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。