深度学习的物联网动态数据完整性检测方法

发布时间：2021-07-24 16:16

　　传统的动态数据完整性检测方法物联网动态数据完整性波动的幅度大,检测效率低,为了解决上述问题,基于深度学习研究了一种新的物联网动态数据完整性检测方法,设定动态数据生成层、动态数据传输层、动态数据应用层,分别在各层进行停留,由于动态数据的不规则性,动态数据在任何一个层次都有可能出现突变、错乱、遗失等情况,这些情况都会间接性的影响整个动态数据的完整性,在深度学习的物联网动态数据完整性检测方法会通过依靠深度学习而建立的初级监督层、中级监督层、高级监督层分别进行相对应的监督,达到物联网动态数据完整性检测分析判定的目的。实验表明,基于深度学习的物联网动态数据完整性检测方法能够有效降低数据完整性,提高检测效率。 

【文章来源】：自动化与仪器仪表. 2020,(11)

【文章页数】：5 页

【部分图文】：

物联网理解性概念图

深度学习的概念源于人工神经网络的研究,是无监督学习的一种,且其核心思想便是将无监督学习用于每一层网络的pre-train,再将监督结果作为高一层的输入,进而达到用无监督学习来监督所有层的目的,针对物联网动态数据结构将深度学习监督层列为三层与物联网的动态数据生成层、动态数据传输层与动态数据应用层相对应,分别为初期监督层、中级监督层、高级监督层[7]。深度学习与物联网动态数据完整性检测的结合的概念图如图2所示。在物联网动态数据生成层中,物联网需要通过激光扫描器等设备对实物进行动态数据转化处理即将实物的材质、样式、整体状态等转换为动态数据的形式,在此期间,初级监督层需要对这些动态数据的编码排列过程进行监督与学习,并对初始的物联网动态数据进行记录与保留,这些监督学习信息与初始动态数据保留信息会随着初始物联网动态数据进入动态数据传输层的同时进入到中级监督层[8]。

在动态数据生成层中物联网的动态数据完整性是保存得最为完好的,这些动态数据组的具体概念模型图如图3所示。在动态数据生成层转化动态数据这一过程当中,初级监督层会对这些动态数据组进行实时复制,复制的间隔时间差低于0.01 s,在间隔时间差中,初级监督组需要对实时转化的动态数据组进行逻辑规格推理,在辅助动态数据生成层转化数据并进行复制的同时起到检测分析判定的作用,在复制的过程中初级监督层需要应用相关公式来进行复制:

【参考文献】：
期刊论文
[1]基于FPGA的以太网无线控制DDS频率源设计[J]. 罗敏顺,潘玉剑.  电子设计工程. 2019(24)
[2]基于物联网的金融数据动态安全存管系统设计[J]. 朱哲良,邓璐娟.  现代电子技术. 2019(16)
[3]基于Cortex-A9的物联网网关的通信协议设计[J]. 王岩,褚泽帆,符伟杰,唐跃平.  电子设计工程. 2019(13)
[4]基于人工智能的物联网感知层节点能耗控制方法[J]. 钟燕华.  电子设计工程. 2019(11)
[5]物联网用户信息认证安全保护仿真研究[J]. 严圣华,王昌达.  计算机仿真. 2019(05)
[6]基于联盟链的物联网动态数据溯源机制[J]. 乔蕊,曹琰,王清贤.  软件学报. 2019(06)
[7]多模式速度移动节点的动态距离估计方法[J]. 秦宁宁,朱树才.  控制工程. 2019(03)
[8]智能农业物联网激光热传导温控系统设计[J]. 陆海空,王露,包伯成.  激光杂志. 2018(08)
[9]物联网环境下任务节点负载动态非对称分配系统设计[J]. 康万杰.  科技通报. 2018(05)
[10]一种基于线性序列差异分析降维的人体行为识别方法[J]. 鹿天然,于凤芹,陈莹.  计算机工程. 2019(03)



本文编号：3300995