導(dǎo)語：如何才能寫好一篇神經(jīng)網(wǎng)絡(luò)的基本特征，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：數(shù)據(jù)挖掘；數(shù)據(jù)庫；遺傳算法；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP392文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：1672-7800（2013）012-0129-02

基金項(xiàng)目：佛山科學(xué)技術(shù)學(xué)院重點(diǎn)項(xiàng)目（2010）

作者簡(jiǎn)介：劉曉莉（1961-），女，佛山科學(xué)技術(shù)學(xué)院副教授，研究方向?yàn)閼?yīng)用數(shù)學(xué)。

1遺傳算法基本特征

遺傳算法是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過程的計(jì)算模型，是一種具有廣泛適用性的通用優(yōu)化搜索方法。遺傳算法主要借用了生物遺傳學(xué)的觀點(diǎn)，通過自然選擇、遺傳和變異等作用機(jī)制來產(chǎn)生下一代種群，如此逐代進(jìn)化，直至得到滿足要求的后代即問題的解，是一種公認(rèn)的全局搜索能力較強(qiáng)的算法。

遺傳算法有良好智能性，易于并行，減少了陷于局部最優(yōu)解的風(fēng)險(xiǎn)。遺傳算法的處理對(duì)象不是參數(shù)本身，而是對(duì)參數(shù)集進(jìn)行了編碼的個(gè)體，可以直接對(duì)集合、隊(duì)列、矩陣、圖表等結(jié)構(gòu)進(jìn)行操作。同時(shí)，在標(biāo)準(zhǔn)的遺傳算法中，基本上不用搜索空間的知識(shí)或其它輔助信息，而僅用適應(yīng)度函數(shù)值來評(píng)估個(gè)體，并在此基礎(chǔ)上進(jìn)行遺傳操作； 遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)它的搜尋方向。正是這些特征和優(yōu)點(diǎn)，使得遺傳算法在數(shù)據(jù)挖掘技術(shù)中占有很重要的地位，既可以用來挖掘分類模式、聚類模式、依賴模式、層次模式，也可用于評(píng)估其它算法的適合度。

2神經(jīng)網(wǎng)絡(luò)基本特征

神經(jīng)網(wǎng)絡(luò)是人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特征的抽象和模擬，是以大量的、同時(shí)也是很簡(jiǎn)單的處理單元（神經(jīng)元）廣泛地互相連接形成的復(fù)雜非線性系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個(gè)分布式矩陣結(jié)構(gòu)，它根據(jù)樣本的輸入輸出對(duì)加權(quán)法進(jìn)行自我調(diào)整，從而近似模擬出輸入、輸出內(nèi)在隱含的映射關(guān)系。建模時(shí)，不必考慮各個(gè)因素之間的相互作用及各個(gè)因素對(duì)輸出結(jié)果的影響機(jī)制，這恰好彌補(bǔ)了人們對(duì)各個(gè)因素及對(duì)輸出結(jié)果的機(jī)制不清楚的缺陷，從而解決眾多用以往方法很難解決的問題。

神經(jīng)網(wǎng)絡(luò)具有大規(guī)模的并行處理和分布式的信息存儲(chǔ)，有良好的自適應(yīng)、自組織性，學(xué)習(xí)能力很強(qiáng)，有較強(qiáng)的聯(lián)想功能和容錯(cuò)功能，在解決機(jī)理比較復(fù)雜、無法用數(shù)學(xué)模型來刻畫的問題，甚至對(duì)其機(jī)理一無所知的問題等，神經(jīng)網(wǎng)絡(luò)方法特別適用，是一種用于預(yù)測(cè)、評(píng)價(jià)、分類、模式識(shí)別、過程控制等各種數(shù)據(jù)處理場(chǎng)合的計(jì)算方法，其應(yīng)用已經(jīng)滲透到多個(gè)領(lǐng)域，在計(jì)算機(jī)視覺、模式識(shí)別、智能控制、非線性優(yōu)化、信號(hào)處理、經(jīng)濟(jì)和機(jī)器人等方面取得了可喜的進(jìn)展。

3遺傳算法與神經(jīng)網(wǎng)絡(luò)混合算法在數(shù)據(jù)挖掘中的應(yīng)用

作為一種有效的優(yōu)化方法，遺傳算法可以應(yīng)用于規(guī)則挖掘，可以單獨(dú)用于數(shù)據(jù)倉庫中關(guān)聯(lián)規(guī)則的挖掘，還可以和神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，建立基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的數(shù)據(jù)挖掘體系，用于數(shù)據(jù)挖掘中的分類問題。

學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)中最引人矚目的特征，學(xué)習(xí)算法的研究一直占據(jù)重要地位?？梢詫⑦z傳算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中，這樣可以避免傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法容易陷入局部極小的問題。有研究者提出了一種基于遺傳算法的神經(jīng)網(wǎng)絡(luò)二次訓(xùn)練方法，可以提高神經(jīng)網(wǎng)絡(luò)的模糊處理能力，有效解決神經(jīng)網(wǎng)絡(luò)陷入局部極小的缺點(diǎn)，加快收斂速率，提高學(xué)習(xí)效率。也有研究者探究了基于基因重組的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法，通過訓(xùn)練權(quán)值來實(shí)現(xiàn)分類，可以提高神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分類的準(zhǔn)確性。因此，采用遺傳算法與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合方法，可以解決多維非線性系統(tǒng)及模型未知系統(tǒng)的預(yù)測(cè)、評(píng)價(jià)與優(yōu)化等問題，其成功案例有很多，下面是其中的幾例。

一些研究者針對(duì)當(dāng)前專家系統(tǒng)知識(shí)獲取瓶頸的難題，提出了基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的汽輪機(jī)組數(shù)據(jù)挖掘方法。該方法首先將汽輪機(jī)組歷史故障數(shù)據(jù)進(jìn)行模糊化及離散化處理后，建立神經(jīng)網(wǎng)絡(luò)模型，然后再利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，實(shí)現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的汽輪機(jī)組數(shù)據(jù)挖掘和故障診斷仿真系統(tǒng)，其診斷正確率達(dá)到了84%。

綜合運(yùn)用人工智能、計(jì)算智能（人工神經(jīng)網(wǎng)、遺傳算法） 、模式識(shí)別、數(shù)理統(tǒng)計(jì)等先進(jìn)技術(shù)作為數(shù)據(jù)挖掘工具，可以建立可靠、高效的數(shù)據(jù)挖掘軟件平臺(tái)，已在很多工業(yè)控制和優(yōu)化中得到應(yīng)用和實(shí)驗(yàn)驗(yàn)證，并取得了滿意的應(yīng)用效果。例如，某鋁廠根據(jù)以往不同原料成分和原料的不同配比與產(chǎn)品質(zhì)量關(guān)系記錄的數(shù)據(jù)庫，應(yīng)用數(shù)據(jù)挖掘軟件平臺(tái)，可以挖掘出適應(yīng)不同原料成分的最佳配比規(guī)律，從而提高產(chǎn)品質(zhì)量的穩(wěn)定性。又如，以往在化工產(chǎn)品優(yōu)化配方、催化劑配方優(yōu)化或材料工藝優(yōu)化等研究中，基本上都是采用試驗(yàn)改進(jìn)的方式，需經(jīng)過多次試驗(yàn)才能達(dá)到預(yù)期目的，但也有可能失敗。為降低消耗， 少做試驗(yàn)就能達(dá)到預(yù)期目的，可采用神經(jīng)網(wǎng)絡(luò)對(duì)產(chǎn)品配方實(shí)驗(yàn)數(shù)據(jù)建模，在此基礎(chǔ)上，再應(yīng)用遺傳算法對(duì)配方模型進(jìn)行優(yōu)化，得到優(yōu)化配方。

正是遺傳算法與神經(jīng)網(wǎng)絡(luò)等算法的支撐以及計(jì)算機(jī)技術(shù)的發(fā)展，目前，數(shù)據(jù)挖掘廣泛地應(yīng)用于天文、地理、生物信息學(xué)、金融、保險(xiǎn)、商業(yè)、電信、網(wǎng)絡(luò)、交通等眾多領(lǐng)域。例如，應(yīng)用在地理數(shù)據(jù)庫上，主要挖掘地質(zhì)、地貌特征，為尋找礦產(chǎn)或進(jìn)行城市規(guī)劃等提供參考依據(jù)；在電信Web服務(wù)器方面，可以挖掘Web日志，根據(jù)用戶興趣動(dòng)態(tài)鏈接Web頁面，統(tǒng)計(jì)頁面鏈接及權(quán)威主頁等，對(duì)檢索頁面進(jìn)行聚類，方便用戶找到需要的信息；在生物醫(yī)學(xué)信息和DNA數(shù)據(jù)分析方面，進(jìn)行遺傳、疾病等數(shù)據(jù)特征的挖掘，為疾病診斷、治療和預(yù)防研究提供科學(xué)依據(jù)；對(duì)金融數(shù)據(jù)進(jìn)行挖掘，可以分析客戶信用度；在CRM（客戶關(guān)系模型）上使用數(shù)據(jù)挖掘，獲得客戶群體分類信息、交叉銷售安排及開發(fā)新客戶和保留老客戶的策略；在電信業(yè)中使用挖掘技術(shù)，以預(yù)防網(wǎng)絡(luò)欺詐等；應(yīng)用在商業(yè)問題的研究包括：進(jìn)行客戶群體劃分、背景分析、交叉銷售等市場(chǎng)行為分析，以及客戶流失性、信用度分析與欺詐發(fā)現(xiàn)；在電子商務(wù)方面，從服務(wù)器以及瀏覽器端的日志記錄中發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式信息，了解系統(tǒng)的訪問模式以及用戶的行為模式，作出預(yù)測(cè)性分析等等。

4結(jié)語

神經(jīng)網(wǎng)絡(luò)和遺傳算法作為數(shù)據(jù)挖掘技術(shù)，也有一些不足和缺陷。遺傳算法除了要進(jìn)一步改進(jìn)基本理論和方法外，還要采用和神經(jīng)網(wǎng)絡(luò)、模擬退火、最近臨規(guī)則等其它方法相結(jié)合的策略，提高遺傳算法的局部搜索能力，從而進(jìn)一步改善其收斂速度和解的品質(zhì)，提高數(shù)據(jù)挖掘技術(shù)。特別是對(duì)于單調(diào)函數(shù)或單峰函數(shù)，遺傳算法在初始時(shí)很快向最優(yōu)值逼近，但是在最優(yōu)值附近收斂較慢；而對(duì)于多峰函數(shù)的優(yōu)化問題，它往往會(huì)出現(xiàn)“早熟”，即收斂于局部極值。因此，研究如何改進(jìn)遺傳算法，采用合適的算法加快尋優(yōu)速度和改善尋優(yōu)質(zhì)量，無論在理論上還是在實(shí)踐上都有重要意義。神經(jīng)網(wǎng)絡(luò)的神經(jīng)計(jì)算基礎(chǔ)理論框架以及生理層面的研究仍需深入與加強(qiáng)，如何提高神經(jīng)網(wǎng)絡(luò)的可理解性問題，以及研究遺傳算法、神經(jīng)網(wǎng)絡(luò)技術(shù)與其它人工智能技術(shù)更好地結(jié)合，從而獲得比單一方法更好的效果等問題，值得進(jìn)一步探索。

雖然數(shù)據(jù)挖掘技術(shù)已得到了廣泛應(yīng)用，但現(xiàn)有的數(shù)據(jù)挖掘方法并不能完全適應(yīng)所面臨的具有多樣性的海量數(shù)據(jù)分析的現(xiàn)實(shí)，急需解決的問題是：如何研究并行處理和抽樣的方法，來處理大規(guī)模的數(shù)據(jù)以獲得較高的計(jì)算效率；如何利用統(tǒng)計(jì)、模糊數(shù)學(xué)來確定隱含變量及依賴關(guān)系，開發(fā)容噪的挖掘方法，以解決異質(zhì)數(shù)據(jù)集的數(shù)據(jù)挖掘問題；如何更好地進(jìn)行文本數(shù)據(jù)挖掘、Web數(shù)據(jù)挖掘、分類系統(tǒng)、可視化系統(tǒng)、空間數(shù)據(jù)系統(tǒng)和分布式數(shù)據(jù)挖掘等新技術(shù)的應(yīng)用。因此，未來數(shù)據(jù)挖掘的研究表現(xiàn)在數(shù)據(jù)挖掘功能、工具、方法（算法） 的拓展與理論創(chuàng)新，其應(yīng)用的范圍和深度會(huì)進(jìn)一步加強(qiáng)。

參考文獻(xiàn)參考文獻(xiàn)：

[1]孟曉明.淺談數(shù)據(jù)挖掘技術(shù)[J].計(jì)算機(jī)應(yīng)用與軟件，2004 （8）.

[2]李慧芳，姚躍華，陳一棟.改進(jìn)的遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)優(yōu)化的分類[J].微計(jì)算機(jī)信息，2008（15）.

[3]王東龍，李茂青.基于遺傳算法的數(shù)據(jù)挖掘技術(shù)應(yīng)用[J].南昌大學(xué)學(xué)報(bào)， 2005（1）.

[4]宋仁國(guó).鋁合金工藝優(yōu)化的遺傳算法[J].材料科學(xué)與工程，1998（1）.

[5]韓力群.催化劑配方的神經(jīng)網(wǎng)絡(luò)建模與遺傳算法優(yōu)化[J].化工學(xué)報(bào)，1999（4）.

[6]郭崇慧，陸玉昌.預(yù)測(cè)型數(shù)據(jù)挖掘中的優(yōu)化方法[J].工程數(shù)學(xué)學(xué)報(bào)，2005（1）.

[7]楊杰.用于建模、優(yōu)化、故障診斷的數(shù)據(jù)挖掘技術(shù)[J].計(jì)算機(jī)集成制造系統(tǒng)，2000（10）.

篇2

【關(guān)鍵詞】GPS；高程異常；BP神經(jīng)網(wǎng)絡(luò)；擬合模型

Research on the Models of GPS Height Fitting Based on BP Neural Network

Li Yongquan

【Abstract】International and domestic multifarious control nets in use of GPS’s positioning techniques are only to solve the horizontal coordinates, but the height still follow to use the geometric leveling.Therefore, The basic theory of neural network and algorithm of BP are described, Discuss the problem of GPS height fitting based on BP neural network by trials. BP neural network is a kind of nonlinear mapping for its inputs and outputs，BP neural network is a high precise method for translating height.

【Key words】GPS；height anomaly；back propagation neural networks； fitting models

1. 引言

GPS平面定位的精度目前已經(jīng)可以達(dá)到毫米級(jí)，但相對(duì)于平面定位精度，GPS在高程方面的定位精度較低。 神經(jīng)網(wǎng)絡(luò)是一種高度自適應(yīng)的非線性動(dòng)力系統(tǒng)，神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)理論本質(zhì)上是非線性數(shù)學(xué)理論，通過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)可以得到輸入和輸出之間的高度非線性映射，因此，使用神經(jīng)網(wǎng)絡(luò)可以建立起輸入和輸出之間的非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)本身也是一種高精度的高程轉(zhuǎn)換方法。

2. 神經(jīng)網(wǎng)絡(luò)的模型及BP算法

2.1 神經(jīng)網(wǎng)絡(luò)的模型

（1）生物神經(jīng)元模型。神經(jīng)元模型是基于生物神經(jīng)元的特點(diǎn)提出的，人腦由大量的生物神經(jīng)元組成，神經(jīng)元之間互相有連接，從而構(gòu)成一個(gè)龐大而復(fù)雜的神經(jīng)元網(wǎng)絡(luò)。神經(jīng)元是大腦處理信息的基本單元，結(jié)構(gòu)如圖1。神經(jīng)元由細(xì)胞體、樹突和軸突三部分組成，其中突觸是神經(jīng)元之間的連接。細(xì)胞體是由很多分子形成的綜合體，內(nèi)部含有細(xì)胞核、細(xì)胞質(zhì)和細(xì)胞膜。細(xì)胞體的作用是接受和處理信息。樹突是細(xì)胞體向外延伸的纖維體，是接受從其他神經(jīng)元傳入信息的入口。軸突是神經(jīng)元的信息通道，是細(xì)胞體向外延伸最長(zhǎng)、最粗的樹枝纖維體，也叫神經(jīng)纖維。（2）神經(jīng)元模型。神經(jīng)元一般表現(xiàn)為一個(gè)多輸入（多個(gè)樹突和細(xì)胞體與其他多個(gè)神經(jīng)元軸突末梢突觸連接）、單輸出（每個(gè)神經(jīng)元只有一個(gè)軸突作為輸出通道）的非線性器件，通用的結(jié)構(gòu)模型如圖2所示。

(3）神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的互連模式有前向網(wǎng)絡(luò)、有反饋的前向網(wǎng)絡(luò)、層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)和相互結(jié)合型網(wǎng)絡(luò)四種。

前向網(wǎng)絡(luò)神經(jīng)元分層排列，組成輸入層、中間層（隱含層）和輸出層。每一層的神經(jīng)元只接受來自前一層神經(jīng)元的輸入，后面的層對(duì)前面的層沒有信號(hào)反饋。輸入模式經(jīng)過各層次的順序傳播，最后在輸出層上得到輸出。目前對(duì)前向網(wǎng)絡(luò)得出的一致的結(jié)論是：甚至是單中間層網(wǎng)絡(luò)，只要隱節(jié)點(diǎn)數(shù)目足夠多，前向網(wǎng)絡(luò)就可以通過訓(xùn)練學(xué)習(xí)樣本，以任意精度逼近(或表達(dá))期望目標(biāo)。

2.2 神經(jīng)網(wǎng)絡(luò)BP算法

(1）BP（Back Propagation）網(wǎng)絡(luò)模型結(jié)構(gòu)。BP網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示，BP網(wǎng)絡(luò)具有三層或三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層（隱層）和輸出層。上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間沒有連接。當(dāng)一對(duì)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出和實(shí)際輸出之間的方向，從輸出層反向經(jīng)過各中間層回到輸入層，從而逐層修正各連接權(quán)值，這種算法稱為“誤差反向傳播算法”，即BP算法。

（2）BP算法的數(shù)學(xué)描述。BP算法基本原理是利用輸出后的誤差來估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計(jì)。

BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想是：對(duì)網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向――負(fù)梯度方向。

xk+1=xk-akgk(1)

其中xk是當(dāng)前的權(quán)值和閾值矩陣，gk是當(dāng)前表現(xiàn)函數(shù)的梯度，ak是學(xué)習(xí)速率。

三層BP網(wǎng)絡(luò)，輸入節(jié)點(diǎn)xi，中間層節(jié)點(diǎn)yi，輸出節(jié)點(diǎn)zl。輸入節(jié)點(diǎn)與中間層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為wji，中間層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為vlj。當(dāng)輸出節(jié)點(diǎn)的期望值為tl時(shí)，模型計(jì)算公式如下。

中間層節(jié)點(diǎn)的輸出：

yi=f(∑iwjixi-θj)=f(netj)(2)

輸出節(jié)點(diǎn)的計(jì)算輸出：

zl=f(∑jvljyj-θl)=f(netl)(3)

3. BP神經(jīng)網(wǎng)絡(luò)用于GPS高程擬合

3.1 山區(qū)高程異常擬合實(shí)例:以本溪GPS和水準(zhǔn)資料作為樣本來源，進(jìn)行BP高程異常擬合。

通過山區(qū)高程異常擬合實(shí)例，對(duì)數(shù)據(jù)分析可以得到如下結(jié)論，學(xué)習(xí)樣本數(shù)與測(cè)試樣本數(shù)之比在1/4之間時(shí)網(wǎng)絡(luò)穩(wěn)定性較好。高程擬合的精度與學(xué)習(xí)樣本數(shù)量有關(guān)，學(xué)習(xí)樣本數(shù)越多，擬合精度就越高。

3.2 平原地區(qū)高程異常擬合實(shí)例:以某市D級(jí)GPS部分?jǐn)?shù)據(jù)進(jìn)行實(shí)驗(yàn)研究

通過平原地區(qū)高程異常擬合實(shí)例，對(duì)數(shù)據(jù)分析可以得到如下結(jié)論，學(xué)習(xí)樣本數(shù)與測(cè)試樣本數(shù)之比在 1/3 之間時(shí)網(wǎng)絡(luò)穩(wěn)定性較好。學(xué)習(xí)樣本數(shù)對(duì)測(cè)試對(duì)象的精度也有著重要的影響，一般隨著學(xué)習(xí)樣本數(shù)的增多，中誤差會(huì)有所改善。這主要是更多的學(xué)習(xí)樣本就更能表述出所研究問題的一些基本特征，進(jìn)而仿真的效果就能更好。

4. 結(jié)束語

重點(diǎn)研究基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程異常擬合算法，詳細(xì)介紹了人工神經(jīng)網(wǎng)絡(luò)基本理論，重點(diǎn)討論了基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程擬合，包括BP神經(jīng)網(wǎng)絡(luò)的基本原理、主要特點(diǎn)。分析了神經(jīng)網(wǎng)絡(luò)的BP算法，包括其數(shù)學(xué)模型、網(wǎng)絡(luò)結(jié)構(gòu)。構(gòu)造了基于BP神經(jīng)網(wǎng)絡(luò)的GPS高程擬合模型，結(jié)合具體工程數(shù)據(jù)進(jìn)行了神經(jīng)網(wǎng)絡(luò)性能分析。

參考文獻(xiàn)

[1] 國(guó)家測(cè)繪局測(cè)繪發(fā)展研究中心.測(cè)繪發(fā)展研究動(dòng)態(tài)[R].北京：國(guó)家測(cè)繪局，2008，8：1-7

[2] 李征航、黃勁松.GPS測(cè)量與數(shù)據(jù)處理[M].武漢：武漢大學(xué)出版社，2005，277-278

[3] 曹先革.基于人工神經(jīng)網(wǎng)絡(luò)的GPS高程異常擬合方法研究[D]，北京：中國(guó)地質(zhì)大學(xué)，2008

[4] 徐紹銓．GPS高程擬合系統(tǒng)的研究[J]，武漢：武漢測(cè)繪科技大學(xué)學(xué)報(bào)，1999，24(4),11-15

[5] 閻平凡.人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M]，北京:清華大學(xué)出版社，2000，5-6

[6] 徐麗娜.神經(jīng)網(wǎng)絡(luò)控制[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，1999，1-40

篇3

關(guān)鍵詞：煙葉數(shù)字圖像；邊緣處理；形態(tài)學(xué)變換；特征抽?。恢悄茏R(shí)別

1引言

煙葉是煙草工業(yè)的基礎(chǔ)原料， 對(duì)煙草工業(yè)生產(chǎn)質(zhì)量和煙草行業(yè)經(jīng)營(yíng)效益具有舉足輕重的作用。對(duì)煙葉生產(chǎn)過程的各個(gè)環(huán)節(jié)包括煙葉品質(zhì)的智能識(shí)別進(jìn)行技術(shù)創(chuàng)新，提高品質(zhì)和效率，是一個(gè)前沿研究方向[1][5]。

當(dāng)前這一方面的研究，主要集中在數(shù)字圖像處理方面，把煙葉品質(zhì)的數(shù)字圖像處理與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合，實(shí)現(xiàn)煙葉品質(zhì)的智能識(shí)別，是一個(gè)極有價(jià)值的工作。以下在此方面作出一個(gè)系統(tǒng)的、較為完備的、易于實(shí)際操作的研究。

2主要技術(shù)手段

2．1 MAⅡAB圖像處理工具箱

在MATLAB平臺(tái)上，借助圖像處理工具箱，可以簡(jiǎn)易明快地實(shí)現(xiàn)對(duì)煙葉數(shù)字圖像的圖像處理。在煙葉生產(chǎn)一線，用數(shù)碼照相機(jī)對(duì)各種煙葉樣本進(jìn)行拍照，輸入計(jì)算機(jī)，用MAT_LAB將它轉(zhuǎn)換為各(．bmp；．jpeg；．gif；．png；．t 圖片以便進(jìn)行圖像處理。成本低，精確度高，宜于普及推廣。獲取各種類型的煙葉數(shù)字圖像以后，經(jīng)閾值使用權(quán)圖像二值化，可以當(dāng)即辨識(shí)出這一圖像是否具有何種類型的病蟲害或品質(zhì)異變。利用煙葉數(shù)字圖像的邊緣檢測(cè)、輪廓提取等分析命令，獲得待測(cè)煙葉的圖像參數(shù)和特征，再由神經(jīng)網(wǎng)絡(luò)技術(shù)，完成對(duì)煙葉品質(zhì)的智能識(shí)別。

2．2神經(jīng)網(wǎng)絡(luò)技術(shù)

神經(jīng)網(wǎng)絡(luò)是一個(gè)新的智能識(shí)別工具。畢業(yè)論文 經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠存儲(chǔ)與過程有關(guān)的信息，能直接從歷史數(shù)據(jù)中學(xué)習(xí)，經(jīng)過用各種煙葉樣本訓(xùn)練和學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，能自動(dòng)地識(shí)別出待測(cè)煙葉樣本的品質(zhì)類型。而且，神經(jīng)網(wǎng)絡(luò)具有濾除噪聲及在有噪聲情況下得出正確結(jié)論的能力。這一點(diǎn)對(duì)于煙葉生產(chǎn)實(shí)際中大量存在各種噪聲信息的情況而言，特別重要。它特別適合在線識(shí)別。

3應(yīng)用MATLAB圖像處理工具箱和神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)煙葉品質(zhì)智能識(shí)別的操作過程

3．1煙葉圖片樣本庫的建立

用數(shù)碼相機(jī)或其它數(shù)字圖像采集工具，采集各種類型的煙葉的標(biāo)準(zhǔn)圖片，分類歸檔，借助MATLAB圖像變換功能，將各種類型的煙葉的標(biāo)準(zhǔn)圖片，轉(zhuǎn)換成各種圖片形式：．bmp；．jpeg；．sir；．png；．tif等，以便隨時(shí)調(diào)用。這些煙葉圖片，有不同品質(zhì)的樣本；還有各種病蟲害標(biāo)本和變異標(biāo)本。

3．2用直方圖均衡來實(shí)現(xiàn)圖像增強(qiáng)

當(dāng)從生產(chǎn)一線采集的煙葉待測(cè)樣本的圖像對(duì)比度較低，碩士論文 即灰度直方圖分布區(qū)間較窄時(shí)，可用直方圖均衡實(shí)現(xiàn)灰度分布區(qū)間展寬而達(dá)到圖像增強(qiáng)的效果。

3．3煙葉圖像的邊緣檢測(cè)和特征提取

煙葉圖像的基本特征之一是圖像邊緣。圖像邊緣是圖像周圍像素灰度有階躍性變化或屋頂變化的像素的集合。煙葉的邊緣是由灰度的不連續(xù)性所致，因此考察圖像每個(gè)像素在某個(gè)鄰域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律可以檢測(cè)煙葉圖像邊緣。圖像特征反映煙葉的幾何結(jié)構(gòu)，如面積、周長(zhǎng)、分形分維數(shù)、孔洞數(shù)、歐拉數(shù)等等。圖像特征的選擇是圖像識(shí)別的重要環(huán)節(jié)。運(yùn)用二叉分類法在找出判別特征后，對(duì)不同的圖像特征由分類閾值按二分的方法進(jìn)行分類；運(yùn)用相似距離分類方法把待判圖像與一個(gè)標(biāo)準(zhǔn)圖像相比，標(biāo)準(zhǔn)圖像用樣本圖像特征向量的均值來表示。通過計(jì)算待判圖像與標(biāo)準(zhǔn)圖像之問的在相空間中的距離來判別圖像和進(jìn)行分類。這一過程還為用神經(jīng)網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)對(duì)煙葉品質(zhì)進(jìn)行智能識(shí)別作出必要的準(zhǔn)備。

3．4數(shù)字圖像矩陣數(shù)據(jù)的顯示及其傅立葉

變換這一變換的目的是為提取特征、進(jìn)行神經(jīng)網(wǎng)絡(luò)模式識(shí)別等作出必要的準(zhǔn)備。

轉(zhuǎn)貼于 3．5直方圖均勻化

這是使煙葉圖像性質(zhì)更為優(yōu)良而采取的一個(gè)技術(shù)操作，源代碼如下：

I=imread ("yangshuo．tif')；imshow (I)；

figure，imhist(I)；

[J，T]=histeq (I，64)；

％圖像灰度擴(kuò)展到0-255，但是只有64個(gè)灰度級(jí)

figure，imshow (J)；

figure，imhist(J)；

figure，Dlot((0：255)／255，T)；％轉(zhuǎn)移函數(shù)的變換曲線

J=histeq (I，32)；

figure，imshow 0)；

％圖像灰度擴(kuò)展到0～255，但是只有32個(gè)灰度級(jí)

figure，imhist(J)；

3．6采用二維中值濾波函數(shù)對(duì)受椒鹽噪聲干擾的圖像濾波

MATLA圖像處理工具箱具有強(qiáng)大的功能，能夠?qū)υ肼暩蓴_的煙葉圖片進(jìn)行消噪處理，模擬源代碼如下：

I=imread ("eight．tif')；

imshow (I)；

J2=imnoise (I，"salt&pepper ，0．04)；

％疊加密度為0．04 的椒鹽噪聲

figure，imshow 02)；

I_Filterl=medfdt2 （J2，[3 ，3])；

％窗口大小為3x3

figure．imshow (I Fiher1)；

I_Filter 2=medfdt2 （J2，[5， 5])；

％窗口大小為5x5

figure，imshow (I_Filter2)；

I_Filter3=medf'dt2 （J2，[7， 7])；

％窗口大小為7x7

figure，imshow (I_Filter3)；

3．7用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)煙葉圖像進(jìn)行智能識(shí)別

神經(jīng)網(wǎng)絡(luò)作為一種自適應(yīng)的模式識(shí)別技術(shù)，并不需要預(yù)選給定有關(guān)模式的經(jīng)驗(yàn)知識(shí)和判別函數(shù)，它能通過自身的學(xué)習(xí)機(jī)制自動(dòng)形成所要求的決策區(qū)域。網(wǎng)絡(luò)的我由其拓樸結(jié)構(gòu)、神經(jīng)元特性、學(xué)習(xí)和訓(xùn)練規(guī)則所決定，它可以充分利用狀態(tài)信息，對(duì)不同狀態(tài)一一進(jìn)行訓(xùn)練而獲得某種映射關(guān)系，并且，網(wǎng)絡(luò)可以連續(xù)學(xué)習(xí)，即使環(huán)境變異，這咱映射關(guān)系可以自適應(yīng)調(diào)整。在上面各節(jié)獲取煙葉圖像特征基礎(chǔ)之上，可以用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行圖像模式識(shí)別。例如，基于概率神經(jīng)網(wǎng)絡(luò)PNN的煙葉品質(zhì)智能識(shí)別，它的主要優(yōu)點(diǎn)是：快速訓(xùn)練，訓(xùn)練時(shí)問僅略大于讀取數(shù)據(jù)時(shí)間；無論分類多么復(fù)雜，只要有足夠的訓(xùn)練數(shù)據(jù)(而這是煙葉生產(chǎn)一線可以做到的)，就可以保證獲得貝斯葉準(zhǔn)則下的最優(yōu)解，允許增加或減少訓(xùn)練數(shù)據(jù)而無需重新進(jìn)行長(zhǎng)時(shí)間訓(xùn)練。這一神經(jīng)網(wǎng)絡(luò)對(duì)于煙葉品質(zhì)的圖像識(shí)別，具有重要意義。 4結(jié)論

基于計(jì)算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)技術(shù)的煙葉品質(zhì)識(shí)別的數(shù)字圖像處理方法，醫(yī)學(xué)論文 是煙葉生產(chǎn)環(huán)節(jié)的一種技術(shù)創(chuàng)新，它可以在煙葉生產(chǎn)一線普及推廣，簡(jiǎn)便易行，能夠較大地提高煙葉品質(zhì)檢測(cè)的效率和質(zhì)量，以及自動(dòng)化程度和智能化水平。

參考文獻(xiàn)

[1]于潤(rùn)偉．基于圖像處理的稻米堊白自動(dòng)檢測(cè)研究[J]．中國(guó)糧油學(xué)報(bào)，2007，1：122—124．

篇4

關(guān)鍵詞：電力系統(tǒng)；自動(dòng)化；構(gòu)成；控制技

電力系統(tǒng)自動(dòng)化建設(shè)的主要目標(biāo)是要實(shí)現(xiàn)電力在生產(chǎn)環(huán)節(jié)、供應(yīng)環(huán)節(jié)的及時(shí)、穩(wěn)定、安全、迅速、可持續(xù)，同時(shí)也是實(shí)現(xiàn)提高生產(chǎn)效率、降低運(yùn)營(yíng)成本，實(shí)現(xiàn)自動(dòng)化、一體化、節(jié)約化、安全化管理的重要核心。自動(dòng)化系統(tǒng)的建立包含著現(xiàn)代化生產(chǎn)技術(shù)、計(jì)算機(jī)科學(xué)技術(shù)、網(wǎng)絡(luò)共享技術(shù)的綜合應(yīng)用，對(duì)于電力系統(tǒng)而言，自動(dòng)化的生產(chǎn)包含著發(fā)電廠、變電站、送電分配系統(tǒng)、計(jì)算機(jī)監(jiān)控系統(tǒng)、網(wǎng)絡(luò)覆蓋系統(tǒng)等眾多環(huán)節(jié)的綜合摔制與協(xié)調(diào) ， 從而形成實(shí)時(shí)監(jiān)控、指令及時(shí)傳輸、信息實(shí)時(shí)反饋的高實(shí)效性綜合管理。

1.電力系統(tǒng)的自動(dòng)化控制技術(shù)

隨著當(dāng)前科學(xué)技術(shù)的不斷發(fā)展，很多精確的控制技術(shù)被不斷應(yīng)用到電力系統(tǒng)中來，下面筆者就控制理論技術(shù)的內(nèi)容展開討論。

1.1神經(jīng)網(wǎng)絡(luò)控制

神經(jīng)網(wǎng)絡(luò)控制技術(shù)是集非線性控制技術(shù)、并行控制技術(shù)、強(qiáng)魯棒控制技術(shù)特點(diǎn)的現(xiàn)代控制技術(shù)，并且具有很強(qiáng)的自學(xué)習(xí)能力。神經(jīng)控制技術(shù)是將眾多神經(jīng)元按照特定的結(jié)構(gòu)組合起來，并將信息蘊(yùn)含在鏈接權(quán)值上，而且可以學(xué)習(xí)算法的需要進(jìn)行這些值的大小，從而實(shí)現(xiàn)復(fù)雜線性關(guān)系的控制。在當(dāng)前，理論界對(duì)神經(jīng)控制的探討集中在控制系統(tǒng)建模以及算法的優(yōu)化方面。

1.2模糊控制技術(shù)

模糊控制技術(shù)是現(xiàn)代控制理論中較為簡(jiǎn)單的部分，而且在工程中的應(yīng)用較多，十分容易實(shí)現(xiàn)，在建模過程中，可以實(shí)現(xiàn)對(duì)各種數(shù)據(jù)的實(shí)時(shí)控制，具有很明顯的優(yōu)越性，這種方法的應(yīng)用領(lǐng)域很多，我們?nèi)粘躺钪杏玫降暮芏嘈〖译娭卸伎梢允褂媚：刂疲陔娏刂葡到y(tǒng)中，模糊控制主要應(yīng)用在智能電網(wǎng)這一塊，對(duì)控制目標(biāo)設(shè)定好幾個(gè)閥值，并根據(jù)目標(biāo)處于的狀態(tài)進(jìn)行實(shí)時(shí)控制。

1.3專家控制技術(shù)

這種控制技術(shù)在電力系統(tǒng)中應(yīng)用十分廣泛，能夠?qū)崿F(xiàn)對(duì)電力系統(tǒng)的警告控制、特殊狀態(tài)的識(shí)別、緊急狀況下的應(yīng)變處理、系統(tǒng)數(shù)據(jù)的回復(fù)以及適當(dāng)?shù)哪B(tài)分析，此外在切負(fù)荷方面、系統(tǒng)規(guī)劃方面、電壓無功控制方面以及故障點(diǎn)的隔離方面均有很大效果。在當(dāng)前專家控制還存在很大的局限，需要在動(dòng)態(tài)安全分析以及通信接口方面進(jìn)行進(jìn)一步的探索。

1.4最優(yōu)化線性控制技術(shù)

這種控制理論技術(shù)是當(dāng)前現(xiàn)代控制理論中十分重要的技術(shù)，也是在線性控制范圍內(nèi)的最好的控制方法，目前最優(yōu)化線性控制理論在遠(yuǎn)距離輸電線路輸電能力的改善方面以及智能電網(wǎng)改善動(dòng)態(tài)品質(zhì)上取得了重大突破，此外，這種控制方法在風(fēng)里發(fā)電機(jī)上電勵(lì)磁的解決方案上有很大的發(fā)揮空間。

1.5綜合智能控制技術(shù)

顧名思義，綜合智能控制技術(shù)就是講現(xiàn)代控制技術(shù)和智能控制技術(shù)結(jié)合起來，并在電力運(yùn)行系統(tǒng)中，應(yīng)用專家控制技術(shù)以及神經(jīng)網(wǎng)絡(luò)控制技術(shù)，并雜糅進(jìn)模糊控制技術(shù)。這種技術(shù)往往解決大型電力系統(tǒng)，但是多種控制技術(shù)的共同應(yīng)用對(duì)控制模型的建立工作以及控制的實(shí)施工作帶來了很高的難度。

2.電力系統(tǒng)的自動(dòng)化控制的各項(xiàng)基本技術(shù)

在社會(huì)生產(chǎn)力以及科學(xué)技術(shù)不斷發(fā)展與進(jìn)步的今天，我們對(duì)于電力系統(tǒng)運(yùn)行的質(zhì)量與效率的要求都越來越高，因此很多嶄新的和先進(jìn)的控制手段都在逐步引進(jìn)。

2.1基于神經(jīng)網(wǎng)絡(luò)控制基本原理的控制技術(shù)

在理論上，神經(jīng)網(wǎng)絡(luò)控制的基本特征是非線性、并行處理、魯棒性等，另外神經(jīng)網(wǎng)絡(luò)控制還有一個(gè)更加顯著地特點(diǎn)，那便是自組織學(xué)習(xí)能力。由于神經(jīng)網(wǎng)絡(luò)控制的這些特點(diǎn)與優(yōu)點(diǎn)，它受到了人們的普遍關(guān)注。神經(jīng)網(wǎng)絡(luò)的基本連接方式是通過大量的神經(jīng)元以一定的方式進(jìn)行連接，大量的信息便會(huì)隱含在連接的權(quán)值上。我們可以根據(jù)一定的算法對(duì)神經(jīng)權(quán)值進(jìn)行一定的調(diào)節(jié)。使神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)從 m 維空間到 n 維空間復(fù)雜的非線性映射。

2.2專家系統(tǒng)的基本控制技術(shù)

電力系統(tǒng)中應(yīng)用較廣的系統(tǒng)還有專家系統(tǒng)，這一系統(tǒng)包括了很多內(nèi)容。既包括對(duì)處于警告狀態(tài)或

者緊急狀態(tài)等特殊狀態(tài)下的辨別能力，也包括緊急處理的能力，系統(tǒng)恢復(fù)控制的能力以及狀態(tài)分析轉(zhuǎn)換等。雖然，專家系統(tǒng)在實(shí)際的使用中是很廣泛的，但是這種方法存在的問題也是不容忽視的，其局限性也是顯而易見的，如難以模仿電力專家的創(chuàng)造性。

2.3模糊邏輯控制的基本技術(shù)

在模糊方法理論指導(dǎo)下的控制技術(shù)相對(duì)來說是比較簡(jiǎn)單的，并且也是很容易掌握的。作為一種比較先進(jìn)的方法，模糊邏輯控制已經(jīng)在實(shí)踐中展現(xiàn)出了強(qiáng)大的生命力。

2.4電力自動(dòng)化控制技術(shù)中的綜合智能控制技術(shù)

綜合智能控制技術(shù)的主要特點(diǎn)是綜合性，因?yàn)檫@種方法不但包含了智能控制，還包含了現(xiàn)代控制與自動(dòng)化控制的基本理論與基本方法，是這幾種先進(jìn)的理念與先進(jìn)技術(shù)的綜合。神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合，專家系統(tǒng)與模糊控制的結(jié)合，神經(jīng)網(wǎng)絡(luò)與模糊控制的結(jié)合，神經(jīng)網(wǎng)絡(luò)、模糊控制與自適應(yīng)控制的結(jié)合是在電力系統(tǒng)中應(yīng)用較為廣泛的基本方法。神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)是處理信息的非結(jié)構(gòu)化，但是模糊系統(tǒng)對(duì)處理結(jié)構(gòu)化的知識(shí)則更為有效。

3.電力系統(tǒng)自動(dòng)化控制的特點(diǎn)

（1）電力系統(tǒng)的可靠性、安全性運(yùn)行是建立系統(tǒng)全面自動(dòng)化的重要保證。因此我們首先應(yīng)在電力系統(tǒng)送電服務(wù)的初期，經(jīng)過系統(tǒng)的調(diào)研，努力的收集、嚴(yán)密的檢測(cè)對(duì)電力系統(tǒng)的各個(gè)單元、部件、安全運(yùn)行參數(shù)進(jìn)行科學(xué)的處理。（2）接著我們應(yīng)參照電力自動(dòng)化系統(tǒng)建立的相關(guān)技術(shù)要求，根據(jù)可行性分析及電力系統(tǒng)實(shí)時(shí)運(yùn)行狀態(tài)的考察進(jìn)行合理的調(diào)控及提供有利的決策支持，對(duì)各個(gè)部件、整個(gè)系統(tǒng)進(jìn)行微觀及宏觀的綜合調(diào)控。（3）通過合理的調(diào)節(jié)，我們還應(yīng)從中發(fā)現(xiàn)各子系統(tǒng)、各元部件協(xié)調(diào)運(yùn)行的特點(diǎn)及規(guī)律，通過不斷的總結(jié)、實(shí)踐，本著高效、節(jié)能的原則選取結(jié)構(gòu)最優(yōu)化、供電最優(yōu)質(zhì)、運(yùn)行最安全、能耗最低廉的模式構(gòu)建電力系統(tǒng)的全面自動(dòng)化建設(shè)。（4）電力系統(tǒng)自動(dòng)化體系的建立改變了以往機(jī)械化、勞動(dòng)密集型的落后生產(chǎn)模式，縮短了生產(chǎn)周期、節(jié)省了人力物力的投入、簡(jiǎn)化了生產(chǎn)環(huán)節(jié)、降低了勞動(dòng)強(qiáng)度，同時(shí)也使高度安全生產(chǎn)、事故發(fā)生率為零、集成一體化生產(chǎn)、穩(wěn)定可持續(xù)化服務(wù)成為可能，能有效的杜絕因供電事故造成的大面積停電；因線路故障短路導(dǎo)致破壞家電、影響人們正常生活秩序現(xiàn)象的發(fā)生。

篇5

【關(guān)鍵詞】混合時(shí)滯 神經(jīng)網(wǎng)絡(luò) 穩(wěn)定性分析

【中圖分類號(hào)】G642 【文獻(xiàn)標(biāo)識(shí)碼】A 【文章編號(hào)】2095-3089（2016）04-0237-02

人工神經(jīng)網(wǎng)絡(luò)是基于人腦的功能，通過建構(gòu)與生物神經(jīng)元類似的電路結(jié)構(gòu)，從而在微觀的層次上實(shí)現(xiàn)對(duì)人類智能的仿真。神經(jīng)網(wǎng)絡(luò)是由神經(jīng)元的相互連接而形成的，反映在數(shù)學(xué)中，神經(jīng)元實(shí)質(zhì)上就是適當(dāng)?shù)暮瘮?shù)，也被稱為激活函數(shù)。神經(jīng)網(wǎng)絡(luò)在模式識(shí)別、優(yōu)化計(jì)算、智能控制以及聯(lián)想記憶等領(lǐng)域得到了廣泛的應(yīng)用，發(fā)展前景非常的廣闊[1]。

一、混合時(shí)滯神經(jīng)網(wǎng)絡(luò)發(fā)展的脈絡(luò)

穩(wěn)定性研究的開始可以追溯到十九世紀(jì)末期的Lyapunov理論和Poincare理論，在我國(guó)對(duì)穩(wěn)定性進(jìn)行充分研究的是著名物理學(xué)家錢學(xué)森，錢學(xué)森在其著名的《工程控制論》中，明確指出，穩(wěn)定性是系統(tǒng)控制的第一要求。美國(guó)的著名數(shù)學(xué)家LsSalle也說過，吸引全世界的數(shù)學(xué)家注意的點(diǎn)就是穩(wěn)定性。由此可見，穩(wěn)定性在數(shù)學(xué)研究中具有極其重要的作用[2]。

大部分的動(dòng)力系統(tǒng)都會(huì)隨著時(shí)間的演化不僅依賴于系統(tǒng)的當(dāng)前狀態(tài)，并且還會(huì)依賴于系統(tǒng)過去的某個(gè)時(shí)刻，這就是被科學(xué)家們稱作的時(shí)滯動(dòng)力系統(tǒng)。在工程系統(tǒng)中，時(shí)滯一般是指對(duì)測(cè)控過程中的測(cè)量時(shí)滯、形成控制決策所需要的時(shí)滯以及信號(hào)傳輸中的時(shí)滯等，這也是為什么大部分的動(dòng)力學(xué)系統(tǒng)都需要時(shí)滯動(dòng)力系統(tǒng)來進(jìn)行描述的主要原因。事實(shí)上，時(shí)滯系統(tǒng)的初始狀態(tài)空間是一個(gè)無限維的空間，而且沒有特殊的性質(zhì)，因此對(duì)其進(jìn)行理論分析非常困難 [3]。

二、混合時(shí)滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的發(fā)展研究分析

系統(tǒng)的穩(wěn)定性在神經(jīng)網(wǎng)絡(luò)的應(yīng)用中非常的廣泛，如最優(yōu)化的問題研究、模式識(shí)別研究以及圖像處理研究等，都需要運(yùn)用系統(tǒng)的穩(wěn)定性。在上個(gè)世紀(jì)，有很多文獻(xiàn)都給出了不同類型神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性判據(jù)，最著名的當(dāng)屬Hopfield神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)規(guī)模的應(yīng)用范圍也在不斷的擴(kuò)大，人們對(duì)時(shí)滯神經(jīng)網(wǎng)絡(luò)模型的研究也越來越深入。時(shí)滯通常是由定時(shí)的時(shí)滯發(fā)展到連續(xù)分布的時(shí)滯。當(dāng)前神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的研究領(lǐng)域運(yùn)用的主要方法就是Lyapunov泛函，然后再利用不同的不等式來對(duì)不等式進(jìn)行分析，從而得到具有穩(wěn)定性的數(shù)據(jù)[4]。

在優(yōu)化問題的應(yīng)用中，需要根據(jù)問題的基本特征，對(duì)設(shè)計(jì)所要求的神經(jīng)網(wǎng)絡(luò)達(dá)到唯一的、全局的漸進(jìn)穩(wěn)定的平衡點(diǎn)。當(dāng)神經(jīng)網(wǎng)絡(luò)應(yīng)用于實(shí)時(shí)的計(jì)算時(shí)，為了有效的提高收斂的速度，就需要神經(jīng)網(wǎng)絡(luò)必須具有非常高的指數(shù)收斂度。這也是時(shí)滯神經(jīng)網(wǎng)絡(luò)的全局漸近穩(wěn)定性與全局指數(shù)穩(wěn)定性研究如此吸引人的最為主要的原因。時(shí)滯反饋網(wǎng)絡(luò)的應(yīng)用和研究需要大量的具有穩(wěn)定性的數(shù)據(jù)作為基礎(chǔ)，因此，人們需要在不斷擴(kuò)展的網(wǎng)絡(luò)模型的條件下放寬對(duì)網(wǎng)絡(luò)中所有參數(shù)和激勵(lì)函數(shù)的限制。只有這樣，才能更好的促進(jìn)神經(jīng)網(wǎng)絡(luò)研究的快速發(fā)展[5]。

目前，對(duì)時(shí)滯反饋神經(jīng)網(wǎng)絡(luò)解的穩(wěn)定性進(jìn)行判別和分析的主要方法是Lyapunov方法，在進(jìn)行判別和分析時(shí)，需要同時(shí)結(jié)合泛函數(shù)的分不等式穩(wěn)定性理論來推導(dǎo)網(wǎng)絡(luò)解的穩(wěn)定性，通過這一方法能夠?qū)⒎€(wěn)定性的研究放到某個(gè)適當(dāng)?shù)亩x系統(tǒng)的軌跡上，而且通過對(duì)這些泛函數(shù)的研究分析，能夠得到穩(wěn)定性的相應(yīng)條件。這些穩(wěn)定性條件的最常用的表述形式就是我們經(jīng)常用的線矩不等式、系數(shù)矩陣的范數(shù)不等式以及Hanalay微分不等式。在這一研究領(lǐng)域，由于線矩不等式方法對(duì)系統(tǒng)的參數(shù)的限制比其它方法要少，而且比較容易驗(yàn)證，因此，這種方法在穩(wěn)定性理論的研究中應(yīng)用的非常的廣泛[6]。

三、混合時(shí)滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析研究

最近幾年，隨著人們對(duì)穩(wěn)定性研究的進(jìn)一步發(fā)展，人們對(duì)于驅(qū)動(dòng)-響應(yīng)系統(tǒng)的同步問題更加的重視，而且經(jīng)過大量的實(shí)踐和理論分析，人們發(fā)現(xiàn)驅(qū)動(dòng)-響應(yīng)系統(tǒng)是包含同樣的激活函數(shù)的。但是，在實(shí)際的模型中，驅(qū)動(dòng)-響應(yīng)系統(tǒng)卻含有不同的激活函數(shù)，需要對(duì)非恒同的情況進(jìn)行分析研究，也就是說驅(qū)動(dòng)-響應(yīng)系統(tǒng)的激活函數(shù)含有不相匹配的參數(shù)，致使對(duì)混沌系統(tǒng)的同步控制變得更加的復(fù)雜。由此可知，研究混合時(shí)滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性是非常有必要的[7]。

如下混合時(shí)滯神經(jīng)網(wǎng)絡(luò)

其中，是神經(jīng)元的狀態(tài)，

。在（1）中，是定義在上的實(shí)值內(nèi)部函數(shù)。代表離散時(shí)滯，表示分布時(shí)滯；代表外部輸入；；，，，分別代表連接權(quán)矩陣，離散時(shí)滯連接權(quán)矩陣和分布時(shí)滯連接權(quán)矩陣。

對(duì)于如下兩種情形的時(shí)滯，

第一種情形是，如果所有的和給定的標(biāo)量 、h>0和，

是一個(gè)可微函數(shù)，且滿足以下條件：，，

是一個(gè)連續(xù)函數(shù)且滿足以下條件

。 。

第二種情形是，如果所有的和給定的標(biāo)量 、h>0和，且和都是連續(xù)的函數(shù)，且函數(shù)和函數(shù)滿足以下條件：

。

假設(shè)是系統(tǒng)（1）的平衡點(diǎn)，那么會(huì)得到如下系統(tǒng)

根據(jù)上面的條件我們可以得出對(duì)于混合時(shí)滯神經(jīng)網(wǎng)絡(luò)系統(tǒng)（2）， 在滿足一定條件的第一種情況和第二種情況下，它的平衡點(diǎn)是全局指數(shù)穩(wěn)定的 [8]。

時(shí)滯神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性在理論和實(shí)踐方面都得到了廣泛的研究，但是對(duì)混合時(shí)滯的神經(jīng)網(wǎng)絡(luò)模型穩(wěn)定性的研究并不是很多。除此之外，在神經(jīng)網(wǎng)絡(luò)穩(wěn)定性的研究領(lǐng)域，雖然有很多大量的判別條件，不過由于大部分的條件都需要采用計(jì)算矩陣范數(shù)的方法來進(jìn)行，在進(jìn)行驗(yàn)證的時(shí)候也比較的困難，而且限制條件也非常的嚴(yán)格，在實(shí)際中的應(yīng)用比較少。通過利用線性矩陣不等式研究神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性能夠在很大程度上克服以上提及的缺點(diǎn)，所得到的條件更少保守，并且更容易得到充分的驗(yàn)證[9]。

線性矩陣不等式的研究在最近幾年受到人們的廣泛關(guān)注的原因，既有理論方面的原因，也有實(shí)踐方面的原因。從理論上來說，人們可以利用很多的矩形運(yùn)算技巧來對(duì)線性矩陣不等式問題進(jìn)行研究和推理；但是，從實(shí)際的觀點(diǎn)來說，線性矩陣不等式問題也可以憑借數(shù)值算法并借助電腦的強(qiáng)大的運(yùn)算能力從而快速、有效的求出數(shù)值解，最終使得線性矩陣不等式的求解變得更加的容易控制，從而使問題的解決更加可行。假設(shè)可以將一個(gè)復(fù)雜的問題轉(zhuǎn)換成線性矩陣不等式問題，那么就能夠利用Matab的LMI Toolbox進(jìn)行求解了。

運(yùn)用線性矩陣的不等式對(duì)混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行研究分析，可以充分掌握神經(jīng)網(wǎng)絡(luò)的全局指數(shù)的穩(wěn)定性。通過建構(gòu)新的Lyapunov-Krasovkii泛函，利用隨機(jī)微分與矩陣變換技巧導(dǎo)出線性矩陣不等式的穩(wěn)定性數(shù)據(jù)。由于線性矩陣不等式的穩(wěn)定性數(shù)據(jù)比利用矩陣范數(shù)進(jìn)行估計(jì)的判據(jù)更為保守，因此，人們可以利用MATLAB提供的線性矩陣不等式工具箱進(jìn)行求解驗(yàn)證，從而真正應(yīng)用于實(shí)踐[10]。

人們按照Lyapunov的穩(wěn)定性理論，建構(gòu)了新型的Lyapunov-Krasovskii泛函。從而對(duì)混合時(shí)滯條件下神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行了科學(xué)、合理的分析。在對(duì)混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行分析時(shí)，線性矩陣不等式的應(yīng)用為對(duì)時(shí)滯穩(wěn)定性的進(jìn)一步研究提供了有利的條件。同時(shí)，對(duì)網(wǎng)絡(luò)中所包含的隨機(jī)擾動(dòng)采用了隨機(jī)微分公式的討論模式，從而使得混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用Lyapunov的穩(wěn)定性討論技巧與方法。在模型中對(duì)激活函數(shù)或者連接權(quán)矩陣的限制對(duì)混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的研究深有幫助，而且采用線性矩陣不等式的表示方式，比之前的矩陣范數(shù)的判別條件要更加的有利。

四、結(jié)語

綜上所述，混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析是以Lyapunov的穩(wěn)定性理論與線性矩陣不等式技術(shù)為基礎(chǔ)，同時(shí)利用積分不等式的方法，對(duì)混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行了科學(xué)、合理的分析，并給出了時(shí)滯依賴指數(shù)穩(wěn)定性的基本準(zhǔn)則，從而將對(duì)混合時(shí)滯條件下的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性的研究又向前推進(jìn)了一大步。

參考文獻(xiàn)：

[1]武志鵬.帶有混合時(shí)滯的神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D].山西大學(xué)，2008.

[2]劉曉琳.混合變時(shí)滯神經(jīng)網(wǎng)指數(shù)穩(wěn)定性分析[D].曲阜師范大學(xué)，2009.

[3]王寧，孫曉玲.基于LMI的混合時(shí)滯隨機(jī)神經(jīng)網(wǎng)絡(luò)指數(shù)穩(wěn)定性[J].計(jì)算機(jī)仿真，2010，07：125-129.

[4]張金.具混合時(shí)滯的隨機(jī)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J].蘇州大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，02：16-22.

[5]吳文娟，劉德友，張靜文，劉海濤.具有混合時(shí)滯的隨機(jī)Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J].蘭州理工大學(xué)學(xué)報(bào)，2011，03：89-93.

[6]陳一鳴，徐增輝，趙所所，周志全.具有混合時(shí)滯隨機(jī)離散神經(jīng)網(wǎng)絡(luò)的漸近穩(wěn)定性分析[J].鄭州大學(xué)學(xué)報(bào)（理學(xué)版），2011，04：33-38.

[7]耿立杰，李海穎，張曉靜，蘇廣.具有混合時(shí)滯的隨機(jī)反應(yīng)擴(kuò)散神經(jīng)網(wǎng)絡(luò)指數(shù)穩(wěn)定性[J].工程數(shù)學(xué)學(xué)報(bào)，2014，05：687-696.

[8]龍述君，張永新，向麗.具有混合時(shí)滯的隨機(jī)細(xì)胞神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J].四川師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2012，06：796-801.

篇6

社會(huì)經(jīng)濟(jì)的發(fā)展以及科學(xué)技術(shù)的進(jìn)步，推動(dòng)了網(wǎng)絡(luò)技術(shù)的發(fā)展。但網(wǎng)絡(luò)技術(shù)在便利人們生活的同時(shí)，也為攻擊網(wǎng)絡(luò)提供了方便，為了有效保證計(jì)算機(jī)網(wǎng)絡(luò)的安全，必須要建立和完善計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系，充分應(yīng)用神經(jīng)網(wǎng)絡(luò)，發(fā)揮出其應(yīng)用的價(jià)值。一般而言，神經(jīng)網(wǎng)絡(luò)作為一種智能人工算法技術(shù)，其具有自學(xué)習(xí)、自組織及自適應(yīng)的能力，其在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中的應(yīng)用，能夠?qū)⒂?jì)算機(jī)網(wǎng)絡(luò)安全的風(fēng)險(xiǎn)進(jìn)行有效降低，降低損失。本文就對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)行深入分析和探討。

【關(guān)鍵詞】

計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)；神經(jīng)網(wǎng)絡(luò)；應(yīng)用

網(wǎng)絡(luò)技術(shù)的發(fā)展，使得計(jì)算機(jī)被廣泛應(yīng)用在人們的生產(chǎn)生活中。但是計(jì)算機(jī)技術(shù)在實(shí)際應(yīng)用中存在較多的安全隱患，如黑客入侵、安全漏洞以及病毒傳播等，這些因素嚴(yán)重影響了計(jì)算機(jī)的安全運(yùn)行。一般而言，在計(jì)算機(jī)網(wǎng)絡(luò)中，傳統(tǒng)的安全評(píng)價(jià)方法，其具有較為復(fù)雜的操作，無法對(duì)影響因素與安全評(píng)價(jià)結(jié)果間的關(guān)系進(jìn)行準(zhǔn)確描述，致使其安全評(píng)價(jià)結(jié)果的準(zhǔn)確度不高。在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中，神經(jīng)網(wǎng)絡(luò)能形成非線性自適應(yīng)的動(dòng)態(tài)系統(tǒng)，其能快速適應(yīng)環(huán)境，對(duì)自身的規(guī)律進(jìn)行總結(jié)，從而進(jìn)行運(yùn)算、識(shí)別及控制等操作，提高工作效率。

1神經(jīng)網(wǎng)絡(luò)概述

神經(jīng)網(wǎng)絡(luò)模型最早提出是在20世紀(jì)40年代初期，其基礎(chǔ)是人體腦部對(duì)信息的處理，并充分利用數(shù)學(xué)模型，從而對(duì)生物神經(jīng)元以及腦細(xì)胞結(jié)構(gòu)的生理基本特征進(jìn)行研究。其次在1958年，計(jì)算機(jī)科學(xué)家以神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，增加了學(xué)習(xí)機(jī)制，在工程中應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)理論，并提出感知器神經(jīng)網(wǎng)絡(luò)模型。其能及時(shí)識(shí)別聲納波，對(duì)敵方潛水艇的位置進(jìn)行準(zhǔn)確定位。上世紀(jì)80年代，科學(xué)家利用映射的拓?fù)湫再|(zhì)，借助計(jì)算機(jī)，提出了映射自組織網(wǎng)絡(luò)模型。1982年科學(xué)家對(duì)自組織神經(jīng)網(wǎng)絡(luò)的全局及局部的穩(wěn)定性進(jìn)行分析，了解到神經(jīng)網(wǎng)絡(luò)模的實(shí)質(zhì)，其是一組微分非線性方程。此外，由于神經(jīng)網(wǎng)絡(luò)是新興領(lǐng)域，因此我國(guó)科學(xué)家開始對(duì)其進(jìn)行長(zhǎng)期研究工作。

2神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中的具體應(yīng)用分析

神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中的具體應(yīng)用，其主要表現(xiàn)在兩個(gè)方面：一是計(jì)算機(jī)網(wǎng)絡(luò)安全；二是計(jì)算機(jī)網(wǎng)絡(luò)安全的評(píng)價(jià)體系；三是BP神經(jīng)網(wǎng)絡(luò)。

2.1計(jì)算機(jī)網(wǎng)絡(luò)安全分析計(jì)算機(jī)網(wǎng)絡(luò)安全，其是以先進(jìn)的科學(xué)技術(shù)為依據(jù)，以網(wǎng)絡(luò)管理控制措施為前提，確保計(jì)算機(jī)在網(wǎng)絡(luò)環(huán)境中，有效保證數(shù)據(jù)信息的保密性、完整性以及可使用性。一般而言，計(jì)算機(jī)網(wǎng)絡(luò)安全主要包括物理安全和邏輯安全這兩類。其中物理安全是指計(jì)算機(jī)的系統(tǒng)設(shè)備以及相關(guān)設(shè)施，利用物理來進(jìn)行保護(hù)，避免相關(guān)設(shè)施的破壞和丟失。邏輯安全是指計(jì)算機(jī)中數(shù)據(jù)信息的完整性、保密性以及可用性。計(jì)算機(jī)網(wǎng)絡(luò)安全，其包括對(duì)組網(wǎng)的硬件及系統(tǒng)網(wǎng)絡(luò)的軟件的控制管理，包括對(duì)資源的共享以及網(wǎng)絡(luò)服務(wù)的快捷簡(jiǎn)便。由于計(jì)算機(jī)網(wǎng)絡(luò)自身的特色性，其具有自由性、國(guó)際性以及開放性，因此較易受到攻擊，如計(jì)算機(jī)軟件及硬件漏洞的攻擊、網(wǎng)絡(luò)通信協(xié)議的攻擊、物理傳輸線路的攻擊等就現(xiàn)階段而言，計(jì)算機(jī)網(wǎng)絡(luò)在安全方面還面臨著嚴(yán)峻的形勢(shì)，其他國(guó)家的黑客可以對(duì)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行攻擊，本地網(wǎng)絡(luò)用戶也可以對(duì)計(jì)算機(jī)網(wǎng)絡(luò)進(jìn)行攻擊。許多計(jì)算機(jī)網(wǎng)絡(luò)對(duì)與用戶的技術(shù)等，沒有過多的限制，用戶能夠利用計(jì)算機(jī)在網(wǎng)上和獲取信息。

2.2計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系分析為了確保計(jì)算機(jī)網(wǎng)絡(luò)的安全性，有效保證數(shù)據(jù)信息的完整性、保密性及可用性，必須要建立計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系。其能對(duì)影響計(jì)算機(jī)網(wǎng)絡(luò)安全的因素進(jìn)行科學(xué)合理及客觀全面地反映。在對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全進(jìn)行評(píng)價(jià)時(shí)，其評(píng)價(jià)指標(biāo)必須要充分考查各種影響因素，從而對(duì)評(píng)價(jià)信息進(jìn)行準(zhǔn)確反映，充分有效發(fā)揮出神經(jīng)網(wǎng)絡(luò)的作用。

一般在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系中，其一級(jí)評(píng)價(jià)指標(biāo)的組成包括管理安全、物理安全以及邏輯安全。其中管理安全評(píng)價(jià)指標(biāo)包括安全組織體系、安全管理制度、人員安全培訓(xùn)以及應(yīng)急響應(yīng)機(jī)制這4個(gè)二級(jí)指標(biāo)。物理安全評(píng)價(jià)指標(biāo)包括防電磁泄漏措施、網(wǎng)絡(luò)機(jī)房安全、供電安全、線路安全、容錯(cuò)冗余以及設(shè)備安全這6個(gè)二級(jí)指標(biāo)。邏輯安全評(píng)價(jià)指標(biāo)包括數(shù)據(jù)備份、數(shù)據(jù)恢復(fù)、系統(tǒng)審計(jì)、訪問控制、軟件安全、數(shù)字簽名、防病毒措施、數(shù)據(jù)加密、入侵防范這9個(gè)二級(jí)指標(biāo)。建立計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)系統(tǒng)時(shí)，必須要遵循五個(gè)原則：其一是簡(jiǎn)要性，一般計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系中的各項(xiàng)指標(biāo)，要簡(jiǎn)單明了，層次分明，具有較強(qiáng)的代表性。其二是完備性，計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系中的各項(xiàng)指標(biāo)，必須要選取得當(dāng)，能將計(jì)算機(jī)網(wǎng)絡(luò)安全中的主要特征進(jìn)行全面完整地反映，從而保證評(píng)價(jià)結(jié)果的準(zhǔn)確性以及可靠性。其三是獨(dú)立性，在對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系中的荷香指標(biāo)進(jìn)行選取時(shí)，要避免重復(fù)選擇，對(duì)指標(biāo)間的關(guān)聯(lián)加以減少，從而對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全的實(shí)際問題進(jìn)行準(zhǔn)確具體體現(xiàn)。其四是準(zhǔn)確性，計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系中的各項(xiàng)指標(biāo)，要能對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全的技術(shù)水平進(jìn)行準(zhǔn)確科學(xué)體現(xiàn)。其五是可行性，在建立計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系時(shí)，必須要使其與實(shí)際的測(cè)評(píng)工作相符合，從而確保其操作和測(cè)評(píng)的順利進(jìn)行。

2.3BP神經(jīng)網(wǎng)絡(luò)分析在當(dāng)前神經(jīng)網(wǎng)絡(luò)模型中運(yùn)用最為廣泛的就是BP神經(jīng)網(wǎng)絡(luò)，其是以誤差逆?zhèn)鞑ニ惴橐罁?jù)，訓(xùn)練的前饋多層網(wǎng)絡(luò)。一般來說，BP神經(jīng)網(wǎng)絡(luò)為了有效減少網(wǎng)絡(luò)系統(tǒng)中的誤差平方和，通常采用最速下降法，并進(jìn)行方向傳播，對(duì)網(wǎng)絡(luò)系統(tǒng)中的權(quán)值以及閾值進(jìn)行調(diào)整。BP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)主要有輸入層、輸出層及隱層，每層神經(jīng)元連接其相連的神經(jīng)元，且彼此無反饋連接。就單層前饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)而言，其只適用于對(duì)線性可分問題進(jìn)行求解；多層前饋神經(jīng)網(wǎng)絡(luò)系統(tǒng)，其能對(duì)計(jì)算機(jī)網(wǎng)絡(luò)中的非線性問題進(jìn)行求解?？傮w來說，BP神經(jīng)網(wǎng)絡(luò)的非線性逼近能力較強(qiáng)，且算法也較為簡(jiǎn)單，因此其能較易實(shí)現(xiàn)。

3結(jié)束語

神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，使得其在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中的應(yīng)用越來越廣泛。神經(jīng)網(wǎng)絡(luò)技術(shù)具有外推性，容錯(cuò)性以及適應(yīng)性，能夠直接訓(xùn)練數(shù)值和數(shù)據(jù)，進(jìn)行自我調(diào)整來減少誤差，能有效保證計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)結(jié)構(gòu)的科學(xué)性和準(zhǔn)確性，是一種可靠而有效的網(wǎng)絡(luò)安全評(píng)價(jià)方法。

【參考文獻(xiàn)】

[1]李忠武,陳麗清.計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[J].現(xiàn)代電子技術(shù),2014,10:80-82.

[2]原錦明.神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中的應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2014,04:52-53.

[3]耿仲華.計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中對(duì)于神經(jīng)網(wǎng)絡(luò)的應(yīng)用探究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2014,09:87-88.

[4]祝永健.基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)應(yīng)用價(jià)值研究[J].計(jì)算機(jī)光盤軟件與應(yīng)用,2014,22:179-180.

篇7

【關(guān)鍵詞】 塔式起重機(jī) 故障診斷 分析

1 引言

隨著建筑業(yè)的發(fā)展，塔式起重機(jī)（以下簡(jiǎn)稱塔機(jī)）是現(xiàn)在高層建筑施工現(xiàn)場(chǎng)中必不可少的重要起重設(shè)備，在建筑業(yè)得到了廣泛的應(yīng)用。隨著塔機(jī)的廣泛應(yīng)用，重大事故頻頻發(fā)生，因此給人民生命財(cái)產(chǎn)造成了重大的損失，給社會(huì)帶來了不良的影響。為減少事故的發(fā)生，確保人身和塔機(jī)的安全，必須對(duì)塔機(jī)的故障進(jìn)行研究。當(dāng)塔機(jī)發(fā)生故障時(shí)，為了能夠及時(shí)地、正確地對(duì)各種異常狀態(tài)或故障狀態(tài)做出診斷，預(yù)防或消除故障，對(duì)設(shè)備的運(yùn)行進(jìn)行必要的指導(dǎo)，提高設(shè)備運(yùn)行的可靠性、安全性和有效性，應(yīng)該采用設(shè)備故障診斷技術(shù)以期把故障損失降低到最低水平。同時(shí)通過檢測(cè)監(jiān)視、故障分析、性能評(píng)估等，為設(shè)備結(jié)構(gòu)修改、優(yōu)化設(shè)計(jì)、合理制造及生產(chǎn)過程提供數(shù)據(jù)和信息。

設(shè)備的故障診斷既能保證設(shè)備的可靠運(yùn)行，又能獲取更大的經(jīng)濟(jì)效益和社會(huì)效益。20世紀(jì)60年代，由于軍工、航天的需要，美國(guó)最先開始了設(shè)備故障診斷的研究。我國(guó)是在20世紀(jì)80年代初開始的，已經(jīng)取得了一定的研究成果。但是建筑機(jī)械設(shè)備的故障診斷技術(shù)在實(shí)際應(yīng)用中在存在問題。因此積極開展建筑機(jī)械設(shè)備的故障研究技術(shù)是十分必要的。

2 塔機(jī)故障診斷技術(shù)

2.1 機(jī)械設(shè)備故障診斷方法

機(jī)械設(shè)備故障主要是由于某些零件的缺陷或者損壞而引起的，一方面在零件設(shè)計(jì)、制造和裝配或者在給定條件下工作時(shí)，工作人員操作不當(dāng)產(chǎn)生的，另一方面是由于使用中的零件磨損、變形、斷裂、腐蝕、裂紋等產(chǎn)生的。

機(jī)械設(shè)備故障診斷是利用測(cè)取機(jī)械設(shè)備在運(yùn)行中或相對(duì)靜態(tài)條件下的信息，通過對(duì)測(cè)取信息的分析，結(jié)合設(shè)備的歷史狀態(tài)來判斷設(shè)備以及零件的實(shí)時(shí)運(yùn)行狀態(tài)。塔機(jī)的故障診斷技術(shù)是是防止事故的有效措施，也是塔機(jī)維修的重要依據(jù)。故障診斷技術(shù)有很多，如振動(dòng)技術(shù)、聲學(xué)診斷技術(shù)、熱像診斷技術(shù)和智能系統(tǒng)診斷技術(shù)等。塔機(jī)故障診斷基本流程圖如圖1所示。

2.2 現(xiàn)有的故障診斷方法主要有三大類

2.2.1 基于解析模型的故障診斷方法

基于解析模型的故障診斷法是發(fā)展最早和研究比較系統(tǒng)的一種方法。該方法是根據(jù)被診斷設(shè)備的監(jiān)測(cè)信息與模型系統(tǒng)的信息進(jìn)行比較，從而產(chǎn)生殘差，并且對(duì)殘差進(jìn)行分析和處理的方法。該方法包括參數(shù)估計(jì)診斷法、狀態(tài)估計(jì)診斷法和基于等價(jià)空間法。這種方法在塔機(jī)的故障診斷中應(yīng)用較少，這主要因?yàn)橄袼C(jī)這樣復(fù)雜的設(shè)備很難建立適于用診斷的數(shù)學(xué)模型。

2.2.2 基于信號(hào)處理的故障診斷方法

基于信號(hào)處理的故障診斷方法是利用信號(hào)分析理論獲得系統(tǒng)時(shí)域和頻域中較深層次的特征向量，從而利用這些特征向量與故障源之間的關(guān)系，判斷故障源的位置。這種方法主要包括：快速傅里葉變換法、小波變換法、Fisher判別法和主元分析法等。此方法主要用于診斷對(duì)象的解析模型很難建立，但是系統(tǒng)的一些狀態(tài)信息或者輸出參數(shù)易測(cè)量的設(shè)備，故此方法很少用于塔機(jī)的故障診斷。

2.2.3 基于知識(shí)的故障診斷方法

此方法又稱智能診斷系統(tǒng)，不需要建立精確的數(shù)學(xué)模型，因此應(yīng)用比較廣泛?；谥R(shí)的故障診斷方法主要包括：基于專家系統(tǒng)的故障診斷法、基于人工神經(jīng)網(wǎng)絡(luò)的故障法、基于模糊理論的故障診斷法和基于故障樹的故障診斷法。

此方法中的專家系統(tǒng)故障診斷法不依賴系統(tǒng)數(shù)學(xué)模型，而是實(shí)踐經(jīng)驗(yàn)和故障知識(shí)，設(shè)計(jì)一套智能計(jì)算機(jī)程序，適應(yīng)于大型的、比較復(fù)雜的設(shè)備。但是由于此方法依賴于專家的知識(shí)獲取，故知識(shí)獲取比較困難，知識(shí)庫更新能力和實(shí)時(shí)性比較差。

2.2.4 基于人工神經(jīng)網(wǎng)絡(luò)故障診斷法

利用大量神經(jīng)元廣泛互聯(lián)而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，主要處理非線性問題。神經(jīng)網(wǎng)絡(luò)優(yōu)化算法有計(jì)算精度較高，計(jì)算速度快等優(yōu)點(diǎn)。但是存在學(xué)習(xí)效率低、易于陷入局部最小點(diǎn)等缺點(diǎn)。

基于模糊理論的故障診斷方法是以模糊邏輯為基礎(chǔ)，通過模糊判斷和推理構(gòu)建故障與征兆的模糊關(guān)系確定診斷結(jié)果，但是此方法自學(xué)習(xí)能力差，模糊診斷知識(shí)很難獲取，容易出現(xiàn)漏報(bào)和誤診，故常與其他方法結(jié)合使用。

故障樹診斷法又稱因果分析法，用邏輯推理圖的方式分析機(jī)械設(shè)備故障的發(fā)生以及故障產(chǎn)生的原因之間的關(guān)系，利用最小割集算法和最小路集算法確定設(shè)備出現(xiàn)某種最不希望的故障事件的可能性。此方法表達(dá)直觀，易于分析，但是其診斷精度不高。

以上四種智能診斷技術(shù)是最常用的方法，但是每種診斷方法都有各自的優(yōu)點(diǎn)和缺點(diǎn)，因此可以將以上方法進(jìn)行結(jié)合，形成集成式智能故障診斷技術(shù)，以相互彌補(bǔ)對(duì)方的缺陷和不足。塔機(jī)是比較復(fù)雜的機(jī)械設(shè)備，因此將專家系統(tǒng)故障診斷法與人工神經(jīng)網(wǎng)絡(luò)故障診斷法有機(jī)結(jié)合在一起，形成一個(gè)混合型集中式專家診斷系統(tǒng)。先用專家系統(tǒng)判定故障特征，劃出故障類別，再利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行精確的判斷。集中式專家故障診斷系統(tǒng)診斷流程圖如圖2所示。

3 機(jī)械設(shè)備故障診斷技術(shù)發(fā)展趨勢(shì)

機(jī)械設(shè)備故障診斷技術(shù)與當(dāng)代前沿科學(xué)技術(shù)的有機(jī)融合是機(jī)械設(shè)備故障診斷技術(shù)的發(fā)展趨勢(shì)。隨著科學(xué)技術(shù)的發(fā)展，特別是信息技術(shù)、計(jì)算機(jī)技術(shù)、傳感器的出現(xiàn)，信號(hào)處理和分析技術(shù)解決機(jī)械設(shè)備故障診斷問題變得簡(jiǎn)單了。機(jī)械設(shè)備故障診斷技術(shù)沿著以下發(fā)展趨勢(shì)發(fā)展。

3.1 診斷技術(shù)多元化

隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，機(jī)械設(shè)備故障診斷技術(shù)可以利用振動(dòng)學(xué)、聲學(xué)和熱像等技術(shù)對(duì)機(jī)械設(shè)備實(shí)施診斷，還可以利用多種技術(shù)有機(jī)融合進(jìn)行綜合診斷。另外，可以利用最新信號(hào)的處理方法進(jìn)行故障診斷以提高診斷的準(zhǔn)確性。如小波分析、人工神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)融合技術(shù)和數(shù)據(jù)挖掘技術(shù)等。

3.2 診斷技術(shù)實(shí)時(shí)化

現(xiàn)代機(jī)械設(shè)備正向高度自動(dòng)化、集成化和大型化方向發(fā)展，因此設(shè)備應(yīng)該具備高度的可靠性和抵御故障的能力以及故障信號(hào)快速采集、存儲(chǔ)和分析的能力。計(jì)算機(jī)、網(wǎng)絡(luò)通信、現(xiàn)代信號(hào)分析技術(shù)和專家系統(tǒng)為故障實(shí)時(shí)化診斷技術(shù)提供了可靠的保障。

3.3 智能診斷技術(shù)的網(wǎng)絡(luò)化

現(xiàn)在機(jī)械故障智能診斷技術(shù)包括專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊理論等?，F(xiàn)在故障智能診斷技術(shù)已經(jīng)在機(jī)械設(shè)備故障診斷中得到了廣泛的應(yīng)用。隨著Internet的普遍應(yīng)用，很多大型企業(yè)機(jī)械設(shè)備的故障診斷技術(shù)正沿著網(wǎng)絡(luò)化方向發(fā)展。通過域網(wǎng)，可以對(duì)復(fù)雜的機(jī)械設(shè)備進(jìn)行監(jiān)測(cè)，傳輸數(shù)據(jù)，及時(shí)發(fā)現(xiàn)設(shè)備故障，減少故障的發(fā)生。

3.4 故障診斷信息數(shù)據(jù)庫化

機(jī)械設(shè)備的狀態(tài)信息、參數(shù)信息等數(shù)據(jù)是動(dòng)態(tài)數(shù)據(jù)。建立信息數(shù)據(jù)庫動(dòng)態(tài)系統(tǒng)方便工作人員查詢、分析故障信息數(shù)據(jù)。

3.5 故障診斷的自愈化

隨著科學(xué)的發(fā)展，機(jī)械設(shè)備越來越復(fù)雜，同時(shí)設(shè)備與生產(chǎn)過程越來越來緊密。機(jī)械設(shè)備一旦發(fā)生故障，就必須停機(jī)檢修，因此必然會(huì)造成經(jīng)濟(jì)損失。為了能夠準(zhǔn)確判斷出故障源，通過智能系統(tǒng)和控制系統(tǒng)，使故障在設(shè)備運(yùn)行中自動(dòng)消除，使設(shè)備恢復(fù)正常狀態(tài)，因此機(jī)械設(shè)備故障診斷的自愈化成為了當(dāng)代故障診斷技術(shù)的最新趨勢(shì)。

4 塔機(jī)常見的故障分析

機(jī)械設(shè)備診斷實(shí)質(zhì)上就是一種比較分類，在判斷故障時(shí)，我們是將故障待檢模式與故障基本模式相比較，把一個(gè)具體的故障（待檢模式）歸入到某種故障類型（基本模式）中去。任何一種機(jī)械故障，都具有自己的特征，故障特征是構(gòu)成故障基本模式的基本要素。所以，對(duì)每種故障的表現(xiàn)形式要全面的了解和掌握，對(duì)一個(gè)故障與其它故障在表現(xiàn)形式上的相同點(diǎn)和區(qū)別要有清晰的認(rèn)識(shí)，因?yàn)檎莆崭鞣N常見故障的基本特征是判斷設(shè)備故障的基礎(chǔ)。因此為了更好的對(duì)塔機(jī)的故障進(jìn)行分析，必須掌握塔機(jī)的常見故障的基本特征。

塔機(jī)的故障主要包括機(jī)械液壓系統(tǒng)故障和電氣系統(tǒng)故障，文章主要分析機(jī)械液壓系統(tǒng)故障。由于篇幅原因，文章只給出了塔機(jī)常見的幾種機(jī)械液壓系統(tǒng)故障。塔機(jī)常見機(jī)械液壓系統(tǒng)故障特征分析如表4-1所示。

5 結(jié)語

目前，機(jī)械設(shè)備與生產(chǎn)過程緊密相連，如果不能及時(shí)發(fā)現(xiàn)及排除故障，人身安全和設(shè)備安全都會(huì)受到很大威脅，同時(shí)造成巨大的經(jīng)濟(jì)損失。為避免和減少事故發(fā)生，本文以塔式起重機(jī)為研究對(duì)象，詳細(xì)介紹了當(dāng)前建筑機(jī)械設(shè)備的故障診斷技術(shù)以及故障診斷的發(fā)展趨勢(shì)，同時(shí)介紹了塔式起重機(jī)常見幾種的故障分析。通過現(xiàn)代智能故障診斷技術(shù)，可以及時(shí)發(fā)現(xiàn)故障，減少事故發(fā)生率，提高經(jīng)濟(jì)效益。

參考文獻(xiàn)：

[1]黃洪鐘，姚新勝.《塔式起重機(jī)安全性研究及展望》.安全與環(huán)境學(xué)報(bào)，2001.

[2]賈永峰.《塔式起重機(jī)多源信息監(jiān)控系統(tǒng)研究》.西安建筑科技大學(xué)，2005.

篇8

關(guān)鍵詞：南水北調(diào)京石段；穩(wěn)定狀態(tài)；最小二乘法；神經(jīng)網(wǎng)絡(luò)；流量系數(shù)

中圖分類號(hào)：F416文獻(xiàn)標(biāo)識(shí)碼：A

引言

南水北調(diào)中線干線京石段工程起點(diǎn)為石家莊古運(yùn)河樞紐進(jìn)口，終點(diǎn)為北京市團(tuán)城湖，渠線總長(zhǎng)307.44km。渠線總長(zhǎng)227.39km，其中建筑物長(zhǎng)26.34km，渠道長(zhǎng)201.05km，采用明渠自流輸水方式；北京段從北拒馬河中支南開始，途徑房山區(qū)、豐臺(tái)區(qū)，至總干渠終點(diǎn)團(tuán)城湖，總長(zhǎng)80.05km，采用管涵輸水方式。為緩解首都北京水資源短缺，自2008年9月至今京石段工程已4次向北京市應(yīng)急供水，累計(jì)入京水量超過15億m3。

其中第4次通水實(shí)測(cè)流量數(shù)據(jù)較為充足（放水河節(jié)制閘、墳莊河節(jié)制閘、北拒馬河節(jié)制閘、沙河引水閘等4座水閘有實(shí)測(cè)流量資料），故本次研究選取第4次通水上述4閘數(shù)據(jù)進(jìn)行穩(wěn)態(tài)調(diào)度分析研究。

1分析方法簡(jiǎn)介

1.1最小二乘法

最小二乘法（又稱最小平方法）是一種較基本的回歸方法。它通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配。利用最小二乘法可以簡(jiǎn)便地求得未知的數(shù)據(jù)，并使得這些求得的數(shù)據(jù)與實(shí)際數(shù)據(jù)之間誤差的平方和為最小[1]。

一般的最小二乘逼近定義為：對(duì)于給定的一組數(shù)據(jù)（xi，f（xi））（i=0，1，…，m），要求在函數(shù)類={0，1，…，n}中找到一個(gè)函數(shù)y=S（x），使誤差平方和：δ22=∑mi=0δ2i=∑mi=0[S（xi）-f（xi）]2取得極小值。

為使問題的提法更具有一般性，通常把最小二乘法中δ22考慮加權(quán)平方和，即：

δ22=∑mi=0ω（xi）[S（xi）-f（xi）]2（1）

當(dāng)0（x），1（x），…，n（x）是關(guān)于點(diǎn)集{xi}（i=0，1，…，m）的帶權(quán)正交函數(shù)組時(shí)，解為：

ak=∑mi=0ω（xi）f（xi）k（xi）∑mi=0ω（xi）2k（xi）（k=0，1，…，n）（2）

1.2神經(jīng)網(wǎng)絡(luò)法

神經(jīng)網(wǎng)絡(luò)近年來興起的研究熱點(diǎn)，其具有逼近非線性函數(shù)的能力，它是基于映射網(wǎng)絡(luò)存在理論。在神經(jīng)網(wǎng)絡(luò)中最廣泛應(yīng)用的信息處理運(yùn)算是數(shù)學(xué)映射，給定一個(gè)輸入向量X，網(wǎng)絡(luò)應(yīng)該產(chǎn)生一個(gè)輸出向量Y=ψ（X），網(wǎng)絡(luò)的基本特征是從復(fù)雜的高維數(shù)據(jù)中提取和識(shí)別必要的參數(shù)。影射網(wǎng)絡(luò)存在理論認(rèn)為，只要處理單元是一個(gè)輸入變量的任意連續(xù)遞增函數(shù)或是幾個(gè)變量的總和，則一個(gè)輸入向量X可以映射成任意輸出函數(shù)Y=ψ（X）[2]。

神經(jīng)網(wǎng)絡(luò)算法基于最小均方差準(zhǔn)則，由計(jì)算正向輸出和誤差反向傳播組成。通過由比較網(wǎng)絡(luò)的實(shí)際輸出與期望輸出來不斷地調(diào)節(jié)網(wǎng)絡(luò)權(quán)值，直至收斂為止。網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的輸入輸出存在如下非線性關(guān)系

O={1+exp[-（∑WjiOpi+θj）]}-1（3）

式中：Opi為模式P輸至網(wǎng)絡(luò)節(jié)點(diǎn)j的輸出；Wji為節(jié)點(diǎn)i到j(luò)的連接權(quán)；θj為節(jié)點(diǎn)j的閥值。

式中，δpj為j節(jié)點(diǎn)上一層節(jié)點(diǎn)k的誤差；Wkj為節(jié)點(diǎn)j到其上一層節(jié)點(diǎn)k的連接權(quán)。

從以上公式可以得出，通過誤差反向傳播，調(diào)整權(quán)值，最終的輸出就會(huì)接近所要求的期望值，這個(gè)過程稱為訓(xùn)練。當(dāng)達(dá)到所要求的誤差時(shí)，就認(rèn)為網(wǎng)絡(luò)已經(jīng)能在某種程度上近似表示輸入與輸出的關(guān)系。

也就是說，用含有隱含層的神經(jīng)網(wǎng)絡(luò)能擬合許多任意復(fù)雜的連續(xù)函數(shù)，回歸分析的實(shí)質(zhì)就是在抽樣數(shù)據(jù)的基礎(chǔ)上進(jìn)行曲線擬合。如果對(duì)訓(xùn)練好的網(wǎng)絡(luò)輸入新的數(shù)據(jù)，輸出的結(jié)果就是對(duì)此曲線新的點(diǎn)結(jié)果的預(yù)測(cè)。所以，用神經(jīng)網(wǎng)絡(luò)可以進(jìn)行有關(guān)的曲線回歸分析，也可以用已回歸好即訓(xùn)練好的結(jié)果去預(yù)測(cè)新的樣本[3]。

1.3回歸效果分析

最小二乘法作為傳統(tǒng)回歸方法，對(duì)于多元回歸計(jì)算的計(jì)算量過大，隨著變量數(shù)目的增加，計(jì)算量劇增，并且要相互比較的回歸曲線也劇增，選擇一條最優(yōu)回歸曲線較難。根據(jù)本次研究現(xiàn)有資料，淹沒系數(shù)與流量系數(shù)均不能通過資料直接查得數(shù)據(jù)，閘孔出流的淹沒系數(shù)只能通過查相應(yīng)關(guān)系曲線或表獲得，這樣就使得最小二乘法率定的結(jié)果會(huì)出現(xiàn)誤差。

由于淹沒系數(shù)反應(yīng)的是下游水深對(duì)過閘水流的淹沒影響程度，采用人工神經(jīng)網(wǎng)絡(luò)法建模時(shí)，在輸入層數(shù)據(jù)矩陣中加入閘后水位，通過學(xué)習(xí)訓(xùn)練能夠在網(wǎng)絡(luò)內(nèi)部建立樣本隱含的復(fù)雜結(jié)構(gòu)，避開了淹沒系數(shù)不能準(zhǔn)確確定這一問題，使得分析結(jié)果更為準(zhǔn)確，考慮相關(guān)參數(shù)更為全面。在最小二乘法分析無法給出滿意解時(shí)，神經(jīng)網(wǎng)絡(luò)將是一種全新的選擇。

結(jié)合現(xiàn)有數(shù)據(jù)，本次報(bào)告采用上述2種算法分別對(duì)各閘流量系數(shù)進(jìn)行率定，并對(duì)計(jì)算結(jié)果進(jìn)行比較分析，下面列舉放水河節(jié)制閘率定成果。

2流量系數(shù)分析

受閘門控制的水位～流量系數(shù)關(guān)系，可以通過觀測(cè)其上下游水位、閘孔開啟高度及寬度，運(yùn)用水力學(xué)公式來推求。在水力學(xué)理論公式中，上游水頭要涉及行進(jìn)流速水頭，這里采用實(shí)測(cè)流量來率定流量系數(shù)，由于流量系數(shù)是水位的某種形式的函數(shù)，先對(duì)推流公式中的系數(shù)加以率定，并再據(jù)以推算流量，可不計(jì)入行進(jìn)流速水頭。

由堰流和孔流的特點(diǎn)可知，對(duì)于具有閘門控制的同一渠道，堰流和孔流可以相互轉(zhuǎn)化。這種水流的轉(zhuǎn)化條件與閘孔的相對(duì)開度和閘前水頭有關(guān)，根據(jù)實(shí)驗(yàn)，堰流和閘孔出流的判別條件如下[4]：當(dāng)閘底坎為平頂型時(shí)：eH≤0.65，為孔流；eH>0.65，為堰流。當(dāng)閘底坎為曲線形型時(shí)：eH≤0.75，為孔流；eH>0.75，為堰流。根據(jù)樣本中數(shù)據(jù)判別如下，墳莊河、放水河、北拒馬河節(jié)制閘為平頂型孔流；沙河引水閘為曲線型孔流。

2.1最小二乘法求解

由于每組數(shù)據(jù)對(duì)應(yīng)的淹沒系數(shù)不一致，導(dǎo)致率定流量系數(shù)時(shí)計(jì)算過于繁瑣復(fù)雜，現(xiàn)將淹沒系數(shù)σs、流量系數(shù)μ擬合為一個(gè)未知數(shù)m，稱為擬合流量系數(shù)（即孔口淹沒出流流量系數(shù)）?；貧w方程轉(zhuǎn)化為一元問題求解。求解m后，再通過查孔流淹沒系數(shù)表查得每組數(shù)據(jù)對(duì)應(yīng)的淹沒系數(shù)σs，最終求得孔口自由出流流量系數(shù)μ。經(jīng)查表可得：放水河節(jié)制閘淹沒系數(shù)σs=0.65；墳莊河節(jié)制閘淹沒系數(shù)σs=0.55；北拒馬河節(jié)制閘淹沒系數(shù)σs=0.35～0.85；沙河引水閘淹沒系數(shù)σs=1。

斷面的流量資料以及與流量系數(shù)相關(guān)的開度e、閘前水頭H、寬度b等均可在資料中查得。選擇第4次通水沙河引水閘、墳莊河節(jié)制閘、放水河節(jié)制閘、北拒馬河節(jié)制閘1個(gè)月的通水?dāng)?shù)據(jù)作為樣本。

閘孔出流流量計(jì)算公式：

Q=σsμbe2gH（4）

式中：Q為計(jì)算流量（m3/s）；σs為淹沒系數(shù)；μ為流量系數(shù)；b為閘孔凈寬（m）；e為開度（m）；H為閘前水頭（m）。

經(jīng)計(jì)算可列出如下各項(xiàng)系數(shù)關(guān)系表，見表1。

表1放水河節(jié)制閘開度、閘前水頭、自由出流流量系數(shù)關(guān)系表

e/mH/m3.5～3.63.6～3.73.7～3.83.8～3.93.9～4.04.0～4.10.0740.7860.1100.8120.8120.8120.1140.8790.1180.7730.7730.1200.7930.7930.8060.1300.8440.8440.8440.8290.8290.1400.8350.8350.8350.1470.6220.6220.1500.8660.1600.8860.8860.1700.8230.823

2.2神經(jīng)網(wǎng)絡(luò)法求解

與流量系數(shù)相關(guān)聯(lián)的數(shù)據(jù)有閘前水頭、閘后水頭、空口凈寬、閘門開度，則輸入層神經(jīng)元個(gè)數(shù)為4，輸出層神經(jīng)元為1，選取n個(gè)樣本：

{（X1，y1），（X2，y2），…，（X20，yn）}（5）

其中Xi={xi1，xi2，xi3，xi4}，i=1，2，…，n。xik表示第i個(gè)樣本中第k個(gè)參數(shù)所代表的流量強(qiáng)度k=1，2，3，4。yi為第i個(gè)樣本中的實(shí)測(cè)流量。

輸入層神經(jīng)元4個(gè)，為閘門開度、閘前水頭、閘后水頭、空口凈寬，輸出層神經(jīng)元1個(gè)，為實(shí)測(cè)流量，將所有數(shù)據(jù)進(jìn)行歸一化處理。取BP神經(jīng)網(wǎng)絡(luò)梯度下降法學(xué)習(xí)算法學(xué)習(xí)效率為α=0.5，訓(xùn)練精度取0.01，訓(xùn)練次數(shù)為2000。對(duì)上述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練結(jié)果如下：

放水河節(jié)制閘隱含層設(shè)為3層時(shí)精度為：0.015441；4層時(shí)精度為：0.015376；5層時(shí)精度為：0.015378。故隱含層選取精度最小的4層隱含層。

各閘門輸入、輸出權(quán)矩陣如表2。

表2隱含神經(jīng)元個(gè)數(shù)為4權(quán)矩陣

閘門輸入層權(quán)矩陣輸出層權(quán)矩陣放水河節(jié)制閘5.74E-020.46128960.94999-0.5571120.3358424-0.2866769-0.92112231.058965-0.713352-5.18E-02-0.8456119-0.8865428-0.01462-0.9969012.345147-0.3966391-0.27491370.818604-0.787825-0.3147664

2.3合理性評(píng)價(jià)

流量系數(shù)與各相關(guān)影響因子的回歸分析，建立回歸方程僅僅是一種假定，是否符合實(shí)際情況就必須對(duì)率定系數(shù)的結(jié)果進(jìn)行檢驗(yàn)。從已知數(shù)據(jù)中隨機(jī)找10次測(cè)量數(shù)據(jù)，用上述最小二乘法推求的流量系數(shù)以及神經(jīng)網(wǎng)絡(luò)法求出的權(quán)矩陣求解計(jì)算流量，再與實(shí)測(cè)流量對(duì)比，求出相對(duì)誤差。

經(jīng)計(jì)算各組樣本中，平均誤差均不到3%，誤差小于5%[6]的樣本比例分別為：最小二乘法數(shù)據(jù)：70%、100%、100%、60%；神經(jīng)網(wǎng)絡(luò)法數(shù)據(jù)：80%、100%、100%、100%。從以上計(jì)算及相關(guān)統(tǒng)計(jì)參數(shù)可以很明顯的看出，用神經(jīng)網(wǎng)絡(luò)回歸得出的數(shù)據(jù)相比最小二乘法的要好些，并且計(jì)算的流量很接近原始測(cè)量數(shù)據(jù)。但回歸分析的效果好壞要綜合來看，比如考慮相關(guān)參數(shù)的全面性，計(jì)算量的大小，回歸方程的直觀性，回歸數(shù)據(jù)統(tǒng)計(jì)效果等[7]，下面就從這幾個(gè)方面進(jìn)行對(duì)比分析。

2.3.1相關(guān)參數(shù)的全面性

最小二乘法中，率定的擬合流量系數(shù)中有2項(xiàng)：淹沒系數(shù)、流量系數(shù)，淹沒系數(shù)是反應(yīng)下游水深對(duì)于過閘水流的淹沒影響程度，由于每組數(shù)據(jù)的開度-閘后水位-上下游水位差差別較小，淹沒系數(shù)表中精度有限，使得人工讀數(shù)誤差加大。而神經(jīng)網(wǎng)絡(luò)法在輸入層數(shù)據(jù)函數(shù)中加入了閘后水位這一項(xiàng)，在網(wǎng)絡(luò)內(nèi)部建立樣本的復(fù)雜結(jié)構(gòu)，考慮影響流量的參數(shù)更為全面，回歸出的數(shù)據(jù)精度更高。

2.3.2計(jì)算量

最小二乘法等傳統(tǒng)回歸方法，計(jì)算量的大小會(huì)隨著變量個(gè)數(shù)的增加而呈指數(shù)形式增加，而神經(jīng)網(wǎng)絡(luò)法回歸分析時(shí)，較多的計(jì)算量都花費(fèi)在訓(xùn)練上。對(duì)于本次回歸分析，由于變量較少，最小二乘法的計(jì)算量不是很大，求解的精度達(dá)到了相應(yīng)要求，所以神經(jīng)網(wǎng)絡(luò)的優(yōu)越性不是很顯著。

2.3.3回歸方程的直觀性

從回歸方程的直觀性來看，最小二乘法求出的回歸方程比較直觀，而用神經(jīng)網(wǎng)絡(luò)不能求出回歸方程。最小二乘法等一般回歸方法是以求解回歸方程為目的，本次分析研究中，先建立了閘孔出流的數(shù)學(xué)模型，根據(jù)此模型和樣本數(shù)據(jù)進(jìn)行下一步的計(jì)算。而神經(jīng)網(wǎng)絡(luò)是通過學(xué)習(xí)來逼近目標(biāo)函數(shù)，它把信息記憶在相關(guān)聯(lián)的連接權(quán)上，當(dāng)誤差達(dá)到一定要求時(shí)，就形成了輸入和輸出之間的一定程度上的近似對(duì)應(yīng)關(guān)系。

2.3.4回歸數(shù)據(jù)統(tǒng)計(jì)效果

最小二乘法是對(duì)目標(biāo)函數(shù)的一種近似求解，是一種用數(shù)學(xué)模型去近似表達(dá)輸入輸出的某種關(guān)系。對(duì)于模型的選取要求較嚴(yán)格。神經(jīng)網(wǎng)絡(luò)是對(duì)目標(biāo)函數(shù)的逼近，只要網(wǎng)絡(luò)結(jié)構(gòu)合理，訓(xùn)練效果好，回歸出的數(shù)據(jù)精度相比最小二乘法要高，從本次計(jì)算數(shù)據(jù)上也證明了這一點(diǎn)。

3總結(jié)

通過運(yùn)用最小二乘法、神經(jīng)網(wǎng)絡(luò)法這2種回歸方法分析京石段第4次通水放水河節(jié)制閘、墳莊河節(jié)制閘、北拒馬河節(jié)制閘、沙河引水閘數(shù)據(jù)，可得出閘門開啟程度、流量系數(shù)與水頭具有相應(yīng)的函數(shù)關(guān)系。應(yīng)用最小二乘法推算出的流量系數(shù)，為閘孔自由出流的淹沒系數(shù)，而查表得出的淹沒系數(shù)會(huì)使誤差加大。而神經(jīng)網(wǎng)絡(luò)在輸入層數(shù)據(jù)矩陣中有閘孔開度、閘前水位、閘后水位和孔口凈寬4項(xiàng)，考慮影響因素更全面，輸入層數(shù)據(jù)矩陣為實(shí)測(cè)流量。

其中個(gè)別點(diǎn)誤差較大，是由于儀器、檢測(cè)條件、環(huán)境等因素的限制，對(duì)于實(shí)測(cè)流量的測(cè)量不可能無限精確，測(cè)量值與客觀存在的真實(shí)值之間總會(huì)存在著一定的差異，這是不可避免的。由于京石段運(yùn)行年數(shù)有限，實(shí)測(cè)數(shù)據(jù)并不充足，相信在日后數(shù)據(jù)更充足情況下計(jì)算的數(shù)據(jù)會(huì)更具備參考價(jià)值。

參考文獻(xiàn)

[1]廖偉明，羅劍，周斌.最小二乘法在水文參數(shù)率定中的應(yīng)用[J].上饒市水利水電勘測(cè)設(shè)計(jì)院，2012（04）.

[2]吳新根，葛家理.人工神經(jīng)網(wǎng)絡(luò)在回歸分析中的應(yīng)用[J].北京石油大學(xué)，1995（07）.

[3]陳曉楠，黃強(qiáng)，邱林，等.基于神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)干旱評(píng)估模型及其概率分布研究[J].西安理工大學(xué)，2011（05）.

[4]孫東坡，丁求新.水力學(xué)[M].黃河水利出版社，2009.

[5]宋孝玉，馬細(xì)霞.工程水文學(xué)[M].黃河水利出版社，2009.

篇9

關(guān)鍵詞 數(shù)據(jù)挖掘；方法；應(yīng)用

中圖分類號(hào)TP3 文獻(xiàn)標(biāo)識(shí)碼A 文章編號(hào) 1674—6708（2012）76—0209—02

近幾年來，隨著數(shù)據(jù)庫技術(shù)的不斷發(fā)展，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界和整個(gè)社會(huì)的極大關(guān)注。因?yàn)槿藗兯鶕碛械臄?shù)據(jù)量在不斷的增長(zhǎng)，這就對(duì)數(shù)據(jù)的管理和分析提出了更高的要求，急需新的技術(shù)從大量的信息中提取或“挖掘”知識(shí)，于是數(shù)據(jù)挖掘（Data Mining）技術(shù)被受人們關(guān)注和使用。

1 數(shù)據(jù)挖掘技術(shù)定義

數(shù)據(jù)挖掘技術(shù)是指從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識(shí)的過程。在大多數(shù)情況下，人們只知道儲(chǔ)存數(shù)據(jù)，數(shù)據(jù)越來越多，可是不知道數(shù)據(jù)中存有很多重要的信息，數(shù)據(jù)挖掘就可以從這大量的數(shù)據(jù)中搜索出重要的信息。

2 數(shù)據(jù)挖掘常用的方法

1）決策樹。決策樹方法是把數(shù)據(jù)分類，構(gòu)成測(cè)試函數(shù)，建立樹每一層分支，重復(fù)下去就構(gòu)成了決策樹。在構(gòu)造決策樹時(shí)，樹盡可能精度高，規(guī)模小。商業(yè)銀行在對(duì)風(fēng)險(xiǎn)決策時(shí)經(jīng)常用此方法；

2）人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)方法引用生物神經(jīng)網(wǎng)絡(luò)的方法，就好像人的神經(jīng)網(wǎng)絡(luò)，它連接輸入、輸出信號(hào)的樞紐。它在很大程度上模擬人腦的神經(jīng)系統(tǒng)處理信息。人工神經(jīng)網(wǎng)絡(luò)具有四個(gè)基本特征：非線性、非局限性、非常定性、非凸性。用人工神經(jīng)網(wǎng)絡(luò)方法建立的模型具有很強(qiáng)的非線性擬合能力，學(xué)習(xí)規(guī)則簡(jiǎn)單，控制能力強(qiáng)等優(yōu)點(diǎn)；

3）遺傳算法（Genetic Algorithm，GA）。遺傳算法是模仿達(dá)爾文生物進(jìn)化的自然選擇和遺傳機(jī)制的一種尋優(yōu)算法。群體中的所有個(gè)體為研究對(duì)象，利用隨機(jī)化技術(shù)搜索編碼，然后分別利用選擇、交叉和變異這三個(gè)基本遺傳算子對(duì)其進(jìn)行遺傳操作就能尋找到問題的最優(yōu)解或者是最滿意解。遺傳算法的優(yōu)點(diǎn)是過程簡(jiǎn)單，具有隨機(jī)性，可擴(kuò)展性。實(shí)用。在很多領(lǐng)域得到了很大的應(yīng)用。缺點(diǎn)是編程比較復(fù)雜，需要對(duì)問題進(jìn)行編碼，找到滿意解后還要對(duì)問題解碼。算法速度比較慢，對(duì)初始種群的選擇有依賴性等缺點(diǎn)；

4）聚類算法。聚類算法可以說是多元統(tǒng)計(jì)研究“物以類聚，人以群分”的一種方法，主要任務(wù)是發(fā)現(xiàn)大型數(shù)據(jù)中的積聚現(xiàn)象。聚類分析是把相似特征的樣本歸為一類，類內(nèi)差異差距較小，類間距差距較大。聚類算法在好多領(lǐng)域有應(yīng)用。在商務(wù)上，根據(jù)客戶不同的消費(fèi)模式進(jìn)行分類，對(duì)客戶進(jìn)行劃分，幫助商家獲得更多利益。在生物學(xué)中，對(duì)動(dòng)植物進(jìn)行分類，了解各自的基因特征。聚類的算法也比較多，例如：基于模糊的聚類方法、基于粒度的聚類方法、量子聚類、核聚類、譜聚類，這些是新發(fā)展的聚類算法。還有常用的聚類算法—BIRCH算法、K—MEANS算法、均值計(jì)算方法等。

3 數(shù)據(jù)挖掘的應(yīng)用

數(shù)據(jù)挖掘技術(shù)在好多領(lǐng)域有應(yīng)用。例如：金融業(yè)、通訊、教育、政府管理部門等等行業(yè)。1）金融業(yè)。例如：金融事務(wù)需要搜集和處理大量復(fù)雜的數(shù)據(jù)，許多銀行和金融機(jī)構(gòu)提供多種多樣的投資服務(wù)（如共同基金）、信用服務(wù)（如個(gè)人信用卡）和銀行服務(wù)（如個(gè)人存款）。由于交易的頻繁性、信息的不對(duì)稱性和復(fù)雜性，必須從海量數(shù)據(jù)中挖掘信息，金融數(shù)據(jù)挖掘技術(shù)可以幫助銀行系統(tǒng)查詢客戶以往的需求情況并預(yù)測(cè)未來；可以分析潛在的信譽(yù)較差的客戶，及時(shí)采取措施減少資產(chǎn)損失；2）通訊業(yè)。例如：現(xiàn)今通信業(yè)務(wù)可以說是五花八門，多種多樣，適合不同需求的人群。要想退出新業(yè)務(wù)，創(chuàng)效益。就必須先確定可能要試用此項(xiàng)業(yè)務(wù)的客戶特征。確定完成后先讓小范圍的客戶試用此項(xiàng)業(yè)務(wù)，當(dāng)他們?cè)囉靡欢螘r(shí)間后，對(duì)客戶的反饋信息進(jìn)行分析，修改更新，反復(fù)這樣下去，直至此項(xiàng)業(yè)務(wù)成熟后，推廣進(jìn)入市場(chǎng)。那如何從大量的客戶消費(fèi)數(shù)據(jù)中得到這些客戶特征，這就需要數(shù)據(jù)挖掘技術(shù)對(duì)客戶進(jìn)行詳細(xì)的深層次的分析，得到有效的，準(zhǔn)確的數(shù)據(jù)；3）教育部門。例如：高校的招生可以說是任何一個(gè)高校的大事，招生好壞直接影響學(xué)校的生存。專業(yè)計(jì)劃的是否合理，就直接影響招生。我們需要對(duì)大量的招生錄取信息和就業(yè)信息進(jìn)行分析，數(shù)據(jù)挖掘技術(shù)就可以從這些信息中提取重要的信息預(yù)測(cè)未來的專業(yè)計(jì)劃如何投放，每個(gè)專業(yè)投放多少比較合理，不至于計(jì)劃浪費(fèi)；4）政府管理部門。隨著社會(huì)的不斷進(jìn)步，政府部門內(nèi)部以及部門之間擁有了大量的政務(wù)信息，要想掌握有效，準(zhǔn)確的政務(wù)信息，我們可以利用數(shù)據(jù)挖掘中的決策樹方法，從大量的政務(wù)信息中提取準(zhǔn)確有效的信息，大大提高整個(gè)電子政務(wù)的智能化水平?？梢酝ㄟ^對(duì)網(wǎng)絡(luò)各種經(jīng)濟(jì)資源的深度挖掘，確定未來的經(jīng)濟(jì)形勢(shì)，從而可以指定出合理的宏觀調(diào)控政策。為社會(huì)經(jīng)濟(jì)提供有力的可靠的拐杖。

4 數(shù)據(jù)挖掘未來的展望

數(shù)據(jù)挖掘的應(yīng)用越來越廣泛，人們對(duì)數(shù)據(jù)挖掘技術(shù)的需求水平也就越來越高。它可以預(yù)測(cè)未來的發(fā)展趨勢(shì)，所以今后研究焦點(diǎn)可能會(huì)集中到處理非數(shù)字?jǐn)?shù)據(jù)；尋求數(shù)據(jù)挖掘過程中的可視化方法，便于在知識(shí)發(fā)現(xiàn)過程中的人機(jī)交互，使計(jì)算機(jī)真正實(shí)現(xiàn)智能化。這可能需要一段時(shí)間，需要計(jì)算機(jī)工作者的不斷的研究探索，可能需要很大的努力。但我相信，不久的將來我們會(huì)看到數(shù)據(jù)挖掘據(jù)技術(shù)很大的進(jìn)展。

參考文獻(xiàn)

[1][加]Jiawei Han Micheline Kamber著.范明，孟小峰譯.數(shù)據(jù)挖掘概念與技術(shù)[M].機(jī)械工業(yè)出版社.

[2]陳曉燕.遺傳算法在數(shù)據(jù)挖掘中的應(yīng)用[J].瓊州學(xué)院學(xué)報(bào)，18（2）.

[3]周明華.近代算法在工程領(lǐng)域中的應(yīng)用研究[D].浙江大學(xué)博士學(xué)位論文，2005，1.

[4]曾令明，金虎.基于遺傳算法的雙向關(guān)聯(lián)規(guī)則挖掘[J].微電子學(xué)與計(jì)算機(jī)，2006（23）：35—37.

[5]周濤，陸惠玲.數(shù)據(jù)挖掘中聚類算法研究進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用， 2012，48（12）.

[6]鄭紅英.數(shù)據(jù)挖掘聚類算法的分析和應(yīng)用研究[J].重慶大學(xué)碩士學(xué)位論文，2002，4.

篇10

關(guān)鍵詞 無線Mesh網(wǎng)絡(luò) 異常檢測(cè) 協(xié)作 RBF神經(jīng)網(wǎng)絡(luò) 危險(xiǎn)理論

中圖分類號(hào)：TP3O9 文獻(xiàn)標(biāo)識(shí)碼：A

1無線Mesh網(wǎng)絡(luò)安全面臨的主要威脅

從美國(guó)人NikolaTesla于1893年首次公開展示無線電通信至今，針對(duì)不同的用途和使用環(huán)境，無線電通信已經(jīng)發(fā)展出多種類型。特別是從20世紀(jì)80年代以來，伴隨著全球移動(dòng)通信系統(tǒng)的發(fā)展，不同類型的無線網(wǎng)絡(luò)如WLAN、CDMA、Bluetooth和Wi-Fi（本文將些網(wǎng)絡(luò)統(tǒng)稱為傳統(tǒng)無線網(wǎng)絡(luò)）等也相應(yīng)迅猛發(fā)展起來。雖然WMN優(yōu)勢(shì)明顯，應(yīng)用廣泛，但其在安全方面仍然受到多種威脅，主要有以下五個(gè)方面。

（1）無線鏈路方面。WMN中各節(jié)點(diǎn)通過無線鏈路以廣播方式相互傳輸數(shù)據(jù)，通信范圍內(nèi)的所有節(jié)點(diǎn)都可以接收這條數(shù)據(jù)，因此易被監(jiān)聽。并且由于缺乏像有線網(wǎng)絡(luò)中的物理通道及防火墻等明確的防御線，WMN不能通過網(wǎng)絡(luò)邊界防護(hù)設(shè)備來控制客戶端和其它設(shè)備的接入，對(duì)主動(dòng)攻擊的防御能力不足。

（2）動(dòng)態(tài)拓?fù)浞矫?。?jié)點(diǎn)進(jìn)入或退出網(wǎng)絡(luò)都會(huì)引起WMN拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)變化。若WMN接入認(rèn)證方案存在漏洞，惡意節(jié)點(diǎn)就能輕易合法化接入網(wǎng)絡(luò)，并發(fā)動(dòng)攻擊。此外，成功接入WMN的節(jié)點(diǎn)如果缺乏充分的物理保護(hù)易被破壞、捕獲和劫持，并用于網(wǎng)絡(luò)攻擊，而追捕它卻很困難。

（3）協(xié)作運(yùn)算方面。WMN的分布式結(jié)構(gòu)導(dǎo)致其一般采用分散的數(shù)據(jù)處理策略，即絕大多數(shù)WMN算法都依賴于與其他節(jié)點(diǎn)的合作。攻擊者利用沒有中心節(jié)點(diǎn)這一弱點(diǎn)對(duì)WMN協(xié)作運(yùn)算方面實(shí)施各種破壞。

（4）路由方面。WMN中所有節(jié)點(diǎn)共同參與完成路由發(fā)現(xiàn)過程。因此惡意節(jié)點(diǎn)很可能會(huì)抓住網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)變化的時(shí)機(jī)發(fā)動(dòng)攻擊。它冒充為AP并廣播虛假路由信息，從而吸引大量網(wǎng)絡(luò)流量經(jīng)過它，并隨意竊聽、篡改甚至中斷WMN的通信。

（5）設(shè)備資源方面。WMN中的客戶端移動(dòng)性強(qiáng)，設(shè)備體積小，處理能力低，多數(shù)為電池供電。而增強(qiáng)型客戶端由于具備路由和數(shù)據(jù)轉(zhuǎn)發(fā)功能，對(duì)電池電量、資源占用、通信帶寬等因素非常敏感。因此，客戶端不能使用復(fù)雜的路由或加密算法。

2無線Mesh網(wǎng)絡(luò)主要安全防護(hù)技術(shù)

（1）安全認(rèn)證。它能阻止未授權(quán)的節(jié)點(diǎn)接入并利用WMN發(fā)送和接收數(shù)據(jù)，避免網(wǎng)絡(luò)規(guī)模被異常擴(kuò)大。另外，WMN中各節(jié)點(diǎn)間互相通信和漫游時(shí)都需要身份認(rèn)證。認(rèn)證方式分為集中式和分布式兩種。集中式利用AAA服務(wù)器實(shí)現(xiàn)，節(jié)點(diǎn)認(rèn)證成功后才能參與后面的密鑰協(xié)商、密鑰交換和路由更新等活動(dòng)。分布式認(rèn)證主要采用數(shù)字證書或預(yù)分配共享密鑰模式（即PSK）。

（2）安全路由。它的目標(biāo)是確保路由信息的完整性、真實(shí)性、可用性和不可抵賴性，而利用加密和數(shù)字簽名技術(shù)就可以實(shí)現(xiàn)這些目標(biāo)。雖然各節(jié)點(diǎn)相互通信前都會(huì)進(jìn)行認(rèn)證并協(xié)商密鑰，但被俘獲節(jié)點(diǎn)通過產(chǎn)生錯(cuò)誤或虛假路由可以繞過這層安全防護(hù)。利用安全路由協(xié)議定期更新路由表或利用選舉方式確定安全路由，可以避開被俘獲節(jié)點(diǎn)引入的危險(xiǎn)。典型的安全路由協(xié)議有Ad hoc網(wǎng)絡(luò)的SAODV、ARAN、SAR、SEAD和SRP等。

（3）入侵檢測(cè)。認(rèn)證、加密等技術(shù)作為WMN的第一道安全防護(hù)墻可以抵御外部攻擊，但主動(dòng)防御內(nèi)部入侵的能力不足。入侵檢測(cè)對(duì)內(nèi)部入侵非常敏感，因此可以作為WMN的第二道安全防線。現(xiàn)有的WMN入侵檢測(cè)方式有四種：

①獨(dú)立入侵檢測(cè)。每個(gè)節(jié)點(diǎn)都運(yùn)行檢測(cè)實(shí)例，并獨(dú)立對(duì)事件進(jìn)行響應(yīng)。

②分布式合作入侵檢測(cè)。入侵檢測(cè)被部署在部分節(jié)點(diǎn)上，各節(jié)點(diǎn)互相協(xié)作完成入侵檢測(cè)，并產(chǎn)生相應(yīng)的響應(yīng)。

③層次式入侵檢測(cè)。由一個(gè)主控節(jié)點(diǎn)管理多個(gè)子節(jié)點(diǎn)，子節(jié)點(diǎn)負(fù)責(zé)收集和上傳檢測(cè)信息給主控節(jié)點(diǎn)，主控節(jié)點(diǎn)對(duì)其分析并做出決策。

④基于移動(dòng)的入侵檢測(cè)。每個(gè)Agent被指定檢測(cè)任務(wù)，之后每個(gè)節(jié)點(diǎn)會(huì)被分配到一個(gè)或多個(gè)Agent，由Agent具體分布處理入侵檢測(cè)任務(wù)。

3神經(jīng)網(wǎng)絡(luò)和危險(xiǎn)理論在入侵檢測(cè)中的應(yīng)用

3.1神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)（Neural Networks，簡(jiǎn)寫為NN）也稱為人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）連接模型，是一種利用機(jī)器模仿人腦進(jìn)行思維活動(dòng)，進(jìn)行分布式并行信息處理的數(shù)學(xué)算法模型。作為研究復(fù)雜問題的有力工具，神經(jīng)網(wǎng)絡(luò)技術(shù)近年來在模式識(shí)別與分類、自動(dòng)控制、非線性濾波、預(yù)測(cè)等方面已顯示出其非凡的優(yōu)勢(shì)。

3.2危險(xiǎn)理論在入侵檢測(cè)技術(shù)中的應(yīng)用

計(jì)算機(jī)安全問題與生物免疫系統(tǒng)（Biological Immune System ，BIS）遇到的問題非常相似，即如何在不斷變化的環(huán)境中保持自身穩(wěn)定。近年來由BIS啟發(fā)設(shè)計(jì)的人工免疫系統(tǒng)（Artificial Immune System，AIS）在工作原理上與IDS非常相似，因此得到了網(wǎng)絡(luò)安全界的廣泛關(guān)注。AIS的基本特征包括自適應(yīng)、分布式、高頑健性、輕量級(jí)、多層次和多樣性等，與IDS相結(jié)合，被認(rèn)為是一條非常重要且有意義的研究方向，現(xiàn)已取得了一定研究成果 。

盡管該理論在生物免疫學(xué)領(lǐng)域尚未成熟，但用作模擬仿真，它比SNS模型更加適用于入侵檢測(cè)領(lǐng)域?；谖ｋU(xiǎn)理論的入侵檢測(cè)模型不再對(duì)“自體/非自體”進(jìn)行區(qū)分，而只識(shí)別“危險(xiǎn)”信號(hào)，以此解決SNS檢測(cè)模型因“自體”空間巨大而使檢測(cè)效率低下的問題。

參考文獻(xiàn)

[1] YI P，WU Y，CHEN J L.Towards an artificial immune system for detecting anomalies in wireless meshnetworks[J].China Communications，2011，8（3）： 107-117.