[发明专利]一种基于支持向量机的黄瓜全程光合速率预测模型及建立方法

摘要

一种基于支持向量机的黄瓜全程光合速率预测模型，利用多因子嵌套试验获得黄瓜幼苗光合速率测试数据，采用LM训练法进行模型训练，建立融合多种生长期的黄瓜全过程光合速率模型，并采用异校验方式分别与单一生长期的光合速率模型、全生长期的黄瓜光合速率模型进行对比验证，结果表明加入生长期作为一维输入量建立的全过程光合速率模型，可有效越过局部平坦区，具有明显的优越性，满足误差小于0.0001的训练要求，模型预测值与实测值决定系数为0.993，误差小于6.253％，其训练效果与模型拟合度均优于混合生长期的模型，与单一生长期的光合速率模型精度相似，其可为设施作物光环境调控提供理论基础和技术支持。

主权项

一种基于支持向量机的黄瓜全程光合速率预测模型，其特征在于，模型公式为：$f\left(x\right)=w\mathrm{\Φ}\left(x\right)+b=\underset{i=1}{\overset{l}{\Σ}}(a_i-{a_i}^{*})\·\exp (-\frac{\left|\right|x-x_i\left|\right|}{2{\mathrm{\σ}}^2})+b,$其中，输出f(x)表示预测的光合速率，输入信号X'＝(X₁'X₂'…X₅')^T，X₁'、X₂'、X₃'、X₄'、X₅'分别为温度、CO₂浓度、光照强度、相对湿度和叶绿素含量，w为权值向量，b为偏置，Φ(x)为非线性映射函数，l为训练集样本对{(x_i,y_i),i＝1,2,3,...,l}中的训练样本个数，x_i是第i训练样本的输入列向量，y_i为对应的输出值，y_i∈R，是i×d维实数域，d是列向量维数，a_i和a_i^*为下式的最优解：$\left\{\begin{array}{c}\underset{\mathrm{\α},{\mathrm{\α}}^{*}}{\max }\[-\frac{1}{2}\underset{i=1}{\overset{l}{\Σ}}\underset{j=1}{\overset{l}{\Σ}}\left({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*}\right)\left({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*}\right)K\left(x_i,x_j\right)-\underset{i=1}{\overset{l}{\Σ}}\left({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*}\right)\mathrm{\ϵ}+\underset{i=1}{\overset{l}{\Σ}}\left({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*}\right)y_i\]\\ s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{l}{\Σ}}\left({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*}\right)=0\\ 0\≤{\mathrm{\α}}_i\≤c\\ 0\≤{\mathrm{\α}}_i^{*}\≤c\end{array}\right.\end{array}\right.$为核函数，σ为宽度参数，ε为中止训练误差，c为惩罚因子。