基于麻雀搜索算法優化神經網絡的生菜生理指標預測

摘 要：生菜生理指標的精準預測對于植物工廠環境下數字化精準管理生菜生長具有重要意義。為了為植物工 廠葉菜類作物生理指標的預測提供參考，以植物工廠的水培生菜為研究對象，采集 5 種營養液配方處理下水培生 菜最長葉長、葉片數和株高的數據，以麻雀搜索算法優化的 BP 神經網絡 SSA-BP 對生菜生理指標數據進行預測 分析，并選取平均絕對誤差、均方誤差、均方根誤差和平均絕對百分比誤差作為精度指標對試驗結果進行分析和 評價。結果表明，SSA-BP 神經網絡對生菜最長葉長、葉片數、株高的預測平均絕對誤差分別為 9.21、0.563、 8.34；均方誤差分別為 143.79、0.599、110.69；均方根誤差分別為 11.991、0.774、10.521；平均絕對百分比誤差分別 為 15.639%、6.181%、13.318%，各項評價指標均優于傳統 BP 神經網絡，預測誤差小于 16%，但其預測誤差提升 不明顯。利用 SSA-BP 神經網絡模型可有效對生菜生理指標進行預測，該模型具有良好的預測準確性、泛化性。

關 鍵 詞 ：生理指標；神經網絡；麻雀搜索算法；植物工廠

中 圖 分 類 號 ：S636.2 文 獻 標 識 碼 ：A 文 章 編 號 ：1002?2481（2024）02?0120?08

植物工廠是指在密閉或者半密閉條件下，通過 對環境的高精度控制，實現作物在垂直立體空間上 周年計劃生產的高效農業系統，是設施農業的最高 發展階段[1-3] 。在植物工廠中，可精準調控溫度、濕 度、光照和其他生長因素，保持作物的穩定種植，并 在作物不同階段提供其所需的營養物質，促進作物生長[4-5] 。生菜作為設施農業種植的首選[6] ，其產量 進行精準預估對我國人民生活品質保障格外重要。 植物工廠中生菜生長發育受營養液配方、光照強 度、濕度等因素影響。

為了準確預估作物的產量，以促進農業科技進 步和優化資源配置，機器學習算法結合環境參數的 方法也被使用在產量預估中，其中 BP 神經網絡作為 目前最為廣泛的人工神經網絡之一，被應用在多種 作物的產量預測中[7-9] 。SUDHANSHU等[10] 以 3 a 的 玉米光譜植被指數為基礎使用神經網絡的技術對 玉米產量進行預測，之后通過圖像處理技術提高產 量的預測精度。陳遠玲等[11] 對比遺傳算法優化神 經網絡模型和傳統 BP 神經網絡模型對甘蔗產量的 預測精度，得出經遺傳算法優化過后的 BNP 神經 網絡具有較高預測精度的結論。孫少杰等[12] 以遙 感數據為基礎，結合卷積神經網絡和 BP 神經網絡， 實現縣級尺度下的冬小麥產量預測。戴建國等[13] 基于遙感數據，提出一種卷積神經網絡和雙向長短 期記憶的混合模型，實現了時間序列的棉花產量預 測。國內外學者通過將環境參數、生物參數等作物 生長的相關參數作為輸入變量，對小麥、馬鈴薯、甘 蔗、番茄、棉花等產量的預測效果進行分析[14-15] 。但 直接以種植數據為基礎，對生菜生理指標預測的研 究鮮有。本研究以植物工廠中實際種植作為基礎， 提出基于麻雀搜索算法優化 BP 神經網絡技術的水 培生菜生理指標預測方法，利用麻雀搜索算法對神 經網絡中閾值和權值尋優，最優權值和閾值情況下 使用 BP 神經網絡建立環境因素與生菜最長葉長、 葉片數和株高之間的預測模型，以期為植物工廠條 件下生菜生產的整體營養調整及決策提供技術支 撐，推動數字農業精準化。

1 理論與方法

1.1 BP 神經網絡

BP 神經網絡是一種多層前饋神經網絡。傳統 BP 神經網絡算法處理信息的神經元可分為 3 層： 輸入層、隱含層、輸出層，每層的神經元相互連接， 輸入層的神經元將信息通過權值分配后傳遞給隱 藏層中的每個神經元節點，之后根據問題的復雜 程度，采用單層或多層的隱含層層數對信息進行 非線性處理和轉換，最后將信息傳遞到輸出層的 神經元，完成計算結果的輸出。因此，隱含層節點 數的選擇是 BP 神經網絡模型性能的關鍵之一，本 試驗采取經驗公式與試錯法確定隱含層節點數， 公式為：

式中，q 為隱含層的節點數；n 為輸入層的節點 數；m 為輸出層的節點數；C 為 1～10 的常數。 BP 神經網絡具有很強的非線性映射能力，可 映射任意復雜的非線性關系，但傳統 BP 神經網絡 算法的權值和閾值是隨機生成，可能會導致算法結 果陷入局部最優[16] ；且在訓練時，大量重復試驗和 仿真用于確定神經網絡的結構，易造成過度訓練。

1.2 麻雀搜索方法

麻 雀 搜 索 算 法（Sparrow search algorithm， SSA）是 XUE 等[17] 2020 年提出的一種全新群體智 能優化算法。以麻雀捕食行為和逃避被捕食行為 啟發而設計，主要原理為：麻雀在捕食過程中為保 證獲取食物的最高效率，自身在發現者、加入者以 及偵察者 3 個身份中更換，利用三者間的關系實現 優化搜索的目的[18] 。與近年來新型算法相比，麻雀 搜索算法具有較好的全面搜索性且在尋優過程中 具有非常快的收斂速度的優點[19] 。使用麻雀搜索 算法對神經網絡中權值和閾值尋優，優化傳統 BP 神經網絡權值和閾值隨機生成的問題，避免 BP 神 經網絡算法結果陷入局部最優。

2 試驗方案

為獲取模型訓練所需的樣本數據，本試驗以生 菜為供試材料，在云南農業大學植物方艙進行水肥 耦合試驗。

2.1 試驗方艙概況

在種植方艙中，使用空調為植物工廠補充新鮮 空 氣 ，維 持 溫 度 為（23±2 ℃），相 對 濕 度 為 65% ±5%，試驗期間營養液 pH 維持在 5.5～6.5，營養液 EC 值為 1 800～2 200 μs/cm，營養液由水泵從營養 液母箱抽出的方式循環，所有處理的生菜均在同一 個處理室進行培植。

2.2 試驗材料

本試驗結球生菜由河北青豐農業科技有限公 司提供。將種子播種于提前進行過充分濕潤的黑 色凹坑定植海綿（25 mm×25 mm×25 mm）中。當 生菜育苗至兩葉一心時，選取長勢一致的幼苗進行 移植。

2.3 試驗設計

試驗采用深液流水培DFT（Deep Flow Technique） 的栽培技術。試驗共設置 5 個處理，以霍格蘭氏營養液處理作為對照，在不改變總氮含量的條件下改 變霍格蘭氏液中硝態氮和銨態氮的含量，具體的營 養液配方見表 1，微量元素配方見表 2。使用濃硫 酸和稀鹽酸調節營養液 pH 值。每層生 菜 作 為 一 個處理，每層生菜 4 個種植盤，每盤 30 株，每個處 理做 4 個重復，每隔 3 d 對營養液的 pH 值及 EC 值 進行 1 次測定以及充氧，根據營養液的消耗情況使 用營養液或是蒸餾水對營養液進行調整。

2.4 數據獲取

于定植后每 3 d 對每一株生菜進行 1 次生理指 標的測定，使用游標卡尺測量最長葉片長度、株高， 并記錄葉片數；使用便攜式光譜儀對每 1 株生菜進 行光照強度的測定（測定每株生菜垂直方向上的光 照強度）。數據采集到生菜定植 30 d 為止。

2.5 SSA-BP 預測模型的建立與評價

本試驗以植物工廠中影響生菜生長發育的可 控因素作為 BP 神經網絡的輸入，生菜的株高、最長 葉長和葉片數作為輸出，采用 3 層網絡。拓撲結構 中輸入層節點數根據試驗確定；隱含層節點數根據 上述經驗公式和試驗確定；輸出層節點數為 1，分 別是株高、最長葉長和葉片數，并以此為基礎確定 相連層之間的權值與閾值，最后完成 BP 神經網絡 的初始化，對麻雀算法進行網絡參數配置。BP 神 經 網 絡 模 型 的 建 立 和 SSA-BP 模 型 建 立 均 在 Matlab2021a 中進行。為驗證 SSA 對神經網絡的優 化效果，將試驗得到的數據分別用傳統 BP 神經網 絡和 SSA-BP 神經網絡進行預測，以預測值與真實 值的誤差作為驗證標準，以驗證其預測性能，同時 引 用 擬 合 值（R）、平 均 絕 對 誤 差（Mean Absolute Error，MAE）、均方誤差（Mean Square Error，MSE）、 均方根誤差（Root Mean Square Error，RMSE）和平 均 絕 對 百 分 比 誤 差（Mean Absolute Percentage Error，MAPE）作為精度指標，對試驗結果進行分析 和評價。R 越接近 1，說明模型具有很好的擬合效 果。其余參數保持默認狀態。

本試驗最終采集樣本數據 963 組，按照一定比 例將數據劃分為訓練集和測試集，其中 778 組為訓 練集，占 80%；185 組為測試集，占 20%。試驗選取 試驗天數、光照強度、銨態氮含量、硝態氮含量、鈣 濃度 5 個特征作為模型的輸入；隱藏層的節點數是 模型性能的關鍵因素，經試驗得知，當采用 11 層 BP 神 經 網 絡 進 行 建 模 時 ，相 應 的 均 方 誤 差 最 小 ，為 0.011 478，則 BP 神經網絡拓撲結構均為 5-11-1， 如圖 1 所示。將訓練次數設置為 1 000，學習效率為 0.01，訓練目標最小誤差設置為 0.000 001。

以試驗得到的數據為基礎，將傳統 BP 神經網 絡和 SSA 優化后的神經網絡對生菜生理指標預測 的學習結果評價指標進行對比（表 3）。從表 3 可以 看出，在 2 種模型中，SSA 優化過的模型對于生菜 最 長 葉 長 、葉 片 數 、株 高 的 均 方 根 誤 差 分 別 為 11.991、0.774、10.521，SSA-BP 的均方根誤差均小 于 BP 神經網絡，均方根誤差值越小表明模型的泛 化能力越強；通過 SSA 優化過的神經網絡模型的 平均絕對百分比誤差與 BP 神經網絡相比，均不同 程度得到降低，表明經 SSA 優化過后的模型具有 更好的預測能力。

3 結果與分析

3.1 不同銨態氮、硝態氮對生菜形態指標的影響

由圖 2 可知，定植后 0～30 d 各處理生菜的最長 葉長隨處理時間的增長呈現逐漸升高的趨勢，與 CK、B 處理相比，C、D、E 處理下的生菜在定植后的 30 d 內呈現穩定增長，生長趨勢相對吻合。B、C、 D、E 處理的生菜在 12～15 d 時增長率有明顯的增 大趨勢，之后緩和，同期 CK 的增長率沒有明顯變 化，但 CK 下的生菜在 15～21 d 有一個明顯的增幅 且在之后的生長期里增長率趨于穩定，表明適當的 增加營養液中硝態氮的含量可以將生菜生長的周 期提前；15 d 時 CK 顯著低于其他處理，說明在生長 中期，提高硝態氮在營養液中的含量有利于生菜的 生長。各處理情況下生菜 30 d 的最長葉長大小順 序為 Dgt;Cgt;Egt;Bgt;CK，CK 的生菜最長葉長顯著 低 于 其 他 處 理 ，為 190.421 mm，僅 為 D 處 理 的 83.73%。與 CK 相比，B、C、D、E 處理的生菜最長葉 長分別增長了 4.89%、17.78%、19.43% 和 13.55%。 表明保持營養液配方中的總氮含量且適當增加營 養液配方中硝態氮的含量，可以對生菜生長有促進 作用。

從圖 2 可以看出，不同處理下生菜的葉片數在 定植 24 d 前沒有明顯的變化。在 24～30 d 時，CK 與其他處理間葉片數呈顯著差異，各處理生菜葉片 數表現為 Egt;Bgt;Cgt;Dgt;CK，E、B、C 和 D 處理下 生菜葉片數差異不顯著，且 B、C 處理下的生菜葉片 數僅相差 0.1%，表明在總氮含量不變的情況下，增 加營養液中的硝態氮含量、減少銨態氮的用量可以 顯著提高生菜的葉片數。

由圖 3 可知，隨著時間的增長各處理的生菜株 高都在穩定增長。D 處理下的生菜在 6、12、18、30 d 都是最大值，分別是 35、68.8、113.8、202.6 mm，且顯 著高于同時期的 CK，B 在 12～24 d 時有比較明顯 的增幅，且在 24 d 時與其他處理間存在顯著的差異 （Plt;0.05），分 別 高 于 CK10.95%、高 于 C13.19%、 高于 D4.09%、高于 E5.54%。在 30 d 時，葉片數依 次為 Cgt;Dgt;Egt;Bgt;CK，與 CK 相比，B、C、D 和 E 處 理 分 別 增 長 了 0.32%、10.02%、6.86%、1.05%， CK 僅為 186.75 mm，顯著低于 C 和 D 處理，說明在 不改變總氮的情況下，適宜增加營養液中硝態氮的 含量可以增加生菜的株高，對生菜的生長可以起到 促進作用。因此，將銨態氮、硝態氮的含量以及隨 硝態氮增加而改變的鈣離子濃度作為后續試驗的 輸入參數進行預測。

3.2 SSA-BP 預測結果及分析

由圖 4 可知，在 2 種模型中 SSA 優化過的模型 對于生菜最長葉長、葉片數、株高的所有樣本擬合 值均達到 0.98，R 接近 1，表明 SSA-BP 模型對水培 試驗數據表現出良好的擬合效果[20] 。

SSA-BP 對 生 菜 生 理 指 標 的 最 長 葉 長 、葉 片 數 、株 高 的 預 測 結 果 較 好 ，訓 練 集 效 果 中 R 都 在 0.98 以上，測試集 R 達到了 0.97 以上，其中由于葉 片數在生長周期中會表現出特定的數量，所以，模 型對于葉片數的預測效果也是最佳，其測試集 R 達到了 0.99 以上，表明經麻雀搜索算法優化后的 神 經 網 絡 對 生 菜 生 理 指 標 的 預 測 具 有 良 好 的 效果。

據圖 5 可知，SSA-BP 模型對株高、葉片數、最 長葉長的預測上具有較好的精度，測試集預測結果 中預測值和真實值相近，但也存在個別測試數據存 在較大偏差，株高中第 167 個測試樣本中出現了 SSA-BP 最大誤差（28.999），而 BP 在預測第 130 個 樣本時出現最大誤差（43.774）；葉長中第 167 個測 試 樣 本 中 出 現 了 SSA-BP 最 大 誤 差（32.313），而 BP 在預測第 168 個樣本時出現最大誤差（40.978）； 葉片數中第 181 個測試樣本中出現了 SSA-BP 最 大誤差（3.260），而 BP 在預測第 168 個樣本時出現 最大誤差（3.483）。從整體來看，生菜的 3 個生理指 標預測結果都比較好，說明對于生菜生理指標的預 測，SSA-BP 具有較好的適應性。

從 圖 6 可 以 看 出 ，傳 統 BP 神 經 網 絡 預 測 和 SSA-BP 神經網絡預測在對生菜生理指標的預測 上會有相對較大的誤差。株高中 2 種模型對比， SSA-BP 模型中的誤差明顯小于 BP 模型中的誤 差，最大誤差范圍縮小 10；2 種神經網絡模型在對 生菜最長葉長的預測上具有較大的誤差波動，經麻 雀算法優化后的葉長預測中大部分試驗數據誤差 在 20～-20 波動，相較傳統 BP 神經網絡模型的預 測誤差較為穩定；對于葉片數的預測，SSA-BP 預 測與傳統 BP 神經網絡預測誤差中大部分數據誤差 在 2～-2 波動，BP 最大誤差為-3.483，而經麻雀算 法優化后的葉片數預測中，最大誤差為-3.260，較 傳統 BP 神經網絡模型預測有了一定的提升。

4 結論與討論

本研究表明，通過麻雀搜索算法優化 BP 神經 網絡，可以更深入地發掘生菜不同生育期長勢與環 境因子的關聯關系，從生菜生理指標的預測情況來 看，該方法具有較好的可靠性。

銨態氮和硝態氮施用不僅影響生菜產量，而且 影響其品質。王瑞瑩等[21] 研究發現，過多的銨態氮 會使作物地下部常常遭受銨毒害，使正常的生理功 能難以發揮，養分吸收受阻，并進而使植株生長受 到抑制，與本試驗結果符合。在保證總氮不變的情 況下，適量的增加硝態氮的含量會提高生菜的株 高、最長葉長、葉片數等生理指標，促進生菜的生長 發育。

麻雀搜索算法提供最優的權值和閾值，能有效 地 避 免 BP 神 經 網 絡 陷 入 局 部 最 優 解 的 情 況 ，進 而 提高模型的性能，其中隱藏層節點數為 11 時， SSA-BP 模型性能最佳。預測值與實際值的擬合 值在 0.97 以上，由于生菜葉片數漲幅在整個生育期 中較株高與葉長的漲幅相對穩定，故 SSA-BP 神經 網絡對生菜葉片數的擬合值也最高，平均絕對百分 比誤差也最小。該方法可為葉菜類作物預測研究 提供參考。

從整理的預測精度來看，相較于單獨使用 BP 神經網絡預測，SSA-BP 預測誤差有較小程度的提 升，在預測中個別數據具有較大誤差出現，是因為 用于訓練及測試的數據為所有采集到的生菜數據， 其中有部分異常數據的存在，但總體預測的誤差百 分比控制在 20% 以下，表明該方法可以滿足生菜 生理指標的預測需求。

就試驗對象以及數據時間尺度而言，本試驗對 象僅為多種生菜品種中的一種，且數據采集的間隔 時間為 3 d，不能完整呈現生長生理指標全生育期 的動態變化。所以，試驗數據可能會影響 SSA-BP 神經網絡的預測精度。此外，相比與本文提取影響 因素，還可以提取植物工廠中其他環境因素以及水 肥因子作為模型輸入，更多的輸入可能會進一步提 高模型的預測精度。

參考文 獻：

［1］ 李宗耕，楊其長，沙德劍，等 . 植物工廠水培葉菜生產全程機械 化研究進展[J]. 中國農業大學學報，2022，27（5）：12-21.

LI Z G，YANG Q C，SHA D J，et al. Research progress on the full mechanization production of hydroponic leafy vegetables in plant factory[J]. Journal of China Agricultural University，2022， 27（5）：12-21.

［2］ 于暢暢，高振銘，徐麗明，等 . 植物工廠立體栽培系統多功能作 業平臺優化與試驗[J]. 農業工程學報，2022，38（1）：266-275.

YU C C，GAO Z M，XU L M，et al. Optimization and experi? ment of the multifunctional operation platform of the stereo culti? vation system for plant factory[J]. Transactions of the Chinese Society of Agricultural Engineering，2022，38（1）：266-275.

［3］ WANG X，ZUBKO V，ONYCHKO V，et al. Development sta? tus and trend of plant factory intelligence in China[J]. Scientific Bulletin，2022，201：65-70.

［4］ WANG X J，KANG M Z，LEWLOMPHAISARL U，et al. Op? timal control of plant growth in a plant factory using a plant model[C]//2022 Australian amp; New Zealand Control Conference （ANZCC）.Gold Coast：Australia.IEEE，2022：166-170.

［5］ LIN Z X，FU R M，REN G Q，et al. Automatic monitoring of lettuce fresh weight by multi-modal fusion based deep learning [J]. Frontiers in Plant Science，2022，13：980581.

［6］ 李銀坤，詹保成，郭文忠， 等 . 基于蒸發皿水面蒸發量的溫室生 菜適宜灌溉量研究[J]. 灌溉排水學報，2022，41（4）：13-19.

LI Y K， ZHAN B C， GUO W Z，et al. Optimizing irrigation amount for greenhouse lettuce production based on pan-measured evaporation[J]. Journal of Irrigation and Drainage，2022，41（4）： 13-19.

［7］ 孫炬仁 . 基于遺傳算法優化 BP 神經網絡下馬鈴薯產量預測模 型[J]. 農機化研究，2023，45（6）：53-57.

SUN J R. Optimizing potato yield forecast model based on ge? netic algorithm under BP neural network[J]. Journal of Agricul? tural Mechanization Research，2023，45（6）：53-57.

［8］ 黃健熙，羅倩，劉曉暄，等 . 基于時間序列 MODIS NDVI 的冬 小麥產量預測方法[J]. 農業機械學報，2016，47（2）：295-301.

HUANG J X，LUO Q，LIU X X，et al. Winter wheat yield fore? casting based on time series of MODIS NDVI[J]. Transactions of the Chinese Society for Agricultural Machinery，2016，47（2）： 295-301.

［9］ 尹麗春，賈鵬飛 . 改進隨機森林的農作物產量短期最優預測仿 真[J]. 計算機仿真，2022，39（9）：502-506.

YIN L C，JIA P F. Simulation of short-term optimal prediction of crop yield based on improved random forest algorithm[J]. Computer Simulation，2022，39（9）：502-506.

［10］ SUDHANSHU S P，SURANJAN P. Application of vegeta? tion indices for agricultural crop yield prediction using neural network techniques[J]. Remote Sensing，2010，2（3）：673-696.

［11］ 陳遠玲，王肖，孫英杰，等 . 基于 GA-BP 神經網絡的甘蔗收獲 質量預測[J]. 農機化研究，2022，44（2）：187-191.

CHEN Y L，WANG X，SUN Y J，et al. Sugarcane harvest quality prediction based on GA-BP neural network[J]. Journal of Agricultural Mechanization Research，2022，44（2）：187-191.

［12］ 孫少杰，吳門新，莊立偉，等 . 基于 CNN 卷積神經網絡和 BP 神經網絡的冬小麥縣級產量預測[J]. 農業工程學報，2022，38 （11）：151-160.

SUN S J，WU M X，ZHUANG L W，et al. Forecasting winter wheat yield at county level using CNN and BP neural networks [J]. Transactions of the Chinese Society of Agricultural Engi? neering，2022，38（11）：151-160.

［13］ 戴建國，蔣楠，薛金利，等 . 基于 CNN-BiLSTM 的棉花產量預 測方法[J]. 農業工程學報，2021，37（17）：152-159.

DAI J G，JIANG N，XUE J L，et al. Method for predicting cot? ton yield based on CNN-BiLSTM[J]. Transactions of the Chi? nese Society of Agricultural Engineering，2021，37（17）：152-159.

［14］ 于珍珍，鄒華芬，于德水，等 . 融合田間水熱因子的甘蔗產量 GABP預測模型[J]. 農業機械學報，2022，53（10）：277-283.

YU Z Z，ZOU H F，YU D S，et al. Sugarcane yield ga bp pre? diction model incorporating field water and heat factors[J]. Transactions of the Chinese Soci ety for Agricultural Machin? ery，2022，53（10）：277-283.

［15］ 廖志豪，陳志欽，王長龍 . 基于 GA-BP 神經網絡的廣東淮山 產量預測分析[J]. 農機化研究，2023，45（8）：183-187.

LIAO Z H，CHEN Z Q，WANG C L. Prediction and analysis of Guangdong Chinese yam yield based on GA-BP neural net? work[J]. Journal of Agricultural Mechanization Research，2023， 45（8）：183-187.

［16］ 喻溈舸，吳華瑞，彭程 . 基于 Lasso 回歸和 BP 神經網絡的蔬菜 短 期 價 格 預 測 組 合 模 型 研 究 [J]. 智 慧 農 業 ， 2020， 2（3）： 108-117.

YU W G，WU H R，PENG C. Short-term price forecast of vegetables based on combination model of lasso regression method and BP neural network[J]. Smart Agriculture，2020，2 （3）：108-117.

［17］ XUE J K，SHEN B. A novel swarm intelligence optimization approach：sparrow search algorithm[J]. Systems Science＼amp; Control Engineering，2020，8：22-34.

［18］ 薛建凱 . 一種新型的群智能優化技術的研究與應用：麻雀搜 索算法[D]. 上海：東華大學，2019.

XUE J K. Research and application of a new swarm intelli? gence optimization technology：sparrow search algorithm[D]. Shanghai：Donghua University，2019.

［19］ 胡建華，黃宇龍，張堅，等 . 基于麻雀搜索算法優化雙隱含層 BP 神經網絡的張力減徑鋼管壁厚預測[J]. 塑性工程學報， 2022，29（8）：145-151.

HU J H，HUANG Y L，ZHANG J，et al. Wall thickness pre? diction of steel pipe during tension reduction based on double hidden layer BP neural network optimized by sparrow search al? gorithm[J]. Journal of Plasticity Engineering，2022，29（8）： 145-151.

［20］ 許春艷，許鵬飛，衣龍燕，等 . 基于 BP 神經網絡的 18～30 歲人 群 功 率 自 行 車 能 量 消 耗 模 型 構 建 [J]. 北 京 體 育 大 學 學 報 ， 2022，45（10）：75-85.

XU C Y，XU P F，YI L Y，et al. Energy consumption model of bicycle ergometer for 18-30 year olds based on BP neural net? work[J]. Journal of Beijing Sport University，2022，45（10）： 75-85.

［21］ 王瑞瑩，劉瑩瑩，過昱辰，等 . 不同銨硝配比氮素營養對生菜 氮、磷和鉀含量的影響[J]. 蔬菜，2016（9）：7-10.

WANG R Y，LIU Y Y，GUO Y C. Effects of nitrogen nutri? tion with different ammonium and nitrate ratios on the contents of nitrogen， phosphorus and potassium in lettuce[J]. Veg? etables，2016（9）：7-10.