-
-
公开(公告)号：CN112749976B
公开(公告)日：2023-06-20
申请号：CN202011526838.6
申请日：2020-12-22
Applicant: 安徽农业大学
IPC: G06Q30/018 , G06Q50/02 , G06K17/00 , G06F21/64 , G16Y10/05
Abstract: 本发明涉及一种基于区块链和物联网技术的蔬菜可信追溯装置。该基于区块链和物联网技术的蔬菜可信追溯装置，包括装置主体，所述装置主体的外表面开设有扫描窗口，所述扫描窗口内显示有信息载体，所述装置主体的外表面设置有控制按钮，所述装置主体的内部固定连接有驱动机构，所述控制按钮在持续激活的情况下，启动所述驱动机构，所述驱动机构驱动信息载体显示物联网信息，当控制按钮中断激活状态时，所述驱动机构驱动信息载体隐藏物联网信息；该基于区块链和物联网技术的蔬菜可信追溯装置，结构简单，操作方便，使用灵活，使用寿命高，便于蔬菜可信追随使用，便于该行业内推广使用。
-
公开(公告)号：CN112749976A
公开(公告)日：2021-05-04
申请号：CN202011526838.6
申请日：2020-12-22
Applicant: 安徽农业大学
Abstract: 本发明涉及一种基于区块链和物联网技术的蔬菜可信追溯装置。该基于区块链和物联网技术的蔬菜可信追溯装置，包括装置主体，所述装置主体的外表面开设有扫描窗口，所述扫描窗口内显示有信息载体，所述装置主体的外表面设置有控制按钮，所述装置主体的内部固定连接有驱动机构，所述控制按钮在持续激活的情况下，启动所述驱动机构，所述驱动机构驱动信息载体显示物联网信息，当控制按钮中断激活状态时，所述驱动机构驱动信息载体隐藏物联网信息；该基于区块链和物联网技术的蔬菜可信追溯装置，结构简单，操作方便，使用灵活，使用寿命高，便于蔬菜可信追随使用，便于该行业内推广使用。
-
公开(公告)号：CN110309886A
公开(公告)日：2019-10-08
申请号：CN201910610145.6
申请日：2019-07-08
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于深度学习的无线传感器高维数据异常检测方法，包括以下步骤：（101）、获取历史数据；（102）、建立DBN-QSSVM混合模型；（103）、利用传感器历史数据对混合模型进行训练；（104）、采集待检测的传感器测试数据；（105）、利用（103）中训练好的DBN-QSSVM混合模型对传感器测试数据进行异常检测；（106）、输出传感器测试数据中的异常数据。本发明改进了现有技术的相关算法和流程，提出了一个在处理高维度数据时，实现在线检测技术的方法，可以在不降低数据异常检测方法准确性的情况下，大大降低该方法的空间和时间复杂度，从而更加适用于大规模高维数据异常检测。
-
-
Patent Agency Ranking
公开(公告)号：CN118137235A
公开(公告)日：2024-06-04
申请号：CN202410406645.9
申请日：2024-04-07
Applicant: 安徽农业大学
IPC: H01R13/72 , H01R13/639
Abstract: 本发明属于计算机组件技术领域，具体涉及一种计算机与外部设备的连接装置。包括收纳盒，收纳盒内固定安装有固定轴，固定轴上转动安装有收纳滚，收纳滚与固定轴之间连接有涡卷弹簧，收纳滚上卷绕有连接线，连接线的两端分别穿出收纳盒前后两端的侧壁且分别固定连接有第一接头和第二接头，收纳盒的顶部螺纹连接有用于对收纳滚进行锁定的定位螺栓。本发明中连接线的第一接头与主机连接，第二接头与外部设备连接，连接线缠绕在收纳盒内的收纳滚上，收纳滚在涡卷弹簧的弹性作用对连接线进行卷绕收纳，因此连接线的使用长度能够根据实际情况进行调节，调节完成之后可以通过定位螺栓对收纳滚进行锁定，从而满足不同的使用需求。
-
公开(公告)号：CN110309886B
公开(公告)日：2022-09-20
申请号：CN201910610145.6
申请日：2019-07-08
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于深度学习的无线传感器高维数据异常检测方法，包括以下步骤：（101）、获取历史数据；（102）、建立DBN‑QSSVM混合模型；（103）、利用传感器历史数据对混合模型进行训练；（104）、采集待检测的传感器测试数据；（105）、利用（103）中训练好的DBN‑QSSVM混合模型对传感器测试数据进行异常检测；（106）、输出传感器测试数据中的异常数据。本发明改进了现有技术的相关算法和流程，提出了一个在处理高维度数据时，实现在线检测技术的方法，可以在不降低数据异常检测方法准确性的情况下，大大降低该方法的空间和时间复杂度，从而更加适用于大规模高维数据异常检测。
-
公开(公告)号：CN108400907B
公开(公告)日：2021-06-01
申请号：CN201810126298.9
申请日：2018-02-08
Applicant: 安徽农业大学
Abstract: 本发明公开了一种不确定网络环境下的链路丢包率推理方法，包括以下步骤：（101）、获取目标网络的拓扑；（102）、发送端到端探测并接收探测结果，该探测结果就是探测得到的路径丢包率；（103）、根据路径丢包率确定路径状态，从而确定链路状态；（104）、采用对数正态分布拟合可得到1状态和2状态链路的丢包率范围；（105）、输出所有的链路丢包率范围。本发明改进了现有技术的相关算法和流程，提出了一个在真实网络环境下面对不确定因素的丢包推理方法，大大地提高了测量链路丢包率的正确率。
-
公开(公告)号：CN109612513A
公开(公告)日：2019-04-12
申请号：CN201811541556.6
申请日：2018-12-17
Applicant: 安徽农业大学
Abstract: 本发明公开了一种面向大规模高维传感器数据的在线式异常检测方法，包括以下步骤：（101）、获取历史数据；（102）、建立深度信念网络-1/4球面支持向量机混合模型对数据进行降维和检测；（103）、利用历史数据对混合模型进行训练；（104）、采集传感器数据；（105）、创建滑动窗口，实现在线检测技术；（106）、利用上面训练好的混合模型对传感器采集的数据进行检测；（107）、输出检测后所有的异常数据。本发明改进了现有技术的相关算法和流程，提出了一个在处理高维度数据时，实现在线检测技术的方法，在大大地提高了异常数据检测的正确率的同时大大降低了检测时间。
-
公开(公告)号：CN108960643A
公开(公告)日：2018-12-07
申请号：CN201810752416.7
申请日：2018-07-10
Applicant: 安徽农业大学
CPC classification number: G06Q10/0635 , G06Q10/06395 , G06Q10/083
Abstract: 本发明提供了一种乳制品冷链物流系统风险评价方法，包括以下步骤：对乳制品冷链物流系统的各个环节进行分析，找出各个环节的关键影响因素；分析各个环节关键影响因素并将其作为量化标准，建立GO‑FLOW评价模型；初始化GO‑FLOW模型参数，根据GO‑FLOW模型对乳制品冷链物流系统进行风险评价。该方法通过对乳制品冷链物流系统风险评价和可靠度计算的结果，对该乳制品冷链物流系统原有的数据进行修正，通过对折线图的直观观察，得知长途运输这一环节使整个系统可靠度有很大下降，因此通过改进运输路线、改变运输方式等途径，使得长途运输的时间变为12h。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
