CN114974593A - 基于区块链的企业卫生管理评估方法及系统 - Google Patents
基于区块链的企业卫生管理评估方法及系统 Download PDFInfo
- Publication number
- CN114974593A CN114974593A CN202210807576.3A CN202210807576A CN114974593A CN 114974593 A CN114974593 A CN 114974593A CN 202210807576 A CN202210807576 A CN 202210807576A CN 114974593 A CN114974593 A CN 114974593A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- category
- analyzed
- data
- training data
- 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
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及企业管理领域,具体涉及一种基于区块链的企业卫生管理评估方法及系统,该方法包括:构建企业信息区块链,每个区块存储一个企业的相关数据;获取待分析企业训练数据的类别分布图,根据待分析企业与区块链中企业对应类别分布图的差值图、以及区块链中企业的神经网络的质量评估值,得到待分析企业与其他企业的匹配度;获取匹配度最大的企业记为适配企业,根据待分析企业与适配企业的类别分布图的差异数据训练待分析企业对应的神经网络,得到待分析企业的卫生管理等级评估结果。本发明充分利用现有资源,以最小的成本得到待分析企业卫生管理等级。
Description
技术领域
本发明涉及人工智能、企业管理领域,具体涉及一种基于区块链的企业卫生管理评估方法及系统。
背景技术
在企业生产管理中,企业的生产环境直接影响员工的身心健康和作业环境,良好的卫生管理方法可以有效降低劳动者职业病的发病率,保护了劳动者健康及其相关权益,促进了经济社会的可持续发展,所以有必要对企业的卫生管理进行评估,但企业内的数据为企业的隐私数据,且不同企业的卫生管理评估标准不一致,如何获得在保障企业隐私的情况下,充分利用现有资源最小成本实现其他企业的卫生管理评估,是需要解决的问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于区块链的企业卫生管理评估方法及系统,所采用的技术方案具体如下:
构建企业信息区块链,每个区块存储一个企业的相关数据,所述企业的相关数据包括:企业对应的神经网络的权重和质量评估值、以及企业训练数据的类别分布图;所述企业训练数据用于训练神经网络得到企业卫生管理等级;
获取待分析企业训练数据的类别分布图,根据待分析企业与区块链中企业对应类别分布图的差值图、以及区块链中企业的神经网络的质量评估值,得到待分析企业与其他企业的匹配度;
获取匹配度最大的企业记为适配企业,适配企业对应的神经网络权重记为第一权重,将待分析企业对应的神经网络权重初始化为第一权重,根据待分析企业与适配企业的类别分布图的差异数据训练待分析企业对应的神经网络,得到待分析企业卫生管理等级。
优选地,所述企业训练数据的类别分布图具体为:获取企业训练数据的多个主成分方向向量,根据主成分方向向量对应的特征值最大的两个主成分方向向量构建二维空间,将训练数据映射到二维空间中,利用训练数据的类别对二维空间的点的像素值重新赋值得到训练数据的类别分布图。
优选地,所述待分析企业与其他企业的匹配度为:
其中,Si表示区块链中企业i训练数据的类别分布图,Sd表示待分析企业d训练数据的类别分布图,|Sd-Si|表示两个企业对应类别分布图的差值图,f(|Sd-Si|)定义为差值图中像素值为0的像素点数量,W,H为类别分布图的宽和高,Scorei表示区块链中企业i的神经网络的质量评估值,Pi d为待分析企业d和其他企业i的匹配度。
优选地,根据适配企业类别分布图中相同类别的像素坐标获取各类别的中心点坐标;获取待分析企业类别分布图与适配企业类别分布图中对应类别的交集,根据待分析企业的类别分布图与该交集的差值得到各类别的差异数据;各类别的差异数据中像素点的关注度用式子表示为:
其中,表示类别n的差异数据中各像素点到类别m的中心点的距离,表示类别
n的差异数据中各像素点到类别n的中心点的距离,Gn表示类别n的差异数据中像素点的关
注度;将待分析企业训练数据的类别分布图的非差异数据中像素点的关注度置1,结合各类
别的差异数据中像素点的关注度,得到待分析企业训练数据的关注度。
优选地,待分析企业对应神经网络的损失函数为:
其中,M表示训练数据的数据量,Gu表示训练数据u对应的关注度;yun和pun表示训练数据u属于类别n的真实概率和神经网络d的预测概率。
本发明还提供了一种基于区块链的企业卫生管理评估系统,该系统包括:
信息获取模块,用于构建企业信息区块链,每个区块存储一个企业的相关数据,所述企业的相关数据包括:企业对应的神经网络的权重和质量评估值、以及企业训练数据的类别分布图;所述企业训练数据用于训练神经网络得到企业卫生管理等级;
信息分析模块,用于获取待分析企业训练数据的类别分布图,根据待分析企业与区块链中企业对应类别分布图的差值图、以及区块链中企业的神经网络的质量评估值,得到待分析企业与其他企业的匹配度;
等级评估模块,用于获取匹配度最大的企业记为适配企业,适配企业对应的神经网络权重记为第一权重,将待分析企业对应的神经网络权重初始化为第一权重,根据待分析企业与适配企业的类别分布图的差异数据训练待分析企业对应的神经网络,得到待分析企业卫生管理等级。
本发明实施例至少具有如下有益效果:
本发明对于待分析企业卫生管理等级的评估,考虑到待分析企业与现有企业数据类别之间的差异构建差值图,用该差值图作为秘钥获得最佳匹配区块中的信息,根据待分析企业与最佳匹配区块中的信息,利用迁移学习的方法对现有的神经网络进行重训练,充分利用现有资源,以最小的成本完成待分析企业对应的神经网络的训练,即可得到待分析企业卫生管理等级评估结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于区块链的企业卫生管理评估方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于区块链的企业卫生管理评估方法及系统的具体方案。
实施例1:
请参阅图1,其示出了本发明一个实施例提供的一种基于区块链的企业卫生管理评估方法的步骤流程图,该方法包括以下步骤:
首先,构建企业信息区块链,每个区块存储一个企业的相关数据,所述企业的相关数据包括:企业对应的神经网络的权重和质量评估值、以及企业训练数据的类别分布图;所述训练数据用于训练神经网络得到企业卫生管理等级。
需要说明的是,在对企业卫生管理等级评估的前期,由于可以利用的资源有限,所以企业要采集足够多的数据来训练神经网络得到企业卫生管理等级。其中,所述企业训练数据的类别分布图具体为:获取企业训练数据的多个主成分方向向量,根据主成分方向向量对应的特征值最大的两个主成分方向向量构建二维空间,将训练数据映射到二维空间中,利用训练数据的类别对二维空间的点的像素值重新赋值得到训练数据的类别分布图。
需要说明的是,企业卫生管理等级体现在企业作业环境中的卫生状况,所以利用监控相机采集到的RGB图像与人为设定的标准RGB图像做差得到差值图;利用最大类间方差法将该差值图进行阈值化处理得到Mask图像,将Mask与相机采集到的RGB图像相乘得到图像I;进一步采集连续10帧图像对应的图像I,将10帧图像I作concatenate操作得到训练数据图像I10作为神经网络的输入。同时,获取企业生产作业环境中的各传感器的示数,传感器示数的维度包括各个企业均会部署的传感器种类数,如温度、湿度、粉尘等等,具体维度由实施者根据实际情况决定,记传感器示数维度为n,则传感器的示数记为Cn。利用交叉熵函数训练神经网络,利用该神经网络可直接获得对应企业卫生管理等级。优选地,本实施例中,人为的为每个企业的卫生管理等级进行标注获得标签数据,并将其分为M(M=5)个等级。
将企业对应的神经网络的权重和质量评估值、以及企业训练数据的类别分布图存储在区块中,获得企业信息区块链系统,一个企业对应一个区块。该步骤的有益效果为:企业的生产信息为商业信息,属于企业的隐私,企业信息区块链为一个加密的去中心化的数据库,即保证了数据安全性的同时实现了各个企业之间的数据传输,实现数据共享。
企业信息区块链包含很多区块,每一个区块存储着一个企业的相关数据,可以从企业信息区块链中直接获取每一个企业对应区块内存储的相关数据,即企业对应的神经网络的权重和质量评估值、以及企业训练数据的类别分布图,优选地,本实施例中以企业i为例,详细说明对应区块i内存储的信息。
企业i对应的神经网络i的质量评估值的获取方法具体为:企业i对应的神经网络i训练完成后,利用验证集数据得到神经网络i的混淆矩阵,根据混淆矩阵得到神经网络i的质量评估值,记为Scorei。神经网络的质量评估值可以反映分类神经网络的性能,取值为[0,1],越接近1表示神经网络的质量越好。混淆矩阵的获得方法以及质量评估值Scorei的计算过程为公知技术,在此不再赘述。
企业i训练数据的类别分布图的获取方法具体为:利用数据降维技术对企业i的训
练数据进行降维处理。数据降维可以采用PCA技术实现,获得训练数据的多个主成分方向向
量,根据主成分方向向量对应的特征值进行筛选,得到特征值最大的两个主成分方向向量,,将其作为x,y轴得到二维空间,进一步获得训练数据在两个主成分方向向量上的投
影,将其映射到二维空间中,利用训练数据的类别对二维空间的点的像素值重新赋值得到
训练数据的类别分布图Si,在类别分布图中可以反映不同类别在二维空间中的分布。在获
得企业的数据分布图时,同样将训练数据映射至以主成分方向向量,构成的二维空间
中。
需要说明的是,不同企业训练得到的神经网络的结构完全一样,但是由于不同企业卫生管理等级评估标准不同,使得神经网络的权重各不相同,记神经网络i的权重为Qi。则企业i对应的区块i内储存的相关数据为:企业i对应的神经网络i的权重Qi和质量评估值Scorei、以及企业i训练数据的数据分布图Si。每一个企业对应一个区块,将企业总数记为h,则得到一个长度为h的区块链。
然后,获取待分析企业训练数据的类别分布图,根据待分析企业与区块链中企业对应类别分布图的差值图、以及区块链中企业的神经网络的质量评估值,得到待分析企业与其他企业的匹配度,获取匹配度最大的企业记为适配企业。该步骤的目的是对新企业进行企业卫生管理等级评估时,从区块链中选取与新企业最为匹配的区块,并获得该区块的信息。该步骤的有益效果为:借助区块链数据共享和数据安全的功能,充分利用现有资源,从现有的资源在中得到与新企业匹配度最高的数据信息。
企业训练数据的类别分布图可以反映类别分布情况,反映不同类别的分类标准,对类别分布图相同的两个企业来说其分类标准是相同的,可以采用相同的神经网络进行企业卫生管理等级的评估。
待分析企业d首先采集自身企业数据,获得待分析企业d的训练数据,获取待分析企业训练数据的类别分布图Sd,计算企业信息区块链中各区块对应的企业与待分析企业的匹配度,匹配度越高表示两个企业分类标准越相似,优选地,本实施例中以区块链中企业i为例进行计算,则企业i与待分析企业d的匹配度的计算方法为:
其中,Si表示区块链中企业i训练数据的类别分布图,Sd表示待分析企业训练数据的类别分布图,|Sd-Si|表示两个企业对应类别分布图的差值图,f(|Sd-Si|)定义为差值图中像素值为0的像素点数量,W,H为类别分布图的宽和高,Scorei表示区块链中企业i的神经网络的质量评估值,Pi d为待分析企业d和其他企业i的匹配度。获得与待分析企业d匹配度最大的区块作为最佳匹配区块K,获得区块K对应的企业记为适配企业K,获取该区块内储存的神经网络K的权重QK和类别分布图SK。
最后,将适配企业对应的神经网络权重记为第一权重,将待分析企业对应的神经网络权重初始化为第一权重,根据待分析企业与适配企业的类别分布图的差异数据训练待分析企业对应的神经网络,得到待分析企业的卫生管理等级评估结果。
其中,利用区块中存储的企业相关信息训练待分析企业的神经网络,得到待分析企业卫生管理等级评估结果。该步骤的目的是利用现有的神经网络权重,进行网络的重训练,利用最少的资源浪费得到满足待分析企业卫生管理等级评估需求的神经网络。首先利用迁移学习的思想,将待分析企业d神经网络的权重初始化为权重QK,在此基础上进行待分析企业d的神经网络的训练,具体的训练过程如下:
根据适配企业类别分布图中相同类别的像素坐标获取各类别的中心点坐标;获取待分析企业类别分布图与适配企业类别分布图中对应类别的交集,根据待分析企业的类别分布图与该交集的差值得到各类别的差异数据。
同时,获取待分析企业类别分布图Sd与适配企业类别分布图SK中对应类别的交集,用Sd-(Sd∩SK)表示待分析企业的类别分布图与该交集的差值得到各类别的差异数据。差异数据包括所有类别的数据,需要对每一个类别的差异数据进行分析,则差异数据中像素点的关注度,用式子表示为:
其中,表示类别n的差异数据中各像素点到类别m的中心点的距离,表示类别
n的差异数据中各像素点到类别n的中心点的距离,Gn表示类别n的差异数据中像素点的关
注度;将待分析企业训练数据的类别分布图的非差异数据中像素点的关注度置1,结合各类
别的差异数据中像素点的关注度,得到待分析企业d训练数据的关注度。
具体地,以适配企业类别分布图SK中共有N(N=5)个类别为例进行说明:获取适配
企业类别分布图SK中像素值为1的所有像素点记为类别1,则类别1对应的中心点,其中B表示像素值为1的像素点的数量,(xb,yb)为类别n中的像素点
坐标。按照该方法得到所有类别对应的中心点,,,,。
同时,获取待分析企业类别分布图Sd与适配企业类别分布图SK中对应类别的交集,
用Sd-(Sd∩SK)表示待分析企业的类别分布图与该交集的差值得到各类别的差异数据。差
异数据包括所有类别的数据,需要对每一个类别的差异数据进行分析。记类别1的差异数据
构成的集合为J1,计算集合J1内像素点v1与每一个类别对应的中心点,,,,的
距离,分别记为,,,,,集合为J1内像素点v1的关注度的计算公式为:
按照该计算公式可以得到类别1的差异数据集合J1中每一个像素点的关注度。
按照该计算公式可以得到类别2的差异数据集合J2中每一个像素点的关注度。以此类推可以得到每一个类别的差异数据中各像素点的关注度。同时,将待分析企业训练数据的类别分布图的非差异数据中像素点的关注度置1,结合各类别的差异数据中各像素点的关注度,得到待分析企业d训练数据的关注度。
同时在权重QK的基础上进行待分析企业d的神经网络的训练,损失函数的计算公式如下:
其中,M表示训练数据的数据量,Gu表示训练数据u对应的关注度;yun和pun表示训练数据u属于类别n的真实概率和神经网络d的预测概率,其中类别n的真实概率是由人为标注的标签数据获得;预测概率是神经网络d输出的结果。利用梯度下降法不断迭代完成神经网络的训练,得到待分析企业的神经网络的权重记为Qd。
利用训练好的待分析企业的神经网络得到待分析企业d的卫生管理等级。利用待分析企业d的测试机数据获得其对应的神经网络权重Qd和质量评估值Scored、以及待分析企业d训练数据的类别分布图Sd,将其储存在新的区块d中,实现对企业信息区块链的更新,用于下一个新区块的产生。
实施例2:
本实施例提供了一种基于区块链的企业卫生管理评估系统,该系统包括:
信息获取模块,用于构建企业信息区块链,每个区块存储一个企业的相关数据,所述企业的相关数据包括:企业对应的神经网络的权重和质量评估值、以及企业训练数据的类别分布图;所述企业训练数据用于训练神经网络得到企业卫生管理等级;
信息分析模块,用于获取待分析企业训练数据的类别分布图,根据待分析企业与区块链中企业对应类别分布图的差值图、以及区块链中企业的神经网络的质量评估值,得到待分析企业与其他企业的匹配度;
等级评估模块,用于获取匹配度最大的企业记为适配企业,适配企业对应的神经网络权重记为第一权重,将待分析企业对应的神经网络权重初始化为第一权重,根据待分析企业与适配企业的类别分布图的差异数据训练待分析企业对应的神经网络,得到待分析企业卫生管理等级。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于区块链的企业卫生管理评估方法,其特征在于,该方法包括以下步骤:
构建企业信息区块链,每个区块存储一个企业的相关数据,所述企业的相关数据包括:企业对应的神经网络的权重和质量评估值、以及企业训练数据的类别分布图;所述企业训练数据用于训练神经网络得到企业卫生管理等级;
获取待分析企业训练数据的类别分布图,根据待分析企业与区块链中企业对应类别分布图的差值图、以及区块链中企业的神经网络的质量评估值,得到待分析企业与其他企业的匹配度;
获取匹配度最大的企业记为适配企业,适配企业对应的神经网络权重记为第一权重,将待分析企业对应的神经网络权重初始化为第一权重,根据待分析企业与适配企业的类别分布图的差异数据训练待分析企业对应的神经网络,得到待分析企业卫生管理等级。
2.根据权利要求1所述的方法,其特征在于,所述企业训练数据的类别分布图具体为:
获取企业训练数据的多个主成分方向向量,根据主成分方向向量对应的特征值最大的两个主成分方向向量构建二维空间,将训练数据映射到二维空间中,利用训练数据的类别对二维空间的点的像素值重新赋值得到训练数据的类别分布图。
6.一种基于区块链的企业卫生管理评估系统,其特征在于,该系统包括:
信息获取模块,用于构建企业信息区块链,每个区块存储一个企业的相关数据,所述企业的相关数据包括:企业对应的神经网络的权重和质量评估值、以及企业训练数据的类别分布图;所述企业训练数据用于训练神经网络得到企业卫生管理等级;
信息分析模块,用于获取待分析企业训练数据的类别分布图,根据待分析企业与区块链中企业对应类别分布图的差值图、以及区块链中企业的神经网络的质量评估值,得到待分析企业与其他企业的匹配度;
等级评估模块,用于获取匹配度最大的企业记为适配企业,适配企业对应的神经网络权重记为第一权重,将待分析企业对应的神经网络权重初始化为第一权重,根据待分析企业与适配企业的类别分布图的差异数据训练待分析企业对应的神经网络,得到待分析企业卫生管理等级。
7.根据权利要求6所述的系统,其特征在于,所述企业训练数据的类别分布图具体为:
获取企业训练数据的多个主成分方向向量,根据主成分方向向量对应的特征值最大的两个主成分方向向量构建二维空间,将训练数据映射到二维空间中,利用训练数据的类别对二维空间的点的像素值重新赋值得到训练数据的类别分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807576.3A CN114974593B (zh) | 2022-07-11 | 2022-07-11 | 基于区块链的企业卫生管理评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807576.3A CN114974593B (zh) | 2022-07-11 | 2022-07-11 | 基于区块链的企业卫生管理评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114974593A true CN114974593A (zh) | 2022-08-30 |
CN114974593B CN114974593B (zh) | 2022-10-21 |
Family
ID=82969157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210807576.3A Active CN114974593B (zh) | 2022-07-11 | 2022-07-11 | 基于区块链的企业卫生管理评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114974593B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933703A (zh) * | 2019-03-14 | 2019-06-25 | 鹿寨知航科技信息服务有限公司 | 一种企业知识产权价值评估模型的构建方法 |
CN110826903A (zh) * | 2019-11-04 | 2020-02-21 | 云南电网有限责任公司电力科学研究院 | 一种基于区块链的企业信誉度评估方法 |
CN112702410A (zh) * | 2020-12-18 | 2021-04-23 | 深圳赛安特技术服务有限公司 | 一种基于区块链网络的评估系统、方法及相关设备 |
CN113535848A (zh) * | 2021-06-23 | 2021-10-22 | 国网河北省电力有限公司信息通信分公司 | 基于区块链的征信等级确定方法、装置、设备及存储介质 |
CN113592287A (zh) * | 2021-07-27 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 风险评估方法和装置 |
-
2022
- 2022-07-11 CN CN202210807576.3A patent/CN114974593B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933703A (zh) * | 2019-03-14 | 2019-06-25 | 鹿寨知航科技信息服务有限公司 | 一种企业知识产权价值评估模型的构建方法 |
CN110826903A (zh) * | 2019-11-04 | 2020-02-21 | 云南电网有限责任公司电力科学研究院 | 一种基于区块链的企业信誉度评估方法 |
CN112702410A (zh) * | 2020-12-18 | 2021-04-23 | 深圳赛安特技术服务有限公司 | 一种基于区块链网络的评估系统、方法及相关设备 |
CN113535848A (zh) * | 2021-06-23 | 2021-10-22 | 国网河北省电力有限公司信息通信分公司 | 基于区块链的征信等级确定方法、装置、设备及存储介质 |
CN113592287A (zh) * | 2021-07-27 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 风险评估方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114974593B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3940591A1 (en) | Image generating method, neural network compression method, and related apparatus and device | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN111368896B (zh) | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
Li et al. | A review of deep learning methods for pixel-level crack detection | |
CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
CN113934983A (zh) | 一种特征变量的分析方法、装置、计算机设备及存储介质 | |
CN114974593B (zh) | 基于区块链的企业卫生管理评估方法及系统 | |
CN114758787A (zh) | 区域疫情信息处理方法、装置和系统 | |
Guduru et al. | Prediction framework for upper body sedentary working behaviour by using deep learning and machine learning techniques | |
CN116977256A (zh) | 缺陷检测模型的训练方法、装置、设备及存储介质 | |
Aubrun et al. | Unsupervised learning of robust representations for change detection on sentinel-2 earth observation images | |
CN106530199B (zh) | 基于窗口式假设检验的多媒体综合隐写分析方法 | |
CN112926989B (zh) | 一种基于多视图集成学习的银行贷款风险评估方法及设备 | |
CN115114467A (zh) | 图片神经网络模型的训练方法以及装置 | |
Kadiyam | Crime rate prediction from street view images using convolutional neural networks and transfer learning | |
CN113538199B (zh) | 一种基于多层感知卷积和通道加权的图像隐写检测方法 | |
Poojitha et al. | ML Framework for Efficient Assessment and Prediction of Human Performance in Collaborative Learning Environments | |
CN117688535A (zh) | 基于横向图联邦学习的违规自媒体用户识别方法及系统 | |
CN117909200B (zh) | 一种信息保障体系能力增量对比评估方法、设备及系统 | |
CN112819610B (zh) | 信用的评估方法、信用评估模型的训练方法以及设备 | |
CN113723093B (zh) | 人员管理策略推荐方法、装置、计算机设备及存储介质 | |
Prudêncio et al. | Selecting and ranking time series models using the NOEMON approach | |
Jeba et al. | 2 Exploring Learning and the Big Power Data of Deep in Flood Forecasting |
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 |