全 文 ：第 20卷第 3期
2009年 9 月
中 国 计 量 学 院 学 报
Journal of China Univer sity o f Metro lo gy
Vol.20 No.3
Sep.2009
　　【文章编号】　1004-1540(2009)03-0195-06
【收稿日期】　2009-06-28
【基金项目】　浙江省自然科学基金资助项目(No.Y3090142)
【作者简介】　王兰州(1952 ),男 ,湖南衡阳人 ,教授.主要研究方向为植物电信号分析.
燕子掌微弱电信号的计量研究
王兰州 ,李　峤
(中国计量学院 生命科学学院 ,浙江 杭州 310018)
【摘　要】　利用自制的屏蔽室和屏蔽箱以及自制的铂金传感器接触式微弱电信号测试仪 , 初次获得了燕子掌
(Crassula portulacea)自适应微弱电信号特性.采用小波软阈值消噪法对测试电信号进行消噪 ,并进行了时间
序列的高斯径向基函数(RBF)神经网络预测.结果表明 ,采用 RBF 人工神经网络对植物微弱电信号进行短期
预测是可行的.实现预测是在温室和/或塑料大棚生产中建立植物自适应智能化自动控制系统的关键环节.
【关键词】　小波软阈值消噪;RBF 神经网络;植物微弱电信号;智能控制;燕子掌
【中图分类号】　T1399　　　　　【文献标识码】　A
Testing and measurements of weak electrical
signals in Crassula portulacea
WANG Lan-zhou , LI Qiao
(Col lege of Life S cien ces , China Jili ang University , Hangzh ou 310018 , China)
Abstract:The character of o riginal w eak electrical signals in Crassula portulacea w as tested by a touching
testing using platinum senso rs in a sy stem of self-made double shields.Tested data o f electrical signals we re
denoised by the w avele t soft thresho ld using Gaussian radial base function (RBF) as the time se ries a t a
delay ed input window cho sen at 50.An intellig ent RBF forecasting system w as se t up to predict signal in the
plant.Results show that it is feasible to predict the weak elec trical signal in the plant.Predicting da ta can be
used as a key tache fo r constructing an intelligent automatic contro l sy stem based on adaptiv e characteristics o f
plants to achiev e ener gy sav ing s o f agricultural production in gr eenhouses and/ o r plastic lookums.
Key words:w avele t sof t thre shold denoising;radial base function(RBF)neural ne tw o rk;plant weak electrical
signal;intellig ent control;Crassula portulacea
　　在外界环境刺激或环境干扰下 ,植物生长过
程中微弱电信号的变化就是其应急反应[ 1] ,主要
是激发植物各部分器官和组织产生运动 、新陈代
谢以及物质运输等生理变化[ 2] ,从而达到其与外
部环境相适应[ 3] .该微弱电信号含有很多有用信
息[ 4] ,只是目前人们还无法破译.由于依信息技术
的发展而设计出的精密仪器的不断出现 ,探索其
丰富的信息处理技术的不断成熟[ 5] ,使得深入细
致地研究植物微弱电信号已成为可能[ 6] .由于受
测试条件的限制 ,以往较为粗放的植物电信号探
索多集中在与生理效应关系[ 7] 和植物分类特
性[ 8 , 9]的研究上.当前 ,为降低农业生产成本和能
耗的各类生物和工程技术措施已发挥得淋漓尽
致 ,其开拓空间却非常有限.如果要想继续以节省
能源为目的 ,必须构建一整套系统工程才有可能
解决之.其中的关键问题就必须研究植物(农作
物)快速的自适应特性———微弱电信号特征.即真
正了解其在什么时间需要什么样的生长元素 ,从
而建立起基于植物电信号自适应特性的智能化控
制生长系统.该方面的研究急待要解决的问题是:
(1)原始植物电信号的消噪处理和基本单位“量
级”的确定 ,我们多年的测试分析结果表明植物自
身电信号多为“微伏(μV)”量级[ 10-12] ,这方面的深
入论证还有待于继续;(2)植物功能电信号智能化
模型的建立 ,如同动物一样 ,植物对即将发生的来
自各类环境的干扰和刺激具有先期感知能力 ,了
解这些感知能力的内涵对于植物生理研究 、相关
生产和生活的应用 ,如温室环境调控[ 13] 、地震的
预报[ 14] 以及新型植物病虫害防治农药研制[ 15] 等 ,
都具有十分重要的理论和实际应用价值.其核心
问题是要破译这些先期感知的内涵和对植物长势
及生长环境变化进行预测的电信号数据 ,才有可
能建立起适用于计算机计算分析控制的智能化模
型 ,从而实现植物生长自动化控制[ 16] .本研究在
燕子掌微弱电信号时 、频域研究[ 1 , 5] 的基础上 ,就
植物功能电信号模型的建立 ,采用了小波变换[ 17]
和 RBF 神经网络模型对燕子掌植物原始电信号
进行预报 ,以期为利用植物自身电信号反馈信息
等重要参数建立智能化控制生长系统.
1　材料与方法
1.1　测试仪器与材料
生物机能实验系统(成都 BL -420E +型);
自制屏蔽室(200 cm×200 cm)、屏蔽箱(60 cm×
60 cm);铂金测试电极(传感器长 15 mm ,尖端直径
0.1 ～ 0.2 mm);S-50型干 、湿度计.长势良好的盆
栽燕子掌(Crassula portulacea),株高 30 cm.
1.2　测试方法与步骤
将待测植物及机能实验系统置于屏蔽箱内 ,
屏蔽箱和屏蔽室良好接地.测试用正负铂电极刺
入植物茎部(深度约 2 mm),负电极位置靠上 ,与
正电极相距 1 cm ,参考电极接地.实验数据采集
的滤波频带范围是 0.2 Hz ～ 104 Hz ,采样率为 50
Hz.电极刺入后让植物适应 30 min后再测试并
同步记录数据 ,详细的电信号测试装置见文献
[ 10-12] .
1.3　数据处理
1.3.1　植物原始电信号处理　以 Matlab(V7.0.1)
软件为平台 ,对测得的燕子掌原始电信号进行了
简单的时域和频域分析[ 18] ,并采用小波软阈值消
噪的方法对信号做进一步处理.假设一个叠加了
加性噪声的有限长信号可表示为
x(i)= s(i)+σn(i)　(i =1 ,2 , …, N).(1)
式(1)中:n(i)—表示噪声;σ—噪声水平;x(i)=
s(i)+σn(i)—植物微弱电信号.
令ω为离散小波变换算子 , X ,S分别为 x和 s
的离散小波变换 ,即 X =ωx ,S =ωs;用S 表示从
X 中对S 的估计 ,则 Donoho[ 18] 消噪算法如下:
1)计算离散小波变换 X =ωx ;
2)在小波变换域中对系数进行阈值处理 , 使
用的阈值估计公式为 t =σ 2log(l),式中 l为数据
长度 , σ 是对噪声水平的一种鲁棒估计 ,定义为
σ =m1( d j-1 , k :k =0 ,1 , …, 2j-1 -1)0.674 5
上式中:m1 —中值;d j-1 , k —高频躁声信号.
处理方法为
S =T h(X , t)= sgn(X)(|X|-t).|X |≥ t
0 , |X |(2)
3)计算逆离散小波变换 s =W-1 S ,其中s 即为恢复的原始信号.
1.3.2　RBF 神经网络的预测原理及其模型 　对
消噪后的植物电信号再进行 RBF 人工神经网络
分析.时间序列预测的实质是一个动力系统的逆
问题[ 1 9] ,重构系统的模型 F ,即:
x(t′+T)=F(x(t), x(t +τ), x(t +2τ), …,
x(t+(m -1)τ)). (3)
式(3)中:t′=t+(m -1)τ为延迟时间 , T —预测
步长(T >0).本文采用的是径向基函数(radial
basis functions , RBF)神经网络[ 20] 对植物电信
196 中　国　计　量　学　院　学　报 第 20卷
号进行逼近和预测见图 1.
图 1　RBF神经网络结构
F igure 1　St ructure o f RBF neura l netwo rks
该结构是一个单隐层的神经网络.网络的输
出为
y =ω0 +∑r
i=1
ωiφ(‖x -ci ‖) (4)
式(4)中:x — 网络的输出向量 ,x =(x1 , x 2 , x3 ,
…, xn)T ;‖ · ‖ —R n 中欧几里德范数;φ—R+※
RR 径向基函数;ωi —网络隐含层到输出层的权
系数;ci —径向基函数的中心;r— 径向基函数的
数目(网络隐含层神经元个数).
对隐含层节点的径向基函数 φ加很小的限
制 ,那么对于非常广泛的函数类中的任意给定的
函数 ,适当地调整隐含层节点的个数和质心值及
隐含层到输出层的连接权值 ,RBF 网络可以逼近
它到任意精度(在某种范数意义下),这就为 RBF
网络的非线性映射能力及其应用提供了理论依
据.
依次选取燕子掌前 50个点的植物电信号幅
值作为输入单元 ,预测第 51个点的电信号幅值为
输出单元.由于既要保证神经网络具有足够多的
学习样本(大量的数据点),又不致超出目前计算
机的处理能力 ,截取测试中 1 500个数据点的幅
值用于神经网络的学习样本(1 500-50 =1 450
个),将数据点的幅值用于检验网络的外推性能 ,
即时间序列预测的效果.每完成一个点的预测后
将该值加入网络中重新学习.经反复调试 ,取网络
径向基层的散布常数值为 0.1.利用下式对输入
和输出数据进行归一化处理[ 20 , 21] :
xn =2×[ (x -min x)/(maxx -minx)-1] .
(5)
1.3.3　应用程序　植物微弱电信号分析均在
Malab软件下完成.其时 、频域分析编程为:
lo ad signal.m
x=signal;
y=[ 0:0.02:(n-1)＊0.02] ;　% n 为数据长度
plot(y , x);　　%绘制波形图
m=mean(x)
s=std(x , 1)　%求平均值 ,方差
co r rx=xco rr(x , n , biased);
plot((-n:1:n), cor rx);　%自相关函数图
Fs=f;
nFFT=1024;
cx=xcor r(x , biased);
cxk=fft(cx , nFFT);
pxx=abs(cxk);
t=0:round(nFFT/ 2-1);
k=t＊Fs/nFFT;
plot(k , pxx(t+1));　%功率谱估计图
p=10＊log10(pxx(t+1));
plot(k , p)　　%取对数后的功率谱估计图
　　　电信号的小波分析处理编程为:
[ c , l] =w avedec(x , 5 , db3);
decmp5a=w rcoef(a, c, l , db3, 5);
decmp1d=wrcoef(d, c , l , db3, 1);
decmp2d=wrcoef(d, c , l , db3, 2);
decmp3d=wrcoef(d, c , l , db3, 3);
decmp4d=wrcoef(d, c , l , db3, 4);
decmp5d=wrcoef(d, c , l , db3, 5);　%小波分解及各
　　层系数
a=ones(1 , n);
z0=zer os(1 , n);
z1=a;
z2=a＊2;
z3=a＊3;
z4=a＊4;
z5=a＊5;
z6=a＊6;
plot3(y , x , 　z0)
ho ld on
plot3(y , decmp5a , z1)
plot3(y , decmp5d , z2)
plot3(y , decmp4d , z3)
plot3(y , decmp3d , z4)
plot3(y , decmp2d , z5)
plot3(y , decmp1d , z6)　　%小波分解 3 维显示
[ thr , sorh] =ddencmp(den,w v, x);　%根据信号计算
　　噪声强度信号 ,给出量化阈值
x1=wdencmp(lvd, c , l , db3, 5 , thr , so rh);　%根据
　　量化阈值使用软阈值方法对信号降噪
197第 3期 王兰州 ,等:燕子掌微弱电信号的计量研究
save temp.dat x1 – ascii;　 %保存降噪后的信号为.dat文件
　　电信号的 RBF神经网络预测编程为:
clear all
clc
load signal.txt;　%装载植物电信号数据
x=signal(n1:n2);　% n1 , n2为所截信号的起止数据点数
plo t(x(51:1500));　%绘制植物原始电信号的时域波形图
xlabel;
y label;
box o ff;
x1=premnm x(x);　%数据归一化
for i=1:1450　%利用数据样本建立网络的输入向量和
　　期望输出向量
　　P(1:50 , i)=x1(i:i+49);
　　T(i)=x1(i+50);
end
net=new rbe(P , T , SPREAD);　%设计一个零误差的
RBF 网络 , SPREAD为散布常数
for i=1:1450　 %网络仿真得出学习样本的内符检验值
　　y(i)=sim(net , x1(i:i+49));
end
figur e(2);　 %绘制拟合波形图
plot(po stmnmx(y ,min(x),max(x)));
xlabel;
y label;
box o ff;
figur e(3);　%绘制拟合的绝对误差曲线图
plot(y-x1(51:1500));
xlabel;
y label;
box o ff;
z(1)=sim(net , x1(1451:1500));　%得出第一个外推
　　(预测)值
for k=2:3　%每次将前一次预测值重新加入网络学习 ,
　　在此基础上预测后一个值
　　x2=[ x1(1:1500);z] ;
　　for m=1:1450
　　　　P2(1:50 , m)=x2((m+k-1):(m+k-1+49));
　　　　T2(m)=x2(50+k+m-1);
　　end
　　net1=new rbe(P2 , T2 , SPREAD);
　　z(k)=sim(net1 , [ x1((1450+k):1500);z] );　%网
　　络仿真得出第 2、3 个预测值
end
z=postmnmx(z , min(x), max(x));　%反归一化
figur e(4);　%绘制预测的相对误差曲线图
plot(100＊(abs((x(1501:1503)-z)./ x(1501:1503))), ＊);
xlabel;
ylabel;
box o ff;
2　结果与分析
2.1　燕子掌植物电信号特点
从大量的测试结果中截取 200 s 时域波形
(图 2),从中不难看出 ,燕子掌电信号特性是一种
含有非常多的噪声 ,同时具有动作电波和变异电
波的复合 、震荡电波信号.
图 2　燕子掌电波信号的时域波形(测试时的温度:18 ℃;
湿度:67%)
Figure 2　Time domain of original signals in C.portulacea
在测试约 5 s处出现一个明显的动作电波 ,
其最大幅值 84.35 μV ,最小为-40.05 μV ,峰峰
值 124.40 μV ,均值-2.83 μV.图 3 可以看出经
小波软阈值消噪后的燕子掌电信号在保留了与原
信号很高的相似性的同时也比原信号有了更好的
光滑性 ,表明其消噪效果非常好.显然 ,说明利用
小波软阈值消噪能够获得理想的燕子掌微弱电信
号自适应特征.
图 3　燕子掌电信号消噪后的时域波形
F igure 3　De-noised signals in C.portulacea
图 4表明燕子掌电信号的功率谱分布在很小
的频率范围 ,约为 1 ～ 2 Hz.
198 中　国　计　量　学　院　学　报 第 20卷
图 4　燕子掌电波信号的功率谱图
Figure 4　Pow er spectrum of the electrica l signal in
C.portulacea
图2 ～ 4的结果表明 ,燕子掌原始电信号是一微
弱、低频的非平稳信号.其振荡幅值小于 100μV;频
率为 1 ～ 2 Hz.这一结果与文献[ 3 , 7 ,13 ,14] 报道
的有较大的差异.尽管测试方法不同 ,其结果会有
较大的差别 ,我们认为这一结果更为接近植物自
身的真实信号.这是因为人们无法触摸到任何植
物的任何脉搏跳动 , 因此 , 只能是现有的微伏
(μV)量级的信号.
2.2　燕子掌植物电信号的 RBF神经网络学习与
预测
　　图 5a为消噪后燕子掌电信号的时域波形片
段 ,通过对该信号 1450 个样本的学习 ,得到的
RBF 网络对学习样本的内符检验效果很好(图
5b).比较图 5的 a 与 b 中动作电波波形图的结
果 ,几乎完全保留了有用信息 ,其拟合误差极小
(图 5c),表明利用 RBF 神经网络分析能够对燕
子掌植物微弱电信号进行完全拟合 ,这是下一步
进行 RBF 人工神经网络预测的重要基础.
图5d中可以看出 ,前 3个点的预测误差小于
20%,可以选择其中一个点 ,并了解其生物学意义就有
可能成为未来智能自动控制系统运算所需要的参数.
上述研究结果表明:利用 RBF 神经网络对其
进行预测这一系统测试运算方法是可行的.由于后
一预测点是在前一预测点的基础上累加的 ,随着预
测点的逐渐增多就变得不稳定.这时可对影响该植
物电信号的诸环境因子作为新的输入单元添加到网
络的输入端进行适当地调整.
在研究如何利用植物自适应特征建立设施农
业的自动化智能控制生长系统中 ,必须获得植物
图 5　燕子掌电信号的 RBF神经网络拟合效果图
F igure 5　F itting effect of RBF netwo rk in electrical sig-
nals in C.portulacea
最初的功能信号特征 ,经消噪处理和诸如人工神
经网络等其它模型分析后才能获得便于智能控制
系统运算所需要的参数.对于具有混沌特性的植
物微弱电信号[ 22] 而言 ,重构的预测模型 F 是一个
非线性系统模型.本研究所采用的径向基函数
(RBF)神经网络对具有非线性特性的植物电信号
进行逼近和预测 ,在一定程度上克服了多层层间
全互连网络的非线性复杂度 ,表明该神经网络分
析方法具有强大非线性映射能力[ 2 1] .显然 ,在燕
子掌微弱电信研究中 ,经过小波分析后再利用
RBF 神经网络对其进行预测这一系统测试运算
方法是可行的 ,能够获得便于智能自动控制系统
运算所需要的参数.
考虑到本研究采用 RBF 神经网络对燕子掌
电信号进行时间序列预测时 ,利用的仅仅是其电
信号序列本身的信息.事实上 ,燕子掌微弱电信号
199第 3期 王兰州 ,等:燕子掌微弱电信号的计量研究
与所处的生长期以及外界环境(如温度 、湿度 、光
照)等多种因素息息相关.因此 ,在进一步的其它
植物电信号神经网络时间序列预测研究时 ,应将
影响植物电信号的各种环境因子与植物体本身的
生理状况作为新的输入单元添加到网络的输入
端 ,以这种方式构建的神经网络分析将可用于多
种植物电信号的预测.
3　结　语
利用 db3小波软阈值消噪法对燕子掌微弱电
信号进行分析的方法是可行的;燕子掌电信号为
一种微弱 、低频的非平稳性信号.RBF 神经网络
对学习样本的内符检验效果很好 ,拟合误差极小 ,
对植物电信号进行短期预测是可行的.多种植物
功能电信号的预测结果可建立其数据库 ,它们也是
作为农作物生长自动化控制运算中的数据 ,为依据
植物自适应特性而建立的温室智能控制系统 ,实现
节能提供了重要的适用参数;同时也为微电子学和
植物生物信息学提供了新的研究内容和方法.
【参　考　文　献】
[ 1] 　王兰州 ,李海霞 , 林　敏 ,等.植物微弱电波信号的时 、频域
分析[ J] .中国计量学院学报 , 2005 , 16(4):294-298.
[ 2] 　娄成后.高等植物生长发育中物质运输与信息传递(二)[ J] .
生物学通报 , 1991(12):1-3.
[ 3] 　任海云 ,王学臣.高等植物体内电信号存在的普遍性及其生
理效应[ J] .植物生理学报 , 1993 , 19(1):97-101.
[ 4] 　王兰州 ,陈　杰 ,柴中林.植物种群适应对策模型与生化机
制[ M ] .北京:科学出版社 , 2004:43-45.
[ 5] 　王兰州 ,李海霞 ,林　敏 ,等.统计分析方法在植物电波信号
研究中的应用[ J] .吉首大学学报 , 2006 , 27(3):67-70.
[ 6] 　李海霞 ,王兰州 ,李　峤.君子兰叶片电信号的初步研究[ J] .
中国计量学院学报 , 2005 , 16(1):62-65.
[ 7] 　郭金耀 ,杨晓玲.高等植物中的电信号研究进展[ J] .中国农
学通报 , 2005 , 21(10), 188-191.
[ 8] 　王兰州 ,曹文侠 ,令利军 ,等.石蒜叶片微弱电波动信号的测
定[ J] .西北师范大学学报 , 2000 , 36(2):62-66.
[ 9] 　李海山 ,曹文侠 ,王兰州 ,等.油松与白皮松微弱电波信号振
荡的研究[ J] .西北师范大学学报 , 2000 , 36(4):77-81.
[ 10] 　WANG L Z , LI Q , LI D S , et al.Analysis of elect rical
signal in Osman thus f ra grans[ C] ∥The 6th International
S ymposium on Inst rumentation and Cont rol Tech nology.
USA:Proc of SPIE , 2006 , 6357:N-1-7.
[ 11] 　李海霞.植物微弱电波信号的研究[ D] .北京:中国计量科
学研究院 , 2006.
[ 12] 　李　峤 ,王兰州,李东升 ,等.三种菊科植物电信号的分析[ J] .
中国计量学院学报 , 2006 , 17(4):333-336.
[ 13] 　王忠义 ,陈端生 ,黄　岚.温室植物生理指标监测及应用研
究[ J] .农业工程学报 , 2000 , 16(2):101-104.
[ 14] 　郭庆胜 ,苏丛柏 ,陈翠荣.合欢树生物电位预测地震的机理
探讨[ J] .山西地震 , 1999(增刊):25-27.
[ 15] 　丁锦丽 ,丁桂英 ,李海霞 ,等.ZJ0967 杀虫剂作用下的黄瓜
幼苗电信号研究[ J] .浙江科技学院学报 , 2006 , 18(3):
180-184.
[ 16] 　李　峤.植物电信号分析与处理研究[ D] .北京:中国计量
科学研究院 , 2007.
[ 17] 　WANG L Z , LI H X , LI Q.2006 S tu dies on th e plant e-
lect ric w ave signal by the w avelet analysis[ C] ∥Tan Ji-
ubin , Wen Xianfang , 4th Intern at ional Symposium on In-
s t rumen tation Science and Technology.Harbin:Harbin In-
sti tute of Technology Press , 2006:520-525.
[ 18] 　DONOHO D L.De-moise by sof t-thresholdin g[ J] .IEEE
Trans on I T , 1995(3):613-327.
[ 19] 　NISHIDA S.Automat ic detection method of P300 w aveform
in single sweep records by using a neural network[ J] .Med
E ng Phy s , 1994 , 16:425.
[ 20] 　韦保林 ,罗晓曙 ,汪秉宏 ,等.EEG 信号的径向基函数神经
网络预测[ J] .中国生物医学工程学报 , 2003 , 22(6):488-
492.
[ 21] 　PA RK J , SANDBERG I W.App roximation and radial-ba-
si s-fun ction n etw orks [ J] .Neural Computation , 1993 , 5
(2):305-316.
[ 22] 　赵子恺.试论植物微弱电信号研究[ J] .中国计量学院学
报 , 2002 , 13(3):253-257.
200 中　国　计　量　学　院　学　报 第 20卷