導言：作為寫作愛好者，不可錯過為您精心挑選的10篇網絡行為審計，它們將為您的寫作提供全新的視角，我們衷心期待您的閱讀，并希望這些內容能為您提供靈感和參考。

篇1

一、企業財務危機預警的現實意義

財務危機是由于種種原因導致的企業財務狀況持續惡化，財務風險加劇，出現不能清償債務的信用危機，直至最終破產的一系列事件的總稱。財務危機將危害到企業正常的生產經營，制約企業的發展后勁，打亂企業正常的生產經營秩序，挫傷職工的生產積極性等。而有效的企業預警機制能夠起到提高企業危機管理意識，提高企業適應能力和競爭能力等作用，對企業進行有效的監督和預警也直接關系到企業相關利益人決策、市場競爭機制的客觀要求、財務監督、財務預測等方面。所以，對我國企業財務危機進行有效的預警就變得迫切和必要。

二、財務危機預警模型指標體系的選擇

任何一種經濟現象都具有多方面的特征，財務指標體系就是對經濟現象特征的整體描述。在以往的研究成果和我國的企業評價指標體系的基礎上，結合我國企業的具體特征，充分考慮各個指標的實際應用效果和獲取指標的難易程度，可選擇下列指標來建立適合我國企業財務危機預警模型的指標體系：資產負債率；流動比率；凈資產收益率；總資產周轉率；主營業務收入增長率和每股經營活動產生的現金流量凈額。這些指標兼顧到了償債能力、盈利能力、資產營運能力、增長能力以及現金流量狀況五個方面，同時鑒于針對的是企業的財務危機的預警指標，所以在選擇構成指標時，也適當側重了企業的償債能力和盈利能力指標。

三、基于BP神經網絡的財務危機模型的建立及預測結果分析

（一）BP神經網絡原理與財務危機預警的可行性分析

BP神經網絡是一種調整連接權值及結點閾值時采用的誤差逆傳播學習方法，是一種典型的誤差修正方法。其基本思想是：把網絡學習時輸出層出現的與“事實”不符的誤差，歸結為連接層中各單元間連接權值及閾值的“過錯”，通過把輸出層單元的誤差逐層向輸入層逆向傳播以“分攤”給各連接單元，并據此對各連接權進行相應的調整，使網絡適應所要求的映射（圖1）。而財務危機預警的6項指標與企業的財務狀況之間的關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出的數學統計學特征的準確表達正是神經網絡的優勢所在，為此，我們認為神經網絡是可行的。

（二）財務危機預警模型樣本的選擇

考慮到我國近幾年在經濟、法律、會計方面進行了較大的政策調整，因此在選擇樣本的過程中我們選取了信息較為連續可比、取得較為容易的上市公司中制造業行業的6個子行業2000―2002年之間的數據，選擇了行業中25家ST公司和25家非ST公司作為訓練樣本，ST公司樣本數據為其被ST的前一年的數據資料，隨機選擇的非ST公司的樣本數據為與ST公司同期的數據。我們還選擇了2003年同行業的38家ST公司和隨機選擇的同期非ST公司作為檢驗樣本，用模型的預測結果與已知的實際結果進行對照，以檢驗模型的準確性。選擇這一期間的樣本數據是因為這些樣本數據的時間跨度不大，在這幾年中，國家的會計制度、稅收政策和退市制度也沒有太明顯的變化，整個國民經濟的發展比較穩定，無明顯的經濟周期影響。

（三）網絡結構及參數的選取

1.網絡結構的確定

輸入節點數由控制的目標確定，控制目標為6個，因此輸入節點數為6個；輸出節點數由風險因素確定，輸出節點為2個。一個S型隱含層加上一個線性輸出層的網絡，能夠逼近任何有理函數，增加隱層數主要可以更進一步降低誤差，提高訓練的精度，本系統中只設一個隱含層，主要通過調節隱層節點數、動量項、學習率提高網絡的訓練精度。

2.各參數選取

把經過處理后88組樣本數據輸入到神經網絡，前50組作為訓練樣本，后38組作為預測樣本，網絡的預期誤差0.001。利用神經網絡系統對學習數據反復訓練，得到實驗結果最好的一次，各參數如下：

動量項?準=0.3；學習率?濁=0.4；學習次數n=10000；隱層節點數p=6；網絡實際誤差?孜=0.0024

（四）財務危機預警預測結果分析

利用前述訓練結果，對38個檢驗樣本進行預測，預測的結果（表3）根據下列標準進行判斷，如果預測結果逼近于1，則判斷為非財務危機公司，如果預測結果偏離1就可判斷有財務危機的可能性，可以發出財務危機預警。

通過預測結果與實際結果的比較，可以得出以下驗證結果：

1.對于非ST公司，預測的準確率為94.74%；

2.對于ST公司，預測的準確率為84.21%；

3.綜合預測準確率為89.47%。

四、該財務危機預警模型的局限性分析

利用神經網絡進行財務危機預警模型的研究，從模型的訓練和預測結果可以看出，還是具有一定的可行性和有效性。但也存在一些問題：

（一）忽視了企業規模對企業財務狀況的影響

本次研究中所選擇的ST樣本是所屬行業的全部樣本量，而配對樣本則是隨機抽取的，在選擇的過程中，沒有重點關注企業規模對財務危機指標標準的不同要求。

（二）非ST樣本公司的代表性

所選取的ST企業被界定為財務危機公司還不容易引起爭議，但對非ST公司而言，每個公司仍然存在財務狀況非常好、較好或一般的差異，因此用不同的非ST公司和ST公司配對，就不能排除財務危機公司財務狀況之間的差異，這也直接影響了預測數據判別的準確率。

（三）ST界定自身具有的不適應性

根據我國對ST公司的劃分標準，可以看出其主要看中的還是公司的盈利能力和資本結構比率，而財務危機是企業綜合財務狀況出現問題的集中表現，它受到多項能力和指標的影響，兩者之間并不對等。

（四）神經網絡理論自身的缺陷

神經網絡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，他會有自動刪除樣本“噪聲”和自動調整的功能，如果其修正數據的過程中出現偏差，或訓練過程中參數確定的不準確，也會直接影響預測的準確性。

（五）樣本選擇的局限性

本次預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，連續數據的選擇也導致了數據的時效性較差，對當前新經濟形勢下的企業財務危機的參考作用有待觀察。

五、結論

財務危機預警模型通過神經網絡原理，在目前是可以實現的，只要在模型建立的過程中，將不穩定因素的影響降低到最低，就可以極大地提高預測的準確率。另外，由于不同的行業有其不同的生產和財務特性，他們的數據表現的要求也不盡相同，因此對于差異較大的行業，應適當建立行業財務危機預警模型，以更好地提高預測的準確程度。

當然，企業財務危機預警模型作為財務危機預警系統的一個有機組成部分。它的作用必須借助于整個系統作用的發揮，也需要企業的高層管理者確實認識到財務危機預警的必要性，才能真正實現對財務危機抑制和防范作用。

【參考文獻】

篇2

中圖分類號： TN927?34 文獻標識碼： A 文章編號： 1004?373X（2013）09?0040?03

0 引 言

高功率放大器是衛星通信系統中的重要組成部分，當其工作在飽和區附近時，衛星信道具有嚴重的非線性。這種非線性對信號的影響主要有兩方面[1]：一是信號星座圖發生變形，造成碼間串擾（ISI）；二是頻譜再生，引起鄰近信道干擾（ICI）。

隨著現代通信技術和多媒體業務的高速發展，大容量高速率的信息傳輸十分必要，衛星通信也以不可抵擋之勢向高速率大容量的方向迅猛發展。由于通信速率和通信帶寬的迅猛增加，頻譜資源越來越緊張，現代衛星通信更趨向于采用比恒包絡調制頻譜效率更高的幅度相位聯合調制方式，如DVB?S2標準中的APSK等調制方式[2?3]。與傳統的相位調制技術相比，APSK信號由于其信號幅度的變化，對衛星信道的非線性失真更加敏感。為保證通信性能，必須對信道的非線性失真進行補償。

1 高功放的非線性特性及其對系統性能的影響

高功放的工作特性分為線性區和非線性區，當輸入信號功率較低時，輸出和輸入功率關系是線性的；當輸入功率較高時，輸出和輸入功率關系呈現出非線性，當輸出功率達到飽和，再增加輸入功率，輸出功率不會增大還可能會減小。

高功放非線性模型非常多，本文采用經典的Saleh模型，該模型中幅度和相位的輸出僅與輸入信號的幅度有關。其幅度和相位轉移特性曲線如圖1所示，當輸入信號歸一化幅度小于0.6時，幅度轉移和相位轉移呈現線性，大于0.6時，其轉移特性呈現非線性。

圖2為16APSK信號經過非線性高功放的收發信號星座圖。可以看出，接收信號星座圖已經發生嚴重畸變，外圈星座點半徑被壓縮，內圈星座點半徑擴大，內外圈星座點歐式距離被縮小；星座點相對原來位置發生逆時針旋轉；碼間串擾很大，星座點扭曲嚴重。由于高功放非線性效應的影響，在不加補償的情況下，接收機已經不能正常工作。

2 正交基神經網絡

正交基前向神經網絡模型如圖3所示。該網絡模型由輸入層、隱藏層和輸出層組成。其中輸入層、輸出層各有一個神經元，使用線性激勵函數[f（x）=x]，隱藏層有[n]個神經元，采用一組階次逐漸增高的正交多項式[φ（x）]作為其激勵函數。

傳統的神經網絡存在收斂速率慢和易陷入局部極小等缺點，文獻[4]提出了一種Chebyshev正交基神經網絡，該網絡的隱藏層神經元采用Chebyshev正交多項式，即文獻[4]采用基于偽逆的方法，實現了一步權值直接確定，不需要迭代，具有更高的計算速率和工作精度，同時不存在局部極小的問題。考慮到Chebyshev正交基神經網絡的優點，將其應用到衛星非線性信道的補償技術中。

3 基于正交基神經網絡的預失真補償算法

篇3

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 03. 034

[中圖分類號] F272.92 [文獻標識碼] A [文章編號] 1673 - 0194（2014）03- 0074- 05

人力資源危機在旅行社行業吸引人才、培養人才、留住人才的各個環節都有體現，影響旅行社行業人力資源管理的效果，影響旅行社行業的穩定與發展。因此，如何對旅行社行業人力資源危機狀況進行評判，進而采取應對措施，是當前旅行社行業人力資源管理的一個迫切任務。本文引入人工神經網絡中的BP網絡，構建河南省旅行社人力資源危機預警模型，以期提早應對危機。

1 BP網絡簡介

BP網絡由一個輸入層、若干隱含層和一個輸出層構成，是一種具有3層或者3層以上結構的多層神經元網絡，網絡中的神經元分層排列，它的左、右各層之間各個神經元實現全連接，即左層的每一個神經元與右層的每個神經元都有連接，而上下層各神經元之間無連接。每一層內神經元的輸出均傳送到下一層，這種傳送由連接權來達到增強、減弱或抑制的作用，除了輸入層的神經元以外，隱含層和輸出層神經元的凈輸入是前一層神經元輸出的加權和。每個神經元均由它的輸入、活化函數和閾值來決定它的活化程度。在人工神經網絡的實際應用中，80%～90%的模型是采用BP網絡或它的變化形式。BP網絡可以有多層，但前向三層BP網絡最具代表性，應用也最為廣泛。

2 基于BP網絡的河南省旅行社人力資源危機預警模型的構建

2.1 構建旅行社人力資源危機預警指標體系

人力資源危機預警指標體系由一系列能敏感反映人力資源管理活動狀態和結果表現的指標構成。筆者通過分析河南省旅行社人力資源危機現狀，遵循靈敏性、科學性、可測度性、相對獨立性、預見性和可比性等原則，篩選出獨立性較強、代表性較強和貢獻性高的最小評價指標體系，本文借助了專家打分的方法，各指標的具體值域范圍見表1。

2.2 建立基于BP網絡的旅行社人力資源危機預警模型

2.2.1 用主成分分析法對模擬數據進行預處理

根據表1，本文共模擬了8組數據（見表2），以建立基于BP網絡的河南省旅行社人力資源危機預警模型。

對表2中的極小值指標（如員工隱性流失率等）先取倒數，再利用SPSS統計分析軟件進行主成分分析，所得結果見表3。

本文共提取出6個公共因子，其特征值的方差貢獻率累積達到了96.044%（通常情況下，累積貢獻率達到85%即可）。本文選擇參數0.65作為劃分主要、次要指標的載荷系數臨界值，以滿足下一步研究的要求。最后得到由10項指標構成的新的人力資源投資風險預警評價指標體系，如表4所示。

2.2.2 BP網絡模型輸入節點的選擇

根據 Kolmogorov定理（即映射網絡存在定理），一個三層BP網絡即可在任意希望的精度上實現任意的連續函數 。因此，本研究中采用三層BP網絡模型。影響旅行社人力資源危機度的評價因子主要有人才引進率、招聘引進員工勝任度等10個，因此，可確定BP網絡的輸入層節點數為10。

本文選擇上述簡化后的10項指標作為BP模型的輸入節點。由于BP神經網絡的隱層一般采用Sigmoid轉換函數，為提高訓練速度和靈敏性以及有效避開Sigmoid函數的飽和區，一般要求輸入數據的值在0～1之間。因此，需要對輸入數據進行預處理。

進行輸入節點的輸入時，需要先對原始的模擬數據進行歸一化處理，將它們轉化為閉區間[0，1]上的無量綱性指標值。本著盡可能體現被評價對象之間的差異化原則，即使其離差平方和最大的原則，本文采用了極值處理法進行歸一運算：

若Mj = max{xij}，mj = min{xij} 則x′ij = ■

式中，xij為原始數據，x′ij∈[0，1]為歸一化后的無量綱性指標，其歸一化結果見表5。

2.2.3 BP網絡模型隱層節點的選擇

對于隱層節點的選擇是一個非常復雜的問題，因為神經網絡巨量并行分布的結構和非線性的動態特性決定了從理論上得到一個簡單通用的簡潔解析表達式或隱層單元確定公式是十分困難的，甚至是不可能的。隱層節點數的選擇與問題的要求和輸入輸出單元的多少都有直接關系：如果隱節點數過少，網絡不強壯，就不能識別以前沒有看到的樣本，容錯性就差，或由于網絡太小可能訓練不出來；但隱節點太多又會使學習時間過長，誤差也不一定最佳。因此，必定存在一個最佳的隱節點數，可用公式q = ■ + a作為參考。其中，q為隱含節點數，m為輸入神經元數，n為輸出神經元數，a為1 ～ 10之間的常數。

為使隱節點數更合適，本文將根據網絡的實際輸出與期望輸出矢量的均方誤差大小及訓練步數的多少來綜合確定，最終隱含節點選為9，其模型訓練精度最佳，訓練步數也最少。

2.2.4 BP網絡模型輸出節點的選擇

從表5中選出對應于新預警評價指標體系的數據再次進行主成分分析，步驟同前，所得結果如表6所示。

本文共提取出4個公共因子，其特征值的方差貢獻率累積達到92.232%。它們共同決定旅行社人力資源危機的狀況。

公因子1上載荷值大于0.65的指標有：招聘引進員工勝任度、培訓與員工需求吻合度、員工對評價制度和使用制度的滿意度，涉及旅行社人力資源危機的多個部分，可稱之為“綜合因子”；公因子2上的載荷值大于0.65的指標有：人力資本投資收益率、病假發生率，可稱之為“員工發展與保健因子”；公因子3上的載荷值大于0.65的指標有：員工對激勵機制的滿意度、缺勤率，可稱之為員工“價值取向因子”；公因子4上的載荷值大于0.65的指標主要有：員工離職增長率，主要是對員工流失指標的反映，可稱之為“員工流失因子”。

第一，計算各公因子的得分。由于在查找旅行社人力資源危機風險因素提出對策時，通常只研究各公共因子上的主要載荷指標，而不考慮其他冗余指標。因此，為使警情分析輸出更精確，從而能更準確地分析旅行社人力資源危機風險的內容，更有針對性地提出人力資源危機預警對策，本文忽略各公因子內部的冗余指標（載荷系數小于0.65的指標），只根據主要指標（載荷系數大于等于0.65的指標）的載荷系數，通過下列算式來計算各公共因子得分：

FP1 = ■

FP2 = ■

FP3 = ■

FP4 = ■ = t34

式中，tij是表中指標Xij均值為0、標準差為1的標準化變量；p為數組序號，p = 1，2，…，8。？搖

第二，以各公共因子的方差貢獻率占4個因子總方差貢獻率的比重作為權重進行加權匯總，得出各數組的最終因子綜合得分Fp：

Fp = ■

通過綜合因子Fp（見表7）來反映旅行社人力資源危機程度，據此制定相應的防范策略。BP網絡最后一層的傳輸函數Purelin使得網絡輸出可以是任意值，因此，本文將旅行社人力資源危機預警層次設置為4個級別，如表8所示，BP網絡的輸出層節點數為4，代表不同的旅行社人力資源危機等級，即安全、基本安全、風險和較大風險，4個等級對應的標準輸出分別為[1000]、[0100]、[0010]、[0001]。

依前分析輸出節點選擇4個，10組輸出的4個端子的數值就對應于10組人力資源危機預警指標數據所反映的旅行社人力資源危機狀況。

結合旅行社人力資源危機的表現形式，本文提出了以下人力資源危機等級所對應的標準（見表8）。

Ⅰ級狀態：旅行社人力資源各方面管理良好，沒有明顯危機跡象，處于安全狀態，但仍需注意各方面的情況，防止突發性危機的出現。

Ⅱ級狀態：旅行社人力資源各方面正常，基本看不出什么問題，不過需要提前采取相應措施以提防潛在危機和突發性危機的發生。

Ⅲ級狀態：旅行社人力資源出現危機，會帶來一定的損失，但不明顯，會對旅行社人力資源各方面造成一定負面影響。

Ⅳ級狀態：旅行社人力資源出現嚴重危機，對人力資源各方面造成非常明顯和嚴重的影響，甚至導致旅行社倒閉。

綜上所述，本文建立的BP網絡人力資源危機預警模型的構造為：10 × 9 × 4（即10個輸入神經元，9個隱層神經元，4個輸出神經元）。

3 基于BP網絡的旅行社人力資源危機預警模型的訓練和檢測

本文采用MATLAB工程計算軟件的神經網絡工具箱設計、訓練并檢測已建立的BP神經網絡預警模型。

3.1 基于BP網絡的旅行社人力資源危機預警模型的訓練

本文將表6歸一化后的前6組指標值作為BP網絡的輸入，由表7確定的風險程度矩陣作為與之相對應的期望輸出，導入MATLAB的圖形用戶界面――GUI（Graphical User Interfaces），即可創建網絡進行訓練。主要訓練參數設置如下（未提及的參數均采用默認值）。

（1） 訓練函數：TRAINLM函數，它適用于中、小規模網絡的函數擬合問題，收斂快，收斂誤差小。

（2） 權值調節規則：LEARNGDM函數，采用動量梯度下降方法對權值和閾值進行調整。

（3） 網絡層數：3層。

（4） 性能函數：MSE函數，表示輸出矢量與目標矢量之間的均方誤差。

（5） 期望誤差：ε = 0.001。

由圖1可知，當網絡訓練至第三步時，網絡性能達標。BP網絡模型的訓練輸出見表9，至此，BP網絡模型訓練完畢。

3.2 基于BP網絡的旅行社人力資源危機預警模型的檢測

同理，用第7、第8組歸一化后的指標數據及對應的風險程度矩陣作為模型檢測的輸入和期望輸出，檢測結果見表10。檢測結果表明，實際輸出與期望輸出十分接近，誤差滿足要求。

由此可以得出結論，基于BP網絡建立的旅行社人力資源危機預警模型是有效的，可以用這個經過訓練、檢測完畢的BP網絡危機預警模型對旅行社人力資源危機進行預警實證研究，以防范人力資源風險，保證旅行社企業良性運行，同時對整頓治理旅游市場秩序起到監督和促進作用。

主要參考文獻

篇4

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

該文采用隨機Dropout卷積神經網絡，筆者將此法的優點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，現在的原始圖像即可實現直輸功能，因其特性得到廣泛研究與應用。另外，卷積神經網絡在圖像的處理中能夠將指定的姿勢、陽光的照射反應、遮避、平面移動、縮小與放大等其他形式的扭曲達到魯棒性，從而達到良好的容錯能力，進而可以發現其在自適應能力方面也非常強大。因為卷積神經網絡在之前建立網絡模型時，樣本庫為訓練階段提供的樣本，數量有限，品質上也很難滿足要求，致使網絡權值參數不能夠完成實時有效的調度與整理。

1 卷積神經網絡

據調查卷積神經網絡由K.Fukushima在80年代提出，那時候它被稱為神經認知機，這一認知成為當時的第一個網絡，后來網絡算法發生了規模性變革，由LeCun為代表提出了第一個手寫數字識別模型，并成功投入到商業用途中。LeNet被業界冠以卷積神經網絡的代表模型，這類系統在很多方面都起到了不容小趨的作用，它多數應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。

筆者經查閱資料發現卷積神經網絡其實是由兩個種類組合而來，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層神經網絡，就是由分類器來進行安排的。卷積神經網絡中的局部區域得到的感覺、權值的參數及子采樣等可以說是重要網絡結構特征。

1.1 基本CNN網絡結構

圖1中就是最為經典的LeNet-5網絡模型結構圖。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，后兩層體現的是分類器。

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

（1）

式中：卷積后的圖像與一個偏置組合起來，使函數得到激活，因此特征圖變誕生了，通過輸出得到了6個尺寸的特征圖，這6個尺寸均為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個同尺寸圖再經由下面的子采樣2×2尺寸，再演變成特征圖，數量還是6個，尺寸卻變成了14×14，具體運算如公式（2）：

通過表2我們可以使xi生成的和與采樣系數0.25相乘，那么采樣層的生成也就是由加上了一個偏置，從而使函數被激活形成了采樣層的第1個層次，以下我們簡要稱為s1；這種過程我們可反復運用，從而呈現出卷積層中的第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。

神經網絡的識別，我們可以看到它是由激活函數而形成的一個狀態，這一狀態是由每個單元的輸出而得；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層所有特征圖進行了串連，簡要稱之為c5；因而2層得到了退變與簡化效應，從而使該神經網絡成為經典，簡要稱之為F6，向量及權值是由F6 輸送，然后由點積加上偏置得到結果的有效判定。

1.2 改進的隨機DropoutCNN網絡

1.2.1 基本Dropout方法

神經網絡泛化能力能夠得到提升，是基于Dropout方法的深入學習。固定關系中存在著節點的隱含，為使權值不再依附于這種關系，上述方法可隨機提取部分神經元，這一特性是通過利用Dropout在網絡訓練階段中隨機性而得，對于取值能夠有效的存儲及保護存留，這一特性在輸出設定方面一定要注重為0，這些被選擇的神經元隨然這次被抽中應用，但并不影響下次訓練的過程，并具還可以恢復之前保留的取值，那么每兩個神經元同時產生作用的規避，可以通過重復下次隨機選擇部分神經元的過程來解決；我們通過這種方法，使網絡結構在每次訓練階段中都能呈現不同變化，使一些受限制的特征，不再受到干擾，使其真正能展現自身的優點，在基于Dropout方法中，我們可以將一些神經元的一半設為0來進行輸出，隨機神經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合。

1.2.2 隨機Dropout方法

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

2 實驗及結果分析

2.1 實驗方法

卷積神經網絡通過實驗，通過輸入層呈現一灰色圖像，該圖像尺寸被設定成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定為5×5的尺寸，子采樣系數控制值為0.25，采用SGD迭代200次，樣本數量50個進行設定，一次誤差反向傳播實現批量處理，進行權值調整。實驗采用交叉驗證留一法，前四層為特征提取層，C1-S1-C2-S2按順序排列，6-6-12-12個數是相應特征，通過下階段加入隨機Dropout，這階段為雙層也就是兩層，進行連接，連接層為全體，從而可知結果由分類得出，又從輸出層輸出。

2.2 實驗結果分析

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

3 結語

筆者基于Dropout卷積神經網絡，人體行為識別在視頻中進行， 通過Weizmann數據集檢測實驗結果，隨機Dropout在分類器中加入。通過實驗可以得知：隨機Dropout的加入，使卷積神經構建了完美網絡模型，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

篇5

摘 要:

針對無線傳感器網絡(WSN)開放性和資源受限導致易受外部和內部攻擊以及節點失效等問題，提出了一種高效、安全的可信節點間身份認證方案。方案采用基于身份和雙線性對理論實現認證密鑰協商與更新，通過基于Beta分布的節點行為信譽的管理計算其信任度，利用信任度識別節點是否可信并采用對稱密碼體制結合信息認證碼實現可信節點間認證。方案不僅能防范竊聽、注入、重放、拒絕服務等多種外部攻擊，而且能夠抵御選擇性轉發、Wormhole攻擊、Sinkhole攻擊和女巫攻擊等內部威脅。與SPINS方案相比，所提方案在同一網絡環境下有較長的網絡生命期、較小的認證時延、更高的安全性及可擴展性，在無人值守安全性要求較高的WSN領域具有較好的應用價值。

關鍵詞： 無線傳感器網絡；可信認證；節點行為；基于身份；Beta分布；雙線性對

中圖分類號：TP309文獻標志碼:A

英文標題

Node behavior and identitybased trusted authentication in wireless sensor networks

英文作者名

LIU Tao1,2*, XIONG Yan1, HUANG Wenchao1, LU Qiwei1, GONG Xudong1

英文地址(

1. College of Computer Science and Technology, University of Science and Technology of China, Hefei Anhui 230027, China;

2. School of Computer and Information, Anhui Polytechic University, Wuhu Anhui 241000, China英文摘要)

篇6

（2）高度的非線性全局作用。

（3）良好的容錯性與聯想記憶功能。

（4）十分強的自適應、自學習能力。[2]

近年來，人工神經網絡已經在制冷空調方面有了一些應用。[5]、[7]

1 微型冷熱電聯供系統實驗裝置設計 1.1 系統描述

上海交通大學制冷與低溫工程研究所孔祥強[1]等建立了制冷功率在10 kW左右的微型冷熱電聯供系統試驗臺，整個系統采用了一臺小型燃氣發電機組和一臺研究所自己研制的余熱型吸附式制冷機，其系統圖見圖1。系統設計參數見表1。

1.2 實驗參數儀器

系統的測試參數包括

（1）熱水循環、冷卻塔冷卻水循環、冷凍水循環的狀態參數（主要有溫度和流量）；

（2）液化氣供應的狀態參數（主要有壓力、溫度和流量）；

（3）空氣供應的狀態參數（主要是溫度和流量）

（4）小型燃氣內燃機排煙的狀態參數；

篇7

1、人工神經網絡

人工神經網絡是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點（或稱神經元）和之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。

2、基于人工神經網絡的預測模型的構建

在運用ANN預測模型預測這兩個指標時，我們采取下面的預測步驟：

（1）首先將1-6月份的數據標準化，及轉化為0-1之間的標準化數據；

（2）我們將輸入設為1月份、2月份、3月份、4月份的數據，輸出設為5月份的數據；

（3）在matlab中調用newff函數，建立一個5個輸入節點、10個隱含層節點、一個輸出節點的BP神經網絡，隱含層和輸出層轉移函數分別采用tansig（tansig（n） = 2/（1+exp（-2*n））-1）和purelin（y=x），訓練函數選擇貝葉斯正則化算法trainbr，得到網絡仿真數據；

（4）通過得到的網絡仿真數據與實際的數據進行比較，我們可以發現該預測模型的精度很高。從而我們可以利用該預測模型預測未來月份的數據，作為決策者進行決策的依據。

3、分圈層企業運行態勢預測模型

3.1一圈層企業運行態勢預測模型

一圈層主要包括成華區、高新區、金牛區、錦江區、青羊區和武侯區。

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

表1運行監測指標按圈層（一圈層）ANN預測模型實際值與預測值對比表

3.2二圈層企業運行態勢預警模型

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，得到最終的預測值，如表2所示，可見，預測值與實際值之間相差并不大，誤差為0.09995%。

表2運行監測指標按圈層（二圈層）ANN預測模型實際值與預測值對比表

3.3三圈層企業運行態勢預警模型

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，得到最終的預測值，如表3所示，可見，預測值與實際值之間相差并不大，誤差為0.1%。

表3 運行監測指標按圈層（三圈層）ANN預測模型實際值與預測值對比表

4、結束語

運行監測指數和信心指數能很好的反映成都市中小企業的發展運營情況，本報告運用人工神經網絡這種高精度的預測方法，對這兩種指數進行了預測，預測結果精確，經濟意義顯著。能很好預測未來月份的中小企業的指標值，從而為決策者的決策提供有力的支持和依據。

參考文獻：

篇8

信息內網終端用戶行為是信息網安全的重要組成部分，目前電力公司尤其是地市公司對內網終端網絡行為監管能力不足，尤其是郵件發送、網頁訪問等異常行為缺乏可靠實時的檢測工具，為此多數信息網運維單位開展了內網行為審計系統的建設[1]。通常內網行為審計系統主要運用“包捕獲”采集技術[2]，在核心交換機上采用端口鏡像技術，將上聯口的流量鏡像到某個端口并進行數據包的抓取、分析，并基于數據包分析結果實現內網用戶網絡行為的審計，典型審計場景包括用戶數據量排名、用戶興趣點分布、網絡實時流量、不同類型數據包流量統計等。另外系統建立異常信息告警機制，根據設定的監控關鍵字，對捕捉到的內網網頁查看行為和郵件行為進行篩查，對包含關鍵字信息的數據進行報警[3]。

在面對地市電力公司，具有較大規模的信息內網時，內網行為審計系統建設的建設范圍、關鍵技術成為系統成功應用的基礎，本文就地市電力公司內網行為審計系統的建設功能及核心技術進行探討。

1 內網行為審計系統實現

1.1 功能設計

如圖1所示，內網行為審計系統主要包括數據處理、行為審計統計查詢及系統管理三部分，分別實現網絡包抓取、分析，行為審計分析及系統基礎管理工作。

數據處理包括網絡流量采集及基于包的網絡流量分析功能，網絡流量主要利用交換機的端口鏡像功能實現，在核心交換機上通過將上聯口的流量鏡像到某個端口，再通過與該端口連接的主機設備接收鏡像流量。主機設備上通過將網卡設置成混雜模式接收所有的傳輸層數據包，并對接收到的數據包根據傳輸層的源地址、目的地址及端口信息進行過濾，保留源地址或目的地址為目標系統或網址IP的數據包；再利用應用層的HTTP協議特征對數據包進行二次過濾，保留通過HTTP協議進行網絡訪問行為；最終針對特定WEB應用利用關鍵字對訪問行為中的發件人地址、收件人地址、郵件標題等字段進行抓取并存儲。

根據阜陽公司信息網安全管理要求，開展了內網郵件行為審計和內網WEB系統訪問行為審計兩種場景的應用，其中郵件審計針對郵件頭的關鍵字段，包括發件人、收件人等進行審計，對于不合規的郵件題目或附件標題進行告警；內網WEB系統訪問行為主要用于判斷用戶的WEB系統訪問習慣，根據WEB系統訪問的頁面、訪問頻率及訪問部門進行統計分析，判斷WEB系統的應用情況。

1.2 多線程數據包處理方式

高效的數據包處理技術是解決地市公司高流量的關鍵技術，如何實現數據包的完整抓取、解析可有效避免行為檢測的漏檢、錯檢。本文采用高效的多線程數據包處理方式實現數據包處理，處理流程見圖2。

篇9

doi：10.3969/j.issn.1673-0194.2020.22.028

[中圖分類號]TP393.08；F239.4[文獻標識碼]A[文章編號]1673-0194（2020）22-00-02

1智能油田信息安全風險

在數字化轉型發展背景下，智能油田建設與應用進程逐漸加快，網絡與信息系統的基礎性、全局性作用不斷增強，而保證核心數據資產的安全對油田業務的高質量發展至關重要。當前國內外網絡安全形勢嚴峻，境內外惡意分子以及被政治、經濟利益裹挾的黑客組織，對能源行業加劇進行網絡滲透，攻擊關鍵信息基礎設施、竊取商業機密等敏感信息，對油田信息安全構成了極大的外部威脅。此外，內部員工違規訪問不良網站內容，使智能系統面臨著嚴重法律風險，加上員工有意識或無意識的網絡泄密事件與系統運維人員違規操作事件頻發，嚴重威脅了智能油田發展。目前，我國油田信息安全建設思路已經從防外為主，逐步轉為以內外兼顧的策略，信息安全審計成為縱深安全防御延伸和安全體系建設的重要環節。為遵循國家網絡強國戰略、達到網絡安全合規要求，有效避免黑客攻擊、網絡泄密、違規上網、數據竊取等安全風險，我國急需建立智能油田信息安全綜合審計平臺，實現信息內容實時檢查、網絡行為全面監測、安全事件追溯取證，為油田高質量發展保駕護航。

2信息安全綜合審計關鍵技術

信息安全綜合審計是企業內控管理、安全風險治理不可或缺的保障措施，主要指對網絡運行過程中與安全有關的活動、數據、日志以及人員行為等關鍵要素進行識別、記錄及分析，發現并評估安全風險。針對智能油田業務需求場景，重點解決3項技術難題：一是如何基于縱深防御理論通過大數據、云計算等技術，對油田不同防御層級的日志、流量等信息進行關聯分析建模，有效預防黑客隱蔽型攻擊；二是如何通過建立面向油田具體業務場景的敏感信息指紋庫、安全策略庫、行為特征庫，構建覆蓋敏感文件信息處理、存儲、外發等關鍵環節的縱深防護與事件溯源取證機制；三是如何通過深度網絡業務流量識別與數據建模分析技術，建立面向油田具體業務場景的員工上網行為監管審計機制，實現對員工違規網絡行為的全面管控。

2.1多源異構網絡日志信息統一標準化方法與關聯分析模型

設計多源異構網絡日志信息格式標準化方法，利用基于大數據處理的日志過濾與關聯分析建模技術，整合網絡泄密、違規上網、黑客攻擊等網絡風險事件日志信息，建立油田信息安全風險關聯分析模型。

2.2信息安全審計敏感信息指紋庫、行為特征庫、審計策略庫

結合油田具體業務需求場景，運用數據分類分級與指紋識別技術、深度業務流量識別與建模方法，建立滿足國家合規要求及油田特有應用場景需求的敏感信息指紋庫、網絡行為特征庫及安全審計策略庫。

2.3數據防泄露與敏感信息內容檢查機制

基于操作系統底層驅動過濾的數據通道防護技術、基于智能語義分析的敏感信息內容審計技術，實現對員工通過云盤、郵件、即時通信、移動介質等方式外發涉密信息的實時檢測與控制，徹底解決員工有意識或無意識地違規存儲、處理、外發涉密信息問題。

3智能油田信息安全綜合審計平臺建設及應用

信息安全綜合審計平臺是一個綜合利用云計算、大數據、人工智能、數據指紋、異構數據采集等技術，實現網絡行為監控、信息內容審計、數據庫操作審計、網絡異常流量監測預警的審計溯源系統，在滿足網絡合規性要求的同時，為信息安全管理與系統運維人員提供了網絡安全監測、事件追溯取證的基本手段，提升了油田對敏感數據的監測預警和傳輸阻斷能力，防止了敏感信息泄露，增強了對外部黑客隱蔽性網絡攻擊行為與內部運維人員違規業務操作的防御能力。其中，圖1是智能油田信息安全綜合審計平臺總體架構。

基于信息安全綜合審計關鍵技術研究與集成創新，相關單位研發建立了智能油田信息安全綜合審計平臺，以縱深防御理論為指導，通過網絡層面的行為和流量審計、信息系統層面日志和數據庫審計、終端層面的信息內容審計等，實現對網絡風險事件的事前防范、事中告警、事后追溯，形成上網行為全面管控、網絡保密實時防護、網絡攻擊深度發現的主動治理新模式。貫穿數據信息的產生、存儲、傳輸、應用全生命周期的關鍵過程，自主建立油田敏感信息指紋庫，構建基于涉密違規存儲遠程檢查、終端違規外發自動阻斷、網絡敏感信息識別告警功能的數據安全縱深防護與事件追溯取證機制，為網絡保密主動治理提供技術手段。通過設計跨平臺、多協議網絡信息采集接口機制與多源異構日志標準化數據模型，結合云計算與大數據處理技術，建立適應油田海量非結構化日志信息的存儲云中心，且基于深度學習算法建立關聯模型，通過日志信息縱向聚合與橫向關聯實現網絡行為與信息內容全面審計。

篇10

解決方案：國都興業為北京市電子政務網絡的網絡安全監測審計需求提供了先進的、完善的解決方案。在電子政務骨干網上部署了四套“網絡一體化監控審計系統Egilance II”，分別安裝在四個骨干節點上。“網絡一體化監控審計系統Egilance II”是基于網絡會話級的安全監測審計產品，它通過對網絡會話的行為和內容的實時監測、報警、記錄和審計，提高用戶的網絡應用和信息安全。