CN117035802A - 一种基于容量证明双重检验预测动物健康的共识方法 - Google Patents
一种基于容量证明双重检验预测动物健康的共识方法 Download PDFInfo
- Publication number
- CN117035802A CN117035802A CN202310418500.6A CN202310418500A CN117035802A CN 117035802 A CN117035802 A CN 117035802A CN 202310418500 A CN202310418500 A CN 202310418500A CN 117035802 A CN117035802 A CN 117035802A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- uplink
- animal health
- health
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 59
- 241001465754 Metazoa Species 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012360 testing method Methods 0.000 title claims description 17
- 238000012795 verification Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims description 19
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 241000283690 Bos taurus Species 0.000 abstract description 36
- 210000004556 brain Anatomy 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000012384 transportation and delivery Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 235000015278 beef Nutrition 0.000 description 8
- 230000029058 respiratory gaseous exchange Effects 0.000 description 7
- 230000037213 diet Effects 0.000 description 5
- 235000005911 diet Nutrition 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Finance (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于容量证明双重检验预测动物健康的共识方法,涵盖动物从出生到出栏的健康信息,预测动物健康度。本发明可以应用在吉林牛脑大数据服务平台系统中,对溯源信息在上链时进行双重验证,确保上链信息正确,并在此基础上对动物的健康进行预测。本发明主要保证了上链信息的正确性,预测了动物的健康情况,解决了溯源信息与实际阈值偏离较大等问题,同时提高溯源系统中动物健康信息的可信度。
Description
技术领域
本发明涉及区块链溯源技术领域,具体为一种基于容量证明双重检验预测动物健康的共识方法。
背景技术
区块链技术作为核心技术自主创新突破口已延伸到数字金融、物联网、智能制造、供应链管理、数字资产交易等多个领域,并以其良好的分布式存储、点对点传输机制、数据可追溯性、数据防篡改性为人们所认可。其主要共识算法POC(容量证明)应用于恶意软件检测的计算方法,由POC衍生出的网络带宽权证机制,将拒绝恶意攻击者的带宽请求及服务响应,相较POS(股权证明)及DPOS(代理权益证明)而言,恶意攻击者会有更高的攻击成本,因此基于POC共识机制的网络具有更高的安全防护能力。本发明提出了一种基于容量证明双重检验预测动物健康的共识方法,涵盖动物的出生到出栏的健康信息,预测动物健康度,以便于提前做出防范。
发明内容
本发明提出了一种基于容量证明双重检验预测动物健康的共识方法。应用在吉林牛脑大数据服务平台中,对溯源信息上链时的双重验证的共识方法,并确保上链信息正确的前提下对动物的健康进行验证。本发明主要保证上链信息的正确性,解决溯源信息与实际阈值偏离较大等问题。提高溯源系统中动物健康信息的可信度。
为实现上述目的,本发明采用如下的技术方案:基于容量证明双重检验预测动物健康的共识方法,其特征在于,包括如下步骤:
步骤1:采用新型的智能设备进行识别,包括具有边缘计算能力的摄像设备和相关环境的物联网设备等;将采集到的动物图片或者视频输入到具有图形处理能力的服务器上进行识别等操作;然后利用动物脸识别和辅助身体识别技术,根据预设规则获取识别对象的数据信息及获取溯源系统中动物的身份信息;
步骤2:利用模糊评价模型,评价动物的阈值范围,确定系统中动物的阈值范围,然后按照预设规则根据评定参数的类型匹配相应的阈值区间;
步骤3:按照预设规则确定溯源系统中的物理设备存在预上链数据的准确率h;
步骤4:利用预设规则,将数据准确率限制在一定范围内,确定溯源系统中数据准确阈值H的共识函数S;
步骤5:按照预设规则对溯源系统的所有设备进行二次验证,得到h的加权函数值P;
步骤6:按照预设规则,确定溯源系统中最大P值时的溯源信息,获取系统中Pmax时的溯源信息,并以此时刻数据作为系统中的上链数据;
步骤7:获取上链溯源信息后,利用决策树对溯源信息进行特征提取操作,首先对上链信息进行特征值化操作,保证溯源系统对溯源信息数据更好的理解;
步骤8:根据对动物健康参数模糊评价的阈值,根据预设规则为决策树确定预测区间。
进一步,步骤1所述的预设规则为:
(1)读取模糊筛选结果,获取初步预上链数据集合;
(2)对预上链数据进行分类,获取溯源系统中预上链的数据;
(3)读取当前系统中区块数量,获取溯源系统中总区块数;
(4)对数据进行跟踪,获取溯源系统中受该数据影响的区块参数;
(5)根据评价结果,确定初步的筛选范围。
进一步,步骤2中所述的预设规则为:按照溯源信息对动物的影响程度及类型初始阈值区间,对其区间进行筛选操作,即将其区间变为[m-a,k+a],也就是确定溯源信息的阈值范围,保证数据的初步正确,防止与实际参数相差较大的错误出现;其中,a为筛选程度,m为阈值的下限,k为阈值的上限。
进一步,步骤3中所述的预设规则为:
(1)
其中,h为数据准确率,b表示当前时间段内正确的上链数据数,c表示时间段内错误的上链数据数,n 表示网络中总共的物理设备,f 表示当前网络中所有的区块。
进一步,步骤4中的预设规则为:采用Sigmod函数将h的映射到0-1区间,进一步限定h的范围:
(2)
其中S为H的共识函数,当S>0.71时,表示数据正确率较高在90%以上,该数值可作为溯源系统的参考依据。
进一步,步骤5中的预设规则为:
(3)
其中,wi是根据区块节点其重要程度所赋予的权重且,i为溯源系统
中的动物的身份信息总数,f表示当前网络中所有的区块。
进一步,步骤6中的预设规则为:
(4)
其中,H为溯源系统中数据的准确阈值,P为h加权函数;H值越大,代表系统的数据上链信息正确性越高,H≥0.9时表示系统中数据上链到区块中的准确率在90%以上。
进一步,步骤6中对数据存入的所在区块进行H验证,确保H≥0.9,保证溯源信息正确率较高,数据可信确保该溯源区块的数据可信,反之如果H阈值≤0.9,时,数据可信率较低, 进一步,数据会存入无用区块,并在缓存模块卸载。
进一步,步骤8中的预设规则为:确定动物健康阈值区间,建立决策树的预测模型,运用决策模型对溯源信息进行数字区间的识别;在此过程中,统计筛选的总次数,根据决策模型的数据,按照预设规则,预测动物的健康度;其中健康度的计算公式为:
(5)
其中,j表示健康度,u表示健康的次数,q表示不健康的次数。
通过上述设计方案,本发明可以带来如下的有益效果:本发明提出了一种基于容量证明双重检验预测动物健康的共识方法,首先,本发明引入模糊算法,通过人为的初步筛选确定第一批数据的阈值区间,从而增加预处理数据的准确性,提高了算法整体校验数据的能力;其次,本发明采用双层校验的方法,提供一种新型的算法模块,并筛选出对牛健康影响较大的因素,对其进行加权操作确定其影响的系数,计算当期时间内准确率最大的数值,并根据系数权重运用决策树对其进行计算,得出其健康度;最后,本算法基于区块链poc算法,具有去中心化和不可 篡改性的特征,相比于其他算法安全性能更强,检验的准确率更高。
附图说明
图1为本发明所涉及的算法的框架结构图。
一种基于容量证明双重检验预测动物健康的方法。其框架有四层应用接口层,处理层,事务层,存储层,应用接口层是算法的接口层,主要接收并读取数据,对数据进行初步的模糊评价,并筛选预上链的数据。处理层对应用接口层处理后的数据进行再次处理,基于容量证明的算法提出了一种双重检验上链算法的预测肉牛健康的方法。
根据数据在物理设备中所占的内存大小排序计算优先级,对欲上链数据输入计算模块计算H值。事务层,主要对计算后的数据以及区块进行验证,无用的数据以及区块会在缓存层进行卸载以释放内存,减少系统的运算力,有效的区块或数据会保留并传递给存储层。存储层,可以将上链的数据或者区块进行存储,并与事务层的缓存层相连时刻进行数据交换,实时更新数据,保证数据信息的可靠性,和实时性。
以下是图中所涉及的符号说明:H 表示阈值,h 数据准确率,P 为加权函数,S 为共识函数,b 表示时间段内正确的上链数据数,C 表示时间段内错误的上链数据数,n 表示网络中总共的物理设备,f 表示当前网络中所有的区块。
具体实施方式
为保证本发明的技术方法及优点更加清晰明了,本发明结合附图和具体实施方式做进一步详细说明。下面结合具体实施例,我们以肉牛为例, 对本发明作进一步的详细说明。
一种基于容量证明双重检验预测动物健康的共识方法,本方法应用在吉林牛脑大数据服务平台的系统中的溯源系统上,该系统包含区块链网络,溯源信息采集模块,溯源信息校验模块,溯源信息上链模块,缓存模块,存储模块,健康模块等;其中,溯源信息采集模块用于采集系统中肉牛的溯源信息;溯源信息校验模块用于将采集模块所采集的溯源信息进行双重检验。缓冲模块用于卸载掉无用的数据并与存储模块交互卸载无用区块。传递有效区块溯源信息上链模块:用于将满足条件的检验信息进行上链。存储模块用于存储溯源信息,并与缓存模块交互更新数据。健康模块用于进行对动物健康信息的存储预测与计算,并与存储层交互传递信息。
一种基于容量证明双重检验预测动物健康的共识方法,包括步骤如下:
1、基于物联网的边缘设备并与相关物理设备相连或在过道中间安装个循迹小车并与边缘设备进行连接,或采用巡检机器人进行录制采集溯源信息视频,也可以采用普通摄像头采集数据并将数据传给具有识别功能的边缘设备。
2、将输入采集的牛的图片保留等待处理,视频按每秒10帧截取生成图片,把所有的图片通过CNN(神经网络),对牛脸、牛背、牛眼进行检测,筛选出具有这些特征的图片数据,并进行数据清洗,设置其结构相似性指数SSIM(结构相似性)阈值约束,衡量两幅图像相似度。去掉视频中的相似图片,筛选出清晰并且有特征的图像。
3、利用facenet识别算法对图像进行训练,将图像数据输入facenet识别算法,对图像进行特征提取,提取长度为128的特征向量并对特征向量进行L2标准化,保证不同图片数据属于同一数量级中,并以此特征向量作为特征标签,同时facenet会将需要训练的所有图片数据保存在facenet数据库,通过计算提取出来的特征向量和facenet数据库中图片数据的欧式距离,并对比选取距离当前训练图片最短且小于一定阈值的欧式距离的图片作为该牛的身份,获得每头牛的电子身份信息,将每头牛的身份数据传入到溯源信息采集模块,为后续传入每头牛的溯源信息做准备。
4、以一头牛为例,利用一种基于容量证明双重检验预测动物健康的共识方法中的采集模块,筛选出对牛健康有影响的溯源信息数据,并对数据进行初步模糊评价评价,如温度对牛的影响:我们通过养牛专家观察不同温度环境下,得出肉牛的温度阈值在20℃—25℃,饮食量阈值在8斤/天-12斤/天,呼吸速率阈值25—28次/min,为健康的数据,设X为温度,y为呼吸速率,z为饮食量。得出健康阈值范围,并以该阈值设为决策树识别阈值,其阈值如下:X∈(20,25),y∈(25,28),z∈(8,12)。
5、在这一阈值区间对数据进行按照对牛的影响程度对其区间进行[m-a,k+a]的操作,对X中的a设为8,对y中的a为5,对z中的a设为4。得出筛选数据的区间,根据区间建立对影响肉牛的健康系数的模糊综合评判方法的初步筛选数据区间,并把变化区间做出划分,使评价阈值更符合实际情况。对后续预测提供处理和筛选的初步数据集,区间如下X∈(12,33),y∈(20,33),z∈(4,16)。
6、经过人为模糊评价后,数据完成了第一层的检验,偏离较大的数据输入到溯源系统中的缓存模块进行卸载保证了数据初步的准确性,获得预上链数据。利用决策进行对筛选的数据进行数字识别,根据人为对动物健康参数模糊评价的阈值,为决策树确定预测区间,进一步,确定动物健康阈值区间,建立决策树的预测模型。
7、将经过模糊评价后的数据输入溯源信息校验模块检验,对数据进行分类。根据预设规则来计算系统中上链数据的准确性,设体温区块数据:n=10,c=4,b=40,f=10,由此算得h1=0.909, 呼吸速率区块数据:n=10,c=3,b=42,f=10,由此算得h2=0.93,饮食量区块数据n=10,c=5,b=45,f=10,由此算得h3=0.9得出系统中上链数据的准确率为90.9%,93%,90%。系统中准确率较高,则表示系统中数据可信度较高。
8、进一步,控制P的范围,确保h∈(0,1),当h1=0.909 ,h2=0.93, h3=0.9得出S1=0.712,S2 =0.717 S3=0.710,此时的h大于0.9,此时溯源系统的数据可作为上链数据。
9、进一步根据检验规则(3)其中,P为h的加权函数,wi是根据区块节点对其重要程度和对牛的健康影响程度所赋予的权重,此时系统中有3组数据,其中h1 =0.909,h2 =0.930,h3=0.900,设置温度节点的权重w1=0.3,呼吸速率节点的权重w2=0.2,饮食量节点的权重w3=0.5,p1=0.909*0.3+0.93*0.2+0.9*0.5=0.908。
10、选取系统中上链时最大的P的值,以该值设为H阈值,并以此为评定系统中数据正确率的标准,这里以计算的P1 为最大值。H=max(0.908),表示溯源系统中各个参数上联数据准确率为平均为90.8%,表示系统数据安全可靠。以溯源系统中的一头牛为例,采集5组该牛的环境温度,呼吸率等数据。并根据双重检验算法计算,其中H为0.95,S为无限接近于1的数值,表示系统中数据的正确率达到要求标准,确定了溯源信息的上链信息是正确的,该数据可以作为预测数据进行预测。
11、设该牛五天中健康参数为(x,y,z) ,x表示温度,y表示呼吸速率,z表示饮食量,采集五组上链数据(21℃,25次/min,9斤),(18℃,23次/min,8斤)(30℃,30次/min,4斤)(21℃,20次/min,10斤)(21℃,23次/min,10斤),根据动物健康参数模糊评价的阈值即决策树的预测区间,进一步,确定动物健康阈值区间,建立决策树的预测模型,运用决策模型对溯源信息进行数字区间识别扫描。进一步,筛选出健康阈值范围内的数据并计数。阈值如下:X∈(20,25),y∈(25,28),z∈(8,12)。
12、利用决策树统计筛选的总次数,根据决策模型的数据,利用决策树预测牛的健康:从该牛的数据可以看出该牛四次数据基本正常,在第二组时,室温在第二天偏高,牛呼吸速率变高,饮食量减少,第三天及时调整,保证牛的呼吸速率正常,该牛五次数据中一次为不健康,所以决策树识别预测出u=4,q=1,j=0.8;表示该牛的健康度为80%。
Claims (8)
1.一种基于容量证明双重检验预测动物健康的共识方法,包括如下步骤:
步骤1:采用新型的智能设备进行识别,包括具有边缘计算能力的摄像设备和相关环境的物联网设备等;将采集到的动物图片或者视频输入到具有图形处理能力的服务器上进行识别等操作;然后利用动物脸识别和辅助身体识别技术,根据预设规则获取识别对象的数据信息及获取溯源系统中动物的身份信息;
步骤2:利用模糊评价模型,评价动物的阈值范围,确定系统中动物的阈值范围,然后按照预设规则根据评定参数的类型匹配相应的阈值区间;
步骤3:按照预设规则确定溯源系统中的物理设备存在预上链数据的准确率h;
步骤4:利用预设规则,将数据准确率限制在一定范围内,确定溯源系统中数据准确率h的共识函数S;
步骤5:按照预设规则对溯源系统的所有设备进行二次验证,得到h的加权函数值P;
步骤6:按照预设规则,确定溯源系统中最大P值时的溯源信息,获取系统中Pmax时的溯源信息,并以此时刻数据作为系统中的上链数据;
步骤7:获取上链溯源信息后,利用决策树对溯源信息进行特征提取操作,首先对上链信息进行特征值化操作,保证溯源系统对溯源信息数据更好的理解;
步骤8:根据对动物健康参数模糊评价的阈值,根据预设规则为决策树确定预测区间。
2.根据权利要求1所述的一种基于容量证明双重检验预测动物健康的共识方法,其特征在于:步骤1中,采用新型的智能设备进行识别,将采集到的数据输入具有图形处理器算力的服务器进行识别等操作,利用动物脸识别和辅助身体识别技术,获取识别对象的数据信息及获取溯源系统中动物的信息。
3.根据权利要求1所述的一种基于容量证明双重检验预测动物健康的共识方法,其特征在于:步骤2中模糊评价确定筛选区间规则为[m-a,k+a]的筛选操作,a为筛选程度,m为阈值的下限,k为阈值的上限,根据人为数据的阈值和采集的数据确定筛选程度a的值。
4.根据权利要求1所述的一种基于容量证明双重检验预测动物健康的共识方法,其特征在于:步骤3中确定溯源系统中的一个物理设备存在预上链数据的准确率的规则为:
(1)
其中,h为数据准确率,b表示当前时间段内正确的上链数据数,c表示时间段内错误的上链数据数,n 表示网络中总共的物理设备,f 表示当前网络中所有的区块。
5.根据权利要求1所述的一种基于容量证明双重检验预测动物健康的共识方法,其特征在于:步骤4中采用Sigmod函数将h的映射到0-1区间,进一步限定h的范围:
(2)
其中S为H的共识函数,当S>0.71时,表示数据正确率较高在90%以上,该数值可作为溯源系统的参考依据。
6.根据权利要求1所述的一种基于容量证明双重检验预测动物健康的共识方法,其特征在于:步骤5对溯源系统的所有设备进行第二次验证规则为:
(3)
其中,wi是根据区块节点其重要程度所赋予的权重且,i为溯源系统中的动物的身份信息总数,f表示当前网络中所有的区块。
7.根据权利要求1所述的一种基于容量证明双重检验预测动物健康的共识方法,其特征在于:步骤6对确定溯源系统中最大P值时的溯源信息获取系统中Pmax时的溯源信息规则为:
(4)
其中,H为溯源系统中数据的准确阈值,P为h加权函数;H值越大,代表系统的数据上链信息正确性越高,H≥0.9时表示系统中数据上链到区块中的准确率在90%以上。
8.根据权利要求1所述的一种基于容量证明双重检验预测动物健康的共识方法,其特征在于:步骤8中确定动物健康阈值区间,建立决策树的预测模型,运用决策模型对溯源信息进行数字区间的识别。筛选出健康阈值范围内的数据并计数,统计筛选的总次数,根据决策模型的数据,按照预设规则,预测动物的健康度;其中健康度的计算公式为:
(5)
其中,j表示健康度,u表示健康的次数,q表示不健康的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310418500.6A CN117035802A (zh) | 2023-04-19 | 2023-04-19 | 一种基于容量证明双重检验预测动物健康的共识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310418500.6A CN117035802A (zh) | 2023-04-19 | 2023-04-19 | 一种基于容量证明双重检验预测动物健康的共识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117035802A true CN117035802A (zh) | 2023-11-10 |
Family
ID=88641765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310418500.6A Pending CN117035802A (zh) | 2023-04-19 | 2023-04-19 | 一种基于容量证明双重检验预测动物健康的共识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035802A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143183A1 (zh) * | 2019-01-11 | 2020-07-16 | 平安科技(深圳)有限公司 | 基于股份授权证明机制的区块链共识方法及相关设备 |
CN112395566A (zh) * | 2020-12-08 | 2021-02-23 | 江西赣鄱云新型智慧城市技术研究有限公司 | 基于区块链的数据溯源系统 |
CN113469717A (zh) * | 2021-07-26 | 2021-10-01 | 北京电信规划设计院有限公司 | 基于区块链和虹膜识别的动物身份谱系溯源系统及方法 |
US20210390549A1 (en) * | 2020-06-15 | 2021-12-16 | Capital One Services, Llc | Systems and methods for building blockchains for verifying assets for smart contracts |
CN114079567A (zh) * | 2020-08-21 | 2022-02-22 | 东北大学秦皇岛分校 | 一种基于区块链的通用性ip溯源系统及方法 |
CN114998046A (zh) * | 2022-06-17 | 2022-09-02 | 贵州东彩供应链科技有限公司 | 一种基于畜牧业养殖供应链溯源系统 |
CN115660696A (zh) * | 2021-07-07 | 2023-01-31 | 吉林省桥王智能科技有限公司 | 具有数据验证功能的动物个体溯源共识方法 |
-
2023
- 2023-04-19 CN CN202310418500.6A patent/CN117035802A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143183A1 (zh) * | 2019-01-11 | 2020-07-16 | 平安科技(深圳)有限公司 | 基于股份授权证明机制的区块链共识方法及相关设备 |
US20210390549A1 (en) * | 2020-06-15 | 2021-12-16 | Capital One Services, Llc | Systems and methods for building blockchains for verifying assets for smart contracts |
CN114079567A (zh) * | 2020-08-21 | 2022-02-22 | 东北大学秦皇岛分校 | 一种基于区块链的通用性ip溯源系统及方法 |
CN112395566A (zh) * | 2020-12-08 | 2021-02-23 | 江西赣鄱云新型智慧城市技术研究有限公司 | 基于区块链的数据溯源系统 |
CN115660696A (zh) * | 2021-07-07 | 2023-01-31 | 吉林省桥王智能科技有限公司 | 具有数据验证功能的动物个体溯源共识方法 |
CN113469717A (zh) * | 2021-07-26 | 2021-10-01 | 北京电信规划设计院有限公司 | 基于区块链和虹膜识别的动物身份谱系溯源系统及方法 |
CN114998046A (zh) * | 2022-06-17 | 2022-09-02 | 贵州东彩供应链科技有限公司 | 一种基于畜牧业养殖供应链溯源系统 |
Non-Patent Citations (3)
Title |
---|
SEBASTIAN GEIGER等: ""Process Traceability in Distributed Manufacturing using Blockchains"", 《34TH ACM/SIGAPP ANNUAL INTERNATIONAL SYMPOSIUM ON APPLIED COMPUTING (SAC)》, 12 April 2019 (2019-04-12), pages 417 - 420, XP058637480, DOI: 10.1145/3297280.3297546 * |
李琦 等: ""基于区块链的草原畜产品溯源系统的设计与部署方案"", 《山西农经》, no. 07, 15 April 2020 (2020-04-15), pages 139 - 140 * |
闫卫东: ""浅析农产品溯源系统的建设"", 《中国优秀硕士学位论文全文数据库(电子期刊)》, 15 March 2015 (2015-03-15), pages 138 - 788 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11694137B2 (en) | Re-training a model for abnormality detection in medical scans based on a re-contrasted training set | |
CN110490239B (zh) | 图像质控网络的训练方法、质量分类方法、装置及设备 | |
CN110414305A (zh) | 人工智能卷积神经网络人脸识别系统 | |
CN112016527B (zh) | 基于深度学习的大熊猫行为识别方法、系统、终端及介质 | |
CN109117774B (zh) | 一种基于稀疏编码的多视角视频异常检测方法 | |
CN111785384A (zh) | 基于人工智能的异常数据识别方法及相关设备 | |
CN113657548A (zh) | 医保异常检测方法、装置、计算机设备及存储介质 | |
WO2021120007A1 (zh) | 一种基于红外图像序列的睡眠质量评估系统和方法 | |
CN116933046A (zh) | 基于深度学习的多模态健康管理方案生成方法和系统 | |
CN113990482A (zh) | 健康数据处理系统及方法 | |
CN114648723A (zh) | 基于时间一致性对比学习的动作规范性检测方法和装置 | |
CN117476214A (zh) | 一种基于医院信息的数据治理方法和系统 | |
CN116935439A (zh) | 一种孕羊分娩自动监测预警方法及自动监测预警系统 | |
CN117035802A (zh) | 一种基于容量证明双重检验预测动物健康的共识方法 | |
CN116959099A (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN109886320A (zh) | 一种人体股骨x光片智能识读方法及系统 | |
CN111860441B (zh) | 基于无偏深度迁移学习的视频目标识别方法 | |
CN114764948A (zh) | 活体检测方法、装置、设备及存储介质 | |
CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
CN116012903A (zh) | 一种人脸表情自动标注的方法及系统 | |
CN114462522A (zh) | 肺癌生存期预测模型训练、预测方法、系统、装置及介质 | |
CN114581769A (zh) | 一种基于无监督聚类的在建房屋识别方法 | |
CN116386857B (zh) | 一种病理分析系统及方法 | |
CN116506205B (zh) | 一种智慧医疗平台的数据处理方法及系统 |
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 |