導(dǎo)言：作為寫作愛好者，不可錯(cuò)過為您精心挑選的10篇網(wǎng)絡(luò)行為審計(jì)，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(nèi)容能為您提供靈感和參考。

篇1

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，他會有自動刪除樣本“噪聲”和自動調(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)】

篇2

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

0 引 言

高功率放大器是衛(wèi)星通信系統(tǒng)中的重要組成部分，當(dāng)其工作在飽和區(qū)附近時(shí)，衛(wèi)星信道具有嚴(yán)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(fā)生變形，造成碼間串?dāng)_（ISI）；二是頻譜再生，引起鄰近信道干擾（ICI）。

隨著現(xiàn)代通信技術(shù)和多媒體業(yè)務(wù)的高速發(fā)展，大容量高速率的信息傳輸十分必要，衛(wèi)星通信也以不可抵擋之勢向高速率大容量的方向迅猛發(fā)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(xiàn)代衛(wèi)星通信更趨向于采用比恒包絡(luò)調(diào)制頻譜效率更高的幅度相位聯(lián)合調(diào)制方式，如DVB?S2標(biāo)準(zhǔn)中的APSK等調(diào)制方式[2?3]。與傳統(tǒng)的相位調(diào)制技術(shù)相比，APSK信號由于其信號幅度的變化，對衛(wèi)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(jìn)行補(bǔ)償。

1 高功放的非線性特性及其對系統(tǒng)性能的影響

高功放的工作特性分為線性區(qū)和非線性區(qū)，當(dāng)輸入信號功率較低時(shí)，輸出和輸入功率關(guān)系是線性的；當(dāng)輸入功率較高時(shí)，輸出和輸入功率關(guān)系呈現(xiàn)出非線性，當(dāng)輸出功率達(dá)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(jīng)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(guān)。其幅度和相位轉(zhuǎn)移特性曲線如圖1所示，當(dāng)輸入信號歸一化幅度小于0.6時(shí)，幅度轉(zhuǎn)移和相位轉(zhuǎn)移呈現(xiàn)線性，大于0.6時(shí)，其轉(zhuǎn)移特性呈現(xiàn)非線性。

圖2為16APSK信號經(jīng)過非線性高功放的收發(fā)信號星座圖?？梢钥闯?，接收信號星座圖已經(jīng)發(fā)生嚴(yán)重畸變，外圈星座點(diǎn)半徑被壓縮，內(nèi)圈星座點(diǎn)半徑擴(kuò)大，內(nèi)外圈星座點(diǎn)歐式距離被縮小；星座點(diǎn)相對原來位置發(fā)生逆時(shí)針旋轉(zhuǎn)；碼間串?dāng)_很大，星座點(diǎn)扭曲嚴(yán)重。由于高功放非線性效應(yīng)的影響，在不加補(bǔ)償?shù)那闆r下，接收機(jī)已經(jīng)不能正常工作。

2 正交基神經(jīng)網(wǎng)絡(luò)

正交基前向神經(jīng)網(wǎng)絡(luò)模型如圖3所示。該網(wǎng)絡(luò)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(gè)神經(jīng)元，使用線性激勵函數(shù)[f（x）=x]，隱藏層有[n]個(gè)神經(jīng)元，采用一組階次逐漸增高的正交多項(xiàng)式[φ（x）]作為其激勵函數(shù)。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在收斂速率慢和易陷入局部極小等缺點(diǎn)，文獻(xiàn)[4]提出了一種Chebyshev正交基神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的隱藏層神經(jīng)元采用Chebyshev正交多項(xiàng)式，即文獻(xiàn)[4]采用基于偽逆的方法，實(shí)現(xiàn)了一步權(quán)值直接確定，不需要迭代，具有更高的計(jì)算速率和工作精度，同時(shí)不存在局部極小的問題?？紤]到Chebyshev正交基神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，將其應(yīng)用到衛(wèi)星非線性信道的補(bǔ)償技術(shù)中。

3 基于正交基神經(jīng)網(wǎng)絡(luò)的預(yù)失真補(bǔ)償算法

篇3

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

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

人力資源危機(jī)在旅行社行業(yè)吸引人才、培養(yǎng)人才、留住人才的各個(gè)環(huán)節(jié)都有體現(xiàn)，影響旅行社行業(yè)人力資源管理的效果，影響旅行社行業(yè)的穩(wěn)定與發(fā)展。因此，如何對旅行社行業(yè)人力資源危機(jī)狀況進(jìn)行評判，進(jìn)而采取應(yīng)對措施，是當(dāng)前旅行社行業(yè)人力資源管理的一個(gè)迫切任務(wù)。本文引入人工神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)，構(gòu)建河南省旅行社人力資源危機(jī)預(yù)警模型，以期提早應(yīng)對危機(jī)。

1 BP網(wǎng)絡(luò)簡介

BP網(wǎng)絡(luò)由一個(gè)輸入層、若干隱含層和一個(gè)輸出層構(gòu)成，是一種具有3層或者3層以上結(jié)構(gòu)的多層神經(jīng)元網(wǎng)絡(luò)，網(wǎng)絡(luò)中的神經(jīng)元分層排列，它的左、右各層之間各個(gè)神經(jīng)元實(shí)現(xiàn)全連接，即左層的每一個(gè)神經(jīng)元與右層的每個(gè)神經(jīng)元都有連接，而上下層各神經(jīng)元之間無連接。每一層內(nèi)神經(jīng)元的輸出均傳送到下一層，這種傳送由連接權(quán)來達(dá)到增強(qiáng)、減弱或抑制的作用，除了輸入層的神經(jīng)元以外，隱含層和輸出層神經(jīng)元的凈輸入是前一層神經(jīng)元輸出的加權(quán)和。每個(gè)神經(jīng)元均由它的輸入、活化函數(shù)和閾值來決定它的活化程度。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%～90%的模型是采用BP網(wǎng)絡(luò)或它的變化形式。BP網(wǎng)絡(luò)可以有多層，但前向三層BP網(wǎng)絡(luò)最具代表性，應(yīng)用也最為廣泛。

2 基于BP網(wǎng)絡(luò)的河南省旅行社人力資源危機(jī)預(yù)警模型的構(gòu)建

2.1 構(gòu)建旅行社人力資源危機(jī)預(yù)警指標(biāo)體系

人力資源危機(jī)預(yù)警指標(biāo)體系由一系列能敏感反映人力資源管理活動狀態(tài)和結(jié)果表現(xiàn)的指標(biāo)構(gòu)成。筆者通過分析河南省旅行社人力資源危機(jī)現(xiàn)狀，遵循靈敏性、科學(xué)性、可測度性、相對獨(dú)立性、預(yù)見性和可比性等原則，篩選出獨(dú)立性較強(qiáng)、代表性較強(qiáng)和貢獻(xiàn)性高的最小評價(jià)指標(biāo)體系，本文借助了專家打分的方法，各指標(biāo)的具體值域范圍見表1。

2.2 建立基于BP網(wǎng)絡(luò)的旅行社人力資源危機(jī)預(yù)警模型

2.2.1 用主成分分析法對模擬數(shù)據(jù)進(jìn)行預(yù)處理

根據(jù)表1，本文共模擬了8組數(shù)據(jù)（見表2），以建立基于BP網(wǎng)絡(luò)的河南省旅行社人力資源危機(jī)預(yù)警模型。

對表2中的極小值指標(biāo)（如員工隱性流失率等）先取倒數(shù)，再利用SPSS統(tǒng)計(jì)分析軟件進(jìn)行主成分分析，所得結(jié)果見表3。

本文共提取出6個(gè)公共因子，其特征值的方差貢獻(xiàn)率累積達(dá)到了96.044%（通常情況下，累積貢獻(xiàn)率達(dá)到85%即可）。本文選擇參數(shù)0.65作為劃分主要、次要指標(biāo)的載荷系數(shù)臨界值，以滿足下一步研究的要求。最后得到由10項(xiàng)指標(biāo)構(gòu)成的新的人力資源投資風(fēng)險(xiǎn)預(yù)警評價(jià)指標(biāo)體系，如表4所示。

2.2.2 BP網(wǎng)絡(luò)模型輸入節(jié)點(diǎn)的選擇

根據(jù) Kolmogorov定理（即映射網(wǎng)絡(luò)存在定理），一個(gè)三層BP網(wǎng)絡(luò)即可在任意希望的精度上實(shí)現(xiàn)任意的連續(xù)函數(shù) 。因此，本研究中采用三層BP網(wǎng)絡(luò)模型。影響旅行社人力資源危機(jī)度的評價(jià)因子主要有人才引進(jìn)率、招聘引進(jìn)員工勝任度等10個(gè)，因此，可確定BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為10。

本文選擇上述簡化后的10項(xiàng)指標(biāo)作為BP模型的輸入節(jié)點(diǎn)。由于BP神經(jīng)網(wǎng)絡(luò)的隱層一般采用Sigmoid轉(zhuǎn)換函數(shù)，為提高訓(xùn)練速度和靈敏性以及有效避開Sigmoid函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0～1之間。因此，需要對輸入數(shù)據(jù)進(jìn)行預(yù)處理。

進(jìn)行輸入節(jié)點(diǎn)的輸入時(shí)，需要先對原始的模擬數(shù)據(jù)進(jìn)行歸一化處理，將它們轉(zhuǎn)化為閉區(qū)間[0，1]上的無量綱性指標(biāo)值。本著盡可能體現(xiàn)被評價(jià)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(jìn)行歸一運(yùn)算：

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

式中，xij為原始數(shù)據(jù)，x′ij∈[0，1]為歸一化后的無量綱性指標(biāo)，其歸一化結(jié)果見表5。

2.2.3 BP網(wǎng)絡(luò)模型隱層節(jié)點(diǎn)的選擇

對于隱層節(jié)點(diǎn)的選擇是一個(gè)非常復(fù)雜的問題，因?yàn)樯窠?jīng)網(wǎng)絡(luò)巨量并行分布的結(jié)構(gòu)和非線性的動態(tài)特性決定了從理論上得到一個(gè)簡單通用的簡潔解析表達(dá)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(jié)點(diǎn)數(shù)的選擇與問題的要求和輸入輸出單元的多少都有直接關(guān)系：如果隱節(jié)點(diǎn)數(shù)過少，網(wǎng)絡(luò)不強(qiáng)壯，就不能識別以前沒有看到的樣本，容錯(cuò)性就差，或由于網(wǎng)絡(luò)太小可能訓(xùn)練不出來；但隱節(jié)點(diǎn)太多又會使學(xué)習(xí)時(shí)間過長，誤差也不一定最佳。因此，必定存在一個(gè)最佳的隱節(jié)點(diǎn)數(shù)，可用公式q = ■ + a作為參考。其中，q為隱含節(jié)點(diǎn)數(shù)，m為輸入神經(jīng)元數(shù)，n為輸出神經(jīng)元數(shù)，a為1 ～ 10之間的常數(shù)。

為使隱節(jié)點(diǎn)數(shù)更合適，本文將根據(jù)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出矢量的均方誤差大小及訓(xùn)練步數(shù)的多少來綜合確定，最終隱含節(jié)點(diǎn)選為9，其模型訓(xùn)練精度最佳，訓(xùn)練步數(shù)也最少。

2.2.4 BP網(wǎng)絡(luò)模型輸出節(jié)點(diǎn)的選擇

從表5中選出對應(yīng)于新預(yù)警評價(jià)指標(biāo)體系的數(shù)據(jù)再次進(jìn)行主成分分析，步驟同前，所得結(jié)果如表6所示。

本文共提取出4個(gè)公共因子，其特征值的方差貢獻(xiàn)率累積達(dá)到92.232%。它們共同決定旅行社人力資源危機(jī)的狀況。

公因子1上載荷值大于0.65的指標(biāo)有：招聘引進(jìn)員工勝任度、培訓(xùn)與員工需求吻合度、員工對評價(jià)制度和使用制度的滿意度，涉及旅行社人力資源危機(jī)的多個(gè)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(biāo)有：人力資本投資收益率、病假發(fā)生率，可稱之為“員工發(fā)展與保健因子”；公因子3上的載荷值大于0.65的指標(biāo)有：員工對激勵機(jī)制的滿意度、缺勤率，可稱之為員工“價(jià)值取向因子”；公因子4上的載荷值大于0.65的指標(biāo)主要有：員工離職增長率，主要是對員工流失指標(biāo)的反映，可稱之為“員工流失因子”。

第一，計(jì)算各公因子的得分。由于在查找旅行社人力資源危機(jī)風(fēng)險(xiǎn)因素提出對策時(shí)，通常只研究各公共因子上的主要載荷指標(biāo)，而不考慮其他冗余指標(biāo)。因此，為使警情分析輸出更精確，從而能更準(zhǔn)確地分析旅行社人力資源危機(jī)風(fēng)險(xiǎn)的內(nèi)容，更有針對性地提出人力資源危機(jī)預(yù)警對策，本文忽略各公因子內(nèi)部的冗余指標(biāo)（載荷系數(shù)小于0.65的指標(biāo)），只根據(jù)主要指標(biāo)（載荷系數(shù)大于等于0.65的指標(biāo)）的載荷系數(shù)，通過下列算式來計(jì)算各公共因子得分：

FP1 = ■

FP2 = ■

FP3 = ■

FP4 = ■ = t34

式中，tij是表中指標(biāo)Xij均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)化變量；p為數(shù)組序號，p = 1，2，…，8。？搖

第二，以各公共因子的方差貢獻(xiàn)率占4個(gè)因子總方差貢獻(xiàn)率的比重作為權(quán)重進(jìn)行加權(quán)匯總，得出各數(shù)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(jī)程度，據(jù)此制定相應(yīng)的防范策略。BP網(wǎng)絡(luò)最后一層的傳輸函數(shù)Purelin使得網(wǎng)絡(luò)輸出可以是任意值，因此，本文將旅行社人力資源危機(jī)預(yù)警層次設(shè)置為4個(gè)級別，如表8所示，BP網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)為4，代表不同的旅行社人力資源危機(jī)等級，即安全、基本安全、風(fēng)險(xiǎn)和較大風(fēng)險(xiǎn)，4個(gè)等級對應(yīng)的標(biāo)準(zhǔn)輸出分別為[1000]、[0100]、[0010]、[0001]。

依前分析輸出節(jié)點(diǎn)選擇4個(gè)，10組輸出的4個(gè)端子的數(shù)值就對應(yīng)于10組人力資源危機(jī)預(yù)警指標(biāo)數(shù)據(jù)所反映的旅行社人力資源危機(jī)狀況。

結(jié)合旅行社人力資源危機(jī)的表現(xiàn)形式，本文提出了以下人力資源危機(jī)等級所對應(yīng)的標(biāo)準(zhǔn)（見表8）。

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

Ⅱ級狀態(tài)：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(yīng)措施以提防潛在危機(jī)和突發(fā)性危機(jī)的發(fā)生。

Ⅲ級狀態(tài)：旅行社人力資源出現(xiàn)危機(jī)，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(fù)面影響。

Ⅳ級狀態(tài)：旅行社人力資源出現(xiàn)嚴(yán)重危機(jī)，對人力資源各方面造成非常明顯和嚴(yán)重的影響，甚至導(dǎo)致旅行社倒閉。

綜上所述，本文建立的BP網(wǎng)絡(luò)人力資源危機(jī)預(yù)警模型的構(gòu)造為：10 × 9 × 4（即10個(gè)輸入神經(jīng)元，9個(gè)隱層神經(jīng)元，4個(gè)輸出神經(jīng)元）。

3 基于BP網(wǎng)絡(luò)的旅行社人力資源危機(jī)預(yù)警模型的訓(xùn)練和檢測

本文采用MATLAB工程計(jì)算軟件的神經(jīng)網(wǎng)絡(luò)工具箱設(shè)計(jì)、訓(xùn)練并檢測已建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型。

3.1 基于BP網(wǎng)絡(luò)的旅行社人力資源危機(jī)預(yù)警模型的訓(xùn)練

本文將表6歸一化后的前6組指標(biāo)值作為BP網(wǎng)絡(luò)的輸入，由表7確定的風(fēng)險(xiǎn)程度矩陣作為與之相對應(yīng)的期望輸出，導(dǎo)入MATLAB的圖形用戶界面――GUI（Graphical User Interfaces），即可創(chuàng)建網(wǎng)絡(luò)進(jìn)行訓(xùn)練。主要訓(xùn)練參數(shù)設(shè)置如下（未提及的參數(shù)均采用默認(rèn)值）。

（1） 訓(xùn)練函數(shù)：TRAINLM函數(shù)，它適用于中、小規(guī)模網(wǎng)絡(luò)的函數(shù)擬合問題，收斂快，收斂誤差小。

（2） 權(quán)值調(diào)節(jié)規(guī)則：LEARNGDM函數(shù)，采用動量梯度下降方法對權(quán)值和閾值進(jìn)行調(diào)整。

（3） 網(wǎng)絡(luò)層數(shù)：3層。

（4） 性能函數(shù)：MSE函數(shù)，表示輸出矢量與目標(biāo)矢量之間的均方誤差。

（5） 期望誤差：ε = 0.001。

由圖1可知，當(dāng)網(wǎng)絡(luò)訓(xùn)練至第三步時(shí)，網(wǎng)絡(luò)性能達(dá)標(biāo)。BP網(wǎng)絡(luò)模型的訓(xùn)練輸出見表9，至此，BP網(wǎng)絡(luò)模型訓(xùn)練完畢。

3.2 基于BP網(wǎng)絡(luò)的旅行社人力資源危機(jī)預(yù)警模型的檢測

同理，用第7、第8組歸一化后的指標(biāo)數(shù)據(jù)及對應(yīng)的風(fēng)險(xiǎn)程度矩陣作為模型檢測的輸入和期望輸出，檢測結(jié)果見表10。檢測結(jié)果表明，實(shí)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(jié)論，基于BP網(wǎng)絡(luò)建立的旅行社人力資源危機(jī)預(yù)警模型是有效的，可以用這個(gè)經(jīng)過訓(xùn)練、檢測完畢的BP網(wǎng)絡(luò)危機(jī)預(yù)警模型對旅行社人力資源危機(jī)進(jìn)行預(yù)警實(shí)證研究，以防范人力資源風(fēng)險(xiǎn)，保證旅行社企業(yè)良性運(yùn)行，同時(shí)對整頓治理旅游市場秩序起到監(jiān)督和促進(jìn)作用。

主要參考文獻(xiàn)

篇4

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?、陽光的照射反?yīng)、遮避、平面移動、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)

篇5

摘 要:

針對無線傳感器網(wǎng)絡(luò)(WSN)開放性和資源受限導(dǎo)致易受外部和內(nèi)部攻擊以及節(jié)點(diǎn)失效等問題，提出了一種高效、安全的可信節(jié)點(diǎn)間身份認(rèn)證方案。方案采用基于身份和雙線性對理論實(shí)現(xiàn)認(rèn)證密鑰協(xié)商與更新，通過基于Beta分布的節(jié)點(diǎn)行為信譽(yù)的管理計(jì)算其信任度，利用信任度識別節(jié)點(diǎn)是否可信并采用對稱密碼體制結(jié)合信息認(rèn)證碼實(shí)現(xiàn)可信節(jié)點(diǎn)間認(rèn)證。方案不僅能防范竊聽、注入、重放、拒絕服務(wù)等多種外部攻擊，而且能夠抵御選擇性轉(zhuǎn)發(fā)、Wormhole攻擊、Sinkhole攻擊和女巫攻擊等內(nèi)部威脅。與SPINS方案相比，所提方案在同一網(wǎng)絡(luò)環(huán)境下有較長的網(wǎng)絡(luò)生命期、較小的認(rèn)證時(shí)延、更高的安全性及可擴(kuò)展性，在無人值守安全性要求較高的WSN領(lǐng)域具有較好的應(yīng)用價(jià)值。

關(guān)鍵詞： 無線傳感器網(wǎng)絡(luò)；可信認(rèn)證；節(jié)點(diǎn)行為；基于身份；Beta分布；雙線性對

中圖分類號：TP309文獻(xiàn)標(biāo)志碼:A

英文標(biāo)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(cuò)性與聯(lián)想記憶功能。

（4）十分強(qiáng)的自適應(yīng)、自學(xué)習(xí)能力。[2]

近年來，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)在制冷空調(diào)方面有了一些應(yīng)用。[5]、[7]

1 微型冷熱電聯(lián)供系統(tǒng)實(shí)驗(yàn)裝置設(shè)計(jì) 1.1 系統(tǒng)描述

上海交通大學(xué)制冷與低溫工程研究所孔祥強(qiáng)[1]等建立了制冷功率在10 kW左右的微型冷熱電聯(lián)供系統(tǒng)試驗(yàn)臺，整個(gè)系統(tǒng)采用了一臺小型燃?xì)獍l(fā)電機(jī)組和一臺研究所自己研制的余熱型吸附式制冷機(jī)，其系統(tǒng)圖見圖1。系統(tǒng)設(shè)計(jì)參數(shù)見表1。

1.2 實(shí)驗(yàn)參數(shù)儀器

系統(tǒng)的測試參數(shù)包括

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

（2）液化氣供應(yīng)的狀態(tài)參數(shù)（主要有壓力、溫度和流量）；

（3）空氣供應(yīng)的狀態(tài)參數(shù)（主要是溫度和流量）

（4）小型燃?xì)鈨?nèi)燃機(jī)排煙的狀態(tài)參數(shù)；

篇7

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)：

篇8

信息內(nèi)網(wǎng)終端用戶行為是信息網(wǎng)安全的重要組成部分，目前電力公司尤其是地市公司對內(nèi)網(wǎng)終端網(wǎng)絡(luò)行為監(jiān)管能力不足，尤其是郵件發(fā)送、網(wǎng)頁訪問等異常行為缺乏可靠實(shí)時(shí)的檢測工具，為此多數(shù)信息網(wǎng)運(yùn)維單位開展了內(nèi)網(wǎng)行為審計(jì)系統(tǒng)的建設(shè)[1]。通常內(nèi)網(wǎng)行為審計(jì)系統(tǒng)主要運(yùn)用“包捕獲”采集技術(shù)[2]，在核心交換機(jī)上采用端口鏡像技術(shù)，將上聯(lián)口的流量鏡像到某個(gè)端口并進(jìn)行數(shù)據(jù)包的抓取、分析，并基于數(shù)據(jù)包分析結(jié)果實(shí)現(xiàn)內(nèi)網(wǎng)用戶網(wǎng)絡(luò)行為的審計(jì)，典型審計(jì)場景包括用戶數(shù)據(jù)量排名、用戶興趣點(diǎn)分布、網(wǎng)絡(luò)實(shí)時(shí)流量、不同類型數(shù)據(jù)包流量統(tǒng)計(jì)等。另外系統(tǒng)建立異常信息告警機(jī)制，根據(jù)設(shè)定的監(jiān)控關(guān)鍵字，對捕捉到的內(nèi)網(wǎng)網(wǎng)頁查看行為和郵件行為進(jìn)行篩查，對包含關(guān)鍵字信息的數(shù)據(jù)進(jìn)行報(bào)警[3]。

在面對地市電力公司，具有較大規(guī)模的信息內(nèi)網(wǎng)時(shí)，內(nèi)網(wǎng)行為審計(jì)系統(tǒng)建設(shè)的建設(shè)范圍、關(guān)鍵技術(shù)成為系統(tǒng)成功應(yīng)用的基礎(chǔ)，本文就地市電力公司內(nèi)網(wǎng)行為審計(jì)系統(tǒng)的建設(shè)功能及核心技術(shù)進(jìn)行探討。

1 內(nèi)網(wǎng)行為審計(jì)系統(tǒng)實(shí)現(xiàn)

1.1 功能設(shè)計(jì)

如圖1所示，內(nèi)網(wǎng)行為審計(jì)系統(tǒng)主要包括數(shù)據(jù)處理、行為審計(jì)統(tǒng)計(jì)查詢及系統(tǒng)管理三部分，分別實(shí)現(xiàn)網(wǎng)絡(luò)包抓取、分析，行為審計(jì)分析及系統(tǒng)基礎(chǔ)管理工作。

數(shù)據(jù)處理包括網(wǎng)絡(luò)流量采集及基于包的網(wǎng)絡(luò)流量分析功能，網(wǎng)絡(luò)流量主要利用交換機(jī)的端口鏡像功能實(shí)現(xiàn)，在核心交換機(jī)上通過將上聯(lián)口的流量鏡像到某個(gè)端口，再通過與該端口連接的主機(jī)設(shè)備接收鏡像流量。主機(jī)設(shè)備上通過將網(wǎng)卡設(shè)置成混雜模式接收所有的傳輸層數(shù)據(jù)包，并對接收到的數(shù)據(jù)包根據(jù)傳輸層的源地址、目的地址及端口信息進(jìn)行過濾，保留源地址或目的地址為目標(biāo)系統(tǒng)或網(wǎng)址IP的數(shù)據(jù)包；再利用應(yīng)用層的HTTP協(xié)議特征對數(shù)據(jù)包進(jìn)行二次過濾，保留通過HTTP協(xié)議進(jìn)行網(wǎng)絡(luò)訪問行為；最終針對特定WEB應(yīng)用利用關(guān)鍵字對訪問行為中的發(fā)件人地址、收件人地址、郵件標(biāo)題等字段進(jìn)行抓取并存儲。

根據(jù)阜陽公司信息網(wǎng)安全管理要求，開展了內(nèi)網(wǎng)郵件行為審計(jì)和內(nèi)網(wǎng)WEB系統(tǒng)訪問行為審計(jì)兩種場景的應(yīng)用，其中郵件審計(jì)針對郵件頭的關(guān)鍵字段，包括發(fā)件人、收件人等進(jìn)行審計(jì)，對于不合規(guī)的郵件題目或附件標(biāo)題進(jìn)行告警；內(nèi)網(wǎng)WEB系統(tǒng)訪問行為主要用于判斷用戶的WEB系統(tǒng)訪問習(xí)慣，根據(jù)WEB系統(tǒng)訪問的頁面、訪問頻率及訪問部門進(jìn)行統(tǒng)計(jì)分析，判斷WEB系統(tǒng)的應(yīng)用情況。

1.2 多線程數(shù)據(jù)包處理方式

高效的數(shù)據(jù)包處理技術(shù)是解決地市公司高流量的關(guān)鍵技術(shù)，如何實(shí)現(xiàn)數(shù)據(jù)包的完整抓取、解析可有效避免行為檢測的漏檢、錯(cuò)檢。本文采用高效的多線程數(shù)據(jù)包處理方式實(shí)現(xiàn)數(shù)據(jù)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(xiàn)標(biāo)識碼]A[文章編號]1673-0194（2020）22-00-02

1智能油田信息安全風(fēng)險(xiǎn)

在數(shù)字化轉(zhuǎn)型發(fā)展背景下，智能油田建設(shè)與應(yīng)用進(jìn)程逐漸加快，網(wǎng)絡(luò)與信息系統(tǒng)的基礎(chǔ)性、全局性作用不斷增強(qiáng)，而保證核心數(shù)據(jù)資產(chǎn)的安全對油田業(yè)務(wù)的高質(zhì)量發(fā)展至關(guān)重要。當(dāng)前國內(nèi)外網(wǎng)絡(luò)安全形勢嚴(yán)峻，境內(nèi)外惡意分子以及被政治、經(jīng)濟(jì)利益裹挾的黑客組織，對能源行業(yè)加劇進(jìn)行網(wǎng)絡(luò)滲透，攻擊關(guān)鍵信息基礎(chǔ)設(shè)施、竊取商業(yè)機(jī)密等敏感信息，對油田信息安全構(gòu)成了極大的外部威脅。此外，內(nèi)部員工違規(guī)訪問不良網(wǎng)站內(nèi)容，使智能系統(tǒng)面臨著嚴(yán)重法律風(fēng)險(xiǎn)，加上員工有意識或無意識的網(wǎng)絡(luò)泄密事件與系統(tǒng)運(yùn)維人員違規(guī)操作事件頻發(fā)，嚴(yán)重威脅了智能油田發(fā)展。目前，我國油田信息安全建設(shè)思路已經(jīng)從防外為主，逐步轉(zhuǎn)為以內(nèi)外兼顧的策略，信息安全審計(jì)成為縱深安全防御延伸和安全體系建設(shè)的重要環(huán)節(jié)。為遵循國家網(wǎng)絡(luò)強(qiáng)國戰(zhàn)略、達(dá)到網(wǎng)絡(luò)安全合規(guī)要求，有效避免黑客攻擊、網(wǎng)絡(luò)泄密、違規(guī)上網(wǎng)、數(shù)據(jù)竊取等安全風(fēng)險(xiǎn)，我國急需建立智能油田信息安全綜合審計(jì)平臺，實(shí)現(xiàn)信息內(nèi)容實(shí)時(shí)檢查、網(wǎng)絡(luò)行為全面監(jiān)測、安全事件追溯取證，為油田高質(zhì)量發(fā)展保駕護(hù)航。

2信息安全綜合審計(jì)關(guān)鍵技術(shù)

信息安全綜合審計(jì)是企業(yè)內(nèi)控管理、安全風(fēng)險(xiǎn)治理不可或缺的保障措施，主要指對網(wǎng)絡(luò)運(yùn)行過程中與安全有關(guān)的活動、數(shù)據(jù)、日志以及人員行為等關(guān)鍵要素進(jìn)行識別、記錄及分析，發(fā)現(xiàn)并評估安全風(fēng)險(xiǎn)。針對智能油田業(yè)務(wù)需求場景，重點(diǎn)解決3項(xiàng)技術(shù)難題：一是如何基于縱深防御理論通過大數(shù)據(jù)、云計(jì)算等技術(shù)，對油田不同防御層級的日志、流量等信息進(jìn)行關(guān)聯(lián)分析建模，有效預(yù)防黑客隱蔽型攻擊；二是如何通過建立面向油田具體業(yè)務(wù)場景的敏感信息指紋庫、安全策略庫、行為特征庫，構(gòu)建覆蓋敏感文件信息處理、存儲、外發(fā)等關(guān)鍵環(huán)節(jié)的縱深防護(hù)與事件溯源取證機(jī)制；三是如何通過深度網(wǎng)絡(luò)業(yè)務(wù)流量識別與數(shù)據(jù)建模分析技術(shù)，建立面向油田具體業(yè)務(wù)場景的員工上網(wǎng)行為監(jiān)管審計(jì)機(jī)制，實(shí)現(xiàn)對員工違規(guī)網(wǎng)絡(luò)行為的全面管控。

2.1多源異構(gòu)網(wǎng)絡(luò)日志信息統(tǒng)一標(biāo)準(zhǔn)化方法與關(guān)聯(lián)分析模型

設(shè)計(jì)多源異構(gòu)網(wǎng)絡(luò)日志信息格式標(biāo)準(zhǔn)化方法，利用基于大數(shù)據(jù)處理的日志過濾與關(guān)聯(lián)分析建模技術(shù)，整合網(wǎng)絡(luò)泄密、違規(guī)上網(wǎng)、黑客攻擊等網(wǎng)絡(luò)風(fēng)險(xiǎn)事件日志信息，建立油田信息安全風(fēng)險(xiǎn)關(guān)聯(lián)分析模型。

2.2信息安全審計(jì)敏感信息指紋庫、行為特征庫、審計(jì)策略庫

結(jié)合油田具體業(yè)務(wù)需求場景，運(yùn)用數(shù)據(jù)分類分級與指紋識別技術(shù)、深度業(yè)務(wù)流量識別與建模方法，建立滿足國家合規(guī)要求及油田特有應(yīng)用場景需求的敏感信息指紋庫、網(wǎng)絡(luò)行為特征庫及安全審計(jì)策略庫。

2.3數(shù)據(jù)防泄露與敏感信息內(nèi)容檢查機(jī)制

基于操作系統(tǒng)底層驅(qū)動過濾的數(shù)據(jù)通道防護(hù)技術(shù)、基于智能語義分析的敏感信息內(nèi)容審計(jì)技術(shù)，實(shí)現(xiàn)對員工通過云盤、郵件、即時(shí)通信、移動介質(zhì)等方式外發(fā)涉密信息的實(shí)時(shí)檢測與控制，徹底解決員工有意識或無意識地違規(guī)存儲、處理、外發(fā)涉密信息問題。

3智能油田信息安全綜合審計(jì)平臺建設(shè)及應(yīng)用

信息安全綜合審計(jì)平臺是一個(gè)綜合利用云計(jì)算、大數(shù)據(jù)、人工智能、數(shù)據(jù)指紋、異構(gòu)數(shù)據(jù)采集等技術(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)行為監(jiān)控、信息內(nèi)容審計(jì)、數(shù)據(jù)庫操作審計(jì)、網(wǎng)絡(luò)異常流量監(jiān)測預(yù)警的審計(jì)溯源系統(tǒng)，在滿足網(wǎng)絡(luò)合規(guī)性要求的同時(shí)，為信息安全管理與系統(tǒng)運(yùn)維人員提供了網(wǎng)絡(luò)安全監(jiān)測、事件追溯取證的基本手段，提升了油田對敏感數(shù)據(jù)的監(jiān)測預(yù)警和傳輸阻斷能力，防止了敏感信息泄露，增強(qiáng)了對外部黑客隱蔽性網(wǎng)絡(luò)攻擊行為與內(nèi)部運(yùn)維人員違規(guī)業(yè)務(wù)操作的防御能力。其中，圖1是智能油田信息安全綜合審計(jì)平臺總體架構(gòu)。

基于信息安全綜合審計(jì)關(guān)鍵技術(shù)研究與集成創(chuàng)新，相關(guān)單位研發(fā)建立了智能油田信息安全綜合審計(jì)平臺，以縱深防御理論為指導(dǎo)，通過網(wǎng)絡(luò)層面的行為和流量審計(jì)、信息系統(tǒng)層面日志和數(shù)據(jù)庫審計(jì)、終端層面的信息內(nèi)容審計(jì)等，實(shí)現(xiàn)對網(wǎng)絡(luò)風(fēng)險(xiǎn)事件的事前防范、事中告警、事后追溯，形成上網(wǎng)行為全面管控、網(wǎng)絡(luò)保密實(shí)時(shí)防護(hù)、網(wǎng)絡(luò)攻擊深度發(fā)現(xiàn)的主動治理新模式。貫穿數(shù)據(jù)信息的產(chǎn)生、存儲、傳輸、應(yīng)用全生命周期的關(guān)鍵過程，自主建立油田敏感信息指紋庫，構(gòu)建基于涉密違規(guī)存儲遠(yuǎn)程檢查、終端違規(guī)外發(fā)自動阻斷、網(wǎng)絡(luò)敏感信息識別告警功能的數(shù)據(jù)安全縱深防護(hù)與事件追溯取證機(jī)制，為網(wǎng)絡(luò)保密主動治理提供技術(shù)手段。通過設(shè)計(jì)跨平臺、多協(xié)議網(wǎng)絡(luò)信息采集接口機(jī)制與多源異構(gòu)日志標(biāo)準(zhǔn)化數(shù)據(jù)模型，結(jié)合云計(jì)算與大數(shù)據(jù)處理技術(shù)，建立適應(yīng)油田海量非結(jié)構(gòu)化日志信息的存儲云中心，且基于深度學(xué)習(xí)算法建立關(guān)聯(lián)模型，通過日志信息縱向聚合與橫向關(guān)聯(lián)實(shí)現(xiàn)網(wǎng)絡(luò)行為與信息內(nèi)容全面審計(jì)。

篇10

解決方案：國都興業(yè)為北京市電子政務(wù)網(wǎng)絡(luò)的網(wǎng)絡(luò)安全監(jiān)測審計(jì)需求提供了先進(jìn)的、完善的解決方案。在電子政務(wù)骨干網(wǎng)上部署了四套“網(wǎng)絡(luò)一體化監(jiān)控審計(jì)系統(tǒng)Egilance II”，分別安裝在四個(gè)骨干節(jié)點(diǎn)上。“網(wǎng)絡(luò)一體化監(jiān)控審計(jì)系統(tǒng)Egilance II”是基于網(wǎng)絡(luò)會話級的安全監(jiān)測審計(jì)產(chǎn)品，它通過對網(wǎng)絡(luò)會話的行為和內(nèi)容的實(shí)時(shí)監(jiān)測、報(bào)警、記錄和審計(jì)，提高用戶的網(wǎng)絡(luò)應(yīng)用和信息安全。