基于植物电信号的环境因子预测模型

以采集的植物电信号为生理指标,综合分析其时域、频域和时频域中的典型特征值,利用学习速度快、泛化性能好的极限学习机算法,以电信号的多个特征及环境参数作为输入量,建立适合植物生长的环境因子(温度、湿度、光照度)预测模型。结果表明:通过对采集的碧玉叶面电信号进行不同域的分析,得出植物电信号属于低频微弱信号;利用极限学习机(ELM)分别对适合碧玉生长的温度、湿度及光照度3个环境因子建立预测模型,通过与传统的BP神经网络对比,ELM算法下的均方根误差小于0.97,而决定系数大于0.92,训练所需的时间低于0.03 s,验证了此方法的可行性,为科学指导温室环境因子调控提供科学依据。

基于模糊最优小波包的植物胁迫因子识别

为了正确地识别植物常见的胁迫种类,以采集的正常状态和7种胁迫下的植物电信号为样本,结合小波包分解提取特征值能力强的优点,应用模糊准则来优化小波包分解,提取植物电信号中的最优小波包基能量值构成特征集,应用更适合处理模糊的、非线性信号的BP神经网络作为分类器,以实现对不同逆境因子类型的识别。首先利用小波包对采集的植物电信号进行降噪预处理,然后列举了样本经基于模糊准则的小波包处理后各小波包基上的能量样本值,绘制了特征分布图,最后通过对芦荟、碧玉、虎皮兰和蟹爪兰4种植物所处7种胁迫的判断,以统计特征值作为对照,采用所提方法胁迫平均识别率达到95.95%,验证了此方法的准确性和可行性。