基于神经网络温室花卉在水胁迫声发射下灌溉测量预测研究.docVIP

基于神经网络温室花卉在水胁迫声发射下灌溉测量预测研究 　　摘要： 近年来，我国的花卉市场得到了很大的发展，精细灌溉成为人们普遍关心的问题。本文主要介绍了自动灌溉系统的基本工作原理，利用BP神经网络模型的自学习特性、matlab软件强大的数据处理能力实现了对灌溉系统中灌溉量的自动控制。 　　Abstract： Recently， flower market has a great development in China. Accurate irrigation is concerned. This paper mainly intruduces the principle of the automatic irrigation system， and makes a program to control the irrigation volume inautomatic irrigation system， using BP neural network model and matlab software. 　　关键词： 精准灌溉；神经网络算法；温室花卉 　　Key words： precise irrigation；nerual network algorithm；greenhouse flowers 　　中图分类号：S274 文献标识码：A 文章编号：1006-4311（2012）35-0069-02 　　0 引言 　　受地形条件和季风气候的影响，我国水资源分布十分不平衡，造成许多地区严重缺水，因此水资源短缺已成为困扰这些地区的首要问题。节水工程是缓解水资源短缺的一项系统性工程，其主要包括时空调节水资源、天然降水的利用以及增加植物自身对水分的利用率等手段。节水灌溉是实现可持续利用水资源的关键技术，如何精细的灌溉花卉也成为人们一直致力于研究的课题。农作物对养分和水分的利用率受施肥量和灌溉量是否合理的影响很大。基于花卉水胁迫声发射的机理可以实现对花卉的精准灌溉，但是如何使得灌溉量最优目前还没有办法解决。本文将通过将人工神经网络引入到花卉灌溉系统中，实现为花卉在生长过程中提供适当的水和肥料，从而可以大大提高花卉的质量、降低生产成本、节约水肥等等。 　　1 理论知识 　　1.1 花卉节水灌溉及水胁迫声发射 生命的活动离不开水，植物也不例外。植物产量的下降受水分亏缺的影响很大，据有关资料统计，水分亏缺对植物产量造成的影响比其他因素的总和还要多。植物对水分的吸收和散失一般是由其自身的器官和周围的环境的相互作用来完成的，例如SPAC（土壤-植物-大气连续体）中各个环节的共同作用[3]。土壤、植物、气候这三个方面可以对植物是否缺水进行判别，其主要评价校准一般分为三类：①以植物自身为评分对象；②以环境为对象，利用环境条件的改变对植物的需水量进行估计，例如通过水面的蒸发量来估算植物自身的耗水量，从而得出植物的需水量；③以土壤为对象对植物的水量进行判断。 　　近年来，随着人们对植物水分机理研究的不断深入，人们发现了植物会通过自己的“语言”来向我们发出缺水信号，也就是我们常说的“会说话的植物”。植物的语言被定义为植物的“声发射”现象，即植物缺水会造成水流在水流通路中出现断裂，从而发出爆裂声。声发射由于物体受外界作用发生形变时激发的能量被迅速释放而产生的一种瞬态应力波[2]。水分在植物体内传输需要依靠张力。干燥的土壤会使张力大大增加，当超过平衡极限时，会造成于水分子对导管壁的粘附力和各分子间的内聚力失效，从而导致连续的水柱遭到破坏，造成断裂，也就是常说的“空穴现象”。空穴一旦出现，张力会因突然被释放产生冲击波，同时产生声发射信号。以往的研究资料表明，声发射信号可以作为自动灌溉系统的信号发生源，以一个特殊的植物相应反馈实现精细灌溉。 　　1.2 BP神经网络及相关算法[4] BP神经网络算法是Rumelhart于1985年提出的，其基本思想是：通过输出误差来估计输出层得直接前导层的误差，然后利用前导层的误差估计其前导层的误差，随着一层层的传递计算，就能得到所有层的误差估计。BP神经网络模型在处理信息方面有着很好的应用价值，基本原理是：通过中间节点将输入信号Xi作用于输出节点，经过一系列的非线性变换得到输出信号Yk。BP算法的实现过程是在输入层的神经元上加载各项指标数据X，利用连接权向前一步步传递，最后到达隐含层神经元，然后经过转换函数的处理后输出信号被传递到网络输出层。BP神经网络模型一般包括自学习模型、误差计算模型、作用函数模型和输入输出模型。 　　1.2.1 自学习模型：？驻Wij（n+1）=h×？覫i×oj+a×？驻Wij（n） 　　式中：h-学习因子；？覫i-输出节点i的计算误差；oj-输出节点j的计算输出；a-动