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！

龙图腾网获悉西北农林科技大学申请的专利基于BiLSTM-Transformer动态权重混合架构的土壤含水率预测方法及系统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：CN120597733B 。

龙图腾网通过国家知识产权局官网在2025-10-03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：202511100168.4，技术领域涉及：G06F30/27；该发明授权基于BiLSTM-Transformer动态权重混合架构的土壤含水率预测方法及系统是由周昊;井东亮;胡飞飞设计研发完成，并于2025-08-07向国家知识产权局提交的专利申请。

本基于BiLSTM-Transformer动态权重混合架构的土壤含水率预测方法及系统在说明书摘要公布了：本发明属于物联网预测技术领域，公开了一种基于BiLSTM‑Transformer动态权重混合架构的土壤含水率预测方法及系统，包括采集灌溉区域的土壤含水率影响因素的观测数据集，其中，所述观测数据集包括气象要素序列和土壤参数序列；采集土壤含水率影响因素的时序数据，并采用小波降噪方法对所述时序数据进行降噪处理，得到降噪数据，采用线性插值法对所述降噪数据填补缺失值，得到连续数据集。本发明通过动态权重机制自适应调整特征融合策略，显著提升土壤含水率预测的时序建模能力，在保持预测精度的同时将参数量进行压缩，使其具备在边缘计算设备部署的可行性，构建的框架对提升预测结果稳定性，能够有效降低土壤含水率的预测结果误差。

本发明授权基于BiLSTM-Transformer动态权重混合架构的土壤含水率预测方法及系统在权利要求书中公布了：1.一种基于BiLSTM‑Transformer动态权重混合架构的土壤含水率预测方法，其特征在于，包括以下步骤： 采集灌溉区域土壤含水率影响因素观测数据集，观测数据集包含气象要素序列与土壤参数序列； 以10至15分钟一次的频次采集土壤含水率影响因素的时序数据，对时序数据实施小波降噪处理，得到降噪数据；对降噪数据缺失区段采用线性插值填补，获得连续数据集； 通过自动特征工程提取土壤含水率影响因素的月份周期特征与小时周期特征，对月份周期特征进行归一化处理，对小时周期特征计算昼夜循环规律值； 按时间顺序将连续数据集划分为训练集与验证集，对训练集及验证集分别进行标准化处理，得到标准训练集与标准验证集； 基于标准训练集与标准验证集构建包含输入层、双向长短期记忆网络层、变换器编码层、动态融合层与输出层的双向长短期记忆网络‑变换器动态混合架构； 采用优化器对所述动态混合架构进行精度训练，得到第一训练架构；利用早停机制对第一训练架构进行不少于10轮训练，得到第二训练架构；调节第二训练架构的神经元丢弃率与正则化强度，使第二训练架构的验证损失稳定低于0.10，得到第三训练架构；其中，所述神经元丢弃率的范围为0.1~0.3，所述正则化强度的范围为1×10‑5~1×10‑4； 使用验证集计算第三训练架构的均方误差与平均相对误差，当均方误差小于0.12且平均相对误差小于5%时，确定目标架构； 采用目标架构输出未来1小时周期的土壤含水率预测序列； 所述双向长短期记忆网络层包括前向隐藏状态单元和后向隐藏状态单元； 所述前向隐藏状态单元为：，其中，为当前时刻值，LSTM为长短期记忆网络，t‑1为前向时间步； 所述后向隐藏状态单元为：； 所述双向长短期记忆网络层为：； 基于多头注意力机制，所述变换器编码层采用公式： 解析所述气象要素序列，其中，为注意力机制函数，Q为查询矩阵，K为特征间的关联强度系数，V为值矩阵，为归一化指数函数，为维度缩放因子，T为转置矩阵； 所述动态融合层采用公式对特征进行融合，其中，为融合结果，为输出张量，为缩放系数，为一维卷积； 采用注意力池化技术： 输出所述特征的平均池化结果，其中，为平均池化函数； 采用注意力输出函数： 输出注意力输出结果。

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西北农林科技大学，其通讯地址为：712100 陕西省咸阳市杨凌示范区邰城路3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。