CN106978341A - 一种新型细胞培养系统 - Google Patents
一种新型细胞培养系统 Download PDFInfo
- Publication number
- CN106978341A CN106978341A CN201710330858.8A CN201710330858A CN106978341A CN 106978341 A CN106978341 A CN 106978341A CN 201710330858 A CN201710330858 A CN 201710330858A CN 106978341 A CN106978341 A CN 106978341A
- Authority
- CN
- China
- Prior art keywords
- node
- value
- data
- cell culture
- nonce
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/12—Means for regulation, monitoring, measurement or control, e.g. flow regulation of temperature
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/34—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of gas
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/48—Automatic or computerized control
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Wood Science & Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Organic Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Zoology (AREA)
- Analytical Chemistry (AREA)
- Biotechnology (AREA)
- Sustainable Development (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于细胞培养技术领域,公开了一种新型细胞培养系统,包括:温度传感器、湿度传感器、杀菌模块、处理器、消毒模块、显示模块;温度传感器、湿度传感器,用于实时监测细胞培养系统内的温度和湿度;杀菌模块,用于对细胞培养系统内杀菌操作;处理器,用于接收温度传感器、湿度传感器的信号,进行预处理,并同时控制杀菌模块、消毒模块进行杀菌和消毒操作;显示模块,用于对细胞培养系统内的温度和湿度实时显示。本发明设置有温度传感器、湿度传感器实时监测细胞培养系统内的温度和湿度,有利于提高细胞培养系统的工作效率,延长其使用寿命;消毒模块和杀菌模块,根据处理器的指令实现消毒和杀菌;提高了细胞培养系统的智能化水平。
Description
技术领域
本发明属于细胞培养技术领域,尤其涉及一种新型细胞培养系统。
背景技术
细胞培养技术也叫细胞克隆技术,在生物学中的正规名词为细胞培养技术。不论对于整个生物工程技术,还是其中之一的生物克隆技术来说,细胞培养都是一个必不可少的过程,细胞培养本身就是细胞的大规模克隆。细胞培养技术可以由一个细胞经过大量培养成为简单的单细胞或极少分化的多细胞,这是克隆技术必不可少的环节,而且细胞培养本身就是细胞的克隆。通过细胞培养得到大量的细胞或其代谢产物。因为生物产品都是从细胞得来,所以可以说细胞培养技术是生物技术中最核心、最基础的技术。
综上所述,现有技术存在的问题是:目前的细胞培养系统存在功能单一,智能化水平较低,使得细胞培养成本高,效率低。
发明内容
针对现有技术存在的问题,本发明提供了一种新型细胞培养系统。
本发明是这样实现的,一种新型细胞培养系统,所述新型细胞培养系统包括:
温度传感器、湿度传感器,通过数据线与处理器连接,用于实时监测细胞培养系统内的温度和湿度;
所述温度传感器、湿度传感器网络中的安全数据检索方法包括以下步骤:
步骤一,传感器Si完成一个周期的数据采集,采集的数据为(i,t,{d1,d2,…,dn}),其中i为传感器号,t为周期号;Si首先采用AES对数据{d1,d2,…,dn}进行加密,生成加密数据{(d1)K,(d2)K,…,(dn)K},其中K为数据加密密钥;
步骤二,Si为每一个数据构建一个不可区分布鲁姆过滤器,且每一个不可区分布鲁姆过滤器分配一个唯一的ID号,对数据dj,Si构建一个分配ID号为ij的不可区分布鲁姆过滤器Bij;
步骤三,Si将加密数据、对应的不可区分布鲁姆过滤器以及其ID号上传到存储节点,上传的数据形式为:{(i1,Bi1,(d1)K),(i2,Bi2(d2)K),…,(in,Bin,(dn)K)};
杀菌模块,通过数据线与处理器连接,用于对细胞培养系统内杀菌操作;
处理器,用于接收温度传感器、湿度传感器的信号,进行预处理,并同时控制杀菌模块、消毒模块进行杀菌和消毒操作;
所述处理器设置有无线体域网快速唤醒关联模块,所述无线体域网快速唤醒关联模块的关联方法包括:
步骤一,Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值,构造Wakeup帧;在发送Wakeup帧后,向节点发送T-Poll帧;
步骤二,节点收到唤醒帧后,获得本次关联的配置信息以及Hub的公钥PKb,然后选择自己的私钥SKa长为256比特,计算公钥计算公钥PKa=SKa×G,计算出公钥后,节点再计算基于口令的公钥,PKa'=PKa-Q(PW),Q(PW)=(QX,QY),QX=232×PW+MX;节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算:
KMAC_1A
=CMAC(Temp_1,Add_a Add_b Nonce_a Nonce_b SSS,64)
KMAC_2A
=CMAC(Temp_1,Add_b Add_a Nonce_b Nonce_a SSS,64);
利用上述计算的信息PKa、KMAC_2A构造第一关联请求帧,并向Hub发送;
步骤三,Hub收到第一关联请求帧后,首先复原当前节点的公钥PKa=PKa'+Q(PW),Q(PW)=(QX,QY),QX=232×PW+MX;MX为使QX满足椭圆曲线上的点的最小非负整数;计算DHKey=X(SKb×PKa)=X(SKa×SKb×G),这里X()函数是取椭圆曲线密钥的X坐标值,Temp_1=RMB_128(DHKey),根据收到的信息以及计算得到的信息计算:
KMAC_1B
=CMAC(Temp_1,Add_a Add_b Nonce_a Nonce_b SSS,64)
KMAC_2B
=CMAC(Temp_1,Add_b Add_a Nonce_b Nonce_a SSS,64)
对比收到的KMAC_2A和计算得到的KMAC_2B,如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五,如果不同则取消本次关联请求;
步骤四,节点收到第二关联请求帧,对比在步骤二中计算的KMAC_1A与收到的KMAC_1B,如果不同则取消本次关联请求,如果相同则进入本次关联的步骤五步;
步骤五,节点与Hub计算MK=CMAC(Temp_2,Nonce_a Nonce_b,128),Temp_2=LMB(DHKey),为DHKey的最左128位;双方完成唤醒关联;
所述无线体域网的计算方法如下:
利用Laguerre多项式计算得到:
其中,m=min(Nt,Nr);
n=max(Nt,Nr);
为次数为k的Laguerre多项式;
如果令λ=n/m,可以推导出如下归一化后的信道容量表示式;
其中,
在快速瑞利衰落的情况下,令m=n=Nt=Nr,则v1=0,v2=4;
渐进信道容量为:
利用不等式:
log2(1+x)≥log2(x);
式简化为:
显示模块,通过数据线与处理器连接,用于对细胞培养系统内的温度和湿度实时显示。
进一步,所述处理器的信号处理方法包括:
第一步,根据各个节点的信噪比γi为每一个参与合作感知的次级用户CRi,i=1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二步,分析虚警恶意攻击模式对频谱感知造成的影响,得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下:
其中:
进一步,所述无线局域网的信任值计算方法包括以下步骤:
步骤一,采集节点间不同时间片的交互次数,根据得到的数据建立时间序列,通过三次指数平滑法来预测节点间下一个时间片的交互次数,将交互次数预测值与实际值的相对误差作为节点的直接信任值;采集网络观测节点i与节点j之间的n个时间片的交互次数:
选取一定时间间隔t作为一个观测时间片,以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标,真实交互次数,记作yt,依次记录n个时间片的yn,并将其保存在节点i的通信记录表中;
预测第n+1个时间片的交互次数:
根据采集到的n个时间片的交互次数建立时间序列,采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数,预测交互次数,记作计算公式如下:
预测系数an、bn、cn的取值可由如下公式计算得到:
其中:分别是一次、二次、三次指数平滑数,由如下公式计算得到:
是三次指数平滑法的初始值,其取值为:
α是平滑系数(0<α<1),体现信任的时间衰减特性,即离预测值越近的时间片的yt权重越大,离预测值越远的时间片的yt权重越小;一般地,如果数据波动较大,且长期趋势变化幅度较大,呈现明显迅速的上升或下降趋势时α应取较大值(0.6~0.8),增加近期数据对预测结果的影响;当数据有波动,但长期趋势变化不大时,α在0.1~0.4之间取值;如果数据波动平稳,α应取较小值(0.05~0.20);
计算直接信任值:
节点j的直接信任值TDij为预测交互次数和真实交互次数yn+1的相对误差,
步骤二,采用多路径信任推荐方式而得到的计算式计算间接信任值;收集可信节点对节点j的直接信任值:
节点i向所有满足TDik≤φ的可信关联节点询问其对节点j的直接信任值,其中φ为推荐节点的可信度阈值,根据可信度的要求精度,φ的取值范围为0~0.4;
计算间接信任值:
综合计算所收集到的信任值,得到节点j的间接信任值TRij,
其中,Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TDik≤φ的节点集合;
步骤三,由直接信任值和间接信任值整合计算得出综合信任值,综合信任值(Tij)的计算公式如下:Tij=βTDij+(1-β)TRij,其中β(0≤β≤1)表示直接信任值的权重,当β=0时,节点i和节点j没有直接交互关系,综合信任值的计算直接来自于间接信任值,判断较客观;当β=1时,节点i对节点j的综合信任值全部来自于直接信任值,在这种情况下,判断较为主观,实际计算根据需要确定β的取值。
本发明的优点及积极效果为:设置有温度传感器、湿度传感器实时监测细胞培养系统内的温度和湿度,有利于提高细胞培养系统的工作效率,延长其使用寿命;消毒模块和杀菌模块,根据处理器的指令实现消毒和杀菌;提高了细胞培养系统的智能化水平。
附图说明
图1是本发明实施例提供的新型细胞培养系统结构示意图;
图中:1、温度传感器;2、湿度传感器;3、杀菌模块;4、处理器;5、消毒模块;6、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的新型细胞培养系统包括:温度传感器1、湿度传感器2、杀菌模块3、处理器4、消毒模块5、显示模块6。
温度传感器1、湿度传感器2,通过数据线与处理器4连接,用于实时监测细胞培养系统内的温度和湿度。
杀菌模块3,通过数据线与处理器4连接,用于对细胞培养系统内杀菌操作。
处理器4,用于接收温度传感器1、湿度传感器2的信号,进行预处理,并同时控制杀菌模块3、消毒模块5进行杀菌和消毒操作。
显示模块6,通过数据线与处理器4连接,用于对细胞培养系统内的温度和湿度实时显示。
所述温度传感器、湿度传感器网络中的安全数据检索方法包括以下步骤:
步骤一,传感器Si完成一个周期的数据采集,采集的数据为(i,t,{d1,d2,…,dn}),其中i为传感器号,t为周期号;Si首先采用AES对数据{d1,d2,…,dn}进行加密,生成加密数据{(d1)K,(d2)K,…,(dn)K},其中K为数据加密密钥;
步骤二,Si为每一个数据构建一个不可区分布鲁姆过滤器,且每一个不可区分布鲁姆过滤器分配一个唯一的ID号,对数据dj,Si构建一个分配ID号为ij的不可区分布鲁姆过滤器Bij;
步骤三,Si将加密数据、对应的不可区分布鲁姆过滤器以及其ID号上传到存储节点,上传的数据形式为:{(i1,Bi1,(d1)K),(i2,Bi2(d2)K),…,(in,Bin,(dn)K)};
进一步,所述处理器的信号处理方法包括:
第一步,根据各个节点的信噪比γi为每一个参与合作感知的次级用户CRi,i=1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二步,分析虚警恶意攻击模式对频谱感知造成的影响,得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下:
其中:
所述处理器设置有无线体域网快速唤醒关联模块,所述无线体域网快速唤醒关联模块的关联方法包括:
步骤一,Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值,构造Wakeup帧;在发送Wakeup帧后,向节点发送T-Poll帧;
步骤二,节点收到唤醒帧后,获得本次关联的配置信息以及Hub的公钥PKb,然后选择自己的私钥SKa长为256比特,计算公钥计算公钥PKa=SKa×G,计算出公钥后,节点再计算基于口令的公钥,PKa'=PKa-Q(PW),Q(PW)=(QX,QY),QX=232×PW+MX;节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算:
KMAC_1A
=CMAC(Temp_1,Add_a Add_b Nonce_a Nonce_b SSS,64)
KMAC_2A
=CMAC(Temp_1,Add_b Add_a Nonce_b Nonce_a SSS,64);
利用上述计算的信息PKa、KMAC_2A构造第一关联请求帧,并向Hub发送;
步骤三,Hub收到第一关联请求帧后,首先复原当前节点的公钥PKa=PKa'+Q(PW),Q(PW)=(QX,QY),QX=232×PW+MX;MX为使QX满足椭圆曲线上的点的最小非负整数;计算DHKey=X(SKb×PKa)=X(SKa×SKb×G),这里X()函数是取椭圆曲线密钥的X坐标值,Temp_1=RMB_128(DHKey),根据收到的信息以及计算得到的信息计算:
KMAC_1B
=CMAC(Temp_1,Add_a Add_b Nonce_a Nonce_b SSS,64)
KMAC_2B
=CMAC(Temp_1,Add_b Add_a Nonce_b Nonce_a SSS,64)
对比收到的KMAC_2A和计算得到的KMAC_2B,如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五,如果不同则取消本次关联请求;
步骤四,节点收到第二关联请求帧,对比在步骤二中计算的KMAC_1A与收到的KMAC_1B,如果不同则取消本次关联请求,如果相同则进入本次关联的步骤五步;
步骤五,节点与Hub计算MK=CMAC(Temp_2,Nonce_a Nonce_b,128),Temp_2=LMB(DHKey),为DHKey的最左128位;双方完成唤醒关联;
所述无线体域网的计算方法如下:
利用Laguerre多项式计算得到:
其中,m=min(Nt,Nr);
n=max(Nt,Nr);
为次数为k的Laguerre多项式;
如果令λ=n/m,可以推导出如下归一化后的信道容量表示式;
其中,
在快速瑞利衰落的情况下,令m=n=Nt=Nr,则v1=0,v2=4;
渐进信道容量为:
利用不等式:
log2(1+x)≥log2(x);
式简化为:
进一步,所述无线局域网的信任值计算方法包括以下步骤:
步骤一,采集节点间不同时间片的交互次数,根据得到的数据建立时间序列,通过三次指数平滑法来预测节点间下一个时间片的交互次数,将交互次数预测值与实际值的相对误差作为节点的直接信任值;采集网络观测节点i与节点j之间的n个时间片的交互次数:
选取一定时间间隔t作为一个观测时间片,以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标,真实交互次数,记作yt,依次记录n个时间片的yn,并将其保存在节点i的通信记录表中;
预测第n+1个时间片的交互次数:
根据采集到的n个时间片的交互次数建立时间序列,采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数,预测交互次数,记作计算公式如下:
预测系数an、bn、cn的取值可由如下公式计算得到:
其中:分别是一次、二次、三次指数平滑数,由如下公式计算得到:
是三次指数平滑法的初始值,其取值为:
α是平滑系数(0<α<1),体现信任的时间衰减特性,即离预测值越近的时间片的yt权重越大,离预测值越远的时间片的yt权重越小;一般地,如果数据波动较大,且长期趋势变化幅度较大,呈现明显迅速的上升或下降趋势时α应取较大值(0.6~0.8),增加近期数据对预测结果的影响;当数据有波动,但长期趋势变化不大时,α在0.1~0.4之间取值;如果数据波动平稳,α应取较小值(0.05~0.20);
计算直接信任值:
节点j的直接信任值TDij为预测交互次数和真实交互次数yn+1的相对误差,
步骤二,采用多路径信任推荐方式而得到的计算式计算间接信任值;收集可信节点对节点j的直接信任值:
节点i向所有满足TDik≤φ的可信关联节点询问其对节点j的直接信任值,其中φ为推荐节点的可信度阈值,根据可信度的要求精度,φ的取值范围为0~0.4;
计算间接信任值:
综合计算所收集到的信任值,得到节点j的间接信任值TRij,
其中,Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TDik≤φ的节点集合;
步骤三,由直接信任值和间接信任值整合计算得出综合信任值,综合信任值(Tij)的计算公式如下:Tij=βTDij+(1-β)TRij,其中β(0≤β≤1)表示直接信任值的权重,当β=0时,节点i和节点j没有直接交互关系,综合信任值的计算直接来自于间接信任值,判断较客观;当β=1时,节点i对节点j的综合信任值全部来自于直接信任值,在这种情况下,判断较为主观,实际计算根据需要确定β的取值。
本发明的工作原理:
本发明的温度传感器、湿度传感器实时监测细胞培养系统内的温度和湿度;处理器接收温度传感器、湿度传感器的信号,进行预处理,并同时控制杀菌模块、消毒模块进行杀菌和消毒操作;杀菌模块对细胞培养系统内杀菌操作;显示模块对细胞培养系统内的温度和湿度实时显示。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种新型细胞培养系统,其特征在于,所述新型细胞培养系统包括:
温度传感器、湿度传感器,通过数据线与处理器连接,用于实时监测细胞培养系统内的温度和湿度;
所述温度传感器、湿度传感器网络中的安全数据检索方法包括以下步骤:
步骤一,传感器Si完成一个周期的数据采集,采集的数据为(i,t,{d1,d2,…,dn}),其中i为传感器号,t为周期号;Si首先采用AES对数据{d1,d2,…,dn}进行加密,生成加密数据{(d1)K,(d2)K,…,(dn)K},其中K为数据加密密钥;
步骤二,Si为每一个数据构建一个不可区分布鲁姆过滤器,且每一个不可区分布鲁姆过滤器分配一个唯一的ID号,对数据dj,Si构建一个分配ID号为ij的不可区分布鲁姆过滤器Bij;
步骤三,Si将加密数据、对应的不可区分布鲁姆过滤器以及其ID号上传到存储节点,上传的数据形式为:{(i1,Bi1,(d1)K),(i2,Bi2(d2)K),…,(in,Bin,(dn)K)};
杀菌模块,通过数据线与处理器连接,用于对细胞培养系统内杀菌操作;
处理器,用于接收温度传感器、湿度传感器的信号,进行预处理,并同时控制杀菌模块、消毒模块进行杀菌和消毒操作;
所述处理器设置有无线体域网快速唤醒关联模块,所述无线体域网快速唤醒关联模块的关联方法包括:
步骤一,Hub根据当前通信的需要设置SSS、Asso_ctrl域为相应的值,构造Wakeup帧;在发送Wakeup帧后,向节点发送T-Poll帧;
步骤二,节点收到唤醒帧后,获得本次关联的配置信息以及Hub的公钥PKb,然后选择自己的私钥SKa长为256比特,计算公钥计算公钥PKa=SKa×G,计算出公钥后,节点再计算基于口令的公钥,PKa'=PKa-Q(PW),Q(PW)=(QX,QY),QX=232×PW+MX;节点根据收到的Wakeup帧中的Nonce_b以及自身选择的Nonce_a计算:
KMAC_1A
=CMAC(Temp_1,Add_a Add_b Nonce_a Nonce_b SSS,64)
KMAC_2A
=CMAC(Temp_1,Add_b Add_a Nonce_b Nonce_a SSS,64);
利用上述计算的信息PKa、KMAC_2A构造第一关联请求帧,并向Hub发送;
步骤三,Hub收到第一关联请求帧后,首先复原当前节点的公钥PKa=PKa'+Q(PW),Q(PW)=(QX,QY),QX=232×PW+MX;MX为使QX满足椭圆曲线上的点的最小非负整数;计算DHKey=X(SKb×PKa)=X(SKa×SKb×G),这里X()函数是取椭圆曲线密钥的X坐标值,Temp_1=RMB_128(DHKey),根据收到的信息以及计算得到的信息计算:
KMAC_1B
=CMAC(Temp_1,Add_a Add_b Nonce_a Nonce_b SSS,64)
KMAC_2B
=CMAC(Temp_1,Add_b Add_a Nonce_b Nonce_a SSS,64)
对比收到的KMAC_2A和计算得到的KMAC_2B,如果相同则继续构造第二关联请求帧并进入本次关联请求的步骤五,如果不同则取消本次关联请求;
步骤四,节点收到第二关联请求帧,对比在步骤二中计算的KMAC_1A与收到的KMAC_1B,如果不同则取消本次关联请求,如果相同则进入本次关联的步骤五步;
步骤五,节点与Hub计算MK=CMAC(Temp_2,Nonce_a Nonce_b,128),Temp_2=LMB(DHKey),为DHKey的最左128位;双方完成唤醒关联;
所述无线体域网的计算方法如下:
利用Laguerre多项式计算得到:
其中,m=min(Nt,Nr);
n=max(Nt,Nr);
为次数为k的Laguerre多项式;
如果令λ=n/m,可以推导出如下归一化后的信道容量表示式;
其中,
在快速瑞利衰落的情况下,令m=n=Nt=Nr,则v1=0,v2=4;
渐进信道容量为:
利用不等式:
log2(1+x)≥log2(x);
式简化为:
显示模块,通过数据线与处理器连接,用于对细胞培养系统内的温度和湿度实时显示。
2.如权利要求1所述的新型细胞培养系统,其特征在于,所述处理器的信号处理方法包括:
第一步,根据各个节点的信噪比γi为每一个参与合作感知的次级用户CRi,i=1…k设计一个权重然后对收集得到的信号能量统计量Ui进行线性加权得到最终的信号能量的统计量
第二步,分析虚警恶意攻击模式对频谱感知造成的影响,得到全局虚警概率Pf和攻击概率pa、攻击阈值η、攻击强度Δ之间的函数表达式如下:
其中:
3.如权利要求1所述的新型细胞培养系统,其特征在于,所述无线局域网的信任值计算方法包括以下步骤:
步骤一,采集节点间不同时间片的交互次数,根据得到的数据建立时间序列,通过三次指数平滑法来预测节点间下一个时间片的交互次数,将交互次数预测值与实际值的相对误差作为节点的直接信任值;采集网络观测节点i与节点j之间的n个时间片的交互次数:
选取一定时间间隔t作为一个观测时间片,以观测节点i和被测节点j在1个时间片内的交互次数作为观测指标,真实交互次数,记作yt,依次记录n个时间片的yn,并将其保存在节点i的通信记录表中;
预测第n+1个时间片的交互次数:
根据采集到的n个时间片的交互次数建立时间序列,采用三次指数平滑法预测下一个时间片n+1内节点i和j之间的交互次数,预测交互次数,记作计算公式如下:
预测系数an、bn、cn的取值可由如下公式计算得到:
其中:分别是一次、二次、三次指数平滑数,由如下公式计算得到:
是三次指数平滑法的初始值,其取值为:
α是平滑系数(0<α<1),体现信任的时间衰减特性,即离预测值越近的时间片的yt权重越大,离预测值越远的时间片的yt权重越小;一般地,如果数据波动较大,且长期趋势变化幅度较大,呈现明显迅速的上升或下降趋势时α应取较大值(0.6~0.8),增加近期数据对预测结果的影响;当数据有波动,但长期趋势变化不大时,α在0.1~0.4之间取值;如果数据波动平稳,α应取较小值(0.05~0.20);
计算直接信任值:
节点j的直接信任值TDij为预测交互次数和真实交互次数yn+1的相对误差,
步骤二,采用多路径信任推荐方式而得到的计算式计算间接信任值;收集可信节点对节点j的直接信任值:
节点i向所有满足TDik≤φ的可信关联节点询问其对节点j的直接信任值,其中φ为推荐节点的可信度阈值,根据可信度的要求精度,φ的取值范围为0~0.4;
计算间接信任值:
综合计算所收集到的信任值,得到节点j的间接信任值TRij,其中,Set(i)为观测节点i的关联节点中与j节点有过交互且其直接信任值满足TDik≤φ的节点集合;
步骤三,由直接信任值和间接信任值整合计算得出综合信任值,综合信任值(Tij)的计算公式如下:Tij=βTDij+(1-β)TRij,其中β(0≤β≤1)表示直接信任值的权重,当β=0时,节点i和节点j没有直接交互关系,综合信任值的计算直接来自于间接信任值,判断较客观;当β=1时,节点i对节点j的综合信任值全部来自于直接信任值,在这种情况下,判断较为主观,实际计算根据需要确定β的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330858.8A CN106978341B (zh) | 2017-05-11 | 2017-05-11 | 一种细胞培养系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710330858.8A CN106978341B (zh) | 2017-05-11 | 2017-05-11 | 一种细胞培养系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106978341A true CN106978341A (zh) | 2017-07-25 |
CN106978341B CN106978341B (zh) | 2019-09-13 |
Family
ID=59342010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710330858.8A Active CN106978341B (zh) | 2017-05-11 | 2017-05-11 | 一种细胞培养系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106978341B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616364A (zh) * | 2018-05-15 | 2018-10-02 | 广西壮族自治区农业科学院 | 一种智能种子出芽率评定系统及评定方法、计算机 |
CN110129198A (zh) * | 2019-05-15 | 2019-08-16 | 林伟阳 | 一种基于神经网络的干细胞培养模拟环境数据监控及预测嵌入式子系统 |
CN111588870A (zh) * | 2020-05-29 | 2020-08-28 | 嘉兴学院 | 一种智能杀菌系统及其应用 |
CN114051983A (zh) * | 2021-11-10 | 2022-02-18 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种刺参智能化养殖监控捕收系统及实现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080243734A1 (en) * | 2007-03-27 | 2008-10-02 | Gustavo Deco | Method for computer-assisted processing of measured values detected in a sensor network |
CN104410981A (zh) * | 2014-11-06 | 2015-03-11 | 广东工业大学 | 一种无线传感器网络中信标节点可信度评估方法 |
CN107410027A (zh) * | 2017-08-08 | 2017-12-01 | 王玉珍 | 一种用于规模化培养药用植物的生物反应器系统 |
-
2017
- 2017-05-11 CN CN201710330858.8A patent/CN106978341B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080243734A1 (en) * | 2007-03-27 | 2008-10-02 | Gustavo Deco | Method for computer-assisted processing of measured values detected in a sensor network |
CN104410981A (zh) * | 2014-11-06 | 2015-03-11 | 广东工业大学 | 一种无线传感器网络中信标节点可信度评估方法 |
CN107410027A (zh) * | 2017-08-08 | 2017-12-01 | 王玉珍 | 一种用于规模化培养药用植物的生物反应器系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616364A (zh) * | 2018-05-15 | 2018-10-02 | 广西壮族自治区农业科学院 | 一种智能种子出芽率评定系统及评定方法、计算机 |
CN110129198A (zh) * | 2019-05-15 | 2019-08-16 | 林伟阳 | 一种基于神经网络的干细胞培养模拟环境数据监控及预测嵌入式子系统 |
CN111588870A (zh) * | 2020-05-29 | 2020-08-28 | 嘉兴学院 | 一种智能杀菌系统及其应用 |
CN114051983A (zh) * | 2021-11-10 | 2022-02-18 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种刺参智能化养殖监控捕收系统及实现方法 |
CN114051983B (zh) * | 2021-11-10 | 2022-08-30 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种刺参智能化养殖监控捕收系统及实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106978341B (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106978341A (zh) | 一种新型细胞培养系统 | |
CN102802158B (zh) | 基于信任评估的无线传感器网络异常检测方法 | |
Ul Islam et al. | A novel anomaly detection algorithm for sensor data under uncertainty | |
Yang et al. | Machine learning differential privacy with multifunctional aggregation in a fog computing architecture | |
CN104038928B (zh) | 一种无线Mesh网络节点的信任值计算方法 | |
CN106302681A (zh) | 一种基于物联网的数据显示服务器系统 | |
CN105933932B (zh) | 复杂环境下无线传感器网络的实时故障诊断方法及系统 | |
Gilbert et al. | Trust aware nature inspired optimised routing in clustered wireless sensor networks | |
CN105514993A (zh) | 一种电力负荷分解方法及装置 | |
Fazel et al. | Random access sensor networks: Field reconstruction from incomplete data | |
CN103476147A (zh) | 一种面向节能的无线传感器网络目标跟踪方法 | |
Pakzad et al. | Distributed modal identification using restricted auto regressive models | |
Balouchestani et al. | Robust wireless sensor networks with compressed sensing theory | |
Uyan et al. | Machine learning approaches for underwater sensor network parameter prediction | |
CN107154876A (zh) | 一种基于云服务平台的大规模数据计算加速系统 | |
Wang et al. | Reputation-enabled self-modification for target sensing in wireless sensor networks | |
CN103929738A (zh) | 一种基于危险多代理的WSNs联合入侵检测方法 | |
CN107133463A (zh) | 一种综合多功能病理诊断系统 | |
Weber et al. | Energy-aware test connection assignment for the self-diagnosis of a wireless sensor network | |
Ren et al. | Multi-event detection with rechargeable sensors | |
Closas et al. | A game theoretical algorithm for joint power and topology control in distributed WSN | |
Ravindra et al. | Energy balancing between computation and communication in IoT edge devices using data offloading schemes | |
Zhao et al. | Multi-sensor data fusion algorithm based on adaptive trust estimation and neural network | |
Silva et al. | Energy-efficient node position identification through payoff matrix and variability analysis | |
Ambrosino et al. | Optimal sensor scheduling for remote estimation over wireless sensor networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |