CN112150152B - 基于区块链与模糊认知映射融合的b-f神经网络可追溯算法 - Google Patents
基于区块链与模糊认知映射融合的b-f神经网络可追溯算法 Download PDFInfo
- Publication number
- CN112150152B CN112150152B CN202011074569.4A CN202011074569A CN112150152B CN 112150152 B CN112150152 B CN 112150152B CN 202011074569 A CN202011074569 A CN 202011074569A CN 112150152 B CN112150152 B CN 112150152B
- Authority
- CN
- China
- Prior art keywords
- transaction
- fuzzy
- state
- layer
- neural network
- 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.)
- Active
Links
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3825—Use of electronic signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3827—Use of message hashing
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/382—Payment protocols; Details thereof insuring higher security of transaction
- G06Q20/3829—Payment protocols; Details thereof insuring higher security of transaction involving key management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于区块链与模糊认知映射融合的B‑F神经网络可追溯算法,包括以下步骤:S1、通过跟踪链算法将深度学习网络转换为区块链网络,将T‑S模糊推理网络定义为块,从事务数据中直接获取T‑S模糊神经网络;S2、构建由输入层、输出层和隐藏层组成的模糊推理机制,模拟一个非线性的变换;S3、根据模糊推理机制,对当前块采用多层非线性隐藏法,构建模糊综合算法。本发明中,通过构建模糊推理机制和采用多层非线性隐藏层法对从事务数据中获取T‑S模糊神经网络进行处理,在处理过程中为可追溯链缩减其挖掘工作,也在区块链中为大数据的层次学习特征表示提供了优化的可追溯性。
Description
技术领域
本发明涉及区块链技术领域,尤其涉及基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。
背景技术
区块链是一个带有时间戳的分布式数据库,每项事务都采用点对点的方式进行,区块链技术将大量事务中产生的数据信息都结合在一起。
然而,当区块链中一个新的交易节点启动时,区块链挖掘必须验证和重新存储所有事务的历史数据,这导致在区块链中产生了不相关的数据问题和进一步优化的可跟踪性,在区块链操作中,由于链的要求,需要一个可追溯机制将事务流和参与者节点信息联系起来,由此,提出了基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。
发明内容
本发明的目的在于:为了解决现有区块链中的一个新的交易节点启动时,区块链挖掘必须验证和重新存储所有事务的历史数据,导致在区块链中产生了不相关的数据问题和进一步优化的可跟踪性的问题,而提出的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。
为了实现上述目的,本发明采用了如下技术方案:
基于区块链与模糊认知映射融合的B-F神经网络可追溯算法,包括以下步骤:
S1、通过跟踪链算法将深度学习网络转换为区块链网络,将T-S模糊推理网络定义为块,从事务数据中直接获取T-S模糊神经网络;
S2、构建由输入层、输出层和隐藏层组成的模糊推理机制,模拟一个非线性的变换;
S3、根据模糊推理机制,对当前块采用多层非线性隐藏法,构建模糊综合算法,得到基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。
作为上述技术方案的进一步描述:
在步骤S2中的所述输入层包括当前块的前一个块(e1)和所有的历史块(e2)。
作为上述技术方案的进一步描述:
在步骤S2中,隐藏层的块通过对3Vs特征进行加权,来模拟一个非线性变换。
作为上述技术方案的进一步描述:
所述3Vs特征包括:散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名,这些特征在交易行为中都作用于T-S模糊状态转移算法的结果上。
作为上述技术方案的进一步描述:
在步骤S2中的所述输出层中,推断的影响既作为当前块的输出层,也作为下一个块的输入层。
作为上述技术方案的进一步描述:
在步骤S3中所述多层非线性隐藏法由第一特征图法、第二层状态转移法和第三层状态关联法构成。
作为上述技术方案的进一步描述:
第一层特征图法是推理机制,推理向量被定义为一组输入向量IVg或输出向量OVg
IVg=[if1,if2,if3,if4,if5,if6,if7,if8],g=1,2,…,8
OVg=[of1,of2,of3,of4,of5,of6,of7,of8],g=1,2,…,8,
此外,对于3Vs,邻接矩阵M包含散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名8个特征,清晰地测量多个特征变化所产生的效果,当前块中的输入向量值来自前一个块(e1)和所有历史块(e2)的输入向量,将这两个输入向量与邻接矩阵M相乘,可以分别得到两个输出向量,由邻接矩阵可知,特征的变化对其他具有模糊因果值的特征的影响在0~1之间,邻接矩阵Mi为将事务数据的特征表示为umn。
作为上述技术方案的进一步描述:
在第二层状态转移法中,利用状态转移构造相关状态图,得到事务图,使用FCM将事务转换映射到相关的状态图并将它们链接到相应的块的状态转换机制,事务从状态i到状态r的状态转换用P来表示,即Pi→Pr,每个状态包含进入及退出事务,如进入事务TX1,TX2和退出事务TX4,当事件被触发时,算法将每一个范围在0~1之间的随机初始变量Vi转换为包含模糊矩阵算法的状态Pi,Pi状态的m×m阶模糊权重矩阵为:m表示进入或退出事务的总数;
Li,1表示状态i在一个事务中的进入事务,Li,2表示其退出事务,对于任何状态i(假设i=3),将事务的进入集和退出集定义为ini={i∈Li1}和outi={i∈Li2},状态转移关系为Si=[Wi-1,Wi-2,…Wi-r…Wi-m],进而,通过状态转换公式得到Vi的下一个状态Vr,其中,Vr(i)=eir×Wi-r±Vr表示状态r变换过程中的更新变量得分,eir为状态i与状态r随机计算初始得分之间的因果关系值,如果此状态转换属于进入事务,则采用“+”,因为进入事务会增强下一个状态的得分,如果此状态转换属于退出事务,则采用“-”,因为退出事务会降低下一个状态得分。
作为上述技术方案的进一步描述:
第三层状态关联法利用事务图结果来构造关联规则数据库,当触发事件因条件满足而发生时,则执行此状态转换机制,利用IF-THEN语句来构建关联规则数据库,帮助事务图筛选新的块和事务,在区块链中,IF-THEN语句如下:
总效应值分为事务总效应T(I,V)T和块总效应T(I,V)B两类,其中,块总效应T(I,V)B决定效应是否嵌入新的块区块链,因为它指定了所有可能路径中最强的因果关系,块总效应T(I,V)B和事务总效应T(I,V)T两者之间关系为:Pi对Pj的总影响是Pi到Pj所有路径的间接效应之和。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,通过构建模糊推理机制和采用多层非线性隐藏层法对从事务数据中获取T-S模糊神经网络进行处理,在处理过程中为可追溯链缩减其挖掘工作,也在区块链中为大数据的层次学习特征表示提供了优化的可追溯性,对所有历史交易相关数据进行跟踪,避免在每个创建新块时,重新分析和验证所有事务,大大提高了区块链挖掘的正确性、高效性和简洁性,并为深度学习应用大区块链交易数据提供了初步的指示。
2、本发明中,模糊规则推理是利用模糊规则获取专家知识判断的系统推理方法,通过采用T-S模糊神经网络方法建立关联规则数据库,保证了区块链中的可追溯链质量。
附图说明
图1示出了根据本发明实施例提供的基于区块链与模糊认知映射融合的神经网络可追溯算法构建流程示意图;
图2示出了根据本发明实施例提供的构建模糊推理机制的工作原理示意图;
图3示出了根据本发明实施例提供的多层非线性隐藏推理示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
请参阅图1-3,基于区块链与模糊认知映射融合的B-F神经网络可追溯算法,包括以下步骤:
S1、通过跟踪链算法将深度学习网络转换为区块链网络,将T-S模糊推理网络定义为块,从事务数据中直接获取T-S模糊神经网络;
S2、构建由输入层、输出层和隐藏层组成的模糊推理机制,模拟一个非线性的变换;
在步骤S2中,隐藏层的块通过对3Vs特征进行加权,来模拟一个非线性变换;
其中,交易数据包括大容量(大规模的数据)、多样性(不同形式的数据)、速度(高速的数据处理)等3Vs;
3Vs特征包括:散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名,这些特征在交易行为中都作用于T-S模糊状态转移算法的结果上;
其中,状态转移算法的目标是将决策关联状态作为交易数据中T-S模糊推理机制的最佳选择,考虑到参与者节点,我们为每个交易定义了一个交易起始节点,起始节点可以连接到各自交易中的所有节点,由交易节点和参与者节点连接的图称为交易图,采用随机法确定3Vs变量在决策中的相对权重,并对每个交易的3Vs值进行标准化;
在步骤S2中的输出层中,推断的影响既作为当前块的输出层,也作为下一个块的输入层;
S3、根据模糊推理机制,对当前块采用多层非线性隐藏法,构建模糊综合算法,得到基于区块链与模糊认知映射融合的B-F神经网络可追溯算法;
在步骤S3中多层非线性隐藏法由第一特征图法、第二层状态转移法和第三层状态关联法构成;
第一层特征图法是推理机制,推理向量被定义为一组输入向量IVg或输出向量OVg,
IVg=[if1,if2,if3,if4,if5,if6,if7,if8],g=1,2,…,8
OVg=[of1,of2,of3,of4,of5,of6,of7,of8],g=1,2,…,8,
此外,对于3Vs,邻接矩阵M包含散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名8个特征,测量多个特征变化所产生的效果,当前块中的输入向量值来自前一个块(e1)和所有历史块(e2)的输入向量,将这两个输入向量与邻接矩阵M相乘,可以分别得到两个输出向量,由邻接矩阵可知,特征的变化对其他具有模糊因果值的特征的影响在0~1之间,邻接矩阵Mi为将事务数据的特征表示为umn;
在第二层状态转移法中,利用状态转移构造相关状态图,得到事务图,使用FCM将事务转换映射到相关的状态图并将它们链接到相应的块的状态转换机制,事务从状态i到状态r的状态转换用P来表示,即Pi→Pr,每个状态包含进入及退出事务,如进入事务TX1,TX2和退出事务TX4,当事件被触发时,算法将每一个范围在0~1之间的随机初始变量Vi转换为包含模糊矩阵算法的状态Pi,Pi状态的m×m阶模糊权重矩阵为:m表示进入或退出事务的总数;
Li,1表示状态i在一个事务中的进入事务,Li,2表示其退出事务,对于任何状态i(假设i=3),将事务的进入集和退出集定义为ini={i∈Li1}和outi={i∈Li2},状态转移关系为Si=[Wi-1,Wi-2,…Wi-r…Wi-m],进而,通过状态转换公式得到Vi的下一个状态Vr,其中,Vr(i)=eir×Wi-r±Vr表示状态r变换过程中的更新变量得分,eir为状态i与状态r随机计算初始得分之间的因果关系值,如果此状态转换属于进入事务,则采用“+”,因为进入事务会增强下一个状态的得分,如果此状态转换属于退出事务,则采用“-”,因为退出事务会降低下一个状态得分;
第三层状态关联法利用事务图结果来构造关联规则数据库,当触发事件(如:比特币转账)因条件满足而发生时,则执行此状态转换机制,利用IF-THEN语句来构建关联规则数据库,帮助事务图筛选新的块和事务,在区块链中,IF-THEN语句如下:
总效应值分为事务总效应T(I,V)T和块总效应T(I,V)B两类,其中,块总效应T(I,V)B决定效应是否嵌入新的块区块链,因为它指定了所有可能路径中最强的因果关系,块总效应T(I,V)B和事务总效应T(I,V)T两者之间关系为:Pi对Pj的总影响是Pi到Pj所有路径的间接效应之和;
其中,当总效应为正路径时,就会导致正效应,相反,当总效应为负路径时,就会导致负效应,使各参与者节点之间联系起来,将总效应值转化为挖掘难度,然后对主要重大计算结果进行排序,确定各节点的挖掘难度,另外,在块中使用总效应和时间标识,有助于在特定的时间内明确交易的初始存在状态。
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实用新型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 (3)
1.基于区块链与模糊认知映射融合的B-F神经网络可追溯算法,其特征在于,包括以下步骤:
S1、通过跟踪链算法将深度学习网络转换为区块链网络,将T-S模糊推理网络定义为块,从事务数据中直接获取T-S模糊神经网络;
S2、构建由输入层、输出层和隐藏层组成的模糊推理机制,模拟一个非线性的变换;
隐藏层的块通过对3Vs特征进行加权,来模拟一个非线性变换;
所述3Vs特征包括:散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名,这些特征在交易行为中都作用于T-S模糊状态转移算法的结果上;
S3、根据模糊推理机制,对当前块采用多层非线性隐藏法,构建模糊综合算法,得到基于区块链与模糊认知映射融合的B-F神经网络可追溯算法;
所述多层非线性隐藏法由第一特征图法、第二层状态转移法和第三层状态关联法构成;
第一层特征图法是推理机制,推理向量被定义为一组输入向量IVg或输出向量OVg,
IVg=[if1,if2,if3,if4,if5,if6,if7,if8],g=1,2,…,8
OVg=[of1,of2,of3,of4,of5,of6,of7,of8],g=1,2,…,8,
对于3Vs特征,邻接矩阵M包含散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名8个特征,测量多个特征变化所产生的效果,当前块中的输入向量值来自前一个块(e1)和所有历史块(e2)的输入向量,将这两个输入向量与邻接矩阵M相乘,可以分别得到两个输出向量,由邻接矩阵可知,特征的变化对其他具有模糊因果值的特征的影响在0~1之间,邻接矩阵Mi为将事务数据的特征表示为umn;
在第二层状态转移法中,利用状态转移构造相关状态图,得到事务图,使用FCM将事务转换映射到相关的状态图并将它们链接到相应的块的状态转换机制,事务从状态i到状态r的状态转换用P来表示,即Pi→Pr,每个状态包含进入及退出事务,如进入事务TX1,TX2和退出事务TX4,当事件被触发时,算法将每一个范围在0~1之间的随机初始变量Vi转换为包含模糊矩阵算法的状态Pi,Pi状态的m×m
阶模糊权重矩阵为:m表示进入或退出事务的总数;
Li,1表示状态i在一个事务中的进入事务,Li,2表示其退出事务,对于任何状态i,将事务的进入集和退出集定义为ini={i∈Li1}和outi={i∈Li2},状态转移关系为Si=[Wi-1,Wi-2,…Wi-r…Wi-m],进而,通过状态转换公式得到Vi的下一个状态Vr,其中,Vr(i)=eir×Wi-r±Vr表示状态r变换过程中的更新变量得分,eir为状态i与状态r随机计算初始得分之间的因果关系值,如果此状态转换属于进入事务,则采用“+”,因为进入事务会增强下一个状态的得分,如果此状态转换属于退出事务,则采用“-”,因为退出事务会降低下一个状态得分;
第三层状态关联法利用事务图结果来构造关联规则数据库,当触发事件因条件满足而发生时,则执行此状态转换机制,利用IF-THEN语句来构建关联规则数据库,帮助事务图筛选新的块和事务,在区块链中,IF-THEN语句如下:
IF
e1和e2和总效应T(I,V)B
THEN
总效应值分为事务总效应T(I,V)T和块总效应T(I,V)B两类,其中,块总效应T(I,V)B决定效应是否嵌入新的块区块链,因为它指定了所有可能路径中最强的因果关系,块总效应T(I,V)B和事务总效应T(I,V)T两者之间关系为:Pi对Pj的总影响是Pi到Pj所有路径的间接效应之和。
2.根据权利要求1所述的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法,其特征在于,在步骤S2中的所述输入层包括当前块的前一个块(e1)和所有的历史块(e2)。
3.根据权利要求1所述的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法,其特征在于,在步骤S2中的所述输出层中,推断的影响既作为当前块的输出层,也作为下一个块的输入层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074569.4A CN112150152B (zh) | 2020-10-09 | 2020-10-09 | 基于区块链与模糊认知映射融合的b-f神经网络可追溯算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074569.4A CN112150152B (zh) | 2020-10-09 | 2020-10-09 | 基于区块链与模糊认知映射融合的b-f神经网络可追溯算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150152A CN112150152A (zh) | 2020-12-29 |
CN112150152B true CN112150152B (zh) | 2023-08-08 |
Family
ID=73952685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011074569.4A Active CN112150152B (zh) | 2020-10-09 | 2020-10-09 | 基于区块链与模糊认知映射融合的b-f神经网络可追溯算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150152B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595499B (zh) * | 2023-07-18 | 2023-11-21 | 江苏网进科技股份有限公司 | 一种多部门协同事务数据共享溯源方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336992A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种模糊神经网络学习算法 |
CN107038477A (zh) * | 2016-08-10 | 2017-08-11 | 哈尔滨工业大学深圳研究生院 | 一种非完备信息下的神经网络与q学习结合的估值方法 |
CN109409738A (zh) * | 2018-10-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 基于区块链平台进行深度学习的方法、电子装置 |
WO2019216975A1 (en) * | 2018-05-07 | 2019-11-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN110910977A (zh) * | 2019-11-12 | 2020-03-24 | 南京工业大学 | 一种融入区块链技术的医疗数据安全存储方法 |
CN111461075A (zh) * | 2020-05-09 | 2020-07-28 | 于珂 | 结合深度神经网络与区块链的护栏翻越检测方法 |
CN111475866A (zh) * | 2020-05-09 | 2020-07-31 | 南京工程学院 | 一种区块链电子证据保全方法和系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10540704B2 (en) * | 2007-09-06 | 2020-01-21 | Mohammad A. Mazed | System and method for machine learning based user application |
US20190394243A1 (en) * | 2012-09-28 | 2019-12-26 | Rex Wiig | System and method of a requirement, active compliance and resource management for cyber security application |
US20190394242A1 (en) * | 2012-09-28 | 2019-12-26 | Rex Wig | System and method of a requirement, active compliance and resource management for cyber security application |
US9953281B2 (en) * | 2012-09-28 | 2018-04-24 | Rex Wiig | System and method of a requirement, compliance and resource management |
US20200250780A1 (en) * | 2017-10-23 | 2020-08-06 | George Karypis | Decentralized Autonomous Evaluation Engine for Intellectual Property Assets |
US20190122258A1 (en) * | 2017-10-23 | 2019-04-25 | Adbank Inc. | Detection system for identifying abuse and fraud using artificial intelligence across a peer-to-peer distributed content or payment networks |
US20200250003A1 (en) * | 2017-12-28 | 2020-08-06 | Intel Corporation | Visual fog |
US11257073B2 (en) * | 2018-01-31 | 2022-02-22 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning models for smart contracts using distributed ledger technologies in a cloud based computing environment |
US11544782B2 (en) * | 2018-05-06 | 2023-01-03 | Strong Force TX Portfolio 2018, LLC | System and method of a smart contract and distributed ledger platform with blockchain custody service |
-
2020
- 2020-10-09 CN CN202011074569.4A patent/CN112150152B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336992A (zh) * | 2013-06-27 | 2013-10-02 | 电子科技大学 | 一种模糊神经网络学习算法 |
CN107038477A (zh) * | 2016-08-10 | 2017-08-11 | 哈尔滨工业大学深圳研究生院 | 一种非完备信息下的神经网络与q学习结合的估值方法 |
WO2019216975A1 (en) * | 2018-05-07 | 2019-11-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN109409738A (zh) * | 2018-10-25 | 2019-03-01 | 平安科技(深圳)有限公司 | 基于区块链平台进行深度学习的方法、电子装置 |
CN110910977A (zh) * | 2019-11-12 | 2020-03-24 | 南京工业大学 | 一种融入区块链技术的医疗数据安全存储方法 |
CN111461075A (zh) * | 2020-05-09 | 2020-07-28 | 于珂 | 结合深度神经网络与区块链的护栏翻越检测方法 |
CN111475866A (zh) * | 2020-05-09 | 2020-07-31 | 南京工程学院 | 一种区块链电子证据保全方法和系统 |
Non-Patent Citations (1)
Title |
---|
深度学习在软件定义网络研究中的应用综述;杨洋;吕光宏;赵会;李鹏飞;;软件学报(第07期);第258-278页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112150152A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khan et al. | Group decision support using fuzzy cognitive maps for causal reasoning | |
CN110602117B (zh) | 基于区块链的车联网节点一致性共识方法 | |
CN113780002B (zh) | 基于图表示学习和深度强化学习的知识推理方法及装置 | |
Zhao et al. | A fuzzy system for concrete bridge damage diagnosis | |
Yang et al. | Towards a snowdrift game optimization to vertex cover of networks | |
Bensaber et al. | Design and modeling an Adaptive Neuro-Fuzzy Inference System (ANFIS) for the prediction of a security index in VANET | |
CN110851491A (zh) | 基于多重邻居节点的多重语义影响的网络链接预测方法 | |
CN105682174A (zh) | 促进节点合作的机会网络演化算法及装置 | |
CN113301047A (zh) | 一种基于恶意节点攻击检测的车联网节点一致性共识方法 | |
CN112150152B (zh) | 基于区块链与模糊认知映射融合的b-f神经网络可追溯算法 | |
You et al. | An autonomous dynamic trust management system with uncertainty analysis | |
CN110348854A (zh) | 一种基于区块链的上市公司评价方法及相关设备 | |
Na et al. | Distributed Bayesian network structure learning | |
CN111784060B (zh) | 一种城市社区社会安全链式耦合风险演化情景推测方法 | |
Khan et al. | A framework for fuzzy rule-based cognitive maps | |
CN106815315A (zh) | 一种基于突发事件情景链的情景推理方法及系统 | |
CN118069607A (zh) | 异步联邦学习辅助下的区块链数据共享方法 | |
CN108648076A (zh) | 一种选举共识节点及生成节点信息表格的方法及系统 | |
CN117078259A (zh) | 基于图随机神经网络的跨链异常交易检测方法及系统 | |
CN111178414A (zh) | 符号网络中连边符号的预测方法 | |
Zarikas et al. | Intelligent elevators in a smart building | |
CN115630328A (zh) | 应急物流网络中关键节点的识别方法 | |
CN111988184B (zh) | 一种基于态势感知的广播风暴检测与处理方法 | |
CN107371125A (zh) | 基于粒子群算法的无线传感器网络故障修复方法及装置 | |
Minku et al. | Evolutionary strategies and genetic algorithms for dynamic parameter optimization of evolving fuzzy neural 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 |