关键词:ZISC78;径向基函数神经网络(RBFNN);实时;预报
1引言
神经网络是近年来得到广泛关注的一种非线性建模预报技术。它具有自组织、自学习、自适应和非线性处理、并行处理、信息分布存储、容错能力强等特性,对传统方法效果欠佳的预报领域有很强的吸引力。基于神经网络的非线性信息处理方法已应用于军事信息处理及现代武器装备系统的各个方面,并有可能成为未来集成智能化的军事电子信息处理系统的支撑技术。该技术在一些先进国家已部分形成了现实的战斗力。
船舶在波浪中航行,会受到风、浪和流的影响,因而将不可避免地发生摇荡运动。严重的摇荡会使船员工作效率下降、物品损坏、军舰的战斗力下降。如果能够预知未来一段时间船舶的运动情况,不仅有利于尽早采用先进控制算法控制舰载武器平台隔离船舶运动的影响,使其始终稳定瞄准目标,而且还可获得未来一个海浪周期内的船舶运动情况,以研究船载武器上层的控制策略,从而提高火力密度,因此,有必要研究在海浪中具有一定精度的海浪中船舶运动的短期预报。此外,如能有效准确地预报船舶的横摇运动,对于提高船舶的耐波性和适航性也有重要意义。
国内外学者也将神经网络用于船舶运动预报研究,但往往没有考虑实时性等实现问题,因而不能实用化。神经网络实现技术是神经网络研究的一个重要方面。神经网络实现可分为全硬件实现和软件实现两种。目前神经网络的实现还主要以软件模拟为主,由于现行的冯诺曼计算机体系结构不能实现并行计算,因而神经网络软件的实时应用还受到一定限制。
目前,一些著名集成电路制造公司如Intel、Mo-torola、松下、日立、富士通等均已推出自己的模拟或数字神经网络芯片,这些芯片无论在网络规模还是运行速度上都已接近实用化的程度,因而给神经网络应用的发展以极大的推动。由于舰载武器系统,需选用具有在片学习功能的神经网络芯片,即将网络训练所需的反馈电路及权值存储、计算和修正电路都集成在了一个芯片,因而可实现全硬件的、具有自学习能力的神经网络系统,也可以说,这是一种具有自适应能力的神经网络。
2ZISC78的功能及工作原理
ZISC78是由IBM公司和Sillicon联合研制的一种低成本、在线学习、33MHz主频、CMOS型100脚LQFP封装的VLSI芯片,图1所示是ZISC78的引脚排列图。ZISC78的特点如下:
内含78个神经元;
采用并行结构,运行速度与神经元数量无关;
支持RBF/KNN算法;
内部可分为若干独立子网络;
采用链连接,扩展不受限制;
具有64字节宽度向量;
L1或LSUP范数可用于距离计算;
具有同步/异步工作模式。
2.1ZISC78神经元结构
ZISC78采用的神经元结构如图2所示,该神经元有以下几种状态:
(1)休眠状态:神经网络初始化时,通常处于这种状态。
(2)准备学习状态:任何时侯,神经网络中的神经元都处于这种状态。
(3)委托状态:一个包含有原型和类型的神经元处于委托状态。
(4)激活状态:一个处于委托状态的神经元,通过评估,其输入矢量处于其影响域时,神经元就被激活而处于激活状态。
(5)退化状态:当一个神经元的原型处于其它神经元类型空间内,而大部分被其他神经元类型空间重叠时,这个神经元被宣布处于退化状态。
2.2ZISC78神经网络结构
从图3所示的ZISC78神经网络结构可以看出,所有神经元均通过“片内通信总线”进行通信,以实现网络内所有神经元的“真正”并行操作。“片内通信总线”允许若干个ZISC78芯片进行连接以扩大神经网络的规模,而这种操作不影响网络性能。
ZISC78片内有6bit地址总线和16bit数据总线,其中数据总线用于传输矢量数据、矢量类型、距离值和其它数据。
2.3ZISC78的寄存器组
ZISC78使用两种寄存器:全局寄存器和神经元寄存器。全局寄存器用于存储与所有神经元有关的信息,每片仅有一组全局寄存器。全局寄存器组中的信息可被传送到所有处于准备学习状态和委托状态的神经元。神经元寄存器用于存储所属神经元的信息,该信息在训练学习操作中写入,在识别操作中读出。
2.4ZISC78的操作
ZISC78的操作包括初始化、矢量数据传播、识别和分类等三部分。
初始化包括复位过程和清除过程。
矢量数据传播包括矢量数据输入过程和神经元距离计算过程。神经元距离就是输入矢量和神经元中存储的原型之间的范数。通常可选L1范数或Lsup范数:
其中,Xi为输入矢量数据,Xs为存贮的原型数据。
对于识别和分类,ZISC78提供有两种可选择的学习算法RBF和KNN。其中RBF是典型的径向基函数神经网络。在该RBF模式下,可输出识别、不确定或不认识的状态;KNN模式是RBF模式的限制形式,即在KNN模式下,新原型的影响域总被设为1,输出的是输入向量和存储原型之间的距离。需要指出的是,ZISC78具有自动增加或减小神经元个数以适应输入信号的分类和识别功能,神经元个数的最大值和最小值在全局寄存器组中设定。
2.5ZISC78的组网
一个ZISC78芯片内可以通过寄存器操作定义若干个独立的网络。若干个ZISC78芯片通过层叠可以组成一个更大的神经网络,组网芯片数量没有限制,小于10个ZISC78组网时,甚至连电源中继器件也不需要。所以,ZISC78具有最大的灵活性,能够满足不同的需要。
3仿真实例
为了验证ZISC78用于船舶运动实时预报的精度,本文对径向基函数神经网络预报进行了仿真,图4给出了基于径向基函数神经网络和船舶运动惯导实测信号预报的0.3秒(15步)误差曲线图。
通过以惯导实测数据ZHX_lg.dat为例预报0.3秒(15步)以后的船舶运动,作者运用相空间重构理论已经判断出本数据为非线性信号。
该仿真的最大预报误差方差为6.4666e-004,该数据可以满足战技指标。
关键词:模糊聚类;神经网络;选址决策
中图分类号:TP18文献标识码:A文章编号:1009-3044(2009)33-9328-04
MultipleLogisticDistributionCenterAllocationStrategyBasedonFuzzyClusteringNeuralNetwork
CAOXue-hua
(JiangyinPolytechnicCollege,Jiangyin214405,China)
Abstract:Inthispaperanovelmultiplelogisticdistributioncenterallocationstrategyisproposed.Viaconstructinganeffectivefuzzyclusteringneuralnetworkalgorithm,thenewstrategycouldachievemultiplecandidatedistributioncenter'sestimatedfitnessvalue,aswellasthestandarddistributioncenter'sreferenceguidelinesystem,andmultiplecandidatedistributioncenter'ssubjectiondegreetothestandardcenter.Theapplicationofthealgorithmshowsthatthenewalgorithmhasbetterperformanceinstableconvergencerate,convergencespeed,andthresholdsensitivity.Theresultilluminatesthattheproposedalgorithmprovidesmoreefficientandmorestableapplicationworthiness.
Keywords:fuzzyclustering;neuralnetwork;allocationstrategy
1概述
随着我国经济的快速增长和市场经济体系的建立,各类经济实体之间的经济交往日益频繁,消费需求特性发生了很大的变化,多品种、多批次、小批量的个性化需求成为主流,对相应的物流活动提出很高的要求。为了满足消费者的多样化需求,降低成本、提高效率和敏捷化程度,产品的物流过程已逐步从传统的资源供应点直接到需求点,演变为资源供应点到公共物流中心再到需求点。物流配送中心在物流网络中处于重要的枢纽地位,是实现物流活动集约化、现代化和低成本化的战略据点。由于物流配送中心建设投资大、涉及因素多、服务周期长、效应长且风险大,中心选址是否合理直接影响到物流系统的顺畅性、运营效率。
长期以来,科研人员对此问题从不同的角度进行了研究,建立了许多的模型和算法。如模糊综合评判法、层次分析法以及结合层次法的模糊排序方法等。但这些方法也有一些缺点。利用模糊综合评判法,其指标权重难以确定;专家打分法确定权重,人为因素又过重;利用层次分析法确定权重可以弱化人为因素,但是层次分析法要求指标的层次结构系统中的要素互相独立,但这些指标之间却往往存在依赖关系,如地价和运输条件、政府政策和经营环境等。而且以上方法只能对单一的配送中心进行辅助选址决策,对于多个物流中心同时进行选址规划的情况,是无能为力的。
本文利用模糊聚类神经网络的方法,既可以同时得到现有侯选中心的优劣评价值,标准物流配送中心的参考指标体系,和现有多个侯选配送中心相对于标准中心的权重。从而对多物流配送中心选址决策进行有效辅助决策。
后绪章节是这样组织的,第2部分讲述了模糊聚类的原理,第3部分讲述了利用模糊聚类神经网络实现配送中心选址决策的算法,然后是物流配送中心选址决策的设计和结果,最后是总结。
2模糊聚类
模糊聚类能确定样本属于各个类别的不确定性程度,表达了样本类别的概率偏向,更客观地反映现实世界的聚类规则,因而目前广泛应用于辅助决策、模式识别、图象处理、系统建模等领域。
目前,针对不同的应用领域,根据不同的理论已经提出了许多模糊聚类算法和实现途径。基于无监督学习的模糊聚类算法被广泛应用于对未知样本进行自适应的学习,其中最著名的是FCM算法[1],算法的实现是采用基于目标函数的方法,该方法设计简单、解决问题的范围广,最终可以转化为优化问题求解,易于计算机实现。
基于目标函数的模糊聚类主要是利用模式集O的观测值X={x1,x2,…,xN}与聚类原型特征值V={vi,1≤i≤c}之间的距离构造一个目标函数,然后通过优化这一带约束的非线性规划问题获得最佳的模糊c-划分。算法的实现途径主要有基于交替优化(AO)、神经网络(NN)和进化计算(EC)等方法。
模糊聚类问题用数学语言描述:把一组给定的模式X={x1,x2,…,xN}划分为c个模糊子集(聚类)S1,S2,…,Sc。如果用μik(1≤i≤C,1≤k≤N)表示模式xk隶属于模糊子集Si的程度,那么就得到了这组模式的模糊c-划分U={μik|1≤i≤c,1≤k≤n}。假定每个模糊子集Si(1≤i≤c)都有一个典型模式vi,又称聚类原型或聚类中心,这样任一模式xk与模糊子集Si的相似性可以通过模式ok与聚类原型vi间的失真度dik=D(xk,vi)来度量。
模糊C-均值聚类算法的目标函数为原始输入空间类内加权平方误差,公式如下:
(1)
约束条件为:
(2)
m为模糊加权参数,又称为平滑因子,控制着模式在模糊类间的分享程度,目前一般根据应用领域的经验在[1,5]之间取值。
应用拉格朗日乘子法求解min(Jm(U,V)),可得模糊聚类结果公式:
(3)
(4)
可见,利用模糊聚类,可以同时得到聚类中心及输入空间各原始向量对聚类中心的隶属程度。
3多物流配送中心选址决策算法
物流配送中心的选址通常是在一定的原则,如降低成本原则、经济效益原则、提高客户服务水平等原则的指导下,预先选择一些方案,然后再通过各种方法对这些方案进行比较,最终从中选出满意的一个或几个方案作为新的中心的地址。配送中心选址的影响因素很多,一般应根据物流学的原理,结合自身的实际情况,选择其中较重要的一些因素,作为指导决策的指标。这样,一组因素的组合,就是一个待选方案。
本文采用模糊聚类神经网络的方法对方案进行比较,得到理想方案。首先,根据已有配送中心选址方案和专家经验得到一个模糊评价矩阵,然后,用模糊评价矩阵训练神经网络,一旦神经网络的结果达到了专家评价一样的效果,则说明此神经网络经过有指导的机器学习,已具备了对方案优劣进行正确判断的能力,则此神经网络就可用来对侯选的配送中心地址方案进行判断,辅助选址决策。
具体思路是,根据FCM算法,用已有配送中心方案做为原始训练用输入向量,用专家经验设置聚类中心的初始值,用已建立的模糊评价矩阵中的专家评价值和当前系统实际输出评价值之间的误差作为网络误差不断训练直至误差小于特定阈值,可以得到使网络误差最小的若干聚类中心和相应隶属度矩阵和方案评价值。也就是说,此时的神经网络已具备了专家一样的评价能力,不但能对方案进行评价,同时还得到了若干标准配送中心的参考标准指标体系,和现有配送中心相对于标准中心的权重。
由于客观环境的限制,以上标准指标体系只是一种参考,但由于同时得到了方案评价值和方案相对于标准中心的权重,使本文提出的多中心选址决策相对于现有的决策算法有更高效、实用、简便的特性。
神经网络训练好以后,用侯选配送中心方案做为测试用输入向量,用已训练好的聚类中心计算相应隶属度矩阵,就实现了对侯选方案进行评价,同时还得到多个侯选方案相对于标准中心的权重。从而实现了多物流配送中心的选址决策。
3.1建立模糊评价矩阵
设配送中心选址考虑八个因素:地质条件,水文条件.交通运输,候选地地价,候选地面积.经营环境.通讯条件.道路设施。搜集已有的正在运营的配送中心的关于此8个关键指标的详细历史数据资料,根据专家经验对这些已有方案进行优劣打分,就可以得到训练用的模糊评价矩阵,见表1。
3.2建立模糊聚类神经网络
根据神经网络的有教师指导的机器学习原理和模糊聚类的原则,设计了如下模糊聚类神经网络实现之。整个神经网络系统由2部分组成,第1部分是神经网络模糊聚类器,第2部分是系统输出合成。
3.2.1神经网络模糊聚类器
神经网络模糊聚类器是1个3层BP神经网络,其结构如图1。输入层由P个节点组成,表示输入向量的P个分量。隐含层和输出层都由C个节点组成。
输入层到隐含层的传递函数由Dik=xk-vi2实现,表示输入向量与第i个聚类中心的偏差距离,输入层到隐含层1的连接权定义为该隐含节点所代表的vi。
隐含层的输出直接无权连接到输出层,输出层的输出U代表输入向量对某类别的隶属度,传递函数由公式3实现。
3.2.2系统输出合成
由模糊聚类器得到了输入向量对各聚类模式的隶属度矩阵后,系统的整体输出为下式:
(5)
将其代入公式6,用于神经网络训练时的误差控制。
总结模糊聚类神经网络(FCNN)的整体结构如图2。
3.3模糊聚类神经网络训练算法实现模糊评价体系的机器学习
根据以上的构建,算法中需要优化的参数包括聚类中心,结合神经网络训练特点,得到模糊聚类神经网络算法如下:
1)根据专家经验,初始化聚类中心vi。
2)利用带冲量项的神经网络梯度下降训练算法迭代更新vi。
3)根据vi,利用公式3,计算uik。
4)重复2,3直至神经网络误差函数小于特定阈值,误差函数定义如下:
(6)
其中tk即表1中的专家评价值。
4算法在物流中心选址决策中的应用设计及分析
本文采用的数据是物流配送中心选址的一个标准数据集,见表1。数据集包含10组不同的方案,每组方案包含8个决定配送中心选址的关键因素和专家对此方案的打分。根据专家经验将方案归为3个不同的聚类模式。
将此数据集分别作为训练数据集应用在模糊聚类神经网络进行计算,采用上面的神经网络构造和训练算法。
表2对比给出了网络合理收敛时对方案的评价值和表1中专家的评价值。
可见,神经网络通过学习达到了与专家几乎相同的评价能力。
表3给出了模糊聚类神经网络得到的3个聚类中心,作为标准中心的参考指标体系。
图3,4是FCNN算法合理收敛的典型误差变化曲线。
表4总结了算法合理收敛时的性能参数。
表4
可以看出,FCNN算法一般迭代100次就可以达到较好的收敛和逼近,而且适应于较大的初始误差范围,也就是说,算法对不同的初始误差不敏感,算法对初值不敏感。由此可见,FCNN算法在收敛稳定性,收敛速度,初值敏感性方面都有较好的表现。
因此,将表5所示的侯选物流配送地址方案作为神经网络的输入向量,应用已得到的聚类中心vi,利用公式3,计算得输出评价和各侯选方案对标准中心的权重如表6,7。
经过已训练好的神经网络计算,得到评价值如表6。
综合应用表6,7,可以实现对多哥侯选物流配送中心地址的判别,辅助选址决策。
5结束语
本文针对传统选址决策的局限,提出了利用模糊聚类神经网络实现多物流配送中心的选址决策,算法同时得到现有侯选中心的优劣评价值,标准物流配送中心的参考指标体系、现有多个侯选配送中心相对于标准中心的权重。并构造了一种有效的模糊聚类神经网络实现算法。将算法应用在物流配送中心选址决策的结果表明,算法在有效收敛稳定性、收敛速度、初值敏感性等方面都有良好效果。说明本文提出的决策算法高效、实用、简洁的应用特性,具备先进稳定的实用效果。
参考文献:
[1]WitoldPedrycz,GeorgeVukovich.Logic-orientedFuzzyClustering[J].PatternRecognitionLetters,2002,vol,23,pp.1515-1527.
[2]何丕廉,侯越先.模糊聚类神经网络的非对称学习[J].计算机应用与发展,2001,38(3):296-301.
[3]邓赵红,王士同.鲁棒性的模糊聚类神经网络[J].软件学报,2005,16(8):1415-1422.
[4]韩庆兰,梅运先.基于BP人工神经网络的物流配送中心选址决策[J].中国软科学,2006,6:140-143.
[5]BartKosko.FuzzyEngineering[M].黄崇福,译.西安:西安交通大学出版社,1996,118-126,60-72.
[6]A.Staiano,R.Tagliaferri,W.Pedrycz.ImprovingRBFnetworksperformanceinregressiontasksbymeansofasupervisedfuzzyclustering[J].Neurocomputing,2006,vol.69,pp.1570-1581.
[关键词]Spiking神经网络学习模型股市预测
一、引言
随着经济的增长,对于股市的预测将变得越来越重要,也成为经济理论研究中的一个重要课题。股票市场的变化有很多因素,是一个复杂的非线性系统,而人工神经网络能够从大量复杂的数据中找到数据间的内在联系,具有良好的自我学习和抗干扰能力,在股票预测领域中取得了显著的效果。本文应用一种更接近于生物神经系统的Spiking神经网络,采用基于粒子群算法的学习模型,构建了沪市上证综合指数的学习预测模型,并用实际数据进行了分析实验。
二、Spiking神经网络及其学习模型
Spike神经元模型是更接近生物神经元的一个数学模型,由Spike神经元构成的人工神经网络称为Spiking神经网络。在Spiking神经网络中,一个Spike神经元在t时刻接收来自于父突触神经元的多个post-synapticpotential(PSP)信号,不断改变自己的膜电压。当它的膜电压超过阈值时,产生一个spike,并通过突触连接向外发送PSP信号。用于描述PSP信号的spike响应函数定义为:
三、上证综合指数的预测
沪市上证综合指数是上海证券交易所编制的,以上海证券交易所挂牌上市的全部股票为计算范围,以发行量为权数综合,上证综指反映了上海证券交易市场的总体走势,所以对上证综指的预测具有重要的意义。文中选取了2006年6月~2007年7月共286个工作日的沪市上证综合指数作为研究的原始数据,利用滑动窗口技术,通过前6天收盘时的上证指数来预测第7天收盘时的上证指数。
我们构建了具有6个输入神经元、4个隐含层神经元和1个输出节点的前向全连接Spiking神经网络,并利用以上的Spiking神经网络学习模型进行测试。选取了原始数据中的前276个数据构成神经网络的训练集,后10个数据用于测试。在实验前,我们对原始数据进行归一化的处理转换为[0,1]之间的值。把归一化后的前6天收盘时的上证指数分别作为6个输入神经元的spike时间加入到Spiking神经网络中进行学习和计算,获得神经网络输出节点的spike时间,该时间对应于第7天的收盘指数。按本文式(3)计算获得Spiking神经网络的学习误差,通过粒子群算法不断调整神经网络的参数使误差最小化。获得了最优的Spiking神经网络后,用测试集的数据对其性能进行了测试。经Spiking神经网络学习预测后的上证指数变化如图。
结果表明,与传统BP算法相比,基于粒子群算法的Spiking神经网络具有较快的运算速度和逼近性能,同时可以克服SpikeProp算法陷入局部最优解和对权值有约束的缺点,可以较好地处理股票类非线性数据的学习和预测。
四、结论
股票市场的不确定因素太多,是一个复杂的非线性系统,而神经网络具有自我学习的能力,能很好地解决不明确环境中的非线性应用问题。Spiking神经网络作为一种新型的动态的神经网络,其利用动态的spike时间进行信息编码和计算的特点与股票市场中动态的时间序列相吻合。文中对应用Spiking神经网络预测国内股票市场做了初步的探讨,获得了较好的拟合效果。进一步改进原始数据的处理方式,提高Spiking神经网络的自适应能力,将能得到更好的预测效果。
参考文献:
[1]SanderM:Bohte,SpikingNeuralNetworks[D].ISBN90-6734-167-3,2003
[2]GerstnerW,KistlerW.SpikingNeuronModels:SingleNeurons,Populations,Plasticity[M].CambridgeUniversityPress,2002
[3]韩文蕾王万诚:概率神经网络预测股票市场的涨跌[J].计算机应用与软件,2005,22(11):133~135
计算机网络的安全评价是计算机操作和运行过程中的一个重要的环节。影响计算机网络安全的因素有很多,例如硬件、软件设备、计算机程序、操作方式、网络环境等。传统的计算机网络安全评价是一个线性评价的过程,不能对各种影响因素进行综合的评价,在评价的精度上也不高。神经网络是在传统评价方式上进行优化的一种评价手段,采用了更为合理的评价标准,然后通过专家打分的方式确定各个影响因素在评价指标中所占到的比重,最后得出计算机网络的安全评价。
关键词:
神经网络;计算机;网络安全评价;应用
伴随着网络技术的发展,计算机网络安全的影响因素也在不断增加,病毒、系统漏洞、黑客入侵等多种安全隐患对计算机的功能和操作都能产生了极大的影响。这些影响因素之间还会相互影响,形成错综复杂的非线性关系,给网络系统安全性的定量评价带来了极大的难度。计算机网络安全的传统评价方式采用的是线性评价的模式,在操作上较为复杂,且精度不高,已经无法在实际应用中发挥有效的作用。另一种专家评价方式则带有较强的主观性,且对专家自身的专业素质和工作经验有着较高的要求,评价的结果往往难以验证。神经网络是近几年发展起来的新型评价方式,它是由许多神经元组成的,能够对网络的安全性进行非线性的评价,并完成对网络的简单维护和控制,与传统评价方式相比,神经网络在评价精度和效率上都有较大的提高。
1神经网络的特点及发展
神经网络的提出是在上个世纪中期。生物学家和物理学家首次尝试将两个学科的研究结合起来,形成了神经网络模型。这种模型是以人脑的神经网络为模板,模拟了人脑处理信息和传递信息的过程。通过数学学科对网络的结构、神经元的组成等进行研究,以及生物学对神经元的功能、作用原理等进行研究,成功模拟出了神经网络模型。这一模型的提出为神经网络在计算机安全评价方面的应用奠定了基础。上个世纪中后期,计算机领域的专家将神经网络的模型应用到了计算机网络安全的研究上,并在原始模型的基础上,增加了模型的感知功能,并与计算机技术进行了结合,在工程学领域进行了应用。神经网络模型在计算机网络上的应用能够实现对声波的检测和识别,并且确定目标物的精确位置。这促进了神经网络技术的进一步发展。上个世纪末,计算机专家又提出了一种新的映射网络模型,利用映射中的拓扑结构,对计算机的功能进行了模拟。1982年,生物学家对神经网络的性质进行了更深层的研究,从而发现神经网络是一种非线性的结构,由此神经网络为计算机网络安全的评价提供了一条新的思路。
2计算机网络安全评价体系概述
计算机网络安全是现在人们关注的重点问题之一,所谓的计算机网络安全就是指通过合理的措施确保计算机中的数据信息的安全性和可靠性。计算机网络安全包括两部分的内容,第一部分是逻辑安全,所谓的逻辑安全是指保证计算机中存储的数据信息的完整性和安全性;第二部分是物理安全,所谓的物理安全是指要对计算机的硬件设施进行检查,保证计算机的硬件设施、系统处于安全运行状态,避免出现计算机硬件设施运行异常的情况。但需要注意的是计算机网络安全不仅仅包括上述这些内容,随着网络技术的不断发展,计算机网络安全还应包括网络信息共享的安全性。通过上述的分析不难发现,计算机网络安全具有下述几个特征。第一,计算机网络安全具有一定的保密性,计算机网络中传输的数据信息有很大一部分是需要保密的,因此为了保证网络传输信息的安全,必须要加强计算机网络安全建设;第二,计算机网络安全具有一定的完整性,计算机中无论是存储的数据还是传输的数据都应保证其完整性,这样才能满足相应的使用要求;第三,计算机网络安全应具有一定的可控性,计算机网络安全性应是处于可以控制的范围内,如果不能满足这一要求,则会影响计算机网络的使用效果。近年来,随着科学技术的不断发展,计算机网络安全面临的挑战愈加严峻,在这种情况下,必须要加强对计算机网络安全的重视。计算机网络安全评价是实现网络安全保护的重要环节之一,只有对网络中存在的安全隐患进行有效的评估和检测,才能有针对性地制定解决方案,从而实现网络的安全稳定运行。随着评价方式的不断丰富和评价标准的不断完善,逐渐形成了一个完整的网络安全评价体系。网络安全评价体系的建立需要遵循一些基本的原则。首先是准确性原则,建立计算机网络安全评价体系的根本目的就是要有效识别网络中的安全隐患,确保网络环境的安全可靠,评价的准确性直接影响了网络安全维护的质量。其次是独立性,要对网络安全进行评价必须要有一定的安全标准,这就需要设置一系列的评价指标,各个指标之间都应当是相互独立的,不应当在内容上产生重叠,防止指标之间的相互影响。第三是简洁性原则,在确保评价准确的基础上,要使评价的过程尽量的简化,这样才能提高评价的效率。第四是完善性原则,完善性就是要求指标应当包含对网络安全性各个方面的评价,能够从整体上反映出整个系统的运行状态。最后是可行性原则,在选择评价指标时应当考虑到指标能否在实际中进行操作和执行,因此,指标的设定应当尽量与实际操作结合起来。
3网络安全体系的设定
根据网络安全的状况可以将计算机的网络安全分为四个等级,分别是安全、有风险、有危险、非常危险。不同的安全等级可以采用不同的颜色进行标注。例如十分危险可以用红色进行标注,表明网络中存在极大的漏洞,需要立即进行处理。有危险可以用橙色进行标注,说明网络中存在安全隐患,需要对网络进行检查,并进行一定的杀毒处理。有风险可以用黄色进行标注,说明网络的运行的过程中出现了风险项,需要对网络进行一定的检测和调试,及时排除网络中的风险项。安全可以用绿色来表示,说明网络安全状况良好,可以进行放心的使用。用颜色来表示不同的安全状态是一种十分直观的表示方式,能够方便用户在最短的时间内确认网络的运行状况。
4各评价指标的取值及标准化问题
计算机网络安全评价由于各个指标所评价的因素不同,因此在指标的取值和标准上也有所不同。评价的方式主要有两种,分别是定性评价和定量评价。这两种评价方式的侧重点有所不同,因此将两项评价指标结合起来能够更全面反映网络的安全状况。定量指标在进行取值时应当根据实际情况进行选取,不能对所有的定量指标采取一样的评价指标。在进行标准化处理时则要将取值的范围限定在0-1之间。对定性标准而言,采用专家打分的方式是较好的取值方式,不同的系统也要根据实际情况进行不同的等级评价。定性指标也应当进行一定的标准化处理。
5借助神经网络建立计算机网络安全评价的必要性
与传统的算法相比,神经网络算法有着明显的优势,例如,有较强的学习能力,能够进行自我调解,精确度较高等。
5.1较强的适应性神经网络具有良好的环境适应能力,当其处于输入或输出的状态时,可以进行自我调节从而提高计算的精度,并对计算的过程进行反馈。
5.2容错性神经网络与传统算法相比,最大的优势在于它对噪音和不完善的信息具有较高的敏感度,这是由于神经网络的每一个节点对应着网络中的一个特征,当某一个节点中输入的信息出现问题时,神经网络能够立即作出反应。
5.3可在线应用神经网络运行的核心环节在训练过程,因此在这一个阶段会耗费较长的时间。一旦神经网络完成这一个阶段的工作后,就能快速的获得计算结果,从而提高了安全评价的效率,能够在在线系统的应用中获得良好的效果。
6计算机网络安全评价模型的设计
6.1输入层输入层的神经元节点数量应当根据计算机网络安全评价指标的数量来确定。例如,当计算机安全评价模型中含有20个指标时,输入层的神经元指标也必须为20个。
6.2隐含层绝大多数神经网络的隐含层属于单向隐含层。隐含层节点的数量直接决定着神经网络的性能。当隐含层的数量过多时会导致神经网络的结构过于复杂,信息传输的速率较低。当隐含层的节点数量较少时,神经网络的容错能力会减弱。因此,隐含层节点的数量必须进行合理地选择。根据实际操作的经验,通常隐含层的节点数量为5个时能够起到较好的评价作用。
6.3输出层输出层的节点数量通常为2个,可以通过不同的组合方式来表示不同等级的网络安全状态。例如,(1,1)表示安全,(1,0)表示存在风险,(0,1)表示存在危险,(0,0)表示非常危险。
7计算机网络评价的具体步骤
计算机网络评价的具体过程分为两个步骤:首先是构建计算机网络安全评价体系,其次是使用粒子群优化的方法对BP神经系统进行优化,改善BP神经网络自身的缺陷,提高其性能。BP神经网络的优化方法有以下几点:对BP神经网络的目标量、函数等进行初始化;对粒子的初始速度、初始位置、动量参数等进行设置和调整;通过粒子群的集中来完善BP神经网络的功能,对网络的适应度作出评价;对每个神经元进行历史适应度与当前适应度的对比,若当前的适应度是历史最高时,就应当及时保存,并将此作为评价的标准;计算每个粒子的惯性;当粒子的位置和运动速率产生变化时,记录粒子群之间的适应度误差,并做好相应的记录;对系统适应度的误差进行统计。
8计算机网络安全评价的原理
计算机的安全评价原理是依据相关的评价标准,先确定评价的范围和内容,再根据网络的实际运行状况和安全状态,对网络中可能出现安全隐患的区域进行预测,并采取制定的标准进行评价,最终得到网络安全等级。在这一过程中,合理地选择计算机网络的评价因素、建立正确的评价模型是关键的环节。计算机网络是一个非线性的结构,安全漏洞的出现具有突发性和多变性。而神经网络具有非线性的评价功能,用它来进行计算机网络的安全等级评价是一种科学性较高的评价模式,能够有效地提高评价的精度。
8.1计算机网络安全评价指标体选择计算机是一个十分复杂的体系,影响其安全等级的因素有很多,要确保安全评价的准确性就要建立起一个完善、合理的评价体系。计算机网络安全评价指标的选择应当从管理安全、物理安全、逻辑安全等几个方面进行考虑,并采用专家系统对安全评价标准的选择进行调整和确定,确定各个指标在最终的评价体系中所占的比重。
8.2计算机网络安全指标的归一化处理由于各个指标之间的评价方式有所不同,因此不同的指标之间是无法进行直接的比较的。为了便于进行指标之间的比较,并加快神经网络的收敛速率,需要对指标进行归一化处理。定性指标可以通过专家打分的方式进行归一处理,定量指标则需要经过一定的公式计算进行归一化处理。
8.3BP神经网络算法BP神经网络是当前最常用的一种神经网络模型。它采用的是梯度下降的算法,可以对误差进行反向计算,从而对网络的阈值进行不断的调整,减少计算的误差。BP神经网络具有强大的非线性逼近能力,计算方法较为简单,但是也有一定的缺陷,例如容易陷入局部极值,从而防止了有效的收敛,此外,BP神经网络还有全局能力不强的缺点,由于BP神经网络采用的是反向传播的下降算法,所以收敛速度极慢。
9神经网络系统在计算机网络安全中的应用
计算机网络具有传递数据、分享信息的功能,当前已经在众多领域进行了应用,包括商务、贸易、信息管理等。而网络黑客则利用了计算机网络的安全漏洞,对系统进行攻击和入侵,并窃取了客户重要的个人信息和商业信息,给用户造成了极大的经济损失,并对整个社会造成恶劣影响。神经网络系统在计算机信息传递的过程中起到了过滤非法信息的作用。在网络世界中,信息的传递是双向的,而在神经网络的模式下,信息的输入和输出都要经过神经网络的过滤作用。神经网络的三个组成部分,输入层、输出层、隐含层都对信息有过滤的作用,经过三层的过滤作用,信息的安全性有了更好的保障。在这三层中,隐含层起到了关键性的作用。输入的信息都要先经过隐含层,在经过隐含层的处理后,再通过输出层传出。在信息传输的过程中,若发现信息存在异常,可以输送回上一层进行信息的重新核对,信息重新进行上述的处理过程,直到确认信息无误后才会输出。神经网络系统的应用极大地提高了网络的安全性,从而为人们提供了一个良好的网络环境。尽管神经网络系统有上述的这些优点,但也存在一定的缺陷。虽然神经网络的灵活性和适应性较强,但对缺失信息的反应不如传统算法灵敏。在神经网络中,一个节点只能反映一个网络问题,一旦一个节点发生问题后,整个神经网络都会作出相应的反应。神经网络具有较好的延展性,可以容纳多种类型的样本数据。神经网络还具有较好的学习适应能力,可以归纳总结运行过程中的运算规律,自动调节信息输入输出的形式,从而减少数据的误差。神经网络还能在有线网络中进行应用,因此可以进行大范围的推广。大量的节点共同组成了神经网络,相邻的节点之间都是相互连接的,从而确保了信息传递的效率。神经系统能够自动的调节节点之间的关联,具有一定的智能化操作功能,还可以对问题进行简单的分析。神经系统的结构较为复杂,在处理信息的过程中可以产生多种不同的组合类型,并从这些组合中优选出最佳的组合方式。但这种结构也会导致在信息处理的过程中一些细小的问题容易被忽视,在一定程度上影响信息处理的精度。一些复杂的数据采用神经网络的处理方法速率会十分的缓慢。在输入信息不断增加的过程中,计算机内部的存储压力会显著上升,进一步影响信息的处理速度。神经网络与人工智能的功能还是存在一定的差距的,在性能和结构上还有进一步完善的空间。
10结束语
神经网络是将生物学与数学进行结合的典范,将两个学科的优势充分的利用起来。神经网络在计算机网络安全评价中能够起到良好的效果,可以在未来进行进一步的推广应用。
参考文献:
[1]李忠武,陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术,2014(9):11-13.
[2]郑刚.计算机网络安全评价中神经网络的应用研究[J].网络安全技术与应用,2014(7):33-36.
【关键词】沸点;饱和烃;模式识别;神经网络
引言
量子力学计算是了解性质与结构关系本质的最好方法,但由于条件限制要精确解方程组很困难,因此,我们应用经典的价键理论处理该问题,以了解分子中键的性质、原子间的结合顺序、分支的多少及分子的形状等拓扑信息,进而推出分子的一些物理性质。
1模式识别与神经网络
1.1统计模式识别的方法
统计模式识别包括:样本输入、样本统计、窗函数训练、监控与测试、识别及识别方法性能评价6部分。
1.2神经网络的结构和模型
神经网络的结构是由基本处理单元及其互连方法决定的,一个人工神经网络的神经元模型和结构描述了一个网络如何令它的输入矢量转化为输出矢量的过程。其实质即体现网络输入及其输出间的函数关系。即通过选取不同的模型结构和激活函数,可形成各种不同的人工神经网络,以及输入和输出关系,进而达到不同的目的或完成不同任务。
1.2.1人工神经元的模型
连接机制结构的基本处理单元与神经生理学类比往往称为神经元。每个构造起网络的神经元模型模拟一个生物神经元。
该神经元有多个输入,i=1,2,..n和一个输出Y组成。中间状态由输入
信号权的加和表示,而输出为:式(1)中θj为神经网络的偏置,Wji为连接权系数,n为输入信号数目,yj为神经元输出,t为时间,f()为输出变换函数,也叫做激发或激励函数。
1.2.2激活函数
激活函数是一个神经元及网络的核,网络解决问题的能力与功效除了和网络结构有关,很大程度上取决于网络所采用的激活函数。激活函数往往采用0和I二值函数或S形函数,它们都是连续和非线性的。
1.2.3人工神经网络的基本类型
1.2.3.1人工神经网络的基本特性
人工神经网络由神经元构成;这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单-输出,能够与其它神经元连接;具有诸多输出连接方法,每种连接方法对应一个连接权系数。严格地说,该网络每个节点存在一个状态变量、阈值并定义一个变换函数,且从节点j至节点i存在一个连接权系亥摧教。
1.2.3.2人工神经网络的基本结构
递归网络中,多个神经元互连而成一个互连神经网络。有些神经元的输出被反馈至同层或前层神经元。因此,信号能够从正向和反向流通。前馈网络具有递阶分层结构,由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通;神经元从一层连接至下一层。
3神经网络计算饱和烃的沸点
采用三层拓扑结构为3-4-1的反向传播模型来建立预报导饱和烃沸点的人工神经网络。输入层以影响饱和烃沸点的3个参数为输入矢量,包括分子连接性指数,分子连接性指数,C原子数。训练时可根据计算误差自动地调整权重,待达到要求时即可固定权重值和偏置。
4实验
4.1实验步骤
拉制内径为1~1.2mm、一端封口、另一端有平整开口的毛细管做内管将待测液体式样装入微量沸点管的外管中,将一端封口的毛细管作为内管,开口朝下插入外管中,将外管固定在温度计上,试样部分位于温度计水银球中部。
将装好试样的沸点管用橡皮圈固定在温度计上,试样段靠在温度计水银球中部。将带有沸点管的温度计用一端有侧沟槽的单孔塞固定在盛有浴液的Thiele管内,温度计水银球位于上下侧管口中部。
以酒精灯加热Thiele管的倾斜部分,使浴液因温度差而形成对流从而使管中液体受热把带有沸点管的温度计放入熔点测定管内。加热熔点测定管,使温度均匀升高,见内管中有大量气泡冒出,则停止加热。当最后一个气泡缩回管内时,读取温度即为饱和烃沸点。
4.2结果
通过实验测出19种饱和烃的沸点,经公式计算及实验测定得到的2组数据比较得出,神经网络模型所优化的数据的相对误差极小,精确到10-4,所做的图形和试验数据也是拟合的极好。
5结论
神经网络模式识别的方法建立数据模型对饱和烃的沸点进行计算有着非常好的准确度,充分地利用了给出的参数。该模型在大大提高了计算精确度的同时并且具有很好的预测能力,而且其对于提高物质性质计算的效率和准确率有着重要的参考价值。
参考文献:
[1]杜红,刘强国.统计模式识别方法在录井油气评价中的应用[J].长江大学学报:理工卷,2006(3).
关键词:模拟电路;故障诊断;模糊数学;BP网络;模糊BP网络
0引言
电路故障是指在规定的条件下,电路工作时它的一个或几个性能参数不能保持在要求的上、下限之间,其结构、组件、元器件等出现性能减退、老化、破损、断裂、击穿等现象,丧失了在规定条件和环境下完成所需功能的能力。
长期以来,学界对模拟电路工作特点的研究已相当深入,但对于故障诊断方法的研究却困难较大,这是由于模拟电路本身的特性决定的:1)输入激励和输出响应都是连续量,模拟电路中的故障模型复杂,量化难度大;2)模拟电路信号量程宽,不管电压、电流的量程还是频率都可达十几个数量级,测量难度大;3)模拟电路中的元器件参数具有容差,导致电路的故障状态的模糊性,而无法准确定位;4)模拟电路中存在广泛的反馈回路和非线性问题,使计算的难度更加复杂。因此,学界提出了许多模型和方法来完成对某些符合特定条件的模拟电路的故障诊断。其中神经网络法的使用就相当普遍,在硬和软故障诊断中都有应用,因为神经网络的技术优势针对模拟电路故障诊断有较好的适用性,这主要体现在:1)神经网络的大规模并行处理特点,大大提高了诊断效率;2)自适应与自组织能力使神经网络在学习和训练中改变权重值,发展出新的功能。同时,模糊数学也与神经网络相结合,这是利用了模糊数学对待诊断模拟元器件的故障不确定性进行量化处理,能够有效克服模拟电路元器件因为容差、非线性及噪声造成的电路参数模糊性。
本文的研究目的就是分别利用单纯BP神经网络和模糊BP神经网络的方法建立模拟电路故障诊断模型,利用电路仿真收集电路不同工作状态下的关键点电压,代入诊断模型并得到诊断结果。根据各网络的结果分析比较各诊断模型的优缺点,找出模糊数学对改进模拟电路故障诊断模型的具体表现。
1模糊神经网络的故障诊断模型
1.1典型模糊神经网络诊断模型介绍
图1显示的是一个典型的模糊神经网络模型,该模型由原始知识获取(FundamentalKnowledgeAcquire,FKA)、特征参数处理(CharacteristicParameterProduce,CDP)、知识提取(KnowledgeExtracted,KE)、经验知识库(ExperienceKnowledgeBase,EKB)、学习样本集(LearningSampleSet,LSS)和模糊神经网络(FuzzyNeuralNetworks,FNN)共6个模块共同组成,其工作流程是:
图1典型模糊神经网络诊断模型
1)原始知识获取模块通过对电路工作原理进行分析,模拟或仿真各类故障发生时输入和输出参数,从而获取原始知识(X,Y),将其传入知识提取模块中供系统学习,所得经验集存入经验知识库中;
2)将原始知识和已经存放在经验知识库中的经验知识(初始库可为空)一起输入学习样本组织模块中,进行学习样本的构建,合成训练样本集为(X1,Y1);
3)将(X1,Y1)输入到模糊神经网络模块,学习训练,并在达到指定精度后停止;
4)将从模拟电路中获得的实测参数Xc输入至特征参数提取模块中,完成数据分析和处理,输出特征参数数据Xc‘;
5)将特征参数数据输入到学习收敛后的模糊神经网络中,进行诊断推理,得出诊断结果Yc‘;
6)将得到的实测数据集(Xc‘,Yc‘)输入学习样本组织模块,动态增强模糊神经网络的自适应能力;
7)将得到的实测数据集(Xc‘,Yc‘)输入知识提取模块,进行分析和处理,如能提取出经验知识,则归入经验知识库中[1]。
1.2模糊神经网络结构
模糊神经网络的结构应该包括4层,如图2所示。
模糊层的作用是将输入量进行模糊化。每一个模糊层节点对应一个该论域中的模糊子集和隶属函数。该层接收精确数值输入,经过模糊化计算得出对应的隶属度并输出。
图2模糊神经网络结构图
输入层、隐含层和输出层共同构成一个完整的神经网络。输入层不具有运算功能,它只是将所感知的输入值精确传递到神经网络中;隐含层的作用相当于特征检测器,提取输入模式中包含的有效特征信息,使输出层所处理的模式是线性可分的,该层节点是模糊神经元,与输入层间的连接权值是随机设定的固定值;输出层节点也是模糊神经元,与隐含层之间采用全连接方式,其连接权值是可调的,作用是输出用模糊量表示的结果。
1.3输入层、输出层和隐含层节点数确定
输入层的个数代表了电路故障诊断的关键测试点的个数N1,输出点为电路所具有的潜在故障模式种类数N3。
根据输入层和输出层的个数,隐含层节点数N2的确定有以下4种经验公式:
(1)
(为0~10之间的常数)(2)
(为0~10之间的常数)(3)
(4)
2模糊数学和神经网络的算法介绍
2.1模糊数学和隶属度函数
模糊数学的作用是对测试点测得的电压信号进行特征提取——模糊化处理。因为在模拟电路测试中,参数值会随着故障原因的不同和故障阶段不同而发生变化,所以在进行数据处理时常用方法是使用精确事实规则。即用正态分布函数作为隶属度函数表示“大约为a”的模糊概念,此外还有如三角分布和梯形分布等。在使用中,正态分布使用较多,其中的a是该测试点的理想状态工作点,b为该测试点在各种可能状态下的工作电压均方差。
2.2BP神经网络与算法
图3BP神经网络模型结构图
反向传播网络(Back-PropagationNetwork,简称BP网络),是一种有隐含层的多层前馈网络。每一层均有一个或多个神经元节点,信息从输入层依次经各隐含层向输出层传递,层间的连接关系强弱由连接权值W来表征。BP算法是一种监督的学习,基本原理是梯度最速下降法,中心思想是调整权值使网络总误差最小。通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差值的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络的误差的影响成正比,并以反向传播的方式传递到每一层。BP网络模型结构如图3所示。转贴于
以BP神经网络模型结构图为例进行BP算法推导,其输入为P,输入神经元有r个,隐含层内有s1个神经元,激活函数为F1,输入层内有s2个神经元,对应的激活函数为F2,输出为A,目标矢量为T。
1)隐含层输出:(i=1,2,…,s1)(5)
2)输出层输出:(k=1,2,…,s2)(6)
3)定义误差函数:(7)
4)输入层的权值变化量:(8)
其中:
同理可得:(9)
5)隐含层权值变化有:(10)
其中:
同理:(11)
BP网络经常使用的是S型的对数、正切激活函数或线性函数。
3电路故障诊断算法验证
图4共集-共射电路的直流通路图
例:如图4所示的直流通路图,电阻的标称值如图中所注。利用Multism软件在直流状态下进行多次MonteCarlo分析仿真该电路,并考虑电阻的容差影响,取40个样本作为模糊神经网络的训练样本,另取5个样本为测试样本。设电阻R1~R5的容差值为-5%~5%。测试点选为A、B、C、D和E五点,所测电压值为VA、VB、VC、VD和VE。
表1部分电路实验样本原始数据
表2测试样本原始数据
表1列举了40组电路实验样本原始数据的11组,包含了该电路在11种工作状态下的五个关键点电压值,所以N1=5,N2=11,隐含层的节点数可以依据公式2.3确定为12个,其中a为5。
表2则列举了5组测试样本的原始数据。
步骤一:数据模糊化
根据用正态分布函数作为隶属度函数表示“大约为a”模糊概念的思路,可以分别得到各测试点上电压隶属度函数的参数值。
a1=5.57、a2=4.97、a3=4.9、a4=5.7和a5=5.69以及b1=4.3729、b2=4.4817、b3=3.9091、b4=4.2870和b5=3.7944。
由各测试点的隶属度函数可得到网络的训练样本见表3。
表3神经网络部分输入、输出训练样本
步骤二:将训练样本输入神经网络进行训练
将全部40个原始值和模糊化值的输入样本和对应的输出样本分别输入BP神经网络中进行训练。
步骤三:将测试样本输入神经网络进行检测
将全部5个原始值和模糊化值的输入样本和对应的输出样本分别输入已经训练好的BP神经网络中,输出诊断结果见表4。
表4输出诊断结果
表4中的数据是经过故障诊断后得到的结果,在此只是各随机选用了一组数据加以比较说明。通过对故障诊断的试验观察和结果的比较可以作出以下分析。
1)模糊化数据能够有效减少神经网络的收敛次数。如在BP网络诊断中,使用模糊化数据的迭代次数由886减少到263次,收敛速度明显加快;
2)模糊化数据能够有效提高神经网络训练的效果。通过表4中数据的对比可以发现对于相同的神经网络,经过模糊化数据的训练,其准确性更高。这主要表现在电路所对应的状态结果普遍高于未经模糊化数据训练的网络得出的结果;同时,其他状态对应的机率更低,皆低于0.1,且更多值为0,说明数据模糊化能使神经网络的诊断结果更集中,正确率更高,有效性更加明显。
4结论
通过分别采用BP网络和模糊BP网络建立了电路故障诊断模型,对电路相同工作状态参数的诊断结果进行比较,得出了模糊数学对提高电路故障诊断模型精度和有效性效果明显的结论。模糊数学和神经网路理论的组合有效地提高了模拟电路故障诊断模型的收敛速度,提高了故障诊断的工作效率,还提高了诊断的准确性,有效性得到了充分显示。
参考文献
[1]吕律,魏蛟龙.基于模糊神经网络的板级电路故障诊断研究[J].计算机与数字工程,2003(3):21-23.
李国勇.智能预测控制及其MATLAB实现[M].北京:电子工业出版社,2010.
MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社,2010.
朱大奇.电子设备故障诊断原理与实践[M].北京:电子工业出版社,2004.