-
公开(公告)号：CN109714788A
公开(公告)日：2019-05-03
申请号：CN201910151569.0
申请日：2019-02-28
Applicant: 福建师范大学
Abstract: 本发明公开在线容错和邻居协作的传感器节点故障诊断算法，通过分布式在线故障检测进行节点的状态判定，在线容错故障检测阶段具有一定的容错能力,降低了将正常节点诊断为故障节点的可能性，并且只在节点数据连续发生异常时才和邻居进行通信,减少节点之间的通信,从而减少节点的能量耗损,提高传感器节点的使用寿命。同时基于邻居协作故障诊断机制利用改进的准则避免了异常数据造成的故障诊断干扰，提高故障诊断正确率。本发明在有效地减少能量消耗的情况下,克服了传统算法对邻居节点较少、故障率高、故障诊断正确率低的缺点,对复杂的传感器网络环境也表现出良好的优势,并且适用于大规模无线传感器网络。
-
公开(公告)号：CN108306879A
公开(公告)日：2018-07-20
申请号：CN201810092168.8
申请日：2018-01-30
Applicant: 福建师范大学
Abstract: 本发明涉及一种基于Web会话流的分布式实时异常定位方法，包括以下步骤：利用Flume与Kafka联合收集Web流量数据，将收集到的Web流量一方面发送到HDFS存储为离线日志，并通过DPS_DRB规则库构建算法动态建立和更新动态规则库DRB，另一方面发送到Spark Streaming，发送到Spark Streaming中的Web流量作为实时日志，Spark Streaming对持续不断的实时日志流式数据以滑动窗口的方式处理；AL_HBGSA算法基于动态规则库，将会话序列与动态规则库中的规则序列进行比对，从而进行异常定位。该方法有利于对Web会话流的异常进行高效、准确的定位。
-
公开(公告)号：CN108173876B
公开(公告)日：2020-11-06
申请号：CN201810092166.9
申请日：2018-01-30
Applicant: 福建师范大学
IPC: H04L29/06
Abstract: 本发明涉及一种基于最大频繁模式的动态规则库构建方法，包括以下步骤：输入Web日志数据集，并对其进行数据过滤，将时间格式转化为时间戳，将IP和URL映射为数字；进行用户识别和会话识别，构造WASD；遍历WASD的每行，过滤出每个用户的近期访问行为，构成该用户的近期访问序列，进而由所有用户的近期访问序列构成DWASD；构造Spark运行环境变量sc；计算min_support；对前缀进行权重计数，并提取频繁1项集；遍历频繁1项集，递归寻找频繁项集；计算最大频繁项集，得到基于最大频繁模式的动态规则库。该方法有利于降低计算量，快速有效地构建出更加具有时效性的规则库。
-
公开(公告)号：CN108173876A
公开(公告)日：2018-06-15
申请号：CN201810092166.9
申请日：2018-01-30
Applicant: 福建师范大学
IPC: H04L29/06
Abstract: 本发明涉及一种基于最大频繁模式的动态规则库构建方法，包括以下步骤：输入Web日志数据集，并对其进行数据过滤，将时间格式转化为时间戳，将IP和URL映射为数字；进行用户识别和会话识别，构造WASD；遍历WASD的每行，过滤出每个用户的近期访问行为，构成该用户的近期访问序列，进而由所有用户的近期访问序列构成DWASD；构造Spark运行环境变量sc；计算min_support；对前缀进行权重计数，并提取频繁1项集；遍历频繁1项集，递归寻找频繁项集；计算最大频繁项集，得到基于最大频繁模式的动态规则库。该方法有利于降低计算量，快速有效地构建出更加具有时效性的规则库。
-
公开(公告)号：CN109640335B
公开(公告)日：2022-02-08
申请号：CN201910150809.5
申请日：2019-02-28
Applicant: 福建师范大学
Abstract: 本发明涉及一种基于卷积神经网络的无线传感器故障诊断方法，步骤如下：1）构建由1个基站、1个移动小车以及若干个可充电无线传感器节点构成的无线传感器网络系统模型；2）在基站构建依序连接有输入层、隐含层、全连接层和输出层的卷积神经网络；3）利用移动小车收集所有节点的感知数据并传输到基站存储，并转化成矩阵形式；4）将矩阵形式的感知数据输入到卷积神经网络中进行训练和自身学习，通过卷积层卷积核提取数据特征、池化层对数据特征进行压缩、全连接层连接最后两层、输出层输出最终数据分类结果；5）卷积神经网络根据数据分类结果将每一类对应着相应的传感器故障类型进行故障诊断，通过输出层输出节点诊断状态。
-
Patent Agency Ranking
公开(公告)号：CN109934012A
公开(公告)日：2019-06-25
申请号：CN201910213707.3
申请日：2019-03-20
Applicant: 福建师范大学
Abstract: 本发明公开了基于区块链网络的医疗记录安全存储访问方法，针对目前在医疗记录EMR领域的四大核心问题:1)如何安全有效储存患者的EMR，2)如何实时上传EMR，3)如何设置访问控制过滤非法者。4)如何方便跨域下载EMR，提出一种基于区块链技术的电子医疗记录ERM存储与管理框架，该框架能够很好解决用户数据的隐私与安全问题。
-
公开(公告)号：CN109831336A
公开(公告)日：2019-05-31
申请号：CN201910152573.9
申请日：2019-02-28
Applicant: 福建师范大学
Abstract: 本发明公开基于MSD的传感器节点故障诊断算法，将无线传感器区域划分为若干相同的子区域，每个子区域内布置一个用于诊断故障的可以移动的传感器节点对该子区域的静态传感器节点进行故障诊断，并且该可移动传感器节点具有充足的能量且不会发生故障可。每个子区域进一步分隔为n×n的小正方形，每个小正方形的中心点作为故障诊断点；移动传感器节点沿着希尔伯特的移动路径一次途径故障诊断点并在到达每个故障诊断的进行故障诊断。移动传感器节点各自子区域的诊断故障结果通过选定的该子区域的桥节点传送至基站以供使用。本发明由MSD直接进行故障诊断，无需多次信息交换，且节点之间也不需通信，大大降低无线传感器的能量消耗。
-
公开(公告)号：CN109640335A
公开(公告)日：2019-04-16
申请号：CN201910150809.5
申请日：2019-02-28
Applicant: 福建师范大学
CPC classification number: H04W16/225 , G06N3/0454 , G06N3/08 , H04W24/04 , H04W40/02 , H04W40/10 , H04W84/18
Abstract: 本发明涉及一种基于卷积神经网络的无线传感器故障诊断算法，步骤如下：1）构建由1个基站、1个移动小车以及若干个可充电无线传感器节点构成的无线传感器网络系统模型；2）在基站构建依序连接有输入层、隐含层、全连接层和输出层的卷积神经网络；3）利用移动小车收集所有节点的感知数据并传输到基站存储，并转化成矩阵形式；4）将矩阵形式的感知数据输入到卷积神经网络中进行训练和自身学习，通过卷积层卷积核提取数据特征、池化层对数据特征进行压缩、全连接层连接最后两层、输出层输出最终数据分类结果；5）卷积神经网络根据数据分类结果将每一类对应着相应的传感器故障类型进行故障诊断，通过输出层输出节点诊断状态。
-
公开(公告)号：CN102857582A
公开(公告)日：2013-01-02
申请号：CN201210391702.8
申请日：2012-10-15
Applicant: 福建师范大学
IPC: H04L29/08
Abstract: 本发明涉及一种具有自动适配功能的Web服务集成系统。所述的Web服务集成系统，由服务访问服务器、映射关系库服务器和映射关系管理服务器三部分组成。其中，映射关系库服务器分别与服务访问服务器、映射关系管理服务器通过网络连接。本系统结构易于扩展，具有很强的灵活性，能够适应各种负载需求。对某一功能Web服务提供单一的调用协议，简化了用户的访问，同时所有用户均可通过网络调用本系统所提供的Web服务，体现了本系统的开放性原则。对同一功能的Web服务，本系统中有多个第三方Web服务可选，让用户在简单使用的前提下有了更多的选择。最后，对适配服务的实时监测确保了系统的可靠性。
-
公开(公告)号：CN109831336B
公开(公告)日：2022-02-11
申请号：CN201910152573.9
申请日：2019-02-28
Applicant: 福建师范大学
IPC: H04L41/0677 , H04L41/06 , H04W24/08
Abstract: 本发明公开基于MSD的传感器节点故障诊断算法，将无线传感器区域划分为若干相同的子区域，每个子区域内布置一个用于诊断故障的可以移动的传感器节点对该子区域的静态传感器节点进行故障诊断，并且该可移动传感器节点具有充足的能量且不会发生故障可。每个子区域进一步分隔为n×n的小正方形，每个小正方形的中心点作为故障诊断点；移动传感器节点沿着希尔伯特的移动路径一次途径故障诊断点并在到达每个故障诊断的进行故障诊断。移动传感器节点各自子区域的诊断故障结果通过选定的该子区域的桥节点传送至基站以供使用。本发明由MSD直接进行故障诊断，无需多次信息交换，且节点之间也不需通信，大大降低无线传感器的能量消耗。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
