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！

龙图腾网获悉南京林业大学申请的专利一种基于级联循环网络的林木生长参数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：CN117011694B 。

龙图腾网通过国家知识产权局官网在2026-02-27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：202310448728.X，技术领域涉及：G06V20/10；该发明授权一种基于级联循环网络的林木生长参数预测方法是由云挺;薛联凤;黄成威;张怀清设计研发完成，并于2023-04-24向国家知识产权局提交的专利申请。

本一种基于级联循环网络的林木生长参数预测方法在说明书摘要公布了：本发明公开了一种基于级联循环网络的林木生长参数预测方法，包括：收集在多个时间节点对林木样地中的树木进行人工测量生长参数；通过采集的激光点云数据获取树木的生长参数；将生长参数根据数据采集时间进行排序，得到单株树生长参数的时间序列集合；利用单株树生长参数的时间序列集合训练林木生长参数预测深度学习网络；通过训练好的林木生长参数预测深度学习网络预测未来时间节点对应的单株树生长参数；本发明结合激光雷达扫描和人工样地测量数据，构建训练集，与全部由人工手动测量数据相比，成本更低，效率更高；同时，可有效的预测树木未来的生长参数，预测精度高。

本发明授权一种基于级联循环网络的林木生长参数预测方法在权利要求书中公布了：1.一种基于级联循环网络的林木生长参数预测方法，其特征在于，包括： 步骤1、收集在多个时间节点对林木样地中的树木进行人工测量得到的生长参数； 步骤2、采集林木样地在多个时间节点的激光点云数据，通过林木样地的激光点云数据获取树木的生长参数； 步骤3：对步骤1和步骤2的生长参数根据数据采集时间进行排序，得到单株树生长参数的时间序列集合； 步骤4：构造林木生长参数预测深度学习网络，将单株树生长参数的时间序列集合中最近时间节点A对应的单株树生长参数作为林木生长参数预测深度学习网络的输出，单株树生长参数的时间序列集合中最近时间节点A之前的多个时间节点对应的单株树生长参数的时间序列作为林木生长参数预测深度学习网络的输入，从而对林木生长参数预测深度学习网络进行训练； 步骤5：依次按照步骤1、步骤2和步骤3的方法获取待测时间节点之前的单株树生长参数的时间序列集合，将集合中单株树生长参数的时间序列输入至训练好的林木生长参数预测深度学习网络中，获得待测时间节点对应的单株树生长参数； 所述生长参数包括胸径、树高和冠宽； 所述林木生长参数预测深度学习网络包括两层Bi-GRU模块、注意力模块和全连接神经网络模块； 两层Bi-GRU模块分别记为第一层Bi-GRU模块和第二层Bi-GRU模块，第一层Bi-GRU模块和第二层Bi-GRU模块均包括前向传播序列和反向传播序列，将第一层Bi-GRU模块的反向传播序列中每一个GRU单元的输出记为将第一层Bi-GRU模块的前向传播序列中每一个GRU单元的输出记为将每个时间节点对应的两个GRU单元的输出进行纵向拼接后即得到该时间节点对应的输出向量，同时第一层Bi-GRU模块的输出也将作为第二层Bi-GRU模块的输入数据； Bi-GRU模块中的每一个GRU单元在时刻tt≤7的输入向量INt由向量Xt和向量Ht-1纵向拼接而成，Xt是t时刻Bi-GRU模块的输入向量，即t时刻某棵树的生长参数，Ht-1是t-1时刻GRU单元的输出向量，INt＝[Xt,Ht-1]； GRU单元包括更新门和重置门，更新门的计算公式为：Zt＝σWz*INt+bz；重置门的计算公式为：Rt＝σWR*INt+bR；Wz为更新门权重矩阵，bz为更新门偏置向量，WR为重置门权重矩阵，bR为重置门偏置向量，σ为sigmoid函数； 得到相应门控信号后，首先使用重置门Rt对前一时间步的信息Ht-1进行处理，即： 将Ht-1,'与当前时刻的输入Xt拼接起来后输入tanh神经网络层得到当前时刻的状态即：Wh为tanh神经网络层权重矩阵，Wh的大小与Wz、WR的大小相同，bh为tanh神经网络层偏置向量； 最后，使用更新门Zt对当前时刻的状态和前一时间步的信息Ht-1继续处理，得到当前时间点的输出向量，记为Ht，即：其中Ht作为注意力模块的输入； 以上式中，为对应元素相乘，*为矩阵乘法； 所述注意力模块的输入为第二层Bi-GRU模块的输出H＝[H1,H2,...,H7]； 首先，Q＝[q1,q2,...,q7]，K＝[k1,k2,...,k7]，V＝[v1,v2,...,v7]，分别计算矩阵Q,K,V，即： qm＝Wq*Hm；kn＝Wk*Hn；vr＝Wf*Hr； Q＝Wq*H；K＝Wk*H；V＝Wf*H； 其中，Hm、Hn是H中任意两个向量，Hr为输入向量，Wq、Wk和Wf为权重矩阵；qm为矩阵Q中的向量，kn为矩阵K中的向量，vr为矩阵V中的向量； 计算向量Hm和Hn之间的注意力评分αm,n，即：αm,n＝qm·kn； 计算所有输入向量间的注意力评分矩阵α，即： 其中为KT为矩阵K的转置矩阵； 通过softmax函数计算每一个注意力评分αm,n所对应的权重系数α′m,n，即： 将矩阵V与α′相乘，得到注意力模块的输出矩阵A＝[a1,a2,...,a7]，即： A＝V*α′； 其中am为矩阵A中的向量； 以上式中，为对应元素相乘，*为矩阵乘法，·为向量内积，为向量数乘； 在获得注意力模块的输出向量序列后，将其求和并带入全连接神经网络模块，从而求得最终的输出向量，即单棵树第8个时间节点的生长参数，以实现对树木生长参数的预测； 所述林木生长参数预测深度学习网络的损失函数为： 式中，N代表训练中的样本数量，cosh代表双曲余弦函数，表示第i个样本在当前网络参数下的预测值，yi代表第i个样本所对应的真实值。

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南京林业大学，其通讯地址为：210037 江苏省南京市玄武区龙蟠路159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。