[发明专利]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

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，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。

主权项

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。