买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉青岛农业大学申请的专利一种基于人工智能的滨海居住区植物健康状态预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120930950B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511460831.1，技术领域涉及：G06Q10/063；该发明授权一种基于人工智能的滨海居住区植物健康状态预测方法是由李彦华;刘诗宇;卢颜锋;刘志科;张殷;郝晴;刘倩;田伊倩;马邵含;李乐;赵晨;王静设计研发完成，并于2025-10-14向国家知识产权局提交的专利申请。

本一种基于人工智能的滨海居住区植物健康状态预测方法在说明书摘要公布了：本发明涉及智慧农业技术领域，具体涉及一种基于人工智能的滨海居住区植物健康状态预测方法，具体如下：部署传感器实时采集植物的相关参数，预处理后划分为训练集和测试集；将训练集中每株植物定义为一个图节点，计算加权动态邻接矩阵；构建深度耦合的时空依赖模型，将各时间步每个图节点的特征序列和加权动态邻接矩阵序列输入至该模型，得到植物健康状态预测结果；使用训练数据集中数据对深度耦合的时空依赖模型进行训练优化，生成优化后的模型；使用测试集中的数据进行测试，得到最终植物健康状态预测结果。本发明通过构建反映真实物理过程的动态关联和时空信息深度耦合的模型，可以提升滨海居住区植物健康状态预测结果的准确性。

本发明授权一种基于人工智能的滨海居住区植物健康状态预测方法在权利要求书中公布了：1.一种基于人工智能的滨海居住区植物健康状态预测方法，其特征是，包括以下步骤： S1、部署多种类型传感器采集滨海居住区植物的生理生化参数和环境物理参数并进行标准化处理，为每株植物标注真实健康状态，然后划分训练集和测试集； S2、将每株植物定义为一个图节点，基于不同图节点之间静态距离的高斯核权重和可学习的多路动态调制模块计算加权动态邻接矩阵； S2具体如下： S2.1、定义图节点： 将每株植物定义为一个图节点，设置图节点总数为，表示第个图节点，，各时间步每个图节点的特征序列表示为，，表示总监测时间段，表示时间步每个图节点的特征序列，表示时间步处第个图节点的特征，； S2.2、计算动态邻接矩阵： 1计算任意两图节点之间静态距离的高斯核权重，依据各图节点的地理位置计算任意节点对的欧氏距离；随后以该欧氏距离为自变量、以预设的尺度超参数为带宽，按高斯核函数将距离映射为介于0与1之间的高斯核权重； 2在各时间步，通过可学习的多路动态调制模块计算不同物理媒介带来的各项异性影响，得到各时间步任意两个图节点构成的节点对的多路动态调制值，物理媒介具体为获取的环境物理参数； 多路动态调制值具体通过计算任意节点对的连线方向与各环境物理参数主导方向之间的一致性程度，然后经过线性整流函数计算各物理媒介对任意节点对的方向性影响强弱；同时将环境物理参数向量输入至可学习参数的线性映射，得到介于0与1之间的调制系数；再通过该调制系数对方向性影响强弱进行缩放，得到任意物理媒介对任意节点对的调制值； 3在各时间步，将静态距离的高斯核权重与由各物理媒介得到的多路动态调制值进行加权叠加，得到节点之间的时变关联强度，即在每个时间步任意两个图节点之间生成的动态邻接矩阵的元素，当或节点对之间静态距离大于设置的最大影响距离时，，和均表示图节点的索引，具体表示在时间步第个图节点与第个图节点之间生成的动态邻接矩阵的元素； 个监测时间段内的动态邻接矩阵序列表示为，第个时间步的动态邻接矩阵表示如下： ； 再对生成的动态邻接矩阵进行对称归一化，首先在行列方向上分别计算节点的度矩阵，并以度矩阵的平方根作为归一化因子，对动态邻接矩阵进行左右两侧的加权处理，生成归一化后的动态邻接矩阵，个监测时间段内的加权邻接矩阵序列表示为，表示归一化后第个时间步的动态邻接矩阵； S3、构建深度耦合的时空依赖模型，该模型包括输入层、多头历史状态感知的空间注意力聚合模块、堆叠式门控时序演化模块和预测输出层，将每个图节点的时序特征序列和加权动态邻接矩阵序列输入至该模型，得到植物健康状态预测结果； 多头历史状态感知的空间注意力聚合模块的操作具体如下： 多头历史状态感知的空间注意力聚合模块在每一时间步通过计算目标节点与其邻居节点关于各物理媒介在特征表示和历史隐藏状态上的相关性，得到注意力权重，并利用多个注意力头对邻居节点的特征进行加权汇聚，从而获得融合历史状态信息的空间交互特征，计算公式如下： ， ， ， 其中，表示第个物理媒介在时间步上第个图节点与第个图节点之间的注意力权重，第个图节点作为目标节点，第个图节点作为邻居结点，物理媒介总数为；表示线性整流激活函数操作，表示线性指数单元激活函数操作；表示为第个物理媒介标定的打分向量；和分别表示第个物理媒介特征和历史隐藏状态的线性变换；表示第个物理媒介的权重系数；表示第个图节点的历史隐藏状态，表示第个图节点的历史隐藏状态；表示第个图节点和第个图节点在时间步的加权动态邻接矩阵；表示时间步第个图节点的邻居节点集合；表示向量拼接操作；表示目标节点关于第个物理媒介在时间步的空间交互特征，表示目标节点在时间步的空间交互特征，汇总了各个物理媒介的空间交互特征； S4、计算基于损失驱动损失项和盐分累积物理约束项的复合损失函数，采用训练集对深度耦合的时空依赖模型进行训练优化，生成优化后的模型； 模型的训练优化过程中，采用Adam优化器，通过小批量梯度法，结合沿时间反向传播算法来最小化复合损失函数，并设置训练终止条件，直至满足条件终止对模型的训练，生成优化后的模型； 复合损失函数的计算过程如下： 1基于损失驱动损失项： 采用所有节点在所有预测时间步上的均方误差作为损失函数，为对不同维度的特征进行同等尺度的惩罚,损失函数在特征维度上也被平均，计算公式如下: ， 其中，表示模型对第个图节点在未来第时刻的特征预测值,表示对应的真实观测值，表示特征维度，，表示L2范数的平方； 2盐分累积物理约束项： 根据模型输出的特征预测值中包含的盐分胁迫指数的偏导数与盐分输入通量之间的平方差计算盐分累积物理约束项，盐分输入通量包括空气盐雾输入通量和土壤盐分输入通量； 空气盐雾输入通量由风速向量和各图节点处海岸线方向的单位向量计算得到，同时考虑各图节点到海岸线距离的衰减；土壤盐分输入通量由土壤电导率和土壤湿度计算得到；并分别为盐分输入通量包括空气盐雾输入通量和土壤盐分输入通量进行权重赋值； 其中，盐分胁迫指数为生理生化参数，风速向量、土壤电导率和土壤湿度均为环境物理参数； 空气盐雾输入通量的计算公式如下： 土壤盐分输入通量的计算公式如下： 其中，表示时间步第个图节点处的空气盐雾输入通量，表示空气盐雾输入通量的可学习权重系数，表示时间步的风速向量，表示第个图节点处海岸线方向的单位向量，表示第个图节点到海岸线的距离，表示距离衰减常数；表示时间步第个图节点的土壤盐分输入通量，表示土壤盐分输入通量的可学习权重系数，表示时间步第个图节点处采集的土壤导电率，表示时间步第个图节点处采集的土壤湿度； 复合损失函数的计算公式如下： ， 其中，表示复合损失函数，表示基于损失驱动损失项的均方误差损失，表示基于盐分累积物理约束项的损失，表示模型所有可学习参数的集合，表示用于平衡两项损失重要性的可调节超参数； S5、对测试集中的数据输入至优化后的深度耦合的时空依赖模型，得到最终的植物健康状态预测结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人青岛农业大学，其通讯地址为：266000 山东省青岛市城阳区长城路700号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。