龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
摘要：本发明涉及深度学习和区块链技术领域，具体是一种基于深度学习的链下工业数据异常检测方法。该方法提出了一种时空邻域融合网络模型，能够提取工业物联网流量数据的时间序列特征、空间序列特征以及邻居节点特征。通过对提取的三种特征进行线性关系聚合，全面表达数据特征，从而提高异常检测的准确性。本方法实现了对工业数据的智能感知和高效检测，确保在数据上链之前剔除或修正异常数据，最终保障上链数据的真实有效性和系统的整体安全性。上链存储的数据可以随时被追溯和验证，确保工业数据的可信度。本发明结合了深度学习的智能感知能力和区块链的去中心化、共识机制等特点，为工业区块链系统提供了一种高效、可靠的数据管理解决方案。
主权项：1.一种基于深度学习的链下工业数据异常检测方法，其特征在于，所述技术包括：步骤1、收集来自工业物联网系统的流量数据，将收集到的数据进行分类打上标签制成工业信息数据集，用于后续的模型训练。步骤2、使用冲突解决双向门控循环单元模型CR-BiGRU，对工业数据在时间维度上进行处理，提取时间序列特征。步骤3、使用多尺度一维卷积特征提取模型MSC-1dCNN，对工业数据在空间维度上进行处理，提取空间序列特征。步骤4、将时间序列特征和空间序列特征进行融合，形成综合的时空特征。步骤5、使用graphSAGE对融合后的时空特征进行邻居节点特征提取和聚合。利用图结构数据中的邻居信息，进一步丰富特征表示。步骤6、利用训练集对步骤2、3、4、5构造的时空邻域融合网络模型进行训练。步骤7、使用训练好的时空领域融合网络模型对需要上链的数据进行异常检测，正常数据允许其上链存储，而将识别到的异常数据标记并拦截，防止其上链，影响工业区块链的正常运行。
全文数据：
权利要求：
百度查询： 桂林电子科技大学 南宁桂电电子科技研究院有限公司 一种基于深度学习的链下工业数据异常检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号