基于区块链与模糊认知映射融合的B-F神经网络可追溯算法制造技术

本发明专利技术公开了基于区块链与模糊认知映射融合的B‑F神经网络可追溯算法，包括以下步骤：S1、通过跟踪链算法将深度学习网络转换为区块链网络，将T‑S模糊推理网络定义为块，从事务数据中直接获取T‑S模糊神经网络；S2、构建由输入层、输出层和隐藏层组成的模糊推理机制，模拟一个非线性的变换；S3、根据模糊推理机制，对当前块采用多层非线性隐藏法，构建模糊综合算法。本发明专利技术中，通过构建模糊推理机制和采用多层非线性隐藏层法对从事务数据中获取T‑S模糊神经网络进行处理，在处理过程中为可追溯链缩减其挖掘工作，也在区块链中为大数据的层次学习特征表示提供了优化的可追溯性。

【技术实现步骤摘要】
基于区块链与模糊认知映射融合的B-F神经网络可追溯算法
本专利技术涉及区块链
，尤其涉及基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。
技术介绍
区块链是一个带有时间戳的分布式数据库，每项事务都采用点对点的方式进行，区块链技术将大量事务中产生的数据信息都结合在一起。然而，当区块链中一个新的交易节点启动时，区块链挖掘必须验证和重新存储所有事务的历史数据，这导致在区块链中产生了不相关的数据问题和进一步优化的可跟踪性，在区块链操作中，由于链的要求，需要一个可追溯机制将事务流和参与者节点信息联系起来，由此，提出了基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。
技术实现思路
本专利技术的目的在于：为了解决现有区块链中的一个新的交易节点启动时，区块链挖掘必须验证和重新存储所有事务的历史数据，导致在区块链中产生了不相关的数据问题和进一步优化的可跟踪性的问题，而提出的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。为了实现上述目的，本专利技术采用了如下技术方案：基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，包括以下步骤：S1、通过跟踪链算法将深度学习网络转换为区块链网络，将T-S模糊推理网络定义为块，从事务数据中直接获取T-S模糊神经网络；S2、构建由输入层、输出层和隐藏层组成的模糊推理机制，模拟一个非线性的变换；S3、根据模糊推理机制，对当前块采用多层非线性隐藏法，构建模糊综合算法，得到基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。作为上述技术方案的进一步描述：在步骤S2中的所述输入层包括当前块的前一个块(e1)和所有的历史块(e2)。作为上述技术方案的进一步描述：在步骤S2中，隐藏层的块通过对3Vs特征进行加权，来模拟一个非线性变换。作为上述技术方案的进一步描述：所述3Vs特征包括：散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名，这些特征在交易行为中都作用于T-S模糊状态转移算法的结果上。作为上述技术方案的进一步描述：在步骤S2中的所述输出层中，推断的影响既作为当前块的输出层，也作为下一个块的输入层。作为上述技术方案的进一步描述：在步骤S3中所述多层非线性隐藏法由第一特征图法、第二层状态转移法和第三层状态关联法构成。作为上述技术方案的进一步描述：第一层特征图法是推理机制，推理向量被定义为一组输入向量IVg或输出向量OVg,IVg＝[if1,if2,if3,if4,if5,if6,if7,if8],g＝1,2,…,8OVg＝[of1,of2,of3,of4,of5,of6,of7,of8],g＝1,2,…,8，此外，对于3Vs，邻接矩阵M包含散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名8个特征，清晰地测量多个特征变化所产生的效果，当前块中的输入向量值来自前一个块(e1)和所有历史块(e2)的输入向量，将这两个输入向量与邻接矩阵M相乘，可以分别得到两个输出向量，由邻接矩阵可知，特征的变化对其他具有模糊因果值的特征的影响在0～1之间，邻接矩阵Mi为将事务数据的特征表示为umn。作为上述技术方案的进一步描述：在第二层状态转移法中，利用状态转移构造相关状态图，得到事务图，使用FCM将事务转换映射到相关的状态图并将它们链接到相应的块的状态转换机制，事务从状态i到状态r的状态转换用P来表示,即Pi→Pr，每个状态包含进入及退出事务，如进入事务TX1,TX2和退出事务TX4，当事件被触发时，算法将每一个范围在0～1之间的随机初始变量Vi转换为包含模糊矩阵算法的状态Pi，Pi状态的m×m阶模糊权重矩阵为：m表示进入或退出事务的总数；Li,1表示状态i在一个事务中的进入事务，Li,2表示其退出事务，对于任何状态i(假设i＝3)，将事务的进入集和退出集定义为ini＝{i∈Li1}和outi＝{i∈Li2}，状态转移关系为Si＝[Wi-1,Wi-2,…Wi-r…Wi-m]，进而，通过状态转换公式得到Vi的下一个状态Vr，其中，Vr(i)＝eir×Wi-r±Vr表示状态r变换过程中的更新变量得分，eir为状态i与状态r随机计算初始得分之间的因果关系值，如果此状态转换属于进入事务，则采用“+”，因为进入事务会增强下一个状态的得分，如果此状态转换属于退出事务，则采用“-”，因为退出事务会降低下一个状态得分。作为上述技术方案的进一步描述：第三层状态关联法利用事务图结果来构造关联规则数据库，当触发事件因条件满足而发生时，则执行此状态转换机制，利用IF-THEN语句来构建关联规则数据库，帮助事务图筛选新的块和事务，在区块链中，IF-THEN语句如下：总效应值分为事务总效应T(I,V)T和块总效应T(I,V)B两类，其中，块总效应T(I,V)B决定效应是否嵌入新的块区块链，因为它指定了所有可能路径中最强的因果关系，块总效应T(I,V)B和事务总效应T(I,V)T两者之间关系为：Pi对Pj的总影响是Pi到Pj所有路径的间接效应之和。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：1、本专利技术中，通过构建模糊推理机制和采用多层非线性隐藏层法对从事务数据中获取T-S模糊神经网络进行处理，在处理过程中为可追溯链缩减其挖掘工作，也在区块链中为大数据的层次学习特征表示提供了优化的可追溯性，对所有历史交易相关数据进行跟踪，避免在每个创建新块时，重新分析和验证所有事务，大大提高了区块链挖掘的正确性、高效性和简洁性，并为深度学习应用大区块链交易数据提供了初步的指示。2、本专利技术中，模糊规则推理是利用模糊规则获取专家知识判断的系统推理方法，通过采用T-S模糊神经网络方法建立关联规则数据库，保证了区块链中的可追溯链质量。附图说明图1示出了根据本专利技术实施例提供的基于区块链与模糊认知映射融合的神经网络可追溯算法构建流程示意图；图2示出了根据本专利技术实施例提供的构建模糊推理机制的工作原理示意图；图3示出了根据本专利技术实施例提供的多层非线性隐藏推理示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例一请参阅图1-3，基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，包括以下步骤：S1、通过跟踪链算法将深度学习网络转换为区块链网络，将T-S模糊推理网络定义为块，从事务数据中直接获取T-S模糊神经网络；S2、构建由输入层、输出层和隐藏层组成的模糊推理机制，模拟一个非线性的变换；在步骤S2中，隐藏层的块通过对3Vs特征进行加权，本文档来自技高网...

【技术保护点】
1.基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，其特征在于，包括以下步骤：/nS1、通过跟踪链算法将深度学习网络转换为区块链网络，将T-S模糊推理网络定义为块，从事务数据中直接获取T-S模糊神经网络；/nS2、构建由输入层、输出层和隐藏层组成的模糊推理机制，模拟一个非线性的变换；/nS3、根据模糊推理机制，对当前块采用多层非线性隐藏法，构建模糊综合算法，得到基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。/n

【技术特征摘要】
1.基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，其特征在于，包括以下步骤：
S1、通过跟踪链算法将深度学习网络转换为区块链网络，将T-S模糊推理网络定义为块，从事务数据中直接获取T-S模糊神经网络；
S2、构建由输入层、输出层和隐藏层组成的模糊推理机制，模拟一个非线性的变换；
S3、根据模糊推理机制，对当前块采用多层非线性隐藏法，构建模糊综合算法，得到基于区块链与模糊认知映射融合的B-F神经网络可追溯算法。


2.根据权利要求1所述的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，其特征在于，在步骤S2中的所述输入层包括当前块的前一个块(e1)和所有的历史块(e2)。


3.根据权利要求2所述的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，其特征在于，在步骤S2中，隐藏层的块通过对3Vs特征进行加权，来模拟一个非线性变换。


4.根据权利要求3所述的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，其特征在于，所述3Vs特征包括：散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名，这些特征在交易行为中都作用于T-S模糊状态转移算法的结果上。


5.根据权利要求4所述的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，其特征在于，在步骤S2中的所述输出层中，推断的影响既作为当前块的输出层，也作为下一个块的输入层。


6.根据权利要求5所述的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，其特征在于，在步骤S3中所述多层非线性隐藏法由第一特征图法、第二层状态转移法和第三层状态关联法构成。


7.根据权利要求6所述的基于区块链与模糊认知映射融合的B-F神经网络可追溯算法，其特征在于，第一层特征图法是推理机制，推理向量被定义为一组输入向量IVg或输出向量OVg，
IVg＝[if1,if2,if3,if4,if5,if6,if7,if8],g＝1,2,…,8
OVg＝[of1,of2,of3,of4,of5,of6,of7,of8],g＝1,2,…,8，
此外，对于3Vs，邻接矩阵M包含散列值、临时标志、比特币地址、公钥/私钥、请求消息、交易业务活动、数字签名和用户名8个特征，测量多个特征变化所产生的效果，当前块...

【专利技术属性】
技术研发人员：庞凯，杨军，张立新，李芳超，戚晓明，
申请(专利权)人：浙江专线宝网阔物联科技有限公司，
类型：发明
国别省市：浙江;33