基于区块链的金融交易操作及大数据安全存储方法和系统与流程

阅读：评论：0

1.本发明涉及语音分析技术领域，具体而言，涉及一种基于区块链的金融交易操作及大数据安全存储方法和系统。

背景技术：

2.随着互联网行业的高速发展，越来越多的用户通过网络完成金融交易。然而，在完成网络金融交易的过程中，用户无法实现与交易系统的高质量交互，显著地降低了用户操作体验。同时，交易及存储过程中也容易出现一定的安全风险。
3.随着技术的不断更新换代，现代信息技术可以实现对用户语音信息的充分分析，从而为用户提供更加智能的交互服务。同时，区块链技术作为近年来的新兴技术，可以显著地提升交易及存储过程中的安全性。因此，如何充分利用现代信息技术并深度结合区块链技术，实现高质量的金融交易智能操作和大数据安全存储成为一个新的问题。

技术实现要素：

4.为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种基于区块链的金融交易操作及大数据安全存储方法和系统，利用基于皮尔逊相关系数的简易神经网络去噪模型、基于多维度自编码匹配的声纹识别模型和基于似然估计的低耗语音识别模型，实现精准的数据识别，保证高质量的金融交易操作；并结合区块链实现数据的安全存储。
5.本发明的实施例是这样实现的：第一方面，本发明实施例提供一种基于区块链的金融交易操作及大数据安全存储方法，包括以下步骤：按照预置的截屏周期截取用户在看盘的过程中的图像，利用ocr技术对每张图像中的交易价格进行识别，以得到对应的多个价格识别结果；将各个价格识别结果进行比对，生成比对结果，根据比对结果生成并发送提醒信息给对应的用户；当用户需要完成交易时，采集用户的语音信号，并利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理，以得到去噪语音信号；利用基于多维度自编码匹配的声纹识别模型，对去噪语音信号进行声纹识别，得到用户的身份信息；根据用户的身份信息和预录入的具有操作权限的注册用户信息判断该用户是否具备操作权限，若是，则利用基于似然估计的低耗语音识别模型，对该用户的去噪语音信号进行识别，生成并根据识别结果在该用户的个人账户系统中完成交易；获取并将用户的身份信息、每次交易的交易时间及每次交易的买卖信息上传至区块链。
6.为了解决现有技术中的问题，本发明将皮尔逊相关系数应用于样本精选及简易神
经网络去噪模型的构建，得到了基于皮尔逊相关系数的简易神经网络去噪模型，该模型能够以较低消耗实现高质量的语音去噪。在此基础上，将低维度自编码和高维度自编码充分结合并应用于声纹识别过程中，得到了基于多维度自编码匹配的声纹识别模型，该模型能够更加精准地对用户身份进行识别。同时，本发明还将似然估计应用于语音识别过程中，并根据实际需求选择性使用不同复杂程度的语音识别方法，得到了基于似然估计的低耗语音识别模型，该模型能够以较低消耗实现较为精准的语音识别。本发明还利用了区块链技术，将用户的身份信息、每次交易的交易时间、每次交易的具体买卖信息进行上链存储，确保了交易及存储的安全性。
7.基于第一方面，在本发明的一些实施例中，上述利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理，以得到去噪语音信号的方法包括以下步骤：选取部分没有噪声的语音信号作为正样本，选取部分有噪声的语音信号作为负样本；利用皮尔逊相关系数计算并根据正样本两两之间的相关性确定目标正样本，利用皮尔逊相关系数计算并根据负样本两两之间的相关性确定目标负样本；利用目标正样本和目标负样本对预先建立的卷神经网络进行训练，以构建目标去噪模型，基于目标去噪模型对语音信号进行去噪处理，以得到去噪语音信号。
8.基于第一方面，在本发明的一些实施例中，上述利用基于多维度自编码匹配的声纹识别模型，对去噪语音信号进行声纹识别，得到用户的身份信息的方法包括以下步骤：利用低维度自编码器，对该去噪语音信号进行编码，并对预录入的每个用户的语音模板信号进行编码，计算并根据去噪语音信号和每个用户语音模板信号之间的相似度确定目标语音模板信号；利用高维度自编码器，分别对该去噪语音信号和目标语音模板信号进行编码，计算去噪语音信号和目标语音模板信号之间的相似度，得到相似度结果；若该相似度结果大于预置的相似度阈值，则获取目标语音目标信号对应的用户身份信息，并将该用户身份信息认定为该用户的最终身份信息。
9.基于第一方面，在本发明的一些实施例中，上述利用基于似然估计的低耗语音识别模型，对该用户的去噪语音信号进行识别的方法包括以下步骤：采集多个语音信号，通过数据统计方式统计得到每个词汇的后续关联词汇；对去噪语音信号进行识别，识别得到对应的首个词汇；利用简易语音识别模型对去噪语音信号中首个词汇后面的词汇进行识别，得到词汇识别结果；若词汇识别结果与统计得到的对应词汇的后续关联词汇相匹配，则将词汇识别结果确认为最终识别结果；反之，则利用复杂语音识别模型对去噪语音信号中首个词汇后面的词汇进行识别，得到最终识别结果。
10.第二方面，本发明实施例提供一种基于区块链的金融交易操作及大数据安全存储系统，包括图像截取模块、价格比对模块、语音采集模块、身份识别模块、语音识别模块以及信息上链模块，其中：图像截取模块，用于按照预置的截屏周期截取用户在看盘的过程中的图像，利用ocr技术对每张图像中的交易价格进行识别，以得到对应的多个价格识别结果；
价格比对模块，用于将各个价格识别结果进行比对，生成比对结果，根据比对结果生成并发送提醒信息给对应的用户；语音采集模块，用于当用户需要完成交易时，采集用户的语音信号，并利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理，以得到去噪语音信号；身份识别模块，用于利用基于多维度自编码匹配的声纹识别模型，对去噪语音信号进行声纹识别，得到用户的身份信息；语音识别模块，用于根据用户的身份信息和预录入的具有操作权限的注册用户信息判断该用户是否具备操作权限，若是，则利用基于似然估计的低耗语音识别模型，对该用户的去噪语音信号进行识别，生成并根据识别结果在该用户的个人账户系统中完成交易；信息上链模块，用于获取并将用户的身份信息、每次交易的交易时间及每次交易的买卖信息上传至区块链。
11.为了解决现有技术中的问题，本系统通过图像截取模块、价格比对模块、语音采集模块、身份识别模块、语音识别模块以及信息上链模块等多个模块的结合，将皮尔逊相关系数应用于样本精选及简易神经网络去噪模型的构建，得到了基于皮尔逊相关系数的简易神经网络去噪模型，该模型能够以较低消耗实现高质量的语音去噪。在此基础上，将低维度自编码和高维度自编码充分结合并应用于声纹识别过程中，得到了基于多维度自编码匹配的声纹识别模型，该模型能够更加精准地对用户身份进行识别。同时，本系统还将似然估计应用于语音识别过程中，并根据实际需求选择性使用不同复杂程度的语音识别方法，得到了基于似然估计的低耗语音识别模型，该模型能够以较低消耗实现较为精准的语音识别。本系统还利用了区块链技术，将用户的身份信息、每次交易的交易时间、每次交易的具体买卖信息进行上链存储，确保了交易及存储的安全性。
12.第三方面，本技术实施例提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器。当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
13.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
14.本发明实施例至少具有如下优点或有益效果：本发明实施例提供一种基于区块链的金融交易操作及大数据安全存储方法和系统，将皮尔逊相关系数应用于样本精选及简易神经网络去噪模型的构建，得到了基于皮尔逊相关系数的简易神经网络去噪模型，该模型能够以较低消耗实现高质量的语音去噪。在此基础上，将低维度自编码和高维度自编码充分结合并应用于声纹识别过程中，得到了基于多维度自编码匹配的声纹识别模型，该模型能够更加精准地对用户身份进行识别。同时，本发明还将似然估计应用于语音识别过程中，并根据实际需求选择性使用不同复杂程度的语音识别方法，得到了基于似然估计的低耗语音识别模型，该模型能够以较低消耗实现较为精准的语音识别。本发明还利用了区块链技术，将用户的身份信息、每次交易的交易时间、每次交易的具体买卖信息进行上链存储，确保了交易及存储的安全性。
附图说明
15.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对
范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
16.图1为本发明实施例一种基于区块链的金融交易操作及大数据安全存储方法的流程图；图2为本发明实施例一种基于区块链的金融交易操作及大数据安全存储方法中对语音信号进行去噪处理的流程图；图3为本发明实施例一种基于区块链的金融交易操作及大数据安全存储方法中进行声纹识别的流程图；图4为本发明实施例一种基于区块链的金融交易操作及大数据安全存储系统的原理框图；图5为本发明实施例提供的一种电子设备的结构框图。
17.附图标记说明：100、图像截取模块；200、价格比对模块；300、语音采集模块；400、身份识别模块；500、语音识别模块；600、信息上链模块；101、存储器；102、处理器；103、通信接口。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
19.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
20.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
21.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
22.在本发明实施例的描述中，“多个”代表至少2个。
实施例
23.如图1-图3所示，第一方面，本发明实施例提供一种基于区块链的金融交易操作及大数据安全存储方法，包括以下步骤：s1、按照预置的截屏周期截取用户在看盘的过程中的图像，利用ocr技术对每张图
像中的交易价格进行识别，以得到对应的多个价格识别结果；用户在看盘的过程中，电脑每隔一段时间自动进行截屏（通常每秒钟截屏一次即可）。对于每张截屏图像，利用ocr技术对交易价格进行识别。
24.s2、将各个价格识别结果进行比对，生成比对结果，根据比对结果生成并发送提醒信息给对应的用户；如果出现了价格显著变化、价格长期间不变等情况，立即提醒用户。
25.s3、当用户需要完成交易时，采集用户的语音信号，并利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理，以得到去噪语音信号；进一步地，如图2所示，包括：s31、选取部分没有噪声的语音信号作为正样本，选取部分有噪声的语音信号作为负样本；s32、利用皮尔逊相关系数计算并根据正样本两两之间的相关性确定目标正样本，利用皮尔逊相关系数计算并根据负样本两两之间的相关性确定目标负样本；s33、利用目标正样本和目标负样本对预先建立的卷神经网络进行训练，以构建目标去噪模型，基于目标去噪模型对语音信号进行去噪处理，以得到去噪语音信号。
26.在本发明的一些实施例中，如果用户需要完成交易，发出语音指令（例如，以每股200元的价格购买1000股五粮液股票），系统自动提取该语音信号。利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理。基于皮尔逊相关系数的简易神经网络去噪模型进行去噪处理的步骤具体包括：选取部分没有噪声的语音信号作为正样本，选取部分有噪声的语音信号作为负样本。对于所有正样本，利用皮尔逊相关系数计算正样本两两之间的相关性，如果出现了两个正样本相关性较高的情况，仅保留其中一个正样本即可；对于所有负样本，利用皮尔逊相关系数计算负样本两两之间的相关性，如果出现了两个负样本相关性较高的情况，仅保留其中一个负样本即可。初步建立一个层数较少的卷积神经网络，利用正样本、负样本对卷积神经网络进行训练，得到最终的去噪模型。
27.s4、利用基于多维度自编码匹配的声纹识别模型，对去噪语音信号进行声纹识别，得到用户的身份信息；进一步地，如图3所示，包括：s41、利用低维度自编码器，对该去噪语音信号进行编码，并对预录入的每个用户的语音模板信号进行编码，计算并根据去噪语音信号和每个用户语音模板信号之间的相似度确定目标语音模板信号；s42、利用高维度自编码器，分别对该去噪语音信号和目标语音模板信号进行编码，计算去噪语音信号和目标语音模板信号之间的相似度，得到相似度结果；s43、若该相似度结果大于预置的相似度阈值，则获取目标语音目标信号对应的用户身份信息，并将该用户身份信息认定为该用户的最终身份信息。
28.在本发明的一些实施例中，利用基于多维度自编码匹配的声纹识别模型，对语音信号（去噪语音信号）进行声纹识别，得到用户的身份信息。如果该用户是有操作权限的注册用户，则继续进行下一步。基于多维度自编码匹配的声纹识别模型进行声纹识别的步骤具体包括：利用低维度自编码器，对该语音信号进行编码，并对系统中每个用户的语音模板信号进行编码（每个用户会提前录入一段自己的语音模板信号），计算该段语音信号和每个用户语音模板信号的相似度，将和该段语音信号相似度最高的用户语音模板信号认定为目
标语音模板信号。利用高维度自编码器，对该语音信号进行编码，并对目标语音模板信号进行编码，计算该段语音信号和目标语音模板信号的相似度，如果相似度仍然很高，到目标语音模板信号对应的用户身份信息，并对该用户的身份进行最终识别（如果目标语音模板信号对应的用户身份是张三，将该用户的身份最终识别为张三）。注：低维度自编码器可以得到维度较低的语音编码结果；高维度自编码器可以得到维度较高的语音编码结果。
29.s5、根据用户的身份信息和预录入的具有操作权限的注册用户信息判断该用户是否具备操作权限，若是，则利用基于似然估计的低耗语音识别模型，对该用户的去噪语音信号进行识别，生成并根据识别结果在该用户的个人账户系统中完成交易；进一步地，包括：采集多个语音信号，通过数据统计方式统计得到每个词汇的后续关联词汇；对去噪语音信号进行识别，识别得到对应的首个词汇；利用简易语音识别模型对去噪语音信号中首个词汇后面的词汇进行识别，得到词汇识别结果；若词汇识别结果与统计得到的对应词汇的后续关联词汇相匹配，则将词汇识别结果确认为最终识别结果；反之，则利用复杂语音识别模型对去噪语音信号中首个词汇后面的词汇进行识别，得到最终识别结果。
30.在本发明的一些实施例中，上述基于似然估计的低耗语音识别模型进行识别的步骤具体包括：收集海量语音信号，通过数据统计方式，统计出每一词汇后面最可能出现的词汇。例如，识别出语音信号中的首个词汇为词汇a，根据统计结果得到词汇a后面最可能出现词汇b、词汇c、词汇d。利用简易的语音识别模型对首个词汇后面的词汇进行识别，如果识别结果是词汇b、词汇c、词汇d中的任意一个，直接确认识别结果；如果识别结果不是词汇b、词汇c、词汇d中的任意一个，再利用复杂的语音识别模型对首个词汇后面的词汇进行识别，得到最终的识别结果。
31.按照上述步骤，完成该用户的所有交易过程。
32.s6、获取并将用户的身份信息、每次交易的交易时间及每次交易的买卖信息上传至区块链。
33.为了解决现有技术中的问题，本发明将皮尔逊相关系数应用于样本精选及简易神经网络去噪模型的构建，得到了基于皮尔逊相关系数的简易神经网络去噪模型，该模型能够以较低消耗实现高质量的语音去噪。在此基础上，将低维度自编码和高维度自编码充分结合并应用于声纹识别过程中，得到了基于多维度自编码匹配的声纹识别模型，该模型能够更加精准地对用户身份进行识别。同时，本发明还将似然估计应用于语音识别过程中，并根据实际需求选择性使用不同复杂程度的语音识别方法，得到了基于似然估计的低耗语音识别模型，该模型能够以较低消耗实现较为精准的语音识别。本发明还利用了区块链技术，将用户的身份信息、每次交易的交易时间、每次交易的具体买卖信息进行上链存储，确保了交易及存储的安全性。
34.如图4所示，第二方面，本发明实施例提供一种基于区块链的金融交易操作及大数据安全存储系统，包括图像截取模块100、价格比对模块200、语音采集模块300、身份识别模块400、语音识别模块500以及信息上链模块600，其中：图像截取模块100，用于按照预置的截屏周期截取用户在看盘的过程中的图像，利用ocr技术对每张图像中的交易价格进行识别，以得到对应的多个价格识别结果；价格比对模块200，用于将各个价格识别结果进行比对，生成比对结果，根据比对
结果生成并发送提醒信息给对应的用户；语音采集模块300，用于当用户需要完成交易时，采集用户的语音信号，并利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理，以得到去噪语音信号；身份识别模块400，用于利用基于多维度自编码匹配的声纹识别模型，对去噪语音信号进行声纹识别，得到用户的身份信息；语音识别模块500，用于根据用户的身份信息和预录入的具有操作权限的注册用户信息判断该用户是否具备操作权限，若是，则利用基于似然估计的低耗语音识别模型，对该用户的去噪语音信号进行识别，生成并根据识别结果在该用户的个人账户系统中完成交易；信息上链模块600，用于获取并将用户的身份信息、每次交易的交易时间及每次交易的买卖信息上传至区块链。
35.为了解决现有技术中的问题，本系统通过图像截取模块100、价格比对模块200、语音采集模块300、身份识别模块400、语音识别模块500以及信息上链模块600等多个模块的结合，将皮尔逊相关系数应用于样本精选及简易神经网络去噪模型的构建，得到了基于皮尔逊相关系数的简易神经网络去噪模型，该模型能够以较低消耗实现高质量的语音去噪。在此基础上，将低维度自编码和高维度自编码充分结合并应用于声纹识别过程中，得到了基于多维度自编码匹配的声纹识别模型，该模型能够更加精准地对用户身份进行识别。同时，本系统还将似然估计应用于语音识别过程中，并根据实际需求选择性使用不同复杂程度的语音识别方法，得到了基于似然估计的低耗语音识别模型，该模型能够以较低消耗实现较为精准的语音识别。本系统还利用了区块链技术，将用户的身份信息、每次交易的交易时间、每次交易的具体买卖信息进行上链存储，确保了交易及存储的安全性。
36.如图5所示，第三方面，本技术实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
37.还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
38.其中，存储器101可以是但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read-only memory，prom），可擦除只读存储器（erasable programmable read-only memory，eprom），电可擦除只读存储器（electric erasable programmable read-only memory，eeprom）等。
39.处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器（central processing unit，cpu）、网络处理器（network processor，np）等；还可以是数字信号处理器（digital signal processing，dsp）、专用集成电路（application specific integrated circuit，asic）、现场可编程门阵列（field－programmable gate array，fpga）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件。
40.在本技术所提供的实施例中，应该理解到，所揭露的方法和系统和方法，也可以通过其它的方式实现。以上所描述的方法和系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的方法和系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
41.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
42.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
43.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
44.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：

1.一种基于区块链的金融交易操作及大数据安全存储方法，其特征在于，包括以下步骤：按照预置的截屏周期截取用户在看盘的过程中的图像，利用ocr技术对每张图像中的交易价格进行识别，以得到对应的多个价格识别结果；将各个价格识别结果进行比对，生成比对结果，根据比对结果生成并发送提醒信息给对应的用户；当用户需要完成交易时，采集用户的语音信号，并利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理，以得到去噪语音信号；利用基于多维度自编码匹配的声纹识别模型，对去噪语音信号进行声纹识别，得到用户的身份信息；根据用户的身份信息和预录入的具有操作权限的注册用户信息判断该用户是否具备操作权限，若是，则利用基于似然估计的低耗语音识别模型，对该用户的去噪语音信号进行识别，生成并根据识别结果在该用户的个人账户系统中完成交易；获取并将用户的身份信息、每次交易的交易时间及每次交易的买卖信息上传至区块链。2.根据权利要求1所述的一种基于区块链的金融交易操作及大数据安全存储方法，其特征在于，所述利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理，以得到去噪语音信号的方法包括以下步骤：选取部分没有噪声的语音信号作为正样本，选取部分有噪声的语音信号作为负样本；利用皮尔逊相关系数计算并根据正样本两两之间的相关性确定目标正样本，利用皮尔逊相关系数计算并根据负样本两两之间的相关性确定目标负样本；利用目标正样本和目标负样本对预先建立的卷神经网络进行训练，以构建目标去噪模型，基于目标去噪模型对语音信号进行去噪处理，以得到去噪语音信号。3.根据权利要求1所述的一种基于区块链的金融交易操作及大数据安全存储方法，其特征在于，所述利用基于多维度自编码匹配的声纹识别模型，对去噪语音信号进行声纹识别，得到用户的身份信息的方法包括以下步骤：利用低维度自编码器，对该去噪语音信号进行编码，并对预录入的每个用户的语音模板信号进行编码，计算并根据去噪语音信号和每个用户语音模板信号之间的相似度确定目标语音模板信号；利用高维度自编码器，分别对该去噪语音信号和目标语音模板信号进行编码，计算去噪语音信号和目标语音模板信号之间的相似度，得到相似度结果；若该相似度结果大于预置的相似度阈值，则获取目标语音目标信号对应的用户身份信息，并将该用户身份信息认定为该用户的最终身份信息。4.根据权利要求1所述的一种基于区块链的金融交易操作及大数据安全存储方法，其特征在于，所述利用基于似然估计的低耗语音识别模型，对该用户的去噪语音信号进行识别的方法包括以下步骤：采集多个语音信号，通过数据统计方式统计得到每个词汇的后续关联词汇；对去噪语音信号进行识别，识别得到对应的首个词汇；利用简易语音识别模型对去噪语音信号中首个词汇后面的词汇进行识别，得到词汇识
别结果；若词汇识别结果与统计得到的对应词汇的后续关联词汇相匹配，则将词汇识别结果确认为最终识别结果；反之，则利用复杂语音识别模型对去噪语音信号中首个词汇后面的词汇进行识别，得到最终识别结果。5.一种基于区块链的金融交易操作及大数据安全存储系统，其特征在于，包括图像截取模块、价格比对模块、语音采集模块、身份识别模块、语音识别模块以及信息上链模块，其中：图像截取模块，用于按照预置的截屏周期截取用户在看盘的过程中的图像，利用ocr技术对每张图像中的交易价格进行识别，以得到对应的多个价格识别结果；价格比对模块，用于将各个价格识别结果进行比对，生成比对结果，根据比对结果生成并发送提醒信息给对应的用户；语音采集模块，用于当用户需要完成交易时，采集用户的语音信号，并利用基于皮尔逊相关系数的简易神经网络去噪模型，对语音信号进行去噪处理，以得到去噪语音信号；身份识别模块，用于利用基于多维度自编码匹配的声纹识别模型，对去噪语音信号进行声纹识别，得到用户的身份信息；语音识别模块，用于根据用户的身份信息和预录入的具有操作权限的注册用户信息判断该用户是否具备操作权限，若是，则利用基于似然估计的低耗语音识别模型，对该用户的去噪语音信号进行识别，生成并根据识别结果在该用户的个人账户系统中完成交易；信息上链模块，用于获取并将用户的身份信息、每次交易的交易时间及每次交易的买卖信息上传至区块链。6.一种电子设备，其特征在于，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现如权利要求1-4中任一项所述的方法。7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。

技术总结

本发明公开了一种基于区块链的金融交易操作及大数据安全存储方法和系统，涉及语音分析技术领域。该方法包括：截取用户在看盘的过程中的图像，对交易价格进行识别；将各个价格识别结果进行比对，发送提醒信息给对应的用户；当用户需要完成交易时，采集用户的语音信号，对语音信号进行去噪处理，以得到去噪语音信号；对去噪语音信号进行声纹识别，得到用户的身份信息；判断该用户是否具备操作权限，若是，则对该用户的去噪语音信号进行识别，生成并根据识别结果在该用户的个人账户系统中完成交易；将相关信息上链存储。本发明可提高语音识别精度，保证高质量的金融交易操作；并结合区块链实现数据的安全存储。合区块链实现数据的安全存储。合区块链实现数据的安全存储。