基于遗传神经网络的番茄光合速率模型英汉

《基于遗传神经网络的番茄光合速率模型英汉》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于遗传神经网络的番茄光合速率模型胡瑾，何东健笃张海辉王智永王小春(四北农林科技大学机械与电子工程学院，陕四杨凌712100)摘要：光合速率模型是开展光环境细粒度调控是理论基础，已成为是决定光环境调控成效关键，因此，如何基丁•智能算法构建高效精准的光介速率模型已成研究关键。由于BP神经网络算法初始权值为任意随机数，在建立冋归预测模型容易陷入局部平坦区，现何型（基于神经网络光合速率模的）存在收敛速度慢、训练时间长等的问题。针对上述问题，木文提岀了一种基于遗传算法的启发式神经网络黄瓜的光合速率模型，通过遗传算法优化初始权值，冇效提窩模型的性能。模型建立

2、多I大1了嵌套试验获得825纽黄瓜幼苗光合速率测试数据的基础上，通过BP网络结构构建和数据预处理，基于遗传算法进行网络权值和阈值优化，以及基于LM训练法的网络训练，建立基于遗传神经网络的黄瓜光合速率模型。在此基础上，进一步对比分析木文建立的遗传神经网络的光合速率预测模型与未优化的神经网络预测模型的训练性能和模型粘度。试验结呆衣明，遗传神经网络的光合速率预测模型It训练效果与模型粘度均优丁•神经网络预测模型，模型预测值与实测值间的相关系数为0.987,光合速率绝对谋并小J-±0.5^//,n2.^关键词（小五、黑体）：农业；工程；编辑；科技；论文（小

3、五、楷体。）中图分类号：S126文献标志码：A文章编号：（小五、黑体）TheModelofTomatoPhotosyntheticRateBasedonGeneticNeuralNetworkAbstractThephotosyntheticratemodelisthetheoreticalbasistocarryoutthelightenvironmentfine-grainedcontrol,whichhavebecomethekeytodeterminetheeffectivenessoflightenvironmentcontrol.The

4、refore,howtobuildefficientprecisionforphotosyntheticratemodelbasedonintelligentalgorithmhasbecomecriticalonthestudy・DuetotheinitialweightsofBPneuralnctworkalgorithmforarbitraryrandomnumber,theestablishmentofregressivepredictionmodeliseasilytrappedinpartialflatarea・Theexistingt

5、ypeofphotosyntheticratemodelbasedonneuralnetworkexiststheproblem,suchasslowconvergencespeed,longtrainingtimeandsoon.Inviewoftheaboveproblem,thispaperpresentsaphotosyntheticratemodelofheuristicneuralnetworkforcucumberbasedongeneticalgorithm.Theperformanceofmodelcanbeeffectively

6、improvedbygeneticalgorithmoptimizinginitialweights.Themodelestablishesthemulti-factornestingexperimenttoobtain825groupofcucumberseedlingphotosynthesisratetestdatainthefbundation・ByBPnetworkstructureconstructionanddatapreprocessing,basedonthegeneticalgorithmtooptimizenetworkwei

7、ghtsandthreshold,aswellasbasedonLMtrainingmethodofnetworktraining,thephotosyntheticratemodelofheuristicneuralnetworkforcucumbercanbeestablished.Onthisbasis,trainingperformanceandmodelprecisioncanbefurthercomparedandanalysedbetweenthephotosyntheticrateofgeneticneuralnetworkpred

8、ictionmodelonthispaperandunoptimizedneuralnetworkpredictionmo