CN110879893A - 基于区块链和云计算的物流供应链大数据处理系统 - Google Patents

基于区块链和云计算的物流供应链大数据处理系统 Download PDF

Info

Publication number
CN110879893A
CN110879893A CN201911096640.6A CN201911096640A CN110879893A CN 110879893 A CN110879893 A CN 110879893A CN 201911096640 A CN201911096640 A CN 201911096640A CN 110879893 A CN110879893 A CN 110879893A
Authority
CN
China
Prior art keywords
data
logistics information
logistics
information data
voice
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.)
Pending
Application number
CN201911096640.6A
Other languages
English (en)
Inventor
王伟明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tulin Technology Shenzhen Co Ltd
Original Assignee
Tulin Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tulin Technology Shenzhen Co Ltd filed Critical Tulin Technology Shenzhen Co Ltd
Priority to CN201911096640.6A priority Critical patent/CN110879893A/zh
Publication of CN110879893A publication Critical patent/CN110879893A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
    • H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Abstract

一种基于区块链和云计算的物流供应链大数据处理系统，包括包括数据采集单元、数据处理单元、数据加密单元和数据解密单元。通过数据加密单元对物流信息进行加密传输，有效地防止物流信息在传输中被盗取及篡改，提高了物流信息安全级别，保障了用户信息的安全；通过对海量的物流信息大数据进行指标方向的预处理，该预处理采用区块链的分布式计算技术和云计算，处理速度快，同时可有效地保持原始数据分布信息，有利于后续的数据处理；通过对获取的每一快递订单的未处理语音信息进行语音识别特征处理，将语音识别特征分块进行模型训练得到语音固定特征，对所述语音固定特征进行处理即可得到准确的文本的物流信息数据，从而大大地提高了物流效率。

Description

基于区块链和云计算的物流供应链大数据处理系统
技术领域
本发明涉及区块链和云计算的物流供应链大数据领域，尤其涉及一种基于区块链和云计算的物流供应链大数据处理系统。
背景技术
目前，随着电子商务与物流供应链之间的相互促进和快速发展，电子商务已经越来越广泛地应用于各种商业贸易活动中，所谓电子商务是指在商业贸易活动中，在因特网开放的网络环境下，基于浏览器及服务器应用方式，实现消费者的网上购物、商户之间的网上交易和在线电子支付以及各种商务活动、交易活动、金融活动和相关的综合服务活动的一种商业运营模式。
在电子商务过程中，物流企业为了为客户提供优质的服务，一般会直接对客户发送快递跟踪信息，但发送的快递跟踪信息基本上都是直接裸露对外，物流信息在传输的过程中并没有采取相应的安全机制来防止盗取及篡改，因此，物流信息安全级别比较低，一旦用户信息发生泄漏，将会给网络用户的信息安全带来极大的隐患。
同时，物流企业在采集海量的物流信息大数据时，由于未考虑物流信息大数据的原始分布信息，所以存在采集效果差和不利于后续数据处理的问题。
而且，物流企业在用语音采集每一快递订单的物流信息数据时，由于环境较嘈杂且噪音环境多种多样，所以现有的语音识别经常出错，严重影响了数据采集效率。
发明内容
本发明的目的是为了解决背景技术中所发现的问题，而提出的一种基于区块链和云计算的物流供应链大数据处理系统。
为了实现上述目的，本发明采用了如下技术方案：一种基于区块链和云计算的物流供应链大数据处理系统，包括数据采集单元、数据处理单元、数据加密单元和数据解密单元，其中：
所述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，并分析收集到的物流信息数据的指标方向，得到以指标方向为方向的指标物流信息数据，再将所述指标物流信息数据发送到所述数据处理单元；
所述数据处理单元用于将所述指标物流信息数据按所述指标方向分类，并将分类好的指标物流信息数据生成关键数据包，并将所述关键数据包发送至所述数据加密单元；
所述数据加密单元用于从所述关键数据包中选取至少一段目标数据段，并根据预设加密算法对选取的目标数据段进行加密运算，得到对应的加密字符串，调整所述加密字符串的字符排列顺序，得到目标字符串，再将所述关键数据包中的目标数据段替换为对应的目标字符串，得到已加密数据包，并将所述已加密数据包发送到所述数据解密单元；
所述数据解密单元用于根据所述预设加密算法将收到的所述已加密数据包解密为报文信息，再解析成可识别的物流信息。
通过数据加密单元对物流信息进行加密传输，这样能有效地防止物流信息在传输的过程中被盗取及篡改，从而提高了物流信息安全级别，保障了用户信息的安全；另外，通过对海量的物流信息大数据进行指标方向的预处理，该预处理采用区块链的分布式计算技术和云计算，处理速度快，同时可以有效地保持原始数据分布信息，从而有利于后续的数据处理。
进步的，所述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，并分析收集到的物流信息数据的指标方向，得到以指标方向为方向的指标物流信息数据，再将所述指标物流信息数据发送到所述数据处理单元，具体包括：
B1：收集每一快递订单在物流企业内部流转过程中的物流信息数据；
B2：分析收集到的物流信息数据的方向数，如果收集到的物流信息数据为单方向，则将收集到的物流信息数据的方向确定为物流信息数据的指标方向，如果收集到的物流信息数据为多方向，则通过指标方向计算确定物流信息数据的的指标方向；
B3：以所述指标方向设定所述物流信息数据的方向，得到以所述指标方向为方向的指标物流信息数据。
进步的，所述通过指标方向计算确定物流信息数据的的指标方向具体为：
B21:计算物流信息数据D的协方差矩阵和所述协方差矩阵的本征值，该物流信息数据D的协方差矩阵的计算和协方差矩阵的本征值的计算可采用区块链的分布式计算技术和云计算，以提高计算效率，并根据所述本征值的均值和每组本征值的方差，得到物流信息数据临界值K；
B22:根据所述物流信息数据临界值K将所述本征值划分为了两组，得到较大本征值，同时使组内的物流信息数据相近，且组间的物流信息数据相差远；
B23:将包含所述较大本征值的组内本征值的数量作为物流信息数据的指标方向N，N为包含所述较大本征值的组内本征值的数量。
进步的，所述协方差矩阵的本征值为gi，{gi|1≤i≤d}，其中，本征值gi表示物流信息数据中各快递订单信息的重要程度，i为物流信息数据中的快递订单号。
进步的，所述根据所述物流信息数据临界值K将所述本征值划分为了两组，得到较大本征值，具体通过最大化下述公式来实现：
Figure BDA0002268539360000041
其中，W1和W2表示在物流信息数据临界值K下每组的均值，Y4 2和Y2 2表示在物流信息数据临界值K下每组组内本征值的方差，
Y1 2＝∑gi＞K(gi-w1)，Y2 2＝∑gi≤K（gi-w2)2。
进步的，所述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，具体为：
C1:通过语音获取单元获取每一快递订单的未处理语音信息；
C2:通过语音处理单元对所述未处理语音信息进行分帧得到时域信号，然后对时域信号进行傅里叶变换处理得到频域信号，再对频域信号依次进行计算能量谱、滤波器组滤波和取对数得到未处理语音信息的语音识别特征
Figure BDA0002268539360000051
C3:对所述语音识别特征
Figure BDA0002268539360000052
划分块得到P1＝P-19个语音识别特征小块，并标记每个语音识别特征小块得到
Figure BDA0002268539360000053
C4:将所有语音识别特征小块
Figure BDA0002268539360000054
依次植入到语音特征提取模型，得到新的语音特征小块，新的语音特征小块经过编码模块编码得到该语音识别特征小块对应的特征向量MQ，最终得到该未处理语音信息对应的语音固定特征
Figure BDA0002268539360000055
C5:对所述语音固定特征
Figure BDA0002268539360000056
进行处理得到文本的物流信息数据。
通过对获取的每一快递订单的未处理语音信息进行语音识别特征处理，再将语音识别特征分块进行模型训练得到语音固定特征，最后对所述语音固定特征进行处理即可得到准确的文本的物流信息数据，从而大大地提高了物流效率。
进步的，所述语音特征提取模型包括解码模块和编码模块，
编码模块的第一子模块用于利用二维卷积和第一重参数对输入的语音识别特征小块进行编码得到语音识别特征小块对应的特征向量，
编码模块的第二子模块用于利用循环神经网络和第二重参数对输入的语音识别特征小块和噪音域特征向量进行编码得到语音固定特征向量，
解码模块用于利用循环神经网络和第三重参数对输入的噪音域特征向量和语音固定特征向量进行解码得到新的语音特征小块。
进步的，所述对所述语音固定特征
Figure BDA0002268539360000061
进行处理得到文本的物流信息数据，具体为：
将语音固定特征
Figure BDA0002268539360000062
输入卷积神经网络，计算得到各帧对应的对象的概率RQ,Q＝1,2,...,P1，其中RQ＝[RQV],V＝1,2,...,X，
Figure BDA0002268539360000063
X为对象个数；通过解码模块和语言模型，对概率集合进行解码，得到文本的物流信息数据。所述卷积神经网络、解码模块和语言模型为现有技术，在此不再赘述。
进步的，所述方向可以为地区、性别或年龄段。
与现有的技术相比，本发明优点在于：
1：通过数据加密单元对物流信息进行加密传输，这样能有效地防止物流信息在传输的过程中被盗取及篡改，从而提高了物流信息安全级别，保障了用户信息的安全；
2：通过对海量的物流信息大数据进行指标方向的预处理，该预处理采用区块链的分布式计算技术和云计算，处理速度快，同时可以有效地保持原始数据分布信息，从而有利于后续的数据处理；
3：通过对获取的每一快递订单的未处理语音信息进行语音识别特征处理，再将语音识别特征分块进行模型训练得到语音固定特征，最后对所述语音固定特征进行处理即可得到准确的文本的物流信息数据，从而大大地提高了物流效率。
附图说明
图1为本发明控制系统的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：
参照图1，本实施例提供了一种基于区块链和云计算的物流供应链大数据处理系统，包括数据采集单元、数据处理单元、数据加密单元和数据解密单元，其中：
所述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，并分析收集到的物流信息数据的指标方向，得到以指标方向为方向的指标物流信息数据，再将所述指标物流信息数据发送到所述数据处理单元，所述方向可以为地区、性别或年龄段等；
所述数据处理单元用于将所述指标物流信息数据按所述指标方向分类，并将分类好的指标物流信息数据生成关键数据包，并将所述关键数据包发送至所述数据加密单元；
所述数据加密单元用于从所述关键数据包中选取至少一段目标数据段，并根据预设加密算法对选取的目标数据段进行加密运算，得到对应的加密字符串，调整所述加密字符串的字符排列顺序，得到目标字符串，再将所述关键数据包中的目标数据段替换为对应的目标字符串，得到已加密数据包，并将所述已加密数据包发送到所述数据解密单元；
所述数据解密单元用于根据所述预设加密算法将收到的所述已加密数据包解密为报文信息，再解析成可识别的物流信息。
通过数据加密单元对物流信息进行加密传输，这样能有效地防止物流信息在传输的过程中被盗取及篡改，从而提高了物流信息安全级别，保障了用户信息的安全；另外，通过对海量的物流信息大数据进行指标方向的预处理，该预处理采用区块链的分布式计算技术和云计算，处理速度快，同时可以有效地保持原始数据分布信息，从而有利于后续的数据处理。
上述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，具体如下：
C1:通过语音获取单元获取每一快递订单的未处理语音信息；
C2:通过语音处理单元对所述未处理语音信息进行分帧得到时域信号，然后对时域信号进行傅里叶变换处理得到频域信号，再对频域信号依次进行计算能量谱、滤波器组滤波和取对数得到未处理语音信息的语音识别特征
Figure BDA0002268539360000081
C3:对所述语音识别特征
Figure BDA0002268539360000082
划分块得到P1＝P-19个语音识别特征小块，并标记每个语音识别特征小块得到
Figure BDA0002268539360000083
C4:将所有语音识别特征小块
Figure BDA0002268539360000084
依次植入到语音特征提取模型，得到新的语音特征小块，其中，所述语音特征提取模型包括解码模块和编码模块，编码模块的第一子模块用于利用二维卷积和第一重参数对输入的语音识别特征小块进行编码得到语音识别特征小块对应的特征向量，编码模块的第二子模块用于利用循环神经网络和第二重参数对输入的语音识别特征小块和噪音域特征向量进行编码得到语音固定特征向量，解码模块用于利用循环神经网络和第三重参数对输入的噪音域特征向量和语音固定特征向量进行解码得到新的语音特征小块；新的语音特征小块经过编码模块编码得到该语音识别特征小块对应的特征向量MQ，最终得到该未处理语音信息对应的语音固定特征
Figure BDA0002268539360000091
C5:对所述语音固定特征
Figure BDA0002268539360000092
进行处理得到文本的物流信息数据，具体为：将语音固定特征
Figure BDA0002268539360000093
输入卷积神经网络，计算得到各帧对应的对象的概率RQ,Q＝1,2,...,P1，其中RQ＝[RQV],V＝1,2,...,X，
Figure BDA0002268539360000094
X为对象个数；通过解码模块和语言模型，对概率集合进行解码，得到文本的物流信息数据。所述卷积神经网络、解码模块和语言模型为现有技术，在此不再赘述。
以上对语音信息的各种处理均可通过区块链中的分布式计算技术分布到多个计算机上进行同时处理，也可通过云计算，从而大大地提高了数据处理效率。
通过对获取的每一快递订单的未处理语音信息进行语音识别特征处理，再将语音识别特征分块进行模型训练得到语音固定特征，最后对所述语音固定特征进行处理即可得到准确的文本的物流信息数据，从而大大地提高了物流效率。
上述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，并分析收集到的物流信息数据的指标方向，得到以指标方向为方向的指标物流信息数据，再将所述指标物流信息数据发送到所述数据处理单元，具体如下：
B1：收集每一快递订单在物流企业内部流转过程中的物流信息数据；
B2：分析收集到的物流信息数据的方向数，如果收集到的物流信息数据为单方向，则将收集到的物流信息数据的方向确定为物流信息数据的指标方向，如果收集到的物流信息数据为多方向，则通过指标方向计算确定物流信息数据的的指标方向，指标方向计算如下：
B21:计算物流信息数据D的协方差矩阵和所述协方差矩阵的本征值，并根据所述本征值的均值和每组本征值的方差，得到物流信息数据临界值K；
B22:根据所述物流信息数据临界值K将所述本征值划分为了两组，得到较大本征值，同时使组内的物流信息数据相近，且组间的物流信息数据相差远；
B23:将包含所述较大本征值的组内本征值的数量作为物流信息数据的指标方向N，N为包含所述较大本征值的组内本征值的数量。
B3：以所述指标方向设定所述物流信息数据的方向，得到以所述指标方向为方向的指标物流信息数据。
上述协方差矩阵的本征值为gi，{gi|1≤i≤d}，其中，本征值gi表示物流信息数据中各快递订单信息的重要程度，i为物流信息数据中的快递订单号。所述根据所述物流信息数据临界值K将所述本征值划分为了两组，得到较大本征值，具体通过最大化下述公式来实现：
Figure BDA0002268539360000111
其中，W1和W2表示在物流信息数据临界值K下每组的均值，Y1 2和Y2 2表示在物流信息数据临界值K下每组组内本征值的方差，
Y1 2＝∑gi＞K(gi-w1)2，Y2 2＝∑gi≤K(gi-w2)2。
本基于区块链和云计算的物流供应链大数据处理系统通过数据加密单元对物流信息进行加密传输，这样能有效地防止物流信息在传输的过程中被盗取及篡改，从而提高了物流信息安全级别，保障了用户信息的安全；通过对海量的物流信息大数据进行指标方向的预处理，该预处理采用区块链的分布式计算技术和云计算，处理速度快，同时可以有效地保持原始数据分布信息，从而有利于后续的数据处理；通过对获取的每一快递订单的未处理语音信息进行语音识别特征处理，再将语音识别特征分块进行模型训练得到语音固定特征，最后对所述语音固定特征进行处理即可得到准确的文本的物流信息数据，从而大大地提高了物流效率。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，包括数据采集单元、数据处理单元、数据加密单元和数据解密单元，其中：
所述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，并分析收集到的物流信息数据的指标方向，得到以指标方向为方向的指标物流信息数据，再将所述指标物流信息数据发送到所述数据处理单元；
所述数据处理单元用于将所述指标物流信息数据按所述指标方向分类，并将分类好的指标物流信息数据生成关键数据包，并将所述关键数据包发送至所述数据加密单元；
所述数据加密单元用于从所述关键数据包中选取至少一段目标数据段，并根据预设加密算法对选取的目标数据段进行加密运算，得到对应的加密字符串，调整所述加密字符串的字符排列顺序，得到目标字符串，再将所述关键数据包中的目标数据段替换为对应的目标字符串，得到已加密数据包，并将所述已加密数据包发送到所述数据解密单元；
所述数据解密单元用于根据所述预设加密算法将收到的所述已加密数据包解密为报文信息，再解析成可识别的物流信息。
2.根据权利要求1所述的一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，所述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，并分析收集到的物流信息数据的指标方向，得到以指标方向为方向的指标物流信息数据，再将所述指标物流信息数据发送到所述数据处理单元，具体包括：
B1：收集每一快递订单在物流企业内部流转过程中的物流信息数据；
B2：分析收集到的物流信息数据的方向数，如果收集到的物流信息数据为单方向，则将收集到的物流信息数据的方向确定为物流信息数据的指标方向，如果收集到的物流信息数据为多方向，则通过指标方向计算确定物流信息数据的的指标方向；
B3：以所述指标方向设定所述物流信息数据的方向，得到以所述指标方向为方向的指标物流信息数据。
3.根据权利要求2所述的一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，所述通过指标方向计算确定物流信息数据的的指标方向具体为：
B21:计算物流信息数据D的协方差矩阵和所述协方差矩阵的本征值，并根据所述本征值的均值和每组本征值的方差，得到物流信息数据临界值K；
B22:根据所述物流信息数据临界值K将所述本征值划分为了两组，得到较大本征值，同时使组内的物流信息数据相近，且组间的物流信息数据相差远；
B23:将包含所述较大本征值的组内本征值的数量作为物流信息数据的指标方向N，N为包含所述较大本征值的组内本征值的数量。
4.根据权利要求3所述的一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，所述协方差矩阵的本征值为gi，{gi|1≤i≤d}，其中，本征值gi表示物流信息数据中各快递订单信息的重要程度，i为物流信息数据中的快递订单号。
5.根据权利要求4所述的一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，所述根据所述物流信息数据临界值K将所述本征值划分为了两组，得到较大本征值，具体通过最大化下述公式来实现：
Figure FDA0002268539350000031
其中，W1和W2表示在物流信息数据临界值K下每组的均值，Y1 2和Y2 2表示在物流信息数据临界值K下每组组内本征值的方差，
Figure FDA0002268539350000032
6.根据权利要求1所述的一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，所述数据采集单元用于收集每一快递订单在物流企业内部流转过程中的物流信息数据，具体为：
C1:通过语音获取单元获取每一快递订单的未处理语音信息；
C2:通过语音处理单元对所述未处理语音信息进行分帧得到时域信号，然后对时域信号进行傅里叶变换处理得到频域信号，再对频域信号依次进行计算能量谱、滤波器组滤波和取对数得到未处理语音信息的语音识别特征
Figure FDA0002268539350000033
C3:对所述语音识别特征
Figure FDA0002268539350000034
划分块得到P1＝P-19个语音识别特征小块，并标记每个语音识别特征小块得到
Figure FDA0002268539350000035
C4:将所有语音识别特征小块
Figure FDA0002268539350000036
依次植入到语音特征提取模型，得到新的语音特征小块，新的语音特征小块经过编码模块编码得到该语音识别特征小块对应的特征向量MQ，最终得到该未处理语音信息对应的语音固定特征
Figure FDA0002268539350000041
C5:对所述语音固定特征
Figure FDA0002268539350000042
进行处理得到文本的物流信息数据。
7.根据权利要求6所述的一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，所述语音特征提取模型包括解码模块和编码模块，
编码模块的第一子模块用于利用二维卷积和第一重参数对输入的语音识别特征小块进行编码得到语音识别特征小块对应的特征向量，
编码模块的第二子模块用于利用循环神经网络和第二重参数对输入的语音识别特征小块和噪音域特征向量进行编码得到语音固定特征向量，
解码模块用于利用循环神经网络和第三重参数对输入的噪音域特征向量和语音固定特征向量进行解码得到新的语音特征小块。
8.根据权利要求7所述的一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，所述对所述语音固定特征
Figure FDA0002268539350000044
进行处理得到文本的物流信息数据，具体为：
将语音固定特征
Figure FDA0002268539350000045
输入卷积神经网络，计算得到各帧对应的对象的概率RQ,Q＝1,2,...,P1，其中RQ＝[RQV],V＝1,2,...,X，
Figure FDA0002268539350000043
X为对象个数；通过解码模块和语言模型，对概率集合进行解码，得到文本的物流信息数据。
9.根据权利要求1所述的一种基于区块链和云计算的物流供应链大数据处理系统，其特征在于，所述方向可以为地区、性别或年龄段。
CN201911096640.6A 2019-11-11 2019-11-11 基于区块链和云计算的物流供应链大数据处理系统 Pending CN110879893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911096640.6A CN110879893A (zh) 2019-11-11 2019-11-11 基于区块链和云计算的物流供应链大数据处理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911096640.6A CN110879893A (zh) 2019-11-11 2019-11-11 基于区块链和云计算的物流供应链大数据处理系统

Publications (1)

Publication Number Publication Date
CN110879893A true CN110879893A (zh) 2020-03-13

Family

ID=69729817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911096640.6A Pending CN110879893A (zh) 2019-11-11 2019-11-11 基于区块链和云计算的物流供应链大数据处理系统

Country Status (1)

Country Link
CN (1) CN110879893A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216780A (zh) * 2023-09-25 2023-12-12 上海畅联国际物流股份有限公司 基于大数据分析的物流数据保护方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN85100083A (zh) * 1985-04-01 1986-08-06 清华大学 一种语音特征的提取和识别方法
CN103827901A (zh) * 2013-03-18 2014-05-28 深圳市银信网银科技有限公司 一种物流信息安全传输的方法及系统
CN107147616A (zh) * 2017-03-31 2017-09-08 武汉斗鱼网络科技有限公司 数据加密方法及装置
CN109003028A (zh) * 2018-07-17 2018-12-14 北京百度网讯科技有限公司 用于划分物流区域的方法和装置
CN109840542A (zh) * 2018-12-06 2019-06-04 北京化工大学 基于极化特征的自适应维度决策树分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN85100083A (zh) * 1985-04-01 1986-08-06 清华大学 一种语音特征的提取和识别方法
CN103827901A (zh) * 2013-03-18 2014-05-28 深圳市银信网银科技有限公司 一种物流信息安全传输的方法及系统
CN107147616A (zh) * 2017-03-31 2017-09-08 武汉斗鱼网络科技有限公司 数据加密方法及装置
CN109003028A (zh) * 2018-07-17 2018-12-14 北京百度网讯科技有限公司 用于划分物流区域的方法和装置
CN109840542A (zh) * 2018-12-06 2019-06-04 北京化工大学 基于极化特征的自适应维度决策树分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
佚名: "《关于fisher判别的一点理解》", 《HTTPS://WWW.CNBLOGS.COM/TXG198955/P/4106682.HTML》 *
佚名: "《线性判别分析（Linear Discriminant Analysis）》", 《HTTPS://BLOG.CSDN.NET/DAUNXX/ARTICLE/DETAILS/51881956》 *
毕超等: "《语音信号的分块稀疏表示分类研究》", 《计算机技术与发展》 *
涂志强: ""车载噪声环境下的语音命令词识别的仿真研究"", 《中国优秀硕士学位论文全文数字库（电子期刊）信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117216780A (zh) * 2023-09-25 2023-12-12 上海畅联国际物流股份有限公司 基于大数据分析的物流数据保护方法和系统

Similar Documents

Publication Publication Date Title
Pan et al. Recent progress on generative adversarial networks (GANs): A survey
CN111783875B (zh) 基于聚类分析的异常用户检测方法、装置、设备及介质
CN108734380B (zh) 风险账户判定方法、装置及计算设备
US11544501B2 (en) Systems and methods for training a data classification model
WO2021174944A1 (zh) 基于目标对象活跃度的消息推送方法及相关设备
Sadgali et al. Fraud detection in credit card transaction using neural networks
WO2022095352A1 (zh) 基于智能决策的异常用户识别方法、装置及计算机设备
WO2020140099A1 (en) Data augmentation in transaction classification using a neural network
CN111681091A (zh) 基于时间域信息的金融风险预测方法、装置及存储介质
WO2023071105A1 (zh) 一种特征变量的分析方法、装置、计算机设备及存储介质
CN104090835A (zh) 基于eID和谱理论的跨平台虚拟资产交易审计方法
CN105681324A (zh) 互联网金融交易系统及方法
Liu et al. Quantitative detection of financial fraud based on deep learning with combination of e-commerce big data
US7865332B2 (en) Scaled exponential smoothing for real time histogram
Veerashetty Secure communication over wireless sensor network using image steganography with generative adversarial networks
Li et al. High-capacity coverless image steganographic scheme based on image synthesis
CN110879893A (zh) 基于区块链和云计算的物流供应链大数据处理系统
CN111245815B (zh) 数据处理方法、装置、存储介质及电子设备
Huang et al. Multi-format speech biohashing based on spectrogram
Kong Research on Enterprise Digital Precision Marketing Strategy Based on Big Data
CN113191380B (zh) 一种基于多视角特征的图像取证方法及系统
CN110362981B (zh) 基于可信设备指纹判断异常行为的方法及系统
Meng et al. In-depth analysis of financial market based on iris recognition algorithm of MATLAB GUI
CN112417886A (zh) 意图实体信息抽取方法、装置、计算机设备及存储介质
CN111400614A (zh) 一种基于资金交易数据的涉案集群查找的方法

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200313