引言：易發(fā)表網(wǎng)憑借豐富的文秘實(shí)踐，為您精心挑選了九篇網(wǎng)絡(luò)行為審計(jì)范例。如需獲取更多原創(chuàng)內(nèi)容，可隨時(shí)聯(lián)系我們的客服老師。

第1篇

【關(guān)鍵詞】 神經(jīng)網(wǎng)絡(luò)； 財(cái)務(wù)危機(jī)； 預(yù)警模型

一、企業(yè)財(cái)務(wù)危機(jī)預(yù)警的現(xiàn)實(shí)意義

財(cái)務(wù)危機(jī)是由于種種原因?qū)е碌钠髽I(yè)財(cái)務(wù)狀況持續(xù)惡化，財(cái)務(wù)風(fēng)險(xiǎn)加劇，出現(xiàn)不能清償債務(wù)的信用危機(jī)，直至最終破產(chǎn)的一系列事件的總稱。財(cái)務(wù)危機(jī)將危害到企業(yè)正常的生產(chǎn)經(jīng)營，制約企業(yè)的發(fā)展后勁，打亂企業(yè)正常的生產(chǎn)經(jīng)營秩序，挫傷職工的生產(chǎn)積極性等。而有效的企業(yè)預(yù)警機(jī)制能夠起到提高企業(yè)危機(jī)管理意識，提高企業(yè)適應(yīng)能力和競爭能力等作用，對企業(yè)進(jìn)行有效的監(jiān)督和預(yù)警也直接關(guān)系到企業(yè)相關(guān)利益人決策、市場競爭機(jī)制的客觀要求、財(cái)務(wù)監(jiān)督、財(cái)務(wù)預(yù)測等方面。所以，對我國企業(yè)財(cái)務(wù)危機(jī)進(jìn)行有效的預(yù)警就變得迫切和必要。

二、財(cái)務(wù)危機(jī)預(yù)警模型指標(biāo)體系的選擇

任何一種經(jīng)濟(jì)現(xiàn)象都具有多方面的特征，財(cái)務(wù)指標(biāo)體系就是對經(jīng)濟(jì)現(xiàn)象特征的整體描述。在以往的研究成果和我國的企業(yè)評價(jià)指標(biāo)體系的基礎(chǔ)上，結(jié)合我國企業(yè)的具體特征，充分考慮各個(gè)指標(biāo)的實(shí)際應(yīng)用效果和獲取指標(biāo)的難易程度，可選擇下列指標(biāo)來建立適合我國企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型的指標(biāo)體系：資產(chǎn)負(fù)債率；流動(dòng)比率；凈資產(chǎn)收益率；總資產(chǎn)周轉(zhuǎn)率；主營業(yè)務(wù)收入增長率和每股經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金流量凈額。這些指標(biāo)兼顧到了償債能力、盈利能力、資產(chǎn)營運(yùn)能力、增長能力以及現(xiàn)金流量狀況五個(gè)方面，同時(shí)鑒于針對的是企業(yè)的財(cái)務(wù)危機(jī)的預(yù)警指標(biāo)，所以在選擇構(gòu)成指標(biāo)時(shí)，也適當(dāng)側(cè)重了企業(yè)的償債能力和盈利能力指標(biāo)。

三、基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)模型的建立及預(yù)測結(jié)果分析

（一）BP神經(jīng)網(wǎng)絡(luò)原理與財(cái)務(wù)危機(jī)預(yù)警的可行性分析

BP神經(jīng)網(wǎng)絡(luò)是一種調(diào)整連接權(quán)值及結(jié)點(diǎn)閾值時(shí)采用的誤差逆?zhèn)鞑W(xué)習(xí)方法，是一種典型的誤差修正方法。其基本思想是：把網(wǎng)絡(luò)學(xué)習(xí)時(shí)輸出層出現(xiàn)的與“事實(shí)”不符的誤差，歸結(jié)為連接層中各單元間連接權(quán)值及閾值的“過錯(cuò)”，通過把輸出層單元的誤差逐層向輸入層逆向傳播以“分?jǐn)偂苯o各連接單元，并據(jù)此對各連接權(quán)進(jìn)行相應(yīng)的調(diào)整，使網(wǎng)絡(luò)適應(yīng)所要求的映射（圖1）。而財(cái)務(wù)危機(jī)預(yù)警的6項(xiàng)指標(biāo)與企業(yè)的財(cái)務(wù)狀況之間的關(guān)系是很難用普通的方法加以定量化的表述，而通過大量的樣本表現(xiàn)出的數(shù)學(xué)統(tǒng)計(jì)學(xué)特征的準(zhǔn)確表達(dá)正是神經(jīng)網(wǎng)絡(luò)的優(yōu)勢所在，為此，我們認(rèn)為神經(jīng)網(wǎng)絡(luò)是可行的。

（二）財(cái)務(wù)危機(jī)預(yù)警模型樣本的選擇

考慮到我國近幾年在經(jīng)濟(jì)、法律、會(huì)計(jì)方面進(jìn)行了較大的政策調(diào)整，因此在選擇樣本的過程中我們選取了信息較為連續(xù)可比、取得較為容易的上市公司中制造業(yè)行業(yè)的6個(gè)子行業(yè)2000―2002年之間的數(shù)據(jù)，選擇了行業(yè)中25家ST公司和25家非ST公司作為訓(xùn)練樣本，ST公司樣本數(shù)據(jù)為其被ST的前一年的數(shù)據(jù)資料，隨機(jī)選擇的非ST公司的樣本數(shù)據(jù)為與ST公司同期的數(shù)據(jù)。我們還選擇了2003年同行業(yè)的38家ST公司和隨機(jī)選擇的同期非ST公司作為檢驗(yàn)樣本，用模型的預(yù)測結(jié)果與已知的實(shí)際結(jié)果進(jìn)行對照，以檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性。選擇這一期間的樣本數(shù)據(jù)是因?yàn)檫@些樣本數(shù)據(jù)的時(shí)間跨度不大，在這幾年中，國家的會(huì)計(jì)制度、稅收政策和退市制度也沒有太明顯的變化，整個(gè)國民經(jīng)濟(jì)的發(fā)展比較穩(wěn)定，無明顯的經(jīng)濟(jì)周期影響。

（三）網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)的選取

1.網(wǎng)絡(luò)結(jié)構(gòu)的確定

輸入節(jié)點(diǎn)數(shù)由控制的目標(biāo)確定，控制目標(biāo)為6個(gè)，因此輸入節(jié)點(diǎn)數(shù)為6個(gè)；輸出節(jié)點(diǎn)數(shù)由風(fēng)險(xiǎn)因素確定，輸出節(jié)點(diǎn)為2個(gè)。一個(gè)S型隱含層加上一個(gè)線性輸出層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)，增加隱層數(shù)主要可以更進(jìn)一步降低誤差，提高訓(xùn)練的精度，本系統(tǒng)中只設(shè)一個(gè)隱含層，主要通過調(diào)節(jié)隱層節(jié)點(diǎn)數(shù)、動(dòng)量項(xiàng)、學(xué)習(xí)率提高網(wǎng)絡(luò)的訓(xùn)練精度。

2.各參數(shù)選取

把經(jīng)過處理后88組樣本數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)，前50組作為訓(xùn)練樣本，后38組作為預(yù)測樣本，網(wǎng)絡(luò)的預(yù)期誤差0.001。利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)對學(xué)習(xí)數(shù)據(jù)反復(fù)訓(xùn)練，得到實(shí)驗(yàn)結(jié)果最好的一次，各參數(shù)如下：

動(dòng)量項(xiàng)?準(zhǔn)=0.3；學(xué)習(xí)率?濁=0.4；學(xué)習(xí)次數(shù)n=10000；隱層節(jié)點(diǎn)數(shù)p=6；網(wǎng)絡(luò)實(shí)際誤差?孜=0.0024

（四）財(cái)務(wù)危機(jī)預(yù)警預(yù)測結(jié)果分析

利用前述訓(xùn)練結(jié)果，對38個(gè)檢驗(yàn)樣本進(jìn)行預(yù)測，預(yù)測的結(jié)果（表3）根據(jù)下列標(biāo)準(zhǔn)進(jìn)行判斷，如果預(yù)測結(jié)果逼近于1，則判斷為非財(cái)務(wù)危機(jī)公司，如果預(yù)測結(jié)果偏離1就可判斷有財(cái)務(wù)危機(jī)的可能性，可以發(fā)出財(cái)務(wù)危機(jī)預(yù)警。

通過預(yù)測結(jié)果與實(shí)際結(jié)果的比較，可以得出以下驗(yàn)證結(jié)果：

1.對于非ST公司，預(yù)測的準(zhǔn)確率為94.74%；

2.對于ST公司，預(yù)測的準(zhǔn)確率為84.21%；

3.綜合預(yù)測準(zhǔn)確率為89.47%。

四、該財(cái)務(wù)危機(jī)預(yù)警模型的局限性分析

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警模型的研究，從模型的訓(xùn)練和預(yù)測結(jié)果可以看出，還是具有一定的可行性和有效性。但也存在一些問題：

（一）忽視了企業(yè)規(guī)模對企業(yè)財(cái)務(wù)狀況的影響

本次研究中所選擇的ST樣本是所屬行業(yè)的全部樣本量，而配對樣本則是隨機(jī)抽取的，在選擇的過程中，沒有重點(diǎn)關(guān)注企業(yè)規(guī)模對財(cái)務(wù)危機(jī)指標(biāo)標(biāo)準(zhǔn)的不同要求。

（二）非ST樣本公司的代表性

所選取的ST企業(yè)被界定為財(cái)務(wù)危機(jī)公司還不容易引起爭議，但對非ST公司而言，每個(gè)公司仍然存在財(cái)務(wù)狀況非常好、較好或一般的差異，因此用不同的非ST公司和ST公司配對，就不能排除財(cái)務(wù)危機(jī)公司財(cái)務(wù)狀況之間的差異，這也直接影響了預(yù)測數(shù)據(jù)判別的準(zhǔn)確率。

（三）ST界定自身具有的不適應(yīng)性

根據(jù)我國對ST公司的劃分標(biāo)準(zhǔn)，可以看出其主要看中的還是公司的盈利能力和資本結(jié)構(gòu)比率，而財(cái)務(wù)危機(jī)是企業(yè)綜合財(cái)務(wù)狀況出現(xiàn)問題的集中表現(xiàn)，它受到多項(xiàng)能力和指標(biāo)的影響，兩者之間并不對等。

（四）神經(jīng)網(wǎng)絡(luò)理論自身的缺陷

神經(jīng)網(wǎng)絡(luò)自身擅長解決不精確和模糊的信息處理問題，在處理過程中，他會(huì)有自動(dòng)刪除樣本“噪聲”和自動(dòng)調(diào)整的功能，如果其修正數(shù)據(jù)的過程中出現(xiàn)偏差，或訓(xùn)練過程中參數(shù)確定的不準(zhǔn)確，也會(huì)直接影響預(yù)測的準(zhǔn)確性。

（五）樣本選擇的局限性

本次預(yù)測過程中受諸多因素的影響，所選擇的樣本不具有普遍的代表性，局限在了上市公司，連續(xù)數(shù)據(jù)的選擇也導(dǎo)致了數(shù)據(jù)的時(shí)效性較差，對當(dāng)前新經(jīng)濟(jì)形勢下的企業(yè)財(cái)務(wù)危機(jī)的參考作用有待觀察。

五、結(jié)論

財(cái)務(wù)危機(jī)預(yù)警模型通過神經(jīng)網(wǎng)絡(luò)原理，在目前是可以實(shí)現(xiàn)的，只要在模型建立的過程中，將不穩(wěn)定因素的影響降低到最低，就可以極大地提高預(yù)測的準(zhǔn)確率。另外，由于不同的行業(yè)有其不同的生產(chǎn)和財(cái)務(wù)特性，他們的數(shù)據(jù)表現(xiàn)的要求也不盡相同，因此對于差異較大的行業(yè)，應(yīng)適當(dāng)建立行業(yè)財(cái)務(wù)危機(jī)預(yù)警模型，以更好地提高預(yù)測的準(zhǔn)確程度。

當(dāng)然，企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型作為財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)的一個(gè)有機(jī)組成部分。它的作用必須借助于整個(gè)系統(tǒng)作用的發(fā)揮，也需要企業(yè)的高層管理者確實(shí)認(rèn)識到財(cái)務(wù)危機(jī)預(yù)警的必要性，才能真正實(shí)現(xiàn)對財(cái)務(wù)危機(jī)抑制和防范作用。

【參考文獻(xiàn)】

［1］ 盧雁影.財(cái)務(wù)分析［M］.湖北:武漢大學(xué)出版社，2002:296-303.

第2篇

關(guān)鍵詞：無拖曳衛(wèi)星；自適應(yīng)控制；RBF神經(jīng)網(wǎng)絡(luò)；反步法

中圖分類號：TP273文獻(xiàn)標(biāo)識碼：A

Design of Adaptive Neural Network Controllers for LEO Dragfree Satellite

LI Ji,FAN Huijin

(School of Automation, Huazhong University of Science and Technology, Wuhan,Hubei 430074, China)

Abstract:Lowdisturbance environment can be achieved by the LEO(LowEarth Orbit) dragfree satellite, which benefits the validation of relativity, detection of gravitational waves and measurement of gravity field. For dragfree control purpose, most researches proposed controllers with linearized model and ignoring the nonlinear characteristics, which lower the accuracy of controllers. In this paper, by taking into account of the nonlinear characteristics, an adaptive neural network controller is established based on Lyapunov methods and adaptive backstepping control theory. For nonlinear characteristics and unmodeled dynamics, RBF neural network is employed for approximation. At the same time, we introduce the update laws of adaptive neural network weights, which guarantee the stability of the closedloop system and satisfy requirements of the dragfree satellite control system. The simulation results indicate that the controller is effective and the accuracy of the dragfree satellite can be satisfied．

Key words:Dragfree satellite;adaptive control;RBF neural network;backstepping

1 引 言

低軌衛(wèi)星在太空飛行的過程中，承受著來自星際空間的各種擾動(dòng)［1］，例如，地球、太陽、月亮引力的影響，以及大氣阻力、太陽輻射和地面反射等非慣性力的影響。然而相對論的驗(yàn)證、引力波探測以及地球重力場的測量等都需要低干擾試驗(yàn)環(huán)境。為了消除非慣性力的影響，文獻(xiàn)［1］提出無拖曳(drag-free)技術(shù)，設(shè)計(jì)了無拖曳衛(wèi)星：用一個(gè)質(zhì)量塊置于衛(wèi)星本體內(nèi)部，質(zhì)量塊將不受大氣阻力等外部干擾力的影響，因?yàn)橘|(zhì)量塊不與衛(wèi)星本體接觸，所以幾乎處于自由漂移狀態(tài)，成為理想的寧靜參考源。衛(wèi)星本體保持與質(zhì)量塊之間相互隔離的狀態(tài)，在適當(dāng)傳感器和控制算法條件下，從而保證衛(wèi)星本體實(shí)現(xiàn)較高的寧靜性［1］。

無拖曳衛(wèi)星控制器不但可以使衛(wèi)星保持穩(wěn)定，而且良好的控制效果有助于航天任務(wù)的完成以及降低對硬件的要求，所以無拖曳衛(wèi)星控制器設(shè)計(jì)一直是無拖曳衛(wèi)星研究的重點(diǎn)。Stephan Theil［2-3］等人考慮了無拖曳衛(wèi)星控制系統(tǒng)的不確定性，利用分散控制策略設(shè)計(jì)了系統(tǒng)的魯棒控制器。E.Canuto［4-5］等人針對GOCE衛(wèi)星，建立離散時(shí)間狀態(tài)方程，利用嵌入式模型控制策略設(shè)計(jì)了可調(diào)控制器。文獻(xiàn)［6］基于干擾觀測模型，設(shè)計(jì)了混合H2/H

SymboleB@

最優(yōu)控制器，并以LMI形式給出了求解控制器的條件并證明了控制器的穩(wěn)定性。文獻(xiàn)［7］針對衛(wèi)星本體與質(zhì)量塊相對軌道動(dòng)力學(xué)模型，采用卡爾曼濾波方法對狀態(tài)和干擾進(jìn)行了估計(jì)，并基于狀態(tài)估計(jì)設(shè)計(jì)了最優(yōu)控制器，有效地抑制了干擾對系統(tǒng)的影響。文獻(xiàn)［8］基于H2優(yōu)化理論設(shè)計(jì)了最優(yōu)控制器，通過傳遞函數(shù)法及數(shù)值法雙重分析表明所設(shè)計(jì)的控制器符合控制要求。

在這些已有的控制器設(shè)計(jì)中，大多未考慮系統(tǒng)的非線性環(huán)節(jié)或采用線性化方法，將系統(tǒng)簡化為線性模型，從而降低了控制器的精度。由于無拖曳衛(wèi)星控制系統(tǒng)本質(zhì)上是一個(gè)復(fù)雜的非線性系統(tǒng)，本文將直接針對非線性模型，考慮到系統(tǒng)的非線性特征及未建模動(dòng)態(tài)，利用神經(jīng)網(wǎng)絡(luò)對函數(shù)的有效逼近能力，對系統(tǒng)模型中的非線性部分進(jìn)行擬合。首先，本文將無拖曳衛(wèi)星控制系統(tǒng)根據(jù)控制目標(biāo)劃分為三個(gè)子系統(tǒng)：衛(wèi)星本體與質(zhì)量塊相對位移子系統(tǒng)，即drag-free子系統(tǒng)；衛(wèi)星本體姿態(tài)子系統(tǒng)；以及衛(wèi)星本體與質(zhì)量塊相對姿態(tài)子系統(tǒng)。接著，針對每個(gè)二階子系統(tǒng)，利用徑向基函數(shù)(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)對系統(tǒng)的非線性部分進(jìn)行擬合，通過對基函數(shù)中心和方差進(jìn)行學(xué)習(xí)，并采用自適應(yīng)反步控制方法，設(shè)計(jì)相應(yīng)控制器，建立神經(jīng)網(wǎng)絡(luò)權(quán)值自適應(yīng)律以及分散自適應(yīng)控制律。仿真結(jié)果驗(yàn)證了所設(shè)計(jì)的控制器的有效性。

計(jì)算技術(shù)與自動(dòng)化2014年6月

第33卷第2期李 季等：低軌無拖曳衛(wèi)星的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

本文下面內(nèi)容安排如下：第2節(jié)問題描述，建立無拖曳衛(wèi)星的動(dòng)力學(xué)模型；第3節(jié)針對drag-free控制回路、衛(wèi)星本體姿態(tài)控制回路以及衛(wèi)星本體與質(zhì)量塊相對姿態(tài)控制回路，分別設(shè)計(jì)控制器，同時(shí)給出了穩(wěn)定性分析；第4節(jié)通過仿真證明所設(shè)計(jì)的控制器的有效性；第5節(jié)給出結(jié)論與進(jìn)一步的工作。

2 問題描述

本文所考慮的低軌無拖曳衛(wèi)星結(jié)構(gòu)設(shè)計(jì)如下：無拖曳衛(wèi)星只包含一個(gè)質(zhì)量塊，且形狀為立方體，衛(wèi)星內(nèi)腔壁上的位置敏感器能夠測量衛(wèi)星本體和質(zhì)量塊的相對位置。這里采用靜電位置懸浮及測量系統(tǒng)EPS(Electrostatic Positioning/Measurement System) 來測量質(zhì)量塊相對移動(dòng)并對其施加靜電力和力矩，根據(jù)EPS的測量結(jié)果，命令推進(jìn)器輸出相應(yīng)的推力，使衛(wèi)星本體跟蹤質(zhì)量塊。推進(jìn)器可以選擇場發(fā)射推進(jìn)器和微膠體推進(jìn)器，它們具有極低的噪聲干擾，而且可以實(shí)現(xiàn)極小的推力，非常適合無拖曳控制。但在近地環(huán)境中，大氣阻力有時(shí)比較大，尤其在衛(wèi)星的迎風(fēng)面，此時(shí)需要采用推力較大的推進(jìn)器，如離子推進(jìn)器。所以在近地環(huán)境中，無拖曳控制往往采用了多種推進(jìn)器組合的方式［1,8］。本文將無拖曳衛(wèi)星控制系統(tǒng)根據(jù)控制目標(biāo)劃分為三個(gè)控制回路：衛(wèi)星本體與質(zhì)量塊相對位移控制回路，即dragfree控制回路，衛(wèi)星本體姿態(tài)控制回路以及衛(wèi)星本體與質(zhì)量塊相對姿態(tài)控制回路，相關(guān)動(dòng)力學(xué)方程如下［9］：

衛(wèi)星本體與質(zhì)量塊相對位移動(dòng)力學(xué)方程：

rel=1mtm(FGtm+FDtm+FSCtm)－

1msc(FGsc+FCsc+FDsc+FTMsc)－

2ωsc×rel－ωsc×(ωsc×(rh+rrel))－

sc×(rh+rrel)(1)

其中，rrel表示衛(wèi)星本體和質(zhì)量塊的相對位移，rh表示敏感器空腔中心與衛(wèi)星質(zhì)心的距離，mtm表示質(zhì)量塊的質(zhì)量，msc代表衛(wèi)星本體的質(zhì)量，ωsc表示衛(wèi)星本體姿態(tài)角速度，F(xiàn)Gtm、FGsc分別表示衛(wèi)星本體和質(zhì)量塊受到的重力，F(xiàn)Dtm、FDsc分別表示衛(wèi)星本體和質(zhì)量塊受到的非慣性力，F(xiàn)Csc表示衛(wèi)星本體受到的控制力，F(xiàn)SCtm、FTMsc表示衛(wèi)星本體和質(zhì)量塊之間的耦合力。

衛(wèi)星本體姿態(tài)動(dòng)力學(xué)方程：

sc=I－1sc［TCsc+TDsc+TTMsc－ωsc×(Iscωsc)］(2)

其中，ωsc表示衛(wèi)星本體姿態(tài)角速度，Isc表示衛(wèi)星本體的轉(zhuǎn)動(dòng)慣量，TCsc，TDsc，TTMsc分別表示衛(wèi)星本體受到的控制力矩、干擾力矩和耦合力矩。

衛(wèi)星本體和質(zhì)量塊的相對姿態(tài)動(dòng)力學(xué)方程：

rel=tm－ATSsc+ωtm×ATSωsc=

I－1tm［TCtm+TDtm+TSCtm－

(ωrel+ωsc)×(Itm(ωrel+ωsc))］－

ATSsc－ATSωsc×ωrel(3)

其中，ωrel表示衛(wèi)星本體和質(zhì)量塊的相對姿態(tài)角速度，ωtm表示質(zhì)量塊的姿態(tài)角速度，ωsc表示衛(wèi)星本體姿態(tài)角速度，TCtm，TDtm，TSCtm分別表示質(zhì)量塊受到的控制力矩、干擾力矩和耦合力矩，ATS表示從衛(wèi)星本體坐標(biāo)系到質(zhì)量塊本體坐標(biāo)系的旋轉(zhuǎn)矩陣。

通常將質(zhì)量塊和衛(wèi)星間的靜電耦合基本模型看作一個(gè)彈簧―阻尼系統(tǒng)，以質(zhì)量塊為例，在敏感器坐標(biāo)系下受到的耦合力和力矩形式如下：

FSCtm=－Ktransrrel－Dtransrel(4)

TSCtm=－Krotθrel－Drotrel (5)

其中，Ktrans為衛(wèi)星本體和質(zhì)量塊之間的耦合水平彈性系數(shù)，Dtrans為水平阻尼系數(shù)，Krot為衛(wèi)星本體和質(zhì)量塊之間的耦合旋轉(zhuǎn)彈性系數(shù)，Drot為旋轉(zhuǎn)阻尼系數(shù)。

通過線性化處理后，得到低軌無拖曳衛(wèi)星控制系統(tǒng)的動(dòng)力學(xué)簡化模型如下：

rel=vrel

rel=-Ktransmtmrrel-Dtransmtmvrel-1mscFCsc+

f1(rrel,vrel

sc=ωsc

sc=I-1scTCsc+f2(φsc,ωsc)

rel=ωrel

rel=I-1tmKrotφrel+I-1tmDrotωrel+

I-1tmTCtm-I-1scTCsc+f3(φrel,ωrel)(6)

系統(tǒng)(6)中，φsc、ωsc分別表示衛(wèi)星本體的姿態(tài)角和姿態(tài)角速度，rrel、vrel分別表示衛(wèi)星本體和質(zhì)量塊的相對位移和相對運(yùn)動(dòng)速度，φrel、ωrel分別表示衛(wèi)星本體和質(zhì)量塊的相對姿態(tài)角和相對姿態(tài)角速度。本文以歐拉角的形式給出了衛(wèi)星本體和質(zhì)量塊的姿態(tài)。

f1(rrel,vrel)，f2(φsc,ωsc)，f3(φrel,ωrel)為未知光滑函數(shù)，代表系統(tǒng)的非線性特征、未建模動(dòng)態(tài)及未知擾動(dòng)。

注2.1與文獻(xiàn)［9］相比，本文將擾動(dòng)項(xiàng)1mscFDsc包含在了f1中，I－1scTDsc包含在了f2中，I－1tmTDtm、I－1scTDsc包含在了f3中，因此，文獻(xiàn)［9］中所研究的模型是本文系統(tǒng)(6)的特例。

上述系統(tǒng)中所涉及的變量均為3維：包含x、y、z三個(gè)坐標(biāo)軸方向。為了清晰地闡述本文的主要思想，以下將僅考慮單個(gè)坐標(biāo)軸方向，并且假設(shè)變量之間以及坐標(biāo)軸之間的交叉耦合量足夠小。

定義x=［x11,x12,x21,x22,x31,x32］T，其中狀態(tài)變量依次代表rrel、vrel、φsc、ωsc、φrel、ωrel。

系統(tǒng)(6)可寫成如下三個(gè)子系統(tǒng)：

衛(wèi)星本體與質(zhì)量塊相對位移子系統(tǒng)，即dragfree子系統(tǒng)：

Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)(7)

衛(wèi)星本體姿態(tài)子系統(tǒng)：

Σ2:21=x2222=c2u2+f2(x21,x22)(8)

衛(wèi)星本體與質(zhì)量塊相對姿態(tài)子系統(tǒng)：

Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32) (9)

其中，a1=－Ktransmtm，a2=I－1tmKrot，b1=－Dtransmtm，b2=I－1tmDrot，c1=－1msc，c2=I－1sc，c3=I－1tm，u1=FCsc，u2=TCsc，u3=TCtm。f1(x11,x12)，f2(x21,x22)，f3(x31,x32)代表系統(tǒng)的不確定性、未建模動(dòng)態(tài)及未知擾動(dòng)。

3 控制器設(shè)計(jì)

3.1 RBF神經(jīng)網(wǎng)絡(luò)

本文的目的是基于Lyapunov穩(wěn)定性理論和自適應(yīng)反步控制，對無拖曳衛(wèi)星控制系統(tǒng)的非線性模型進(jìn)行分析，設(shè)計(jì)一種自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器。

人工神經(jīng)網(wǎng)絡(luò)形式多種多樣，RBF神經(jīng)網(wǎng)絡(luò)是其中應(yīng)用較為廣泛的一種，表達(dá)形式如下［10-11］：

Ψ(X)=WTΦ(X) (10)

其中，W=［w1,w2,...,wl］T∈Rl為權(quán)重向量，Φ(x)=［φ1(X),φ2(X),...,φl(X)］T為基函數(shù)向量，l為隱含層神經(jīng)元的個(gè)數(shù)，X=［x1,x2,...,xn］代表系統(tǒng)中的狀態(tài)變量，并作為網(wǎng)絡(luò)的訓(xùn)練樣本輸入。基函數(shù)i(X)選擇高斯函數(shù)，表達(dá)式如下：

φi(X)=exp －X－ci22σ2i(11)

其中，ci=［ci1,ci2,...,cin］T是隱含層第i個(gè)徑向基函數(shù)的中心點(diǎn)，n為輸入層向量的維數(shù)，σi是徑向基函數(shù)的寬度。

3.2 dragfree控制回路

3.2.1 控制器設(shè)計(jì)

系統(tǒng)Σ1表示dragfree控制回路：

Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)

f1(x11,x12)為未知光滑函數(shù)，由于RBF神經(jīng)網(wǎng)絡(luò)對于光滑函數(shù)的有效逼近能力，此時(shí)我們采用RBF神經(jīng)網(wǎng)絡(luò)對其進(jìn)行擬合，表達(dá)式如下：

f1(x11,x12)=WT1Φ1(x11,x12) (12)

定義1為權(quán)值的估計(jì)值，1為權(quán)值的估計(jì)誤差。即：

1=W1－1(13)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來對f1進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W1的自適應(yīng)律，通過調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x11子系統(tǒng)，選擇Lyapunov函數(shù)：

V11(x11)=12x211 (14)

對V11求導(dǎo)，得：

11=x1111=

x11x12(15)

將x12看成x11子系統(tǒng)的虛擬控制，令：

x12=z12+α11(x11)(16)

其中，z12為引入的新的虛擬控制，α11(x11)滿足α11(0)=0，并選取為：

α11(x11)=－k11x11 (17)

其中，k11＞0為可調(diào)參數(shù)。所以

11=x11(z12+α11(x11))=

－k11x211+x11z12(18)

第二步：考慮系統(tǒng)(x11,x12)，選擇Lyapunov函數(shù)：

V12(x12,x12)=V11(x11)+

12z212+12T1Γ11(19)

其中，Γ1為正定矩陣。

對V12求導(dǎo)，得：

12=－k11x211+x11z12+z1212+•T1Γ11=

－k11x211+z12(x11+12－α11x1111)+•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+WT1Φ1+k11x12)+•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+T1Φ1+k11x12)+z12T1Φ1+

•T1Γ11=

－k11x211+z12(x11+a1x11+b1x12+

c1u1+T1Φ1+k11x12)+(z12ΦT1+•T1Γ1)1 (20)

選取控制量為

u1=1c1(－x11－a1x11－b1x12－T1Φ1－

k11x12－k12z12) (21)

其中，k11＞0，k12＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律1為

•1=z12Γ－T1Φ1=

(x12+k11x11)Γ－T1Φ1(22)

3.2.2 穩(wěn)定性分析

定理 1［12］ 考慮如下非線性系統(tǒng)

=f(x)

且

f(0)0 (23)

若存在具有連續(xù)1階偏導(dǎo)數(shù)的標(biāo)量函數(shù)V(x)，滿足以下條件：

1)V(x)是正定的；

2)(x)=dV(x)/dt是負(fù)定的；

3)當(dāng)x

SymboleB@

時(shí)，V(x)

SymboleB@

。

則在系統(tǒng)原點(diǎn)處的平衡狀態(tài)是大范圍漸近穩(wěn)定的。

通過上述控制器設(shè)計(jì)，由式(19)，顯然V12是正定的，又12=－k11x211－k12z212，由于k11，k12為大于零的可調(diào)參數(shù)，所以12是負(fù)定的，當(dāng)x11

SymboleB@

，z12

SymboleB@

時(shí)，V12

SymboleB@

，所以x11，z12在平衡狀態(tài)是大范圍漸近穩(wěn)定的。又由式(16)和式(17)可知，當(dāng)t

SymboleB@

，x110，z120時(shí)，有x120，所以x11，x12在平衡狀態(tài)是大范圍漸近穩(wěn)定的。

3.3 姿態(tài)控制回路

3.3.1 衛(wèi)星本體姿態(tài)控制回路

衛(wèi)星本體姿態(tài)狀態(tài)方程如下：

Σ2:21=x2222=c2u2+f2(x21,x22)

f2(x21,x22)為未知光滑函數(shù)，我們采用RBF神經(jīng)網(wǎng)絡(luò)對其進(jìn)行擬合，表達(dá)式如下：

f2(x21,x22)=WT2Φ2(x21,x22)(24)

定義2為權(quán)值的估計(jì)值，2為權(quán)值的估計(jì)誤差。即：

2=W2－2(25)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來對f2進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W2的自適應(yīng)律，通過調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x21子系統(tǒng)，選擇Lyapunov函數(shù)：

V21(x21)=12x221(26)

對V21求導(dǎo)，得：

21=x2121=x21x22(27)

將x22看成x21子系統(tǒng)的虛擬控制，令：

x22=z22+α21(x21)(28)

其中，z22為引入的新的虛擬控制，α21(x21)滿足α21(0)=0，并選取為：

α21(x21)=－k21x21(29)

其中，k21＞0為可調(diào)參數(shù)。所以

21=x21(z22+α21(x21))=－k21x221+x21z22(30)

第二步：考慮系統(tǒng)(x21,x22)，選擇Lyapunov函數(shù)：

V22(x21,x22)=V21(x21)+

12z222+12T2Γ22(31)

其中，Γ2為正定矩陣。

對V22求導(dǎo)，得：

22=－k21x221+x21z22+z2222+•T2Γ22=

－k21x221+z22(x21+22－α21x2121)+•T2Γ22=

－k21x221+z22(x21+c2u2+WT2Φ2+

k21x22)+•T2Γ22=

－k21x221+z22(x21+c2u2+T2Φ2+

k21x22)+z22T2Φ2+•T2Γ22=

－k21x221+z22(x21+c2u2+T2Φ2+

k21x22)+(z22ΦT2+•T2Γ2)2 (32)

選取控制量為

u2=1c2(－x21－T2Φ2－

k21x22－k22z22) (33)

其中，k21＞0，k22＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律2為

•2=z22Γ－T2Φ2=(x22+k21x21)Γ－T2Φ2 (34)

3.3.2 衛(wèi)星本體與質(zhì)量塊相對姿態(tài)控制回路

衛(wèi)星本體與質(zhì)量塊相對姿態(tài)狀態(tài)方程如下：

Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32)

f3(x31,x32)為未知光滑函數(shù)，我們采用RBF神經(jīng)網(wǎng)絡(luò)對其進(jìn)行擬合，表達(dá)式如下：

f3(x31,x32)=WT3Φ3(x31,x32) (35)

定義3為權(quán)值的估計(jì)值，3為權(quán)值的估計(jì)誤差。即：

3=W3－3(36)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來對f3進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W3的自適應(yīng)律，通過調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x31子系統(tǒng)，選擇Lyapunov函數(shù)：

V31(x31)=12x231 (37)

對V31求導(dǎo)，得：

31=x3131=x31x32(38)

將x32看成x31子系統(tǒng)的虛擬控制，令：

x32=z32+α31(x31)(39)

其中，z32為引入的新的虛擬控制，α31(x31)滿足α31(0)=0，并選取為：

α31(x31)=－k31x31 (40)

其中，k31＞0為可調(diào)參數(shù)。所以

31=x31(z32+α31(x31))=－k31x231+x31z32(41)

第二步：考慮系統(tǒng)(x31,x32)，選擇Lyapunov函數(shù)：

V32(x31,x32)=V31(x31)+

12z232+12T3Γ33(42)

其中，Γ3為正定矩陣。

對V32求導(dǎo)，得：

32=－k31x231+x31z32+z3232+•T3Γ33=

－k31x231+z32(x31+32－α31x3131)+•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+WT3Φ3+k31x32)+•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+T3Φ3+k31x32)+z32T3Φ3+

•T3Γ33=

－k31x231+z32(x31+a2x31+b2x32－c2u2+

c3u3+T3Φ3+k31x32)+(z32ΦT3+•T3Γ3)3 (43)

選取控制量為

u3=1c3(－x31－a2x31－b2x32+c2u2－

T3Φ3－k31x32－k32z32)(44)

其中，k31＞0，k32＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律3為

•3=z32Γ－T3Φ3=(x32+k31x31)Γ－T3Φ3(45)

3.3.3 穩(wěn)定性分析

由定理1，對于子系統(tǒng)Σ2，由式(31)，顯然V22是正定的，又22=－k21x221－k22z222，由于k21，k22為大于零的可調(diào)參數(shù)，所以22是負(fù)定的，當(dāng)x21

SymboleB@

，z22

SymboleB@

時(shí)，V22

SymboleB@

，所以x21，z22在平衡狀態(tài)是大范圍漸近穩(wěn)定的。又由式(28)和式(29)可知，當(dāng)t

SymboleB@

，x210，z220時(shí)，有x220，所以x21，x22在平衡狀態(tài)是大范圍漸近穩(wěn)定的。同理可得，x31，x32在平衡狀態(tài)是大范圍漸近穩(wěn)定的。

4 仿真分析

本節(jié)為了證實(shí)所提出的控制器的有效性，在matlab/simulink環(huán)境下進(jìn)行了仿真驗(yàn)證。

仿真參數(shù)如下［9］：衛(wèi)星本體質(zhì)量為1050 kg，質(zhì)量塊質(zhì)量為1 kg，衛(wèi)星本體和質(zhì)量塊之間的初始相對距離為rrel=1×10－3m，衛(wèi)星本體和質(zhì)量塊之間的初始相對姿態(tài)為φrel=1•π/180rad，衛(wèi)星本體和質(zhì)量塊之間的耦合水平彈性系數(shù)Ktrans=1×10－6N/m，水平阻尼系數(shù)Dtrans=1.4×10－11N/m2，衛(wèi)星本體和質(zhì)量塊之間的耦合旋轉(zhuǎn)彈性系數(shù)Krot=1×10－9N•m/rad，旋轉(zhuǎn)阻尼系數(shù)Drot=3.3×10－14N/rad，衛(wèi)星本體的轉(zhuǎn)動(dòng)慣量Isc=200kg•m2，質(zhì)量塊的轉(zhuǎn)動(dòng)慣量Itm=2.667×10－4kg•m2。

仿真結(jié)果如圖1―圖3所示。

圖1 衛(wèi)星本體與質(zhì)量塊的相對位移

圖2 衛(wèi)星本體的姿態(tài)

從圖1中可以看出，在含有不確定的情況下，通過設(shè)計(jì)的控制器，衛(wèi)星本體與質(zhì)量塊的相對位移最終趨于零，說明衛(wèi)星本體能夠很好的跟蹤質(zhì)量塊，達(dá)到dragfree控制的要求，并且精度在10－6數(shù)量級，滿足dragfree控制的精度需求。圖2~圖3給出了衛(wèi)星本體的姿態(tài)以及衛(wèi)星本體與質(zhì)量塊的相對姿態(tài)及其控制精度，仿真結(jié)果很好的滿足了衛(wèi)星本體與質(zhì)量塊姿態(tài)的一致性。

圖3 衛(wèi)星本體與質(zhì)量塊的相對姿態(tài)

5 結(jié) 論

本文針對無拖曳衛(wèi)星控制系統(tǒng)，考慮到系統(tǒng)的不確定性、未建模動(dòng)態(tài)以及外界的未知擾動(dòng)，采用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行補(bǔ)償，基于Lyapunov 穩(wěn)定性理論，結(jié)合自適應(yīng)反步控制，得到權(quán)值的更新律以及相應(yīng)的控制器。仿真結(jié)果表明，所設(shè)計(jì)的控制器有效地抑制了不確定對控制系統(tǒng)的影響。

與傳統(tǒng)衛(wèi)星控制系統(tǒng)相比，無拖曳衛(wèi)星對控制系統(tǒng)提出了極高的性能指標(biāo)要求，下一步將考慮存在耦合時(shí)，衛(wèi)星模型的建立和控制器的設(shè)計(jì)。

參考文獻(xiàn)

［1］ 施梨，曹喜濱，張錦繡，等. 無阻力衛(wèi)星發(fā)展現(xiàn)狀［J］. 宇航學(xué)報(bào), 2010,31(6):1511-1520.

［2］ PETTAZZI L, LANZON A,THEILS. Design of Robust Decentralized Controllers for Dragfree Satellite［C］.Proc.47th IEEE conf. Decision and Control, 2008:602-607.

［3］ PETTAZZI A,LANZON A,THEIL S. Design of Robust Drag-Free Controllers with Given Structure［J］. GUIDANCE, CONTROL, AND DYNAMICS, 2009,32(5):1609=1620.

［4］ ANDREIS D,CANUTO E. DragFree and Attitude Control for the GOCE satellite［C］.Proc.44th IEEE conf. Decision and Control, 2005:4041-4046.

［5］ CANUTO E,BONA B,CALAFIORE BM. Indri. Dragfree control for the European satellite GOCE. Part I:modelling［C］.Proc.41th IEEE conf. Decision andControl, 2002:1269-1274.

［6］ 曹喜濱，施梨，董曉光，等. 基于干擾觀測的無阻力衛(wèi)星控制器設(shè)計(jì)［J］.宇航學(xué)報(bào), 2012,33(4):411-418.

［7］ 李傳江，王玉爽，馬廣富，等. 帶卡爾曼估計(jì)器的無拖曳衛(wèi)星干擾補(bǔ)償控制［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2012,44(7):8-13.

［8］ 李洪銀，胡明. 單測試質(zhì)量無拖曳衛(wèi)星無拖曳及姿態(tài)系統(tǒng)仿真及其控制研究［J］.天文學(xué)報(bào), 2011,52(6):525-536.

［9］ 王玉爽. 無拖曳衛(wèi)星控制方法研究［D］. 哈爾濱：哈爾濱工業(yè)大學(xué), 2011.

［10］宋申民，于志剛，段廣仁. BTT導(dǎo)彈自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制［J］.宇航學(xué)報(bào), 2007,28(5):1224-1230.

第3篇

關(guān)鍵詞：成都中小微企業(yè) 人工神經(jīng)網(wǎng)絡(luò) 預(yù)測

1、人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activation function）。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達(dá)。

2、基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型的構(gòu)建

在運(yùn)用ANN預(yù)測模型預(yù)測這兩個(gè)指標(biāo)時(shí)，我們采取下面的預(yù)測步驟：

（1）首先將1-6月份的數(shù)據(jù)標(biāo)準(zhǔn)化，及轉(zhuǎn)化為0-1之間的標(biāo)準(zhǔn)化數(shù)據(jù)；

（2）我們將輸入設(shè)為1月份、2月份、3月份、4月份的數(shù)據(jù)，輸出設(shè)為5月份的數(shù)據(jù)；

（3）在matlab中調(diào)用newff函數(shù)，建立一個(gè)5個(gè)輸入節(jié)點(diǎn)、10個(gè)隱含層節(jié)點(diǎn)、一個(gè)輸出節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig（tansig（n） = 2/（1+exp（-2*n））-1）和purelin（y=x），訓(xùn)練函數(shù)選擇貝葉斯正則化算法trainbr，得到網(wǎng)絡(luò)仿真數(shù)據(jù)；

（4）通過得到的網(wǎng)絡(luò)仿真數(shù)據(jù)與實(shí)際的數(shù)據(jù)進(jìn)行比較，我們可以發(fā)現(xiàn)該預(yù)測模型的精度很高。從而我們可以利用該預(yù)測模型預(yù)測未來月份的數(shù)據(jù)，作為決策者進(jìn)行決策的依據(jù)。

3、分規(guī)模企業(yè)運(yùn)行態(tài)勢預(yù)測模型

3.1中型企業(yè)運(yùn)行態(tài)勢預(yù)測模型

我們按照上述步驟，得到最終的預(yù)測值，如表1所示，可見，預(yù)測值與實(shí)際值之間相差并不大，誤差為0.099973%。

表1運(yùn)行監(jiān)測指標(biāo)按規(guī)模（中型）ANN預(yù)測模型實(shí)際值與預(yù)測值對比表

3.2小型企業(yè)運(yùn)行態(tài)勢預(yù)警模型

我們按照上述步驟，得到最終的預(yù)測值，如表2所示，可見，預(yù)測值與實(shí)際值之間相差并不大，誤差為0.099974%。

表2運(yùn)行監(jiān)測指標(biāo)按規(guī)模（小型）ANN預(yù)測模型實(shí)際值與預(yù)測值對比表

3.3微型企業(yè)運(yùn)行態(tài)勢預(yù)警模型

我們按照上述步驟，得到最終的預(yù)測值，如表3所示，可見，預(yù)測值與實(shí)際值之間相差并不大，誤差為0.098246%。

表3 運(yùn)行監(jiān)測指標(biāo)按規(guī)模（微型）ANN預(yù)測模型實(shí)際值與預(yù)測值對比表

4、結(jié)束語

運(yùn)行監(jiān)測指數(shù)和信心指數(shù)能很好的反映成都市中小企業(yè)的發(fā)展運(yùn)營情況，本報(bào)告運(yùn)用人工神經(jīng)網(wǎng)絡(luò)這種高精度的預(yù)測方法，對這兩種指數(shù)進(jìn)行了預(yù)測，預(yù)測結(jié)果精確，經(jīng)濟(jì)意義顯著。能很好預(yù)測未來月份的中小企業(yè)的指標(biāo)值，從而為決策者的決策提供有力的支持和依據(jù)。

參考文獻(xiàn)：

[1]張乃堯，閻平凡.神經(jīng)網(wǎng)絡(luò)與模糊控制[M].北京： 清華大學(xué)出版社，1998.

第4篇

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò) 人體行為識別 Dropout

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2017）04（c）-0028-02

該文采用隨機(jī)Dropout卷積神經(jīng)網(wǎng)絡(luò)，筆者將此法的優(yōu)點(diǎn)大致概況為將繁瑣雜亂的前期圖像處理簡易化，原來的圖像不可以直接輸入，現(xiàn)在的原始圖像即可實(shí)現(xiàn)直輸功能，因其特性得到廣泛研究與應(yīng)用。另外，卷積神經(jīng)網(wǎng)絡(luò)在圖像的處理中能夠?qū)⒅付ǖ淖藙荨㈥柟獾恼丈浞磻?yīng)、遮避、平面移動(dòng)、縮小與放大等其他形式的扭曲達(dá)到魯棒性，從而達(dá)到良好的容錯(cuò)能力，進(jìn)而可以發(fā)現(xiàn)其在自適應(yīng)能力方面也非常強(qiáng)大。因?yàn)榫矸e神經(jīng)網(wǎng)絡(luò)在之前建立網(wǎng)絡(luò)模型時(shí)，樣本庫為訓(xùn)練階段提供的樣本，數(shù)量有限，品質(zhì)上也很難滿足要求，致使網(wǎng)絡(luò)權(quán)值參數(shù)不能夠完成實(shí)時(shí)有效的調(diào)度與整理。

1 卷積神經(jīng)網(wǎng)絡(luò)

據(jù)調(diào)查卷積神經(jīng)網(wǎng)絡(luò)由K.Fukushima在80年代提出，那時(shí)候它被稱為神經(jīng)認(rèn)知機(jī)，這一認(rèn)知成為當(dāng)時(shí)的第一個(gè)網(wǎng)絡(luò)，后來網(wǎng)絡(luò)算法發(fā)生了規(guī)模性變革，由LeCun為代表提出了第一個(gè)手寫數(shù)字識別模型，并成功投入到商業(yè)用途中。LeNet被業(yè)界冠以卷積神經(jīng)網(wǎng)絡(luò)的代表模型，這類系統(tǒng)在很多方面都起到了不容小趨的作用，它多數(shù)應(yīng)用于各類不同的識別圖像及處理中，在這些層面上取得了重要成果。

筆者經(jīng)查閱資料發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)其實(shí)是由兩個(gè)種類組合而來，它們分別是特征提取、分類器，這種組成我們可以看到特征提取類可由一定數(shù)量的卷積層以及子采樣層相互重疊組合而成，全部都連接起來的1層或者2層神經(jīng)網(wǎng)絡(luò)，就是由分類器來進(jìn)行安排的。卷積神經(jīng)網(wǎng)絡(luò)中的局部區(qū)域得到的感覺、權(quán)值的參數(shù)及子采樣等可以說是重要網(wǎng)絡(luò)結(jié)構(gòu)特征。

1.1 基本CNN網(wǎng)絡(luò)結(jié)構(gòu)

圖1中就是最為經(jīng)典的LeNet-5網(wǎng)絡(luò)模型結(jié)構(gòu)圖。通過圖1中我們可以獲悉，該模型有輸入輸出層，除這兩層外還有6層，其征提取可在前4層中體現(xiàn)，后兩層體現(xiàn)的是分類器。

在特征提取部分，6個(gè)卷積核通過卷積，是圖像經(jīng)尺寸為32×32的輸入而得見表1，運(yùn)算過程如式（1）：

（1）

式中：卷積后的圖像與一個(gè)偏置組合起來，使函數(shù)得到激活，因此特征圖變誕生了，通過輸出得到了6個(gè)尺寸的特征圖，這6個(gè)尺寸均為28×28，近而得到了第一層的卷積，以下筆者把它簡要稱為c1；那么c1層中的6個(gè)同尺寸圖再經(jīng)由下面的子采樣2×2尺寸，再演變成特征圖，數(shù)量還是6個(gè)，尺寸卻變成了14×14，具體運(yùn)算如公式（2）：

通過表2我們可以使xi生成的和與采樣系數(shù)0.25相乘，那么采樣層的生成也就是由加上了一個(gè)偏置，從而使函數(shù)被激活形成了采樣層的第1個(gè)層次，以下我們簡要稱為s1；這種過程我們可反復(fù)運(yùn)用，從而呈現(xiàn)出卷積層中的第2層，可以簡要稱之為c2，第2層簡稱s2；到目前為止，我們對特征的提取告一段落。

神經(jīng)網(wǎng)絡(luò)的識別，我們可以看到它是由激活函數(shù)而形成的一個(gè)狀態(tài)，這一狀態(tài)是由每個(gè)單元的輸出而得；那么分類器在這里起到的作用是將卷積層全部連接起來，這種通過連接而使1層與上面1層所有特征圖進(jìn)行了串連，簡要稱之為c5；因而2層得到了退變與簡化效應(yīng)，從而使該神經(jīng)網(wǎng)絡(luò)成為經(jīng)典，簡要稱之為F6，向量及權(quán)值是由F6 輸送，然后由點(diǎn)積加上偏置得到結(jié)果的有效判定。

1.2 改進(jìn)的隨機(jī)DropoutCNN網(wǎng)絡(luò)

1.2.1 基本Dropout方法

神經(jīng)網(wǎng)絡(luò)泛化能力能夠得到提升，是基于Dropout方法的深入學(xué)習(xí)。固定關(guān)系中存在著節(jié)點(diǎn)的隱含，為使權(quán)值不再依附于這種關(guān)系，上述方法可隨機(jī)提取部分神經(jīng)元，這一特性是通過利用Dropout在網(wǎng)絡(luò)訓(xùn)練階段中隨機(jī)性而得，對于取值能夠有效的存儲(chǔ)及保護(hù)存留，這一特性在輸出設(shè)定方面一定要注重為0，這些被選擇的神經(jīng)元隨然這次被抽中應(yīng)用，但并不影響下次訓(xùn)練的過程，并具還可以恢復(fù)之前保留的取值，那么每兩個(gè)神經(jīng)元同時(shí)產(chǎn)生作用的規(guī)避，可以通過重復(fù)下次隨機(jī)選擇部分神經(jīng)元的過程來解決；我們通過這種方法，使網(wǎng)絡(luò)結(jié)構(gòu)在每次訓(xùn)練階段中都能呈現(xiàn)不同變化，使一些受限制的特征，不再受到干擾，使其真正能展現(xiàn)自身的優(yōu)點(diǎn)，在基于Dropout方法中，我們可以將一些神經(jīng)元的一半設(shè)為0來進(jìn)行輸出，隨機(jī)神經(jīng)元的百分比可控制在50%，有效的避免了特征的過度相似與穩(wěn)合。

1.2.2 隨機(jī)Dropout方法

Dropout方法就是隨機(jī)輸出為0的設(shè)定，它將一定比例神經(jīng)元作為決定的因素，其定義網(wǎng)絡(luò)在構(gòu)建模型時(shí)得到廣泛采用。神經(jīng)元基于隨機(jī)Dropout的方法是該文的重要網(wǎng)絡(luò)輸出途徑，通過設(shè)定輸出為0，使其在網(wǎng)絡(luò)中得到變。圖2是隨機(jī)Dropout的加入神經(jīng)元連接示意圖，其在圖中可知兩類神經(jīng)元：一類是分類器的神經(jīng)元，這一階段的神經(jīng)元可分榱講悖渙硪煥嗌窬元是由輸出而形成的層次。模型在首次訓(xùn)練的階段會(huì)使神經(jīng)元隨機(jī)形成凍結(jié)狀態(tài)，這一狀態(tài)所占的百分比為40%、60%，我們還可以看到30%及50%的神經(jīng)元可能在網(wǎng)絡(luò)隨機(jī)被凍結(jié)，那么這次凍結(jié)可以發(fā)生在模型第二次訓(xùn)練，那么第三次神經(jīng)元的凍結(jié)可從圖示中得出70%及40%，還可以通過變化用人工設(shè)置，其范圍值宜為35%～65%，那么網(wǎng)絡(luò)神經(jīng)元連接次序的多樣化，也因此更為突出與精進(jìn)，網(wǎng)絡(luò)模型的泛化能力也得到了跨越勢的提高。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)方法

卷積神經(jīng)網(wǎng)絡(luò)通過實(shí)驗(yàn)，通過輸入層呈現(xiàn)一灰色圖像，該圖像尺寸被設(shè)定成28×28的PNG格式，這里我們以圖像框架圖得到雙線性差值，用來處理圖像及原視頻中的影像，將框架圖的卷積核設(shè)定為5×5的尺寸，子采樣系數(shù)控制值為0.25，采用SGD迭代200次，樣本數(shù)量50個(gè)進(jìn)行設(shè)定，一次誤差反向傳播實(shí)現(xiàn)批量處理，進(jìn)行權(quán)值調(diào)整。實(shí)驗(yàn)采用交叉驗(yàn)證留一法，前四層為特征提取層，C1-S1-C2-S2按順序排列，6-6-12-12個(gè)數(shù)是相應(yīng)特征，通過下階段加入隨機(jī)Dropout，這階段為雙層也就是兩層，進(jìn)行連接，連接層為全體，從而可知結(jié)果由分類得出，又從輸出層輸出。

2.2 實(shí)驗(yàn)結(jié)果分析

識別錯(cuò)誤率可通過卷積神經(jīng)網(wǎng)絡(luò)模型，及訓(xùn)練過程與檢測過程中可查看到的。在訓(xùn)練階段中，我們可以將Dropout的網(wǎng)絡(luò)中融入200次訓(xùn)練，在將沒有使用該方法的網(wǎng)絡(luò)進(jìn)行相互比較分析，我可以得知，后者訓(xùn)練時(shí)的識別錯(cuò)誤率稍高于前者，前者與后的相比較所得的差異不是很大，進(jìn)而我們可知使用Dropout方法，對卷積神經(jīng)網(wǎng)絡(luò)在泛化能力上得到有效的提升，從而有效的防止擬合。

3 結(jié)語

筆者基于Dropout卷積神經(jīng)網(wǎng)絡(luò)，人體行為識別在視頻中進(jìn)行， 通過Weizmann數(shù)據(jù)集檢測實(shí)驗(yàn)結(jié)果，隨機(jī)Dropout在分類器中加入。通過實(shí)驗(yàn)可以得知：隨機(jī)Dropout的加入，使卷積神經(jīng)構(gòu)建了完美網(wǎng)絡(luò)模型，并且使其在人體行為識別中的效率贏得了大幅度的提升，近而使泛化能力可以通過此類方法得到提高，可以防止擬合。

參考文獻(xiàn)

[1] 其它計(jì)算機(jī)理論與技術(shù)[J].電子科技文摘，2002（6）.

第5篇

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；三維加速度；特征值提取

中圖分類號：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-9324（2016）51-0197-02

隨著物聯(lián)網(wǎng)的高速發(fā)展，智慧醫(yī)療的應(yīng)用也越來越廣泛，人體行為識別作為智能監(jiān)測中一個(gè)重要的研究方向，也逐漸受到各國學(xué)者的廣泛關(guān)注。隨著我國人口老齡化不斷加劇，老年人意外摔倒問題受到人們關(guān)注，而人體行為識別方法的研究將推進(jìn)更有效更準(zhǔn)確的跌倒檢測算法研究。按照信號的獲取方式，可將現(xiàn)有的人體行為識別方法分為以下兩種：基于計(jì)算機(jī)視覺的方法和基于傳感器的方法。基于三軸加速度信號的識別方法屬于第二種，第二種方法相較于第一種具有低功耗、高精度、攜帶方便等優(yōu)點(diǎn)。目前BP神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中研究最深入、應(yīng)用最廣泛的一種。本文選用已有的三軸加速度信號數(shù)據(jù)集，在MATLAB仿真環(huán)境下，基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)并實(shí)現(xiàn)人體行為識別算法。

一、數(shù)據(jù)預(yù)處理

本文選用的三軸加速度數(shù)據(jù)來源于南加州大學(xué)人體行為數(shù)據(jù)集，這個(gè)數(shù)據(jù)集包括了對14名受測者的12種動(dòng)作的三軸加速度信號采集。采集過程中，三軸加速度傳感器位于受測者右前臂；采樣頻率為100Hz；12種動(dòng)作每種動(dòng)作由每名受測者做5次，即對每種動(dòng)作采集70個(gè)樣本，每個(gè)樣本采集時(shí)長不定但是足夠捕獲動(dòng)作的所有信息。考慮實(shí)際意義，本文只選取上述14名受測者的7類動(dòng)作，共計(jì)490個(gè)加速度數(shù)據(jù)樣本。在特征值提取前需要對濾波得到的加速度數(shù)據(jù)再進(jìn)行加窗處理。選用窗口長度N為512的矩形窗，則結(jié)合采樣頻率可得窗口時(shí)間跨度為5.12秒，足夠包含單個(gè)完整動(dòng)作。經(jīng)過預(yù)處理后的數(shù)據(jù)才可以用于后續(xù)的特征值的提取，并用來訓(xùn)練和測試所建立的BP神經(jīng)網(wǎng)絡(luò)。

二、BP神經(jīng)網(wǎng)絡(luò)的建立

BP神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和隱含層組成，其中輸入層與輸出層各為一層，隱含層可以有多層。在網(wǎng)絡(luò)中，相鄰兩層間實(shí)現(xiàn)全連接，而處于同一層的神經(jīng)元之間無連接。BP學(xué)習(xí)算法需要提供教師信號。BP網(wǎng)絡(luò)的學(xué)習(xí)過程包括工作信號的正向傳播和誤差信號的反向傳播，并通過修改連接兩個(gè)神經(jīng)元的邊的權(quán)值來使得誤差函數(shù)達(dá)到最小。①工作信號的正向傳播。設(shè)X■■表示第k層神經(jīng)元i的輸入總和，Y■■為輸出，第k-1層神經(jīng)元j到第k層神經(jīng)元i的權(quán)值為Wij，則有如下函數(shù)關(guān)系：Y■■=f（X■■）X■■=■W■Y■■ （1）

稱f激勵(lì)函數(shù)，通常取f為非對稱Sigmoid函數(shù)，即 f（X■■）=■ （2）

②誤差信號的反向傳播。設(shè)輸出層為第m層，則輸出層第i個(gè)神經(jīng)元的實(shí)際輸出為Y■■，設(shè)對應(yīng)的教師信號為Yi，定義誤差函數(shù)e為 e=■■（Y■■-Y■）■ （3）

定義d■■表示誤差函數(shù)e關(guān)于U■■的偏導(dǎo)數(shù)，可推得 當(dāng)k=m時(shí)，有d■■=Y■■（1-Y■■）（Y■■-Y■）（4）

k

③權(quán)值的修正。設(shè)某一次學(xué)習(xí)權(quán)值的修改量為ΔWij，考慮兩次學(xué)習(xí)的相關(guān)性，可定義權(quán)值修改量如下：

ΔWij（t+1）=-μ?d■■?Y■■+γ?ΔWij（t）（6）

其中，γ為表示兩次修正間的相關(guān)程度的系數(shù)， μ為學(xué)習(xí)速率。綜上，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)就是：找一組最合適的邊的權(quán)值Wij，使得誤差函數(shù)滿足 e=min■■（Y■■-Y■）■ （7）

三、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

1.輸入層。BP神經(jīng)網(wǎng)絡(luò)的輸入即為各種行為的特征向量，因此首先需要選取合適的特征值構(gòu)建特征向量。根據(jù)統(tǒng)計(jì)學(xué)原理和所選加速度信號數(shù)據(jù)集的特征，選取5個(gè)特征值：均值、方差、相關(guān)系數(shù)、偏度和峰度。5個(gè)特征值均以窗長N為提取單位，特征值的計(jì)算直接使用MATLAB已有的函數(shù)。以窗長為單位，分別計(jì)算三個(gè)軸的加速度信號的上述5種特征值，一次特征值提取可得到一個(gè)15維的特征向量，將此向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，則輸入層可有15個(gè)神經(jīng)元。

2.隱含層。隱含層待定的系數(shù)包括隱含層的層數(shù)和每個(gè)隱含層包含的神經(jīng)元個(gè)數(shù)。為提高學(xué)習(xí)速率，通常選用單隱層的神經(jīng)網(wǎng)絡(luò)，但為獲得更好的學(xué)習(xí)效果，本文考慮單隱層以及雙隱層的BP神經(jīng)網(wǎng)絡(luò)。

關(guān)于隱含層神經(jīng)元的個(gè)數(shù)n1選取，本文參考公式如下：n■=■+p （13）

其中，n0為輸入層神經(jīng)元個(gè)數(shù)，nm為輸出層神經(jīng)元個(gè)數(shù)，p為[1，10]之間的一個(gè)常數(shù)。在利用上述公式估算的基礎(chǔ)上，根據(jù)網(wǎng)絡(luò)學(xué)習(xí)的結(jié)果對隱含層神經(jīng)元個(gè)數(shù)再做調(diào)整，以達(dá)到最好的學(xué)習(xí)效果。

3.輸出層。神經(jīng)網(wǎng)絡(luò)的輸出層表示人體行為識別的結(jié)果，即判斷該動(dòng)作屬于哪一類。根據(jù)所研究的7類動(dòng)作，可以構(gòu)造一個(gè)7維的輸出向量。每一個(gè)輸出向量對應(yīng)每一次輸出，向量的每一維對應(yīng)每一類動(dòng)作。若輸入特征值來源于第Z類動(dòng)作，則期望的輸出向量為第Z維置“1”，其余維置“0”，而實(shí)際的輸出向量的7個(gè)維度的數(shù)值分別代表屬于7種動(dòng)作的可能性大小，取數(shù)值最大的維度為分類結(jié)果。

第6篇

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)模型；衛(wèi)生人力；人力資源測算

衛(wèi)生人力是指經(jīng)過專業(yè)培訓(xùn)、在衛(wèi)生系統(tǒng)工作、提供衛(wèi)生服務(wù)的人員，包括直接從事醫(yī)療、衛(wèi)生、保健服務(wù)的衛(wèi)生技術(shù)人員以及管理、工勤等其他人員。由于衛(wèi)生系統(tǒng)本身具有復(fù)雜性和時(shí)變性的雙重特性，因此衛(wèi)生人力受許多因素影響，如人口、經(jīng)濟(jì)、社會(huì)與文化、資源利用效率、健康狀況等等，而且多個(gè)因素間相互作用、相互影響。

我國的衛(wèi)生事業(yè)雖然取得了很大的發(fā)展，但卻存在明顯的衛(wèi)生人力資源失衡現(xiàn)象，突出表現(xiàn)在：衛(wèi)生人員總量過剩、人員地區(qū)分布不均衡尤其是城鄉(xiāng)差距較大、衛(wèi)生人員總體素質(zhì)不高。因而迫切需要加強(qiáng)衛(wèi)生人力預(yù)測研究，使其更合理地從數(shù)量上、質(zhì)量上和分布上調(diào)整現(xiàn)有存量、優(yōu)化增量，以推動(dòng)整個(gè)衛(wèi)生事業(yè)的發(fā)展進(jìn)程[1，2]。

人工神經(jīng)網(wǎng)絡(luò)作為一種綜合信息處理和模擬技術(shù)，其特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)方法的局限性，而且還具有學(xué)習(xí)預(yù)測精度高、容錯(cuò)能力強(qiáng)和預(yù)測速度快的特點(diǎn)[3]。本研究基于人工神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建出一套合理、有效的測算衛(wèi)生人力需求量的指標(biāo)體系。

1人工神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)基本組成單位是神經(jīng)元（節(jié)點(diǎn)），神經(jīng)元之間按一定的方式相互連接，構(gòu)成神經(jīng)網(wǎng)絡(luò)系統(tǒng)，可以通過預(yù)先提供的一批相互對應(yīng)的輸入--輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果[4，5]。

迄今為止，已有多種人工神經(jīng)網(wǎng)絡(luò)模型被開發(fā)和應(yīng)用。本文應(yīng)用較為成熟的誤差反向傳播學(xué)習(xí)算法人工神經(jīng)網(wǎng)絡(luò)（BP-ANN）。BP神經(jīng)網(wǎng)絡(luò)從模擬生物的神經(jīng)網(wǎng)絡(luò)出發(fā)[6]，其最基本的結(jié)構(gòu)是3層前饋網(wǎng)絡(luò)，即輸入層、隱含層、輸出層（見圖1），層與層之間多采用全互連方式，同一層單元間不存在相互連接。

圖1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)模型的應(yīng)用過程包括訓(xùn)練和預(yù)測兩個(gè)過程。訓(xùn)練時(shí)，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層。如果輸出層得不到期望的輸出，則將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的連接權(quán)值，使得誤差最小。網(wǎng)絡(luò)重復(fù)以上過程進(jìn)行迭代計(jì)算，直至收斂，由此構(gòu)成了非線性映射模型，掌握了隱含在樣本內(nèi)部各元素間的特殊關(guān)系[7]。經(jīng)訓(xùn)練后的人工神經(jīng)網(wǎng)絡(luò)不僅對擬合過的樣本有效，而且對未經(jīng)擬合的樣本也可以較準(zhǔn)確地預(yù)測。人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的信息儲(chǔ)存方式、良好的容錯(cuò)性、大規(guī)模的非線性并行處理方式[8]以及強(qiáng)大的自組織自擬合和自適應(yīng)能力，已應(yīng)用于信號處理、模式識別、綜合評價(jià)、預(yù)測分析等領(lǐng)域。

2指標(biāo)篩選

本文的研究對象是衛(wèi)生人力的數(shù)量。人工神經(jīng)網(wǎng)絡(luò)要求選擇那些影響輸出的主要因素作為輸入層，選定的輸入變量數(shù)必須足夠且具有代表性[9，10]，基于這一點(diǎn)，經(jīng)過文獻(xiàn)評閱分析及專家小組討論，本研究對于輸入變量，即測算指標(biāo)的選擇主要從以下幾方面進(jìn)行：

2.1人口數(shù)量變化 人口數(shù)量的變化是影響衛(wèi)生人力需求量的最重要的因素。人口的增減會(huì)引起衛(wèi)生服務(wù)需求量的增減，從而引起衛(wèi)生人力需求量的波動(dòng)。對應(yīng)的變量選擇了總?cè)丝跀?shù)、就診人次數(shù)、住院人次數(shù)。

2.2經(jīng)濟(jì)發(fā)展水平 隨著社會(huì)經(jīng)濟(jì)迅猛發(fā)展，居民的生活水平不斷提高，人們對生活質(zhì)量要求也逐步提高，而健康是衡量生活質(zhì)量的重要指標(biāo)之一，所以隨著居民對健康意識的增強(qiáng)，衛(wèi)生服務(wù)需求量將會(huì)加大，衛(wèi)生人力的需求量也隨之增加[11，12]。對應(yīng)的變量選擇了衛(wèi)生總費(fèi)用、人均衛(wèi)生費(fèi)用、人均國民生產(chǎn)總值。

2.3醫(yī)院發(fā)展規(guī)模 醫(yī)院規(guī)模直接影響整個(gè)衛(wèi)生人力需求量和衛(wèi)生人力內(nèi)部構(gòu)成。醫(yī)院規(guī)模的大小通常是以病床數(shù)來衡量的，而病床數(shù)又是人員編配的重要標(biāo)準(zhǔn)[13]。對應(yīng)的變量選擇了醫(yī)院機(jī)構(gòu)數(shù)、總床位數(shù)。

2.4衛(wèi)生人力供給 每年都有大量的醫(yī)學(xué)生走向工作崗位，為醫(yī)療系統(tǒng)注入新的血液。對應(yīng)的變量選擇了高等醫(yī)學(xué)院校畢業(yè)生數(shù)、中等醫(yī)學(xué)院校畢業(yè)生數(shù)[14]。

3結(jié)果與討論

得到衛(wèi)生人力的測算指標(biāo)包括總?cè)丝跀?shù)（萬人）、就診人次數(shù)（億次）、住院人次數(shù)（萬人）、衛(wèi)生總費(fèi)用（億元）、人均衛(wèi)生費(fèi)用（元）、人均國民生產(chǎn)總值（元）、醫(yī)院機(jī)構(gòu)數(shù)、總床位數(shù)（萬張）、高等醫(yī)學(xué)院校畢業(yè)生數(shù)、中等醫(yī)學(xué)院校畢業(yè)生數(shù)10項(xiàng)指標(biāo)。鑒于年鑒收錄自國家及各省市地方統(tǒng)計(jì)局的歷年統(tǒng)計(jì)資料，具有資料翔實(shí)，信息密集的特點(diǎn)，所有數(shù)據(jù)均從統(tǒng)計(jì)年鑒中獲取，按照年份順序進(jìn)行整理，過濾缺失的數(shù)據(jù)，建立起從1990～2008年的有關(guān)衛(wèi)生人力資源的數(shù)據(jù)庫。

參考文獻(xiàn)：

[1]薛婭，高歌，沈月平.常州市衛(wèi)生人力需要量統(tǒng)計(jì)預(yù)測研究[J].中國衛(wèi)生統(tǒng)計(jì)，2007，24（3）：287.

[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.

[3]蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：高等教育出版社，2002.

[4]任宏，姜慶五.人工神經(jīng)網(wǎng)絡(luò)及其在預(yù)防醫(yī)學(xué)領(lǐng)域的應(yīng)用[J].上海預(yù)防醫(yī)學(xué)，2003，15（1）：22.

[5]黎衍云，李銳，張勝年.人工神經(jīng)網(wǎng)絡(luò)及其在疾病篩查中的應(yīng)用前景[J].環(huán)境與職業(yè)醫(yī)學(xué)，2006，23（1）：71.

[6]錢玲，施侶元，程茂金.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測糖尿病/糖耐量異常[J].中國公共衛(wèi)生，2003，19（10）：1272.

[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.

[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.

[9]薛婭，高歌. 衛(wèi)生人力需求量預(yù)測研究綜述[J].上海預(yù)防醫(yī)學(xué)雜志，2005，17（12）：589.

[10]鐘珞，饒文碧，鄒承明.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)[M].北京：科學(xué)出版社，2007：12.

[11]陳力凌.江蘇省衛(wèi)生人力資源現(xiàn)狀及需要量預(yù)測研究[D].碩士學(xué)位論文，2006：23.

[12]左延莉.廣西衛(wèi)生人力資源配置現(xiàn)狀與預(yù)測研究[D].碩士學(xué)位論文，2002：12.

第7篇

關(guān)鍵詞：成都中小微企業(yè) 人工神經(jīng)網(wǎng)絡(luò) 預(yù)測

1、人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型。在工程與學(xué)術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activation function）。每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號的加權(quán)值，稱之為權(quán)重，這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達(dá)。

2、基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測模型的構(gòu)建

在運(yùn)用ANN預(yù)測模型預(yù)測這兩個(gè)指標(biāo)時(shí)，我們采取下面的預(yù)測步驟：

（1）首先將1-6月份的數(shù)據(jù)標(biāo)準(zhǔn)化，及轉(zhuǎn)化為0-1之間的標(biāo)準(zhǔn)化數(shù)據(jù)；

（2）我們將輸入設(shè)為1月份、2月份、3月份、4月份的數(shù)據(jù)，輸出設(shè)為5月份的數(shù)據(jù)；

（3）在matlab中調(diào)用newff函數(shù)，建立一個(gè)5個(gè)輸入節(jié)點(diǎn)、10個(gè)隱含層節(jié)點(diǎn)、一個(gè)輸出節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)，隱含層和輸出層轉(zhuǎn)移函數(shù)分別采用tansig（tansig（n） = 2/（1+exp（-2*n））-1）和purelin（y=x），訓(xùn)練函數(shù)選擇貝葉斯正則化算法trainbr，得到網(wǎng)絡(luò)仿真數(shù)據(jù)；

（4）通過得到的網(wǎng)絡(luò)仿真數(shù)據(jù)與實(shí)際的數(shù)據(jù)進(jìn)行比較，我們可以發(fā)現(xiàn)該預(yù)測模型的精度很高。從而我們可以利用該預(yù)測模型預(yù)測未來月份的數(shù)據(jù)，作為決策者進(jìn)行決策的依據(jù)。

3、分圈層企業(yè)運(yùn)行態(tài)勢預(yù)測模型

3.1一圈層企業(yè)運(yùn)行態(tài)勢預(yù)測模型

一圈層主要包括成華區(qū)、高新區(qū)、金牛區(qū)、錦江區(qū)、青羊區(qū)和武侯區(qū)。

我們按照上述步驟，得到最終的預(yù)測值，如表1所示，可見，預(yù)測值與實(shí)際值之間相差并不大，誤差為0.099933%。

表1運(yùn)行監(jiān)測指標(biāo)按圈層（一圈層）ANN預(yù)測模型實(shí)際值與預(yù)測值對比表

3.2二圈層企業(yè)運(yùn)行態(tài)勢預(yù)警模型

二圈層主要包括龍泉、郫縣、青白江、雙流、溫江和新都。

我們按照上述步驟，得到最終的預(yù)測值，如表2所示，可見，預(yù)測值與實(shí)際值之間相差并不大，誤差為0.09995%。

表2運(yùn)行監(jiān)測指標(biāo)按圈層（二圈層）ANN預(yù)測模型實(shí)際值與預(yù)測值對比表

3.3三圈層企業(yè)運(yùn)行態(tài)勢預(yù)警模型

三圈層包括崇州、大邑、都江堰、金堂、蒲江、邛崍和新津。

我們按照上述步驟，得到最終的預(yù)測值，如表3所示，可見，預(yù)測值與實(shí)際值之間相差并不大，誤差為0.1%。

表3 運(yùn)行監(jiān)測指標(biāo)按圈層（三圈層）ANN預(yù)測模型實(shí)際值與預(yù)測值對比表

4、結(jié)束語

運(yùn)行監(jiān)測指數(shù)和信心指數(shù)能很好的反映成都市中小企業(yè)的發(fā)展運(yùn)營情況，本報(bào)告運(yùn)用人工神經(jīng)網(wǎng)絡(luò)這種高精度的預(yù)測方法，對這兩種指數(shù)進(jìn)行了預(yù)測，預(yù)測結(jié)果精確，經(jīng)濟(jì)意義顯著。能很好預(yù)測未來月份的中小企業(yè)的指標(biāo)值，從而為決策者的決策提供有力的支持和依據(jù)。

參考文獻(xiàn)：

[1]張乃堯，閻平凡.神經(jīng)網(wǎng)絡(luò)與模糊控制[M].北京： 清華大學(xué)出版社，1998.

第8篇

關(guān)鍵詞：安全審計(jì)；監(jiān)控系統(tǒng)；系統(tǒng)設(shè)計(jì)；系統(tǒng)應(yīng)用；信息網(wǎng)絡(luò)

中圖分類號：TP39；F239文獻(xiàn)標(biāo)識碼：A文章編號：1003-5168（2015）08-0006-3

隨著計(jì)算機(jī)技術(shù)、信息技術(shù)不斷推陳出新，各類威脅到網(wǎng)絡(luò)信息安全的因素越來越多，雖然防火墻與外部檢測技術(shù)等能夠在某種程度上防止網(wǎng)絡(luò)的外部入侵，保護(hù)數(shù)據(jù)信息不受侵犯［1］。但也會(huì)因入侵技術(shù)的更新和漏洞的長期存在而無法徹底保障網(wǎng)絡(luò)處于安全狀態(tài)。因此，在現(xiàn)有技術(shù)的基礎(chǔ)上，通過引入安全審計(jì)系統(tǒng)對用戶的網(wǎng)絡(luò)行為加以記錄，對網(wǎng)絡(luò)安全隱患給出評判具有重要的現(xiàn)實(shí)意義。

1網(wǎng)絡(luò)安全審計(jì)的必要性

1.1提高企業(yè)數(shù)據(jù)安全管理績效

近年來，我國信息化程度不斷加深，尤其新媒體技術(shù)和自媒體技術(shù)的出現(xiàn)，企業(yè)信息的網(wǎng)絡(luò)化、無邊界化趨勢越來越明顯，也使得網(wǎng)絡(luò)信息安全問題不斷突顯。在這種情況下，無論是企業(yè)本身還是參與網(wǎng)絡(luò)信息提供和維護(hù)的第三方，在端口和信息通道內(nèi)都加強(qiáng)了對信息安全策略的部署，無論是信息的控制還是數(shù)據(jù)的授權(quán)，都在大量管理制度和規(guī)則下運(yùn)行。即便如此，與網(wǎng)絡(luò)信息安全相關(guān)的各類故障還是不斷出現(xiàn)，甚至?xí)o企業(yè)的網(wǎng)絡(luò)運(yùn)營和實(shí)際經(jīng)營都造成了消極影響。但是，當(dāng)我們對信息安全漏洞進(jìn)行分析和查驗(yàn)時(shí)發(fā)現(xiàn)，一些嚴(yán)重的信息安全問題之所以會(huì)由于不合規(guī)、不合法而給利益相關(guān)者造成經(jīng)濟(jì)損失，其中一個(gè)重要原因便是一些內(nèi)部“合法”用戶的“非法”操作。這是因?yàn)椋瑢τ谝话愕木W(wǎng)絡(luò)信息或者數(shù)據(jù)，借助防火墻、防病毒軟件、反入侵系統(tǒng)等都能夠解決，在一定程度上能夠保證信息安全。可是一旦內(nèi)部人員在缺乏監(jiān)管的情況下進(jìn)行違規(guī)操作，就會(huì)使在信息外部建立起來的防線無能為力［2］。一項(xiàng)最新的調(diào)查顯示，企業(yè)內(nèi)部人員是對企業(yè)網(wǎng)絡(luò)信息進(jìn)行攻擊最為嚴(yán)重也最難防范的。在這種情況下，亟須提高企業(yè)的內(nèi)部審計(jì)能力，對內(nèi)部用戶的誤用、濫用信息行為進(jìn)行審計(jì)和監(jiān)管，對那些可能或者已經(jīng)造成各種安全事故的人員，在要求其協(xié)助網(wǎng)管人員找出原因外，還對其按照相關(guān)法律法規(guī)進(jìn)行嚴(yán)肅處理，以杜絕此類事件再次發(fā)生。

1.2提高網(wǎng)絡(luò)運(yùn)維績效

當(dāng)前，在網(wǎng)絡(luò)環(huán)境中構(gòu)建統(tǒng)一的安全審計(jì)平臺，提高網(wǎng)絡(luò)運(yùn)維績效，是十分必要的。在這一平臺之上，能夠?qū)χ匾O(shè)備系統(tǒng)的安全信息進(jìn)行統(tǒng)一監(jiān)管，以便能夠在海量數(shù)據(jù)中挖掘出有價(jià)值的信息，使信息的獲取和使用更加有效。可見，提高網(wǎng)絡(luò)信息的可靠性和真實(shí)性，借助網(wǎng)絡(luò)信息安全審計(jì)提供網(wǎng)絡(luò)運(yùn)維管理績效，是網(wǎng)絡(luò)化運(yùn)營需要認(rèn)真思考的問題［3］。實(shí)際上，信息的安全防御是信息安全審計(jì)的一種，都是要在信息生產(chǎn)的源頭對其進(jìn)行管理和監(jiān)控，并對可能對信息安全造成威脅的因素加以防范。而即便在信息源頭未能做到完全的安全防范，在事后也可以借助各種技術(shù)手段及時(shí)分析安全防御系統(tǒng)中可能存在的各類漏洞。甚至能夠在安全防御的過程中，對非法操作行為和動(dòng)作進(jìn)行還原，使違法、違規(guī)用戶的不當(dāng)操作暴露出來，為認(rèn)定其非法行為提供真實(shí)有效的客觀證據(jù)。因此，對網(wǎng)絡(luò)信息進(jìn)行安全審計(jì)是一項(xiàng)復(fù)雜的系統(tǒng)工程，不但要規(guī)范網(wǎng)絡(luò)、主機(jī)以及數(shù)據(jù)庫的訪問行為，還要對用戶的使用習(xí)慣、信息內(nèi)容形成和改變進(jìn)行監(jiān)控和審計(jì)，以便有效地完成對各類信息的監(jiān)管，提高信息質(zhì)量，為企事業(yè)單位的信息運(yùn)用和網(wǎng)絡(luò)運(yùn)營提供安全保障。

1.3提高網(wǎng)絡(luò)信息安全性

在網(wǎng)絡(luò)空間中，有以下安全問題值得用戶關(guān)注并予以重視：①通過訪問控制機(jī)制強(qiáng)化對網(wǎng)絡(luò)信息進(jìn)行安全審計(jì)和信息監(jiān)控是十分必要的，這種做法不但能提高網(wǎng)絡(luò)信息的安全性，還能在訪問控制的作用下，限制外來用戶對關(guān)鍵資源的訪問，以保證非法用戶對信息或數(shù)據(jù)的入侵，同時(shí)也能對合法用戶的行為進(jìn)行規(guī)范，防止因操作不當(dāng)而造成破壞［4］。需要注意的，訪問控制系統(tǒng)不但界定了訪問主體還界定了訪問，其目的在于檢測與防止系統(tǒng)中的非法訪問。而借助對訪問控制機(jī)制的管理和設(shè)計(jì)，能在很大程度上實(shí)現(xiàn)對網(wǎng)絡(luò)信息的安全審計(jì)，使網(wǎng)絡(luò)信息處在安全狀態(tài)；②雖然網(wǎng)絡(luò)是開放的，但網(wǎng)絡(luò)數(shù)據(jù)卻具有私有性，只有在被授權(quán)的情況下才能讓非用戶或者原始使用者訪問，否則將被控制在不可見的范圍。為了實(shí)現(xiàn)這一點(diǎn)，就需要進(jìn)行網(wǎng)絡(luò)安全管理，包括網(wǎng)絡(luò)安全審計(jì)，通過信息加密，比如加密關(guān)鍵字或者授權(quán)機(jī)制、訪問控制等。為了提高網(wǎng)絡(luò)信息安全水平，還要維護(hù)與檢查安全日志；③提高網(wǎng)絡(luò)信息安全性，為社會(huì)組織的網(wǎng)絡(luò)化行為提供安全保障，除了要對現(xiàn)實(shí)中傳輸?shù)男畔⑦M(jìn)行安全審查外，對網(wǎng)絡(luò)中傳輸?shù)男畔⒁惨M(jìn)行安全審計(jì)，通過對網(wǎng)絡(luò)操作行為的監(jiān)控，評判信息的安全等級，有針對性地對網(wǎng)絡(luò)加以控制。

2信息時(shí)代網(wǎng)絡(luò)安全審計(jì)的關(guān)鍵技術(shù)與監(jiān)控范疇

在網(wǎng)絡(luò)信息安全審計(jì)的過程中，為了最大限度地提高審計(jì)效果，不但需要借助多種信息、網(wǎng)絡(luò)和計(jì)算機(jī)技術(shù)，還應(yīng)進(jìn)一步界定網(wǎng)絡(luò)審計(jì)的監(jiān)控范圍，使網(wǎng)絡(luò)信息安全審計(jì)能夠在更為廣闊的領(lǐng)域得到應(yīng)用。

2.1網(wǎng)絡(luò)安全審計(jì)的關(guān)鍵技術(shù)

在前文的分析中可知，在當(dāng)前網(wǎng)絡(luò)環(huán)境中，網(wǎng)絡(luò)信息安全的直接威脅主要來自網(wǎng)絡(luò)內(nèi)部，要建立切實(shí)有效的監(jiān)督體制，對有破壞信息安全傾向的員工進(jìn)行監(jiān)督，以保障信息安全。為了實(shí)現(xiàn)這個(gè)目標(biāo)，除了要在制度上加以制約外，還應(yīng)借助以下網(wǎng)絡(luò)安全審計(jì)技術(shù)：①基于的網(wǎng)絡(luò)安全審計(jì)技術(shù)。借助該技術(shù)構(gòu)建起來的信息安全系統(tǒng)以網(wǎng)絡(luò)主機(jī)為載體，以分布式方式運(yùn)行。這一技術(shù)雖然能夠很好地防范信息安全威脅，但是由于監(jiān)視器是這一信息系統(tǒng)的核心模塊，需要高度保護(hù)，一旦出現(xiàn)故障，就會(huì)引發(fā)其他轉(zhuǎn)發(fā)器都陷入被動(dòng)境地，無法正常提交結(jié)果；②基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)安全審計(jì)技術(shù)。數(shù)據(jù)挖掘是近幾年被廣泛采用的信息安全技術(shù)，以此為基礎(chǔ)建立起來的網(wǎng)絡(luò)安全審計(jì)系統(tǒng)能夠借助數(shù)據(jù)挖掘技術(shù)或者大數(shù)據(jù)技術(shù)，以大量日志行為為樣本，對數(shù)據(jù)中體現(xiàn)出來的行為進(jìn)行描述、判斷與比較，特征模型，并最終對用戶行為特征和行為結(jié)果進(jìn)行界定；③基于神經(jīng)網(wǎng)絡(luò)的審計(jì)技術(shù)。神經(jīng)網(wǎng)絡(luò)是計(jì)算機(jī)應(yīng)用領(lǐng)域中廣泛采用的技術(shù)，該關(guān)鍵技術(shù)的使用能夠改變網(wǎng)絡(luò)單元狀態(tài)，使連接權(quán)值處在動(dòng)態(tài)之中，一旦加入一個(gè)連接或者移去一個(gè)連接，就能夠向管理者指示出現(xiàn)了事件異常，需要果斷采取行動(dòng)保證信息安全。單純使用該技術(shù)所產(chǎn)生的作用是十分有限的。一般情況下，要將多種技術(shù)配合使用，以便能對出現(xiàn)的異常情況做出解釋，這對確認(rèn)用戶或者事故責(zé)任人是有明顯幫助的；④借助專家系統(tǒng)構(gòu)建的網(wǎng)絡(luò)安全審計(jì)技術(shù)。該技術(shù)較于其他技術(shù)能夠?qū)⑿畔⑾到y(tǒng)的控制推理獨(dú)立出來，使問題的解決能夠借助輸入的信息。為了評估這些事實(shí)，在運(yùn)行審計(jì)系統(tǒng)之前，需要編寫規(guī)則代碼，而這也恰是能夠有效防范網(wǎng)絡(luò)信息安全威脅的有效手段。

2.2網(wǎng)絡(luò)信息安全審計(jì)的監(jiān)控范疇

2.2.1信息安全審計(jì)方法。經(jīng)驗(yàn)表明，一些網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)可以借助遠(yuǎn)程登錄完成對服務(wù)器的管理和對應(yīng)用系統(tǒng)、數(shù)據(jù)庫系統(tǒng)的記錄等，用戶的操作行為和操作習(xí)慣會(huì)在服務(wù)器上留下痕跡。該類安全審計(jì)一般要按照以下步驟進(jìn)行：采集對被審計(jì)單位的相關(guān)信息數(shù)據(jù)，以保證數(shù)據(jù)的全面性與完整性；對采集到的數(shù)據(jù)信息進(jìn)行綜合分析與處理，使之能夠轉(zhuǎn)換成對于審計(jì)工作對應(yīng)的數(shù)據(jù)形式；借助計(jì)算機(jī)審計(jì)軟件完成對審計(jì)數(shù)據(jù)的復(fù)核。按照業(yè)內(nèi)的經(jīng)驗(yàn)，在網(wǎng)絡(luò)信息安全審計(jì)的設(shè)計(jì)過程中，需要將數(shù)據(jù)采集環(huán)節(jié)作為整個(gè)審計(jì)工作的前提與基礎(chǔ)，是其中的核心環(huán)節(jié)，否則，將無法保證數(shù)據(jù)的完整性、全面性和準(zhǔn)確性以及及時(shí)性，后面的審計(jì)工作也就無法正常開展。一般而言，借助互聯(lián)網(wǎng)進(jìn)行審計(jì)數(shù)據(jù)的采集主要有直接讀取數(shù)據(jù)和記住數(shù)據(jù)庫連接件讀取兩種方式，它們之間具有相似性。按照這兩種方式完成數(shù)據(jù)采集，一旦其中一方數(shù)據(jù)的存儲(chǔ)格式改變，就應(yīng)及時(shí)對數(shù)據(jù)采集全部存儲(chǔ)格式進(jìn)行調(diào)整。這樣就會(huì)導(dǎo)致數(shù)據(jù)采集效率和效果受到影響，降低信息安全審計(jì)的靈活性。因此，在實(shí)際操作中，要保證數(shù)據(jù)存儲(chǔ)格式的一致性，防止審計(jì)低效。

2.2.2信息安全審計(jì)設(shè)備。在網(wǎng)絡(luò)信息安全審計(jì)中，只要將需要管理的網(wǎng)絡(luò)設(shè)備（比如出口路由器、核心交換機(jī)、匯聚交換機(jī)與接入交換機(jī)等）添加到相關(guān)安全審計(jì)系統(tǒng)之中，就能夠獲得發(fā)送過來的SNMP數(shù)據(jù)包。隨后，信息安全審計(jì)系統(tǒng)就會(huì)對數(shù)據(jù)包依據(jù)事件的等級和重要性予以分類，以便在后續(xù)的查詢和使用中更加方便。實(shí)際上，網(wǎng)絡(luò)的信息安全設(shè)備種類繁多，具體操作方法也大同小異。只要按照不同廠商設(shè)備的設(shè)置步驟和原則，開啟對應(yīng)的SNMP功能之后，將相關(guān)設(shè)備添加到網(wǎng)絡(luò)中安全審計(jì)系統(tǒng)之后，就能夠進(jìn)行相關(guān)操作。當(dāng)然，在這一過程中，要對串聯(lián)在網(wǎng)絡(luò)中的設(shè)備予以重點(diǎn)關(guān)注，要保證甚至能夠允許SNMP數(shù)據(jù)包通過。由此可以看出，借助安全設(shè)備實(shí)現(xiàn)對網(wǎng)絡(luò)信息的監(jiān)控和審計(jì)，能夠?yàn)榫W(wǎng)絡(luò)信息安全提供必要保障。當(dāng)然，由于監(jiān)控信息會(huì)不斷更新，加之由于海量數(shù)據(jù)造成的壓力，要依照實(shí)際需求確定監(jiān)控信息可以被記錄，以便能夠縮小記錄范圍，為信息安全審計(jì)提供更有價(jià)值、更具針對性的數(shù)據(jù)。

2.2.3信息安全審計(jì)流程。通過指派權(quán)限，設(shè)備管理員能夠更為直觀和真實(shí)地了解對應(yīng)設(shè)備的操作過程。如果在這一過程中出現(xiàn)了故障，可以對應(yīng)地分析和查找問題，找到解決問題的途徑。此外，網(wǎng)絡(luò)信息系統(tǒng)的類別較多，以不同平臺或者中間件定制開發(fā)的系統(tǒng)也不盡相同。在這種情況下，就需要以信息手冊為藍(lán)本，在與開發(fā)人員進(jìn)行溝通之后，確定開放日志接口，并將其納入到網(wǎng)絡(luò)信息安全審計(jì)的范疇。

3網(wǎng)絡(luò)信息安全審計(jì)監(jiān)控系統(tǒng)的設(shè)計(jì)與應(yīng)用

3.1網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)的運(yùn)行設(shè)計(jì)

當(dāng)前，網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)經(jīng)常使用兩個(gè)端口，其主要任務(wù)便是對聯(lián)入局域網(wǎng)系統(tǒng)的核心部位交換機(jī)與服務(wù)器進(jìn)行數(shù)據(jù)和信息交換。而為了更好地收集與存放信息安全審計(jì)數(shù)據(jù)，無論是系統(tǒng)日志還是安全審計(jì)系統(tǒng)的安全管控中心，都要設(shè)在同一服務(wù)器之上。這樣一來，基于網(wǎng)絡(luò)的信息安全審計(jì)系統(tǒng)就能夠在搜集安全審計(jì)系統(tǒng)內(nèi)部數(shù)據(jù)的同時(shí)，按照要求從相關(guān)子系統(tǒng)模塊中獲取數(shù)據(jù)，以保證各個(gè)系統(tǒng)內(nèi)的信息實(shí)現(xiàn)共享，提高信息安全審計(jì)的效率。

3.2網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)的實(shí)現(xiàn)

網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)不但是一個(gè)能夠幫助企業(yè)完成內(nèi)部經(jīng)濟(jì)管理與效益控制的系統(tǒng)，社會(huì)組織還能借助網(wǎng)絡(luò)安全監(jiān)控體系，實(shí)現(xiàn)對網(wǎng)絡(luò)操作對象的實(shí)時(shí)監(jiān)控，保證網(wǎng)絡(luò)操作中相關(guān)文件與數(shù)據(jù)的安全。這一審計(jì)系統(tǒng)的工作原理為：①借助網(wǎng)絡(luò)文件監(jiān)控能夠?qū)崿F(xiàn)消息的安全傳遞，借助標(biāo)簽維護(hù)可實(shí)現(xiàn)對安全標(biāo)簽的及時(shí)、正確處理；②借助多線程技術(shù)，構(gòu)建網(wǎng)絡(luò)信息安全監(jiān)控系統(tǒng)的驅(qū)動(dòng)程序消息控制模塊，實(shí)現(xiàn)對驅(qū)動(dòng)程序的全程監(jiān)視，并保證信息接收與發(fā)送過程處在安全保護(hù)之中；③借助系統(tǒng)程序中的文件對用戶進(jìn)程中的相關(guān)文件操作予以過濾、監(jiān)視和攔截，以保證網(wǎng)絡(luò)數(shù)據(jù)訪問處在全面審核與嚴(yán)格控制之中，使網(wǎng)絡(luò)環(huán)境中文件的安全得到保障。

3.3網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)的實(shí)際應(yīng)用

通常而言，網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)的實(shí)際應(yīng)用需要在動(dòng)態(tài)管理的狀態(tài)下進(jìn)行。只有這樣，才能在投入使用之后，完全、精準(zhǔn)地記錄用戶的網(wǎng)上操作行為，也能對數(shù)據(jù)庫服務(wù)器的運(yùn)行予以全面監(jiān)控。比如，一旦企業(yè)員工通過“合法手段”對業(yè)務(wù)系統(tǒng)的安全性造成了威脅，那么這類“非法操作”等網(wǎng)絡(luò)行為就會(huì)被記錄和禁止。這是因?yàn)橛脩舻南嚓P(guān)行為能夠映射到網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)之中，管理者能夠借此對用戶信息和相關(guān)操作進(jìn)行快速定位，在極短的時(shí)間內(nèi)就能夠查出事故責(zé)任人，為信息安全運(yùn)行和非法行為的處置都提供極大便利。此外，基于先進(jìn)技術(shù)建立起來的網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)，還可以在全局層面上監(jiān)視網(wǎng)絡(luò)安全狀況，對出現(xiàn)的任何問題都能夠予以有效把控，對那些可能造成企業(yè)重大變故或者機(jī)密、核心信息的外泄行為，能夠借助網(wǎng)絡(luò)信息實(shí)時(shí)動(dòng)態(tài)監(jiān)控系統(tǒng)做出積極反應(yīng)。

參考文獻(xiàn)：

［1］付曉坤.網(wǎng)絡(luò)安全審計(jì)技術(shù)的運(yùn)用［J］.中國水運(yùn)，2013（9）：50-51.

［2］張文穎.探討網(wǎng)絡(luò)安全中安全審計(jì)與監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.電腦知識與技術(shù)，2013（16）：37-38.

［3］伍閩敏.建設(shè)企業(yè)計(jì)算機(jī)網(wǎng)絡(luò)安全審計(jì)系統(tǒng)的必要性及其技術(shù)要求［J］.信息安全與技術(shù)，2011（12）：34-36.

第9篇

模式。

關(guān)鍵詞： 網(wǎng)絡(luò)安全 數(shù)據(jù)庫 審計(jì)技術(shù)

隨著科技信息化技術(shù)的迅速發(fā)展，各類網(wǎng)絡(luò)應(yīng)用系統(tǒng)也融入日常工作生活中，網(wǎng)絡(luò)作為各項(xiàng)網(wǎng)絡(luò)應(yīng)用的基礎(chǔ)凸顯出其重要性，網(wǎng)絡(luò)安全管理是保障網(wǎng)絡(luò)正常運(yùn)行的重要工作，在網(wǎng)絡(luò)安全管理中除了通過設(shè)備和配置實(shí)現(xiàn)安全防護(hù)，對于各種操作行為的安全審計(jì)不可忽視，合理運(yùn)用網(wǎng)絡(luò)安全審計(jì)技術(shù)相當(dāng)于為網(wǎng)絡(luò)開啟“監(jiān)視系統(tǒng)”，不僅能實(shí)現(xiàn)實(shí)時(shí)監(jiān)控，對出現(xiàn)的高風(fēng)險(xiǎn)行為及時(shí)警示提醒，同時(shí)完成設(shè)定時(shí)間段內(nèi)的操作行為存檔以備分析取證，更重要的是系統(tǒng)中積累的歷史數(shù)據(jù)通過統(tǒng)計(jì)和分析，能夠?yàn)楣芾碚咛峁┱鎸?shí)準(zhǔn)確的網(wǎng)絡(luò)健康報(bào)告，為未來建設(shè)規(guī)劃提供依據(jù)，在長航局網(wǎng)絡(luò)建設(shè)中運(yùn)用到網(wǎng)絡(luò)安全審計(jì)技術(shù)。

網(wǎng)絡(luò)安全審計(jì)技術(shù)概況

在國家出臺的信息安全等級保護(hù)標(biāo)準(zhǔn)中對網(wǎng)絡(luò)安全審計(jì)提出明確要求，包括對網(wǎng)絡(luò)設(shè)備、安全設(shè)備、服務(wù)器、應(yīng)用系統(tǒng)、數(shù)據(jù)庫系統(tǒng)以及相關(guān)設(shè)備進(jìn)行安全審計(jì)。網(wǎng)絡(luò)安全審計(jì)技術(shù)主要可分為日志審計(jì)、網(wǎng)絡(luò)審計(jì)和主機(jī)審計(jì)，通過啟用硬件設(shè)備和軟件系統(tǒng)的日志接口，獲取系統(tǒng)廣播的日志信息；對于核心網(wǎng)絡(luò)設(shè)備，通過旁路模式開啟數(shù)據(jù)鏡像端口或直接串聯(lián)在網(wǎng)絡(luò)中，獲取網(wǎng)絡(luò)數(shù)據(jù)包進(jìn)行解析；對于用戶行為審計(jì)可通過安裝客戶端，直接獲取用戶行為信息。

在實(shí)際使用中，根據(jù)網(wǎng)絡(luò)管理需要運(yùn)用相應(yīng)手段獲取必要的審計(jì)信息，在長航局網(wǎng)絡(luò)管理中對網(wǎng)絡(luò)設(shè)備、安全設(shè)備、重要服務(wù)器、重要應(yīng)用系統(tǒng)、重要數(shù)據(jù)庫系統(tǒng)的安全審計(jì)是重點(diǎn)，未采取安裝客戶端方式獲取用戶行為信息。

網(wǎng)絡(luò)安全審計(jì)技術(shù)實(shí)際運(yùn)用

在長航局網(wǎng)絡(luò)中網(wǎng)絡(luò)安全審計(jì)主要包括：網(wǎng)絡(luò)設(shè)備日志和操作過程記錄、安全設(shè)備日志和操作過程記錄、重要服務(wù)器日志、重要應(yīng)用系統(tǒng)日志及操作痕跡、重要數(shù)據(jù)庫系統(tǒng)日志及操作痕跡。

1、網(wǎng)絡(luò)設(shè)備和安全設(shè)備安全審計(jì)

網(wǎng)絡(luò)設(shè)備主要包括出口路由器、核心交換機(jī)、匯聚交換機(jī)和接入交換機(jī)，除部分接入交換機(jī)外，大部分網(wǎng)絡(luò)設(shè)備屬于可管理網(wǎng)絡(luò)設(shè)備，進(jìn)入網(wǎng)絡(luò)設(shè)備配置模式，配置只讀權(quán)限用戶，啟用SNMP功能，不同廠商設(shè)備略有不同。將需要管理的網(wǎng)絡(luò)設(shè)備添加到網(wǎng)絡(luò)中安全審計(jì)系統(tǒng)中，就可以獲取到網(wǎng)絡(luò)設(shè)備發(fā)送的SNMP數(shù)據(jù)包，安全審計(jì)系統(tǒng)會(huì)對收到的數(shù)據(jù)包按照事件等級進(jìn)行分類，以便查詢。

網(wǎng)絡(luò)安全設(shè)備種類較多，如防火墻、入侵防護(hù)設(shè)備、防病毒網(wǎng)關(guān)、VPN設(shè)備、行為管理設(shè)備、流量控制設(shè)備等，根據(jù)各個(gè)廠商設(shè)備的設(shè)置，開啟對應(yīng)的SNMP功能，添加到網(wǎng)絡(luò)中安全審計(jì)系統(tǒng)中操作和網(wǎng)絡(luò)設(shè)備類似，需要注意的是串聯(lián)在網(wǎng)絡(luò)中的設(shè)備應(yīng)設(shè)置允許SNMP數(shù)據(jù)包通過。安全設(shè)備通過安全策略和監(jiān)控功能實(shí)現(xiàn)對網(wǎng)絡(luò)安全保障，其監(jiān)控信息實(shí)時(shí)更新，數(shù)據(jù)量較大，應(yīng)根據(jù)需求確定需要記錄的監(jiān)控信息。

部分安全審計(jì)系統(tǒng)能夠通過其登錄管理網(wǎng)絡(luò)設(shè)備和安全設(shè)備，并且記錄下用戶的操作痕跡，通過指派權(quán)限，設(shè)備管理員對對應(yīng)設(shè)備的操作能夠直觀的展現(xiàn)出現(xiàn)，以便出現(xiàn)故障時(shí)分析查找問題。

2、服務(wù)器、應(yīng)用系統(tǒng)及數(shù)據(jù)庫安全審計(jì)

服務(wù)器由于硬件類別不同（如小型機(jī)、PC服務(wù)器、刀片服務(wù)器），安裝的操作系統(tǒng)不同（如Windows、Linux），用途不同（如單機(jī)、集群、服務(wù)器虛擬化），開啟SNMP功能方式有所不同，應(yīng)根據(jù)具體情況進(jìn)行操作。開啟SNMP功能的服務(wù)器按照安全審計(jì)系統(tǒng)對于類別登記并納入管理。

應(yīng)用系統(tǒng)類別也比較多，基于不同平臺、中間件定制開發(fā)的系統(tǒng)各不相同，應(yīng)按照其提供的手冊或通過開發(fā)人員溝通，開放日志接口，納入安全審計(jì)系統(tǒng)管理。

數(shù)據(jù)庫主要分為Orcale、MSSQL、DB2等幾類，有統(tǒng)一規(guī)范的操作方法，按照對應(yīng)數(shù)據(jù)庫類別的操作方法，將其納入安全審計(jì)系統(tǒng)，實(shí)現(xiàn)對數(shù)據(jù)庫查詢、讀寫、會(huì)話情況的記錄和審計(jì)。

對服務(wù)器、應(yīng)用系統(tǒng)、數(shù)據(jù)庫的操作行為安全審計(jì)一般通過設(shè)置所在網(wǎng)絡(luò)設(shè)備數(shù)據(jù)鏡像接口方式實(shí)現(xiàn)。同樣，部分安全審計(jì)系統(tǒng)能夠通過遠(yuǎn)程登錄方式去管理服務(wù)器及應(yīng)用系統(tǒng)、數(shù)據(jù)庫系統(tǒng)，記錄下用戶的操作痕跡，通過指派權(quán)限，設(shè)備管理員對對應(yīng)被管理對象的操作能夠直觀的展現(xiàn)出現(xiàn)，以便出現(xiàn)故障時(shí)分析查找問題。

3、安全審計(jì)設(shè)備管理

按照網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)，安全審計(jì)設(shè)備（系統(tǒng)）部署到合適的位置，數(shù)量有可能是一臺或多臺，超過一臺時(shí)應(yīng)根據(jù)其特點(diǎn)進(jìn)行功能分工，接入方式以旁路為主。配置好網(wǎng)絡(luò)后，登錄管理安全審計(jì)設(shè)備，除添加各個(gè)被管理對象外，應(yīng)對各類事件按照重要程度定義好級別或閥值，設(shè)置報(bào)警相關(guān)配置，定義好報(bào)表模板和報(bào)送方式，形成周期性報(bào)表以便保存和分析用。對于審計(jì)設(shè)備自身管理也應(yīng)嚴(yán)格權(quán)限，按照管理需要分配不同類別管理權(quán)限，同時(shí)按照設(shè)備存儲(chǔ)空間設(shè)置合理記錄保存周期，或定期導(dǎo)出存儲(chǔ)的記錄。

網(wǎng)絡(luò)安全審計(jì)參考模式

綜合網(wǎng)絡(luò)安全審計(jì)技術(shù)在實(shí)際中的運(yùn)用方式方法，可以列出網(wǎng)絡(luò)安全審計(jì)的使用參考模式，如圖1所示。

對網(wǎng)絡(luò)設(shè)備、安全設(shè)備、服務(wù)器、應(yīng)用系統(tǒng)、數(shù)據(jù)庫系統(tǒng)等相關(guān)對象可以通過開啟日志功能管理。

通過獲取網(wǎng)絡(luò)數(shù)據(jù)包，可以深入記錄分析更多行為操作。

對網(wǎng)絡(luò)安全設(shè)備的分權(quán)限管理實(shí)現(xiàn)事件定級、分類、報(bào)警、形成統(tǒng)計(jì)分析報(bào)表。

圖1