：令i＝i+1，如果转到步骤①，否则转到步骤④；

步骤④：对数组B按照数据序列进行微分计算，并记录第1个微分结果为0的数据排序，设为j，即B′(j)＝0且B′(j-1)≠0，则令w*＝A(j)；

权利要求1所述的“滴灌量预测模型”，其特征为采用广义回归神经网(GRNN)，构建单输入单输出的GRNN网络结构，GRNN网的参数动态调整过程按照以下步骤计算：

设定数值k＝0，设定数组C和数组D；

步骤a：等待输入新的最优给水量w*；

步骤b：如果k≤15，则C[k]＝w*，k＝k+1，转入步骤a；否则如果k＞15则转入步骤c；

步骤c：D[15]＝w*，设定数值m＝1，D[15-m]＝C[k-m]；

步骤d：如果m＜16，则转入步骤c，否则转入步骤e；

步骤e：用数组D作为输入时间序列，训练GRNN网的参数；

步骤f：通过GRNN网计算出下一时间的输出数据，即滴灌量预测值

步骤g：k＝k+1，转入到步骤a；

其中，步骤e中的GRNN网参数训练只需训练光滑因子即可，训练方法按照以下步骤：

(i)令光滑因子以增量在一定的范围内递增变化；

(ii)在学习样本中，除去两个样本，用剩余的样本训练神经网络，用这两个样本进行测试；

(iii)用构建的网络模型计算测试样本的误差绝对值，即预测误差；

(iiii)重复步骤(ii)、(iii)，直到所有的训练样本都有一次用于测试，求得预测误差的平均值并将其作为寻优的目标函数E；

权利要求1所述的“水量动态调整范围模糊控制模块”，其特征为：采用Mamdani型模糊控制器，其输入量分别为滴灌量预测值与“最优给水量计算模块”的输出w*之差ew和最优给水量w*的变化dw*/dt，ew和dw*/dt分别经过量化因子k_ew和k_dw处理，其中ew′＝k_ew*ew、dw′＝k_dw*(dw*/dt)，然后输入到模糊控制器中，首先进行模糊化处理，ew′和dw′的模糊语言变量都分为5个子项：“负大”(NB)、“负小”(NS)、“零”(ZE)、“正小”(PS)、“正大”(PB)，每个子项的隶属度函数都在各自论域上取为高斯函数，模糊推理规则如下表所示，Δw′再经过去模糊化后输出Δw″，Δw″乘以比例因子k_w后输出水量调整范围Δw，表格如下：