一种基于电网区块链的共识方法

    公开(公告)号:CN113626876B

    公开(公告)日:2023-12-19

    申请号:CN202110831392.6

    申请日:2021-07-22

    Applicant: 三峡大学

    Abstract: 一种基于电网区块链的共识方法,包括以下步骤:步骤1,电网节点广播电力交易订单;步骤2,候选区块封装电力交易订单;步骤3,候选区块提交电量证明;步骤4,候选区块电力交易记账;步骤5,电网节点共识验证;步骤6,电网区块链添加电网区块。本发明能够为电网区块链提供一种安全、可靠的共识机制。

    一种针对Raft共识算法选举阶段的优化方法

    公开(公告)号:CN115914225A

    公开(公告)日:2023-04-04

    申请号:CN202211336170.8

    申请日:2022-10-28

    Applicant: 三峡大学

    Abstract: 一种针对Raft共识算法选举阶段的优化方法,它包括以下步骤:步骤1:获取集群中每个节点在当前共识周期的信用值;步骤2:将节点的当前信用值代入公式计算,得到集群内所有节点在当前共识周期的RET时长;步骤3:每个节点将在各自对应的RET时长范围内被随机分配到一个时长进行超时,率先完成超时的节点向其余节点索票,得到半数以上投票则当选为主节点;步骤4:在共识过程中,主节点响应客户端的消息请求,从节点响应主节点的消息请求,并记录主、从节点的响应情况。步骤5:根据记录的响应情况,代入公式计算得到每个节点的信用值变更值,并据此更新节点的当前信用值。

    基于多相似度融合的药物新用途预测方法

    公开(公告)号:CN112562795A

    公开(公告)日:2021-03-26

    申请号:CN202011418728.8

    申请日:2020-12-07

    Applicant: 三峡大学

    Abstract: 本发明公开了基于多相似度融合的药物新用途预测方法,包括:利用药物化学结构数据计算药物相似度;利用药物靶蛋白数据计算药物相似度;利用药物副作用数据计算药物相似度;对计算得到的药物相似度进行融合,得到融合的药物相似度;利用融合的药物相似度,计算药物‑疾病关联预测值;利用药物‑疾病数据计算疾病相似度,基于疾病相似度计算药物‑疾病关联预测值;对计算的药物‑疾病关联预测值进行融合,得到融合的药物‑疾病关联预测值。本发明对基于药物相似度计算得到的药物‑疾病关联预测值,和基于疾病相似度计算得到的药物‑疾病关联预测值加权求和,得到融合后的药物对疾病的预测值,提高了预测值的可靠性和精确性。

    基于DPT-LSTM特征选择的电力负荷预测方法

    公开(公告)号:CN119382068A

    公开(公告)日:2025-01-28

    申请号:CN202411239021.9

    申请日:2024-09-05

    Applicant: 三峡大学

    Abstract: 本发明涉及基于DPT‑LSTM特征选择的电力负荷预测方法,将收集的电力符合数据进行相干性分析,分为主要特征数据和次要特征数据,并对主要特征数据按固定比例分解后分别进行卷积提取多尺度特征数据后,输入到通道注意力模块加权求和得到特征数据图;构建双分支网络,将特征数据图和辅助特征分别输入到双向长短期记忆子网络和长短期记忆子网络中并对结果进行加权拼接得到电力符合预测结果。本发明考虑多种变量因素对电力负荷数据的影响,筛选对电力负荷预测结果有正面影响和负面影响的数据,并利用多尺度特征方法提取特征数据,得到精准的电力符合预测结果。

    一种基于文本特征降维的LSTM注意力机制疾病预测方法

    公开(公告)号:CN113808742B

    公开(公告)日:2024-07-02

    申请号:CN202110915825.6

    申请日:2021-08-10

    Applicant: 三峡大学

    Abstract: 本发明公开了一种基于文本特征降维的LSTM注意力机制疾病预测方法,包括以下步骤:(1)数据预处理;(2)结合电子病历文本特点,形成词特征加权计算方法;(3)利用数据降维提取数据集关键信息;(4)将非结构化的文本数据转化为计算机能识别的结构化数据;(5)LSTM注意力机制模型训练。该基于文本特征降维的LSTM注意力机制疾病预测方法将LDA模型引入LSTM注意力机制中,通过LDA模型实现电子病历文本关键信息的提取,降低数据冗余,进而提升LSTM注意力机制模型的性能。

    一种基于划分聚类的PBFT算法

    公开(公告)号:CN115643008A

    公开(公告)日:2023-01-24

    申请号:CN202211213014.2

    申请日:2022-09-30

    Applicant: 三峡大学

    Abstract: 一种基于划分聚类的PBFT算法,它包括以下步骤:步骤1:采集区块链集群中所有节点的数据,数据包括节点的在共识过程中的响应速度、响应次数比例;步骤2:将节点的响应速度以及响应次数比例作为二维坐标系的两个数据维度,绘制得到节点响应情况分布图;步骤3:输入K‑means++划分聚类算法模型,通过节点的响应情况将集群内所有节点进行聚类划分;步骤4:将划分后的节点分为3种节点簇,分别为Good节点簇、Normal节点簇以及Bad节点簇;步骤5:划分后的三类节点分别参与到PBFT算法的不同共识阶段中,最后共同完成整个共识过程。本发明的目的是为了解决现有的PBFT算法会由于繁杂的通讯过程产生大量的通信开销,从而导致算法的性能大幅下降的技术问题。

    一种基于半监督迁移学习的文本分类方法

    公开(公告)号:CN113807171A

    公开(公告)日:2021-12-17

    申请号:CN202110914634.8

    申请日:2021-08-10

    Applicant: 三峡大学

    Abstract: 本发明公开了一种基于半监督迁移学习的文本分类方法,包括以下步骤:(1)数据集和数据预处理,获取少量标记数据集和大量未标记数据集,进行清洗和去噪操作,然后通过word2vec方法将数据集样本向量化,向量维度选取100;(2)数据增强,对未标记数据中的每个样本进行K次文本增强,增强方式为反译方式;(3)伪标签预判,将标记样本输入到预训练模型Bert中,采用微调的方法进行模型迁移;(4)样本混合;(5)文本分类,经过训练后得到的最好模型,可用来对测试集中的数据进行文本分类预测。该基于半监督迁移学习的文本分类方法结合半监督学习、迁移学习用于解决在文本分类领域中标注数据难以获取的问题,同时能够提高文本分类模型的性能。

Patent Agency Ranking