神經(jīng)網(wǎng)絡(luò)主要存在的問題精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經(jīng)網(wǎng)絡(luò)主要存在的問題主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò)； 入侵檢測(cè)模型； 網(wǎng)絡(luò)安全； 漏報(bào)率； 誤報(bào)率

中圖分類號(hào)： TN711?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）21?0105?04

Application of neural network technology in network

intrusion detection model and system

ZHAN Muqing

（Jingdezhen Ceramic Institute， Jingdezhen 333403， China）

Abstract： The network intrusion detection model and system including neural network module are studied mainly. The defects of the traditional intrusion detection system and the advantages of neural network technology applied in intrusion detection are analyzed， and the network intrusion detection system including misuse and abnormal detection based on neural network was established. A large number of intrusion detection tests were carried out by using this system. The test results show that the established model has low missing alarm rate and false alarm rate， can detect a variety of network intrusion types better， and improve the safety performance of the network greatly.

Keywords： neural network； intrusion detection model； network security； missing alarm rate； false alarm rate

0 引 言

最近十年，隨著互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)安全越來越受到人們的重視，各種利用網(wǎng)絡(luò)漏洞和病毒入侵的手段層出不窮，極大地威脅著網(wǎng)絡(luò)安全。而傳統(tǒng)的殺毒軟件和防火墻技術(shù)面對(duì)端口掃描和新型木馬等網(wǎng)絡(luò)攻擊顯得力不從心。在此背景下，作為一種積極主動(dòng)的安全防護(hù)策略，網(wǎng)絡(luò)入侵檢測(cè)技術(shù)得到了人們廣大的關(guān)注，獲得了廣泛的應(yīng)用。但是隨著網(wǎng)絡(luò)入侵技術(shù)的進(jìn)化，傳統(tǒng)的入侵檢測(cè)技術(shù)暴露出諸多缺陷，因此，本文引入了神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)傳統(tǒng)入侵檢測(cè)系統(tǒng)進(jìn)行升級(jí)，以提高系統(tǒng)的檢測(cè)性能。

目前國(guó)內(nèi)外有許多學(xué)者和機(jī)構(gòu)都進(jìn)行了基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)的研究和探索。美國(guó)國(guó)防部為了提高計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)的防入侵能力，從20世紀(jì)90年代開始陸續(xù)起草了一系列的建議草案和標(biāo)準(zhǔn)，從結(jié)構(gòu)體系上規(guī)定了計(jì)算機(jī)網(wǎng)絡(luò)入侵防御的相關(guān)技術(shù)標(biāo)準(zhǔn)，并資助MIT了KDDCUP99入侵檢測(cè)測(cè)試集，為相關(guān)研究提供了研究樣本； 美國(guó)學(xué)者L Tony等采用單隱含層的簡(jiǎn)神經(jīng)網(wǎng)絡(luò)構(gòu)建了一個(gè)IDES的入侵檢測(cè)專家系統(tǒng)，實(shí)現(xiàn)了對(duì)局域網(wǎng)內(nèi)幾種典型入侵行為的判斷，開啟了利用神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)入侵行為進(jìn)行判斷的新途徑。隨著網(wǎng)絡(luò)技術(shù)，特別是網(wǎng)絡(luò)入侵技術(shù)和大數(shù)據(jù)技術(shù)的迅速發(fā)展，國(guó)外的網(wǎng)絡(luò)安全提供商分別推出了自己完善的反網(wǎng)絡(luò)入侵解決產(chǎn)品，如：思科的IDS?4250T和Internet Security的 Realsecure等[1]。

我國(guó)的網(wǎng)絡(luò)入侵檢測(cè)技術(shù)研究起步于20世紀(jì)90年代，哈爾濱工程大學(xué)的唐立力教授采用KDDCUP99入侵檢測(cè)測(cè)試集作為研究樣本，利用RBF神經(jīng)網(wǎng)絡(luò)作為判斷模塊，根據(jù)知識(shí)庫中已經(jīng)定義好的網(wǎng)絡(luò)攻擊方式來判斷是否發(fā)生入侵行為，通過網(wǎng)絡(luò)訓(xùn)練，對(duì)常見的四大類型的入侵行為進(jìn)行了很好的判斷；華中科大的周毅等采用遺傳算法對(duì)BP網(wǎng)絡(luò)輸入?yún)?shù)進(jìn)行優(yōu)化，建立了GA?BP的診斷網(wǎng)絡(luò)，大大提高了對(duì)網(wǎng)絡(luò)入侵行為的診斷精度和速度，提高了網(wǎng)絡(luò)的使用安全性[2]。雖然國(guó)內(nèi)外對(duì)神經(jīng)網(wǎng)絡(luò)技術(shù)在入侵檢測(cè)中的研究有著許多亮點(diǎn)，也取得了很多成績(jī)，但是從目前的研究情況來看，大多學(xué)者采用的方法存在的普遍問題有：一是構(gòu)建的網(wǎng)絡(luò)入侵檢測(cè)模型缺乏泛化能力，模型穩(wěn)定差，當(dāng)系統(tǒng)加入新的入侵類型時(shí)，模型診斷精度較低；二是除了國(guó)外少數(shù)商業(yè)軟件巨頭，其他研究者并未建立有效的基于檢測(cè)模型的防入侵檢測(cè)系統(tǒng)，即相關(guān)研究的實(shí)際用途有待進(jìn)一步提高；三是檢測(cè)系統(tǒng)的可擴(kuò)展性和檢測(cè)效率低。

1 入侵檢測(cè)系統(tǒng)的組成

1.1 常見的兩種入侵檢測(cè)方法

在目前常見的入侵檢測(cè)系統(tǒng)中，根據(jù)其檢測(cè)方法的不同，可分為異常檢測(cè)和誤用檢測(cè)兩種方法。

異常檢測(cè)的基礎(chǔ)是建立一個(gè)安全行為的數(shù)據(jù)庫，在此數(shù)據(jù)庫外的操作會(huì)被進(jìn)行比對(duì)，當(dāng)其嚴(yán)重偏離安全行為時(shí)即被判斷為入侵行為。此方法的優(yōu)點(diǎn)是對(duì)未知的入侵行為有較好的檢測(cè)效果，漏報(bào)率較低；缺點(diǎn)是容易將一些未定義的正常行為判定為入侵行為，即誤報(bào)率較高。

誤用檢測(cè)則是一種基于入侵行為數(shù)據(jù)庫的檢測(cè)，該數(shù)據(jù)庫是多種已知入侵行為及特征的集合，且數(shù)據(jù)庫是實(shí)時(shí)更新的。誤用檢測(cè)工作時(shí)，會(huì)對(duì)網(wǎng)絡(luò)行為與數(shù)據(jù)庫中的信息進(jìn)行比對(duì)，以判定其是否屬于入侵行為。誤用檢測(cè)的優(yōu)勢(shì)是可以快速有效地判斷常見入侵形式；缺點(diǎn)是數(shù)據(jù)庫需要快速和持續(xù)的進(jìn)行更新，隨著數(shù)據(jù)庫規(guī)模的持續(xù)增大，可能影響檢測(cè)的速度。

本文研究了兩種檢測(cè)法的優(yōu)缺點(diǎn)，決定在本文所構(gòu)建的系統(tǒng)中同時(shí)采用這兩種檢測(cè)法，并以神經(jīng)網(wǎng)絡(luò)技術(shù)作為其實(shí)現(xiàn)的基礎(chǔ)。

1.2 現(xiàn)有入侵檢測(cè)系統(tǒng)存在的問題

一般來說，目前常見的入侵檢測(cè)系統(tǒng)具有以下一些問題：

（1） 檢測(cè)效率較低。不管是誤用檢測(cè)還是異常檢測(cè)都很難快速檢測(cè)具有欺騙性的入侵行為；異常檢測(cè)的正常運(yùn)行需要系統(tǒng)維護(hù)記錄的實(shí)時(shí)更新，誤用檢測(cè)則需要復(fù)雜的專家系統(tǒng)shell來編碼和解釋，需要耗費(fèi)大量的系統(tǒng)資源，因此其效率較低。

（2） 維護(hù)性和系統(tǒng)更新能力較低。一個(gè)入侵檢測(cè)系統(tǒng)需要實(shí)時(shí)維護(hù)及更新，目前廣泛存在的系統(tǒng)在維護(hù)和更新時(shí)往往要求操作者了解專家系統(tǒng)規(guī)則語言，使得操作者的學(xué)習(xí)成本大大提高。

（3） 漏報(bào)和誤報(bào)問題。目前常見的入侵檢測(cè)系統(tǒng)普遍存在漏報(bào)率和誤報(bào)率偏高的問題，這極大的影響了系統(tǒng)的性能。

1.3 將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于入侵檢測(cè)系統(tǒng)的優(yōu)勢(shì)

將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到入侵檢測(cè)研究中。主要有以下優(yōu)勢(shì)：

（1） 誤警率低?，F(xiàn)有系統(tǒng)的一大缺點(diǎn)就是誤報(bào)率較高，這是由于其采用的模式匹配模塊缺乏自學(xué)習(xí)能力導(dǎo)致的，神經(jīng)網(wǎng)絡(luò)模型有較高的自適應(yīng)和自學(xué)習(xí)能力，可以很好的解決這一問題。

（2） 自適應(yīng)性好。傳統(tǒng)的入侵檢測(cè)系統(tǒng)需要對(duì)每種已知的攻擊行為制定專家系統(tǒng)shell來編碼和解釋。當(dāng)新的攻擊類型出現(xiàn)時(shí)，需要重新進(jìn)行編碼和解釋，這極大的增加了系統(tǒng)的更新和維護(hù)成本。而基于神經(jīng)網(wǎng)絡(luò)技術(shù)的系統(tǒng)則不依靠信號(hào)的模式匹配，其具有很強(qiáng)的自適應(yīng)性，當(dāng)需要對(duì)系統(tǒng)進(jìn)行更新時(shí)，也不會(huì)造成太大的學(xué)習(xí)成本。

（3） 漏報(bào)率低。傳統(tǒng)入侵檢測(cè)系統(tǒng)，特別是采用誤用檢測(cè)法的系統(tǒng)對(duì)于新的攻擊行為會(huì)有較高的漏報(bào)率，而采用神經(jīng)網(wǎng)絡(luò)技術(shù)則可以有效解決這一問題。

1.4 基于神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)模型

本文借鑒文獻(xiàn)[3?4]，結(jié)合神經(jīng)網(wǎng)絡(luò)的相關(guān)特點(diǎn)，建立了如圖1所示的檢測(cè)模型。

在圖1的入侵檢測(cè)系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊1在發(fā)現(xiàn)新的攻擊類型后會(huì)將相關(guān)信息輸入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊2中進(jìn)行訓(xùn)練，從而擴(kuò)充誤用檢測(cè)庫的數(shù)量，極大地提高了該系統(tǒng)的實(shí)用性，該系統(tǒng)主要分為以下幾個(gè)模塊：

（1） 數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊采用Winpcap來捕獲網(wǎng)絡(luò)中的數(shù)據(jù)包和處理系統(tǒng)日志并送入預(yù)處理模塊。Winpcap體系結(jié)構(gòu)利用的Packet.dll和Wpcap.dll兩個(gè)API為用戶提供支持。

（2） 數(shù)據(jù)預(yù)處理模塊

對(duì)Winpcap采集到的數(shù)據(jù)進(jìn)行篩選和處理，檢查其格式，并調(diào)用不同的分析程序段對(duì)包中不同協(xié)議類型的內(nèi)容進(jìn)行分析，以轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)所能識(shí)別的標(biāo)準(zhǔn)格式。

（3） 神經(jīng)網(wǎng)絡(luò)模塊

本系統(tǒng)建立了分別基于誤用和異常檢測(cè)庫的神經(jīng)網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)首先需要一定樣本的訓(xùn)練，然后即可以對(duì)相關(guān)的入侵行為進(jìn)行識(shí)別，并把確定的行為報(bào)送給入侵響應(yīng)模塊。

（4） 報(bào)警響應(yīng)模塊

該模塊的功能主要有兩個(gè)：一是記錄入侵行為的時(shí)間日志，以便復(fù)查、分析及作為證據(jù)，并保證這些記錄不能被擦除或遠(yuǎn)程銷毀；二是及時(shí)報(bào)警，通知網(wǎng)絡(luò)管理人員及時(shí)采取相應(yīng)措施以阻止網(wǎng)絡(luò)入侵行為。

2 系統(tǒng)的試驗(yàn)過程及結(jié)果分析

2.1 實(shí)驗(yàn)環(huán)境

本次實(shí)驗(yàn)的硬件平臺(tái)為Intel i5 3.2 GHz，8 GB內(nèi)存和1 TB硬盤的計(jì)算機(jī)，實(shí)驗(yàn)在Windows 8平臺(tái)上用Matlab語言編程實(shí)現(xiàn)。

2.2 試驗(yàn)數(shù)據(jù)源的選取

本文所采用的分析數(shù)據(jù)是目前入侵檢測(cè)研究中常用的KDD Cup 1999 Data數(shù)據(jù)集，該數(shù)據(jù)集包含了近500萬條模擬網(wǎng)絡(luò)環(huán)境中的各種攻擊和正常訪問鏈接的記錄。其中入侵行為主要包含4種常見的攻擊類型和1種新的攻擊類型，它們分別是拒絕服務(wù)攻擊（Denial of Service，DOS）、本地用戶權(quán)限提升攻擊（User to Root，U2R）、遠(yuǎn)程攻擊（Remote to Local，R2L）、探測(cè)攻擊（Probe）和新類型攻擊（Other）[5]，這5種攻擊類型中包含的18種具體的攻擊名稱如表1所示。

由圖4可知，當(dāng)訓(xùn)練經(jīng)過23次迭代之后達(dá)到了滿意的期望誤差限。

2.5 結(jié)果分析

為了表征入侵檢測(cè)系統(tǒng)的性能，本文采用漏報(bào)率和誤報(bào)率來作為其性能指標(biāo)，其值按下式計(jì)算：

[漏報(bào)率=錯(cuò)誤標(biāo)示為正常的異常數(shù)據(jù)測(cè)試樣本集中的異常數(shù)據(jù)總和]

[誤報(bào)率=錯(cuò)誤標(biāo)識(shí)為異常的正常數(shù)據(jù)測(cè)試本集中的正常數(shù)據(jù)總和]

經(jīng)計(jì)算各個(gè)樣本的漏報(bào)率和誤報(bào)率如表4所示。

從表4可以知道，本文構(gòu)建的入侵檢測(cè)模型不管是對(duì)于已知入侵類型或新的攻擊類型的檢測(cè)都有較好的檢測(cè)效果，可以起到提高系統(tǒng)安全的作用。

3 結(jié) 語

本文主要對(duì)神經(jīng)網(wǎng)絡(luò)技術(shù)在網(wǎng)絡(luò)入侵檢測(cè)中的應(yīng)用進(jìn)行了研究，分析了傳統(tǒng)入侵檢測(cè)系統(tǒng)存在的檢測(cè)效率低和漏報(bào)、誤報(bào)率高等問題，指出了將神經(jīng)網(wǎng)絡(luò)運(yùn)用于入侵檢測(cè)系統(tǒng)可以有效降低漏報(bào)、誤報(bào)率，提高系統(tǒng)自適應(yīng)性和減去數(shù)據(jù)過載等優(yōu)勢(shì)。本文構(gòu)建的系統(tǒng)共有數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、神經(jīng)網(wǎng)絡(luò)和報(bào)警響應(yīng)四個(gè)模塊組成。通過利用該系統(tǒng)進(jìn)行的仿真實(shí)驗(yàn)表明，采用神經(jīng)網(wǎng)絡(luò)技術(shù)的網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)具有較高的檢測(cè)精度，可以有效提高網(wǎng)絡(luò)的安全性。

參考文獻(xiàn)

[1] KOZIOL J.Snort入侵檢測(cè)實(shí)用解決方案[M].吳溥峰，孫默，許誠(chéng)，譯.北京：機(jī)械工業(yè)出版社，2005.

[2] 危勝軍，胡昌振，姜飛.基于BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法的入侵檢測(cè)方法[J].計(jì)算機(jī)工程，2005，31（13）：154?155.

[3] GHOSH A K， SEHWARTZBARD A. A study in using neural networks for anomaly detection And misuse detection [C]// Proceeding of 2009 the 8th Usenix Security Symposium. [S.l.]： ACM， 2009： 534?537.

[4] 李恒華，田捷，常b，等.基于濫用檢測(cè)和異常檢測(cè)的入侵檢測(cè)系統(tǒng)[J].計(jì)算機(jī)工程，2003（10）：14?16.

第2篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)；應(yīng)用探析

現(xiàn)如今，人們的日常生活和工作都已經(jīng)離不開計(jì)算機(jī)，但各類安全風(fēng)險(xiǎn)也屢次出現(xiàn)在使用過程中，給用戶帶來很多的擔(dān)憂和不便。神經(jīng)網(wǎng)絡(luò)在多個(gè)方面都具有智能人工算法技術(shù)，如組織能力和適應(yīng)能力等，能為計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)起到了極大的作用。

1 神經(jīng)網(wǎng)絡(luò)的概念

（一）神經(jīng)網(wǎng)絡(luò)的發(fā)展

神經(jīng)網(wǎng)絡(luò)（neural network，NN）是對(duì)神經(jīng)單元通過大量處理，而組建的網(wǎng)絡(luò)復(fù)雜結(jié)構(gòu)，具有簡(jiǎn)化和模擬人體大腦的功能。在儲(chǔ)存信息上，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力和適用能力都很強(qiáng)大，并具有十分可觀的容錯(cuò)能力，是傳統(tǒng)信息算法的有效突破，可以將處理信息的方式按照人體大腦思維模式來進(jìn)行。人工神經(jīng)網(wǎng)絡(luò)于20世紀(jì)40年代開始初步研究，同時(shí)對(duì)MP神經(jīng)元模型有了認(rèn)識(shí)。到了20世紀(jì)50年代末，研究者們通過MP神經(jīng)元模型將感知器這一實(shí)物進(jìn)行了設(shè)計(jì)。美國(guó)國(guó)防部于20世紀(jì)90年代初對(duì)神經(jīng)網(wǎng)絡(luò)的各個(gè)應(yīng)用領(lǐng)域進(jìn)行了進(jìn)一步開發(fā)，第一是地震信號(hào)監(jiān)測(cè)；第二是識(shí)別目標(biāo)；第三是識(shí)別和處理聲吶信號(hào)等，并具有很大的進(jìn)展。神經(jīng)網(wǎng)絡(luò)技術(shù)在中國(guó)的起步開始于20世紀(jì)80年代末，雖然起步較落后于其它國(guó)家，但在研究成果上也有很大的成效。

（二）神經(jīng)網(wǎng)絡(luò)的特點(diǎn)

神經(jīng)網(wǎng)絡(luò)的特點(diǎn)可以分為四點(diǎn)，第一是學(xué)習(xí)能力；第二是分布式；第三是并行性；第四是非線性等。首先，較好的學(xué)習(xí)能力是神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)，其可以根據(jù)抽象訓(xùn)練而得到樣本的相關(guān)數(shù)據(jù)特征，這不僅說明神經(jīng)網(wǎng)絡(luò)的智能運(yùn)用，更是充分體現(xiàn)了強(qiáng)大的網(wǎng)絡(luò)計(jì)算機(jī)適應(yīng)功能。其次，分布式在傳統(tǒng)計(jì)算機(jī)中是串行運(yùn)行的，在不同的單元中儲(chǔ)存信息，如果其中一個(gè)存儲(chǔ)單元遭到破壞都將對(duì)整個(gè)信息存儲(chǔ)造成影響。但在神經(jīng)網(wǎng)絡(luò)中，其是通過神經(jīng)元來分散儲(chǔ)存信息，連接權(quán)值和單獨(dú)的神經(jīng)元必須進(jìn)行組織才能發(fā)揮作用。如果損壞到連接權(quán)值或是單一神經(jīng)元，不會(huì)影響到整體信息，這是神經(jīng)系統(tǒng)具有強(qiáng)大穩(wěn)定性和容錯(cuò)能力的表現(xiàn)。同時(shí)，在外界干擾下輸入信號(hào)，不會(huì)產(chǎn)生較大畸變的輸出信號(hào)。再次，神經(jīng)網(wǎng)絡(luò)的聯(lián)想能力通^分布式的結(jié)構(gòu)來實(shí)現(xiàn)，其主要體現(xiàn)在對(duì)人體大腦結(jié)構(gòu)通過網(wǎng)絡(luò)來進(jìn)行模擬。在信息被神經(jīng)元接收并進(jìn)行處理時(shí)，每個(gè)神經(jīng)元都是單獨(dú)的，對(duì)接收信息進(jìn)行分別處理再各自輸出，這是神經(jīng)網(wǎng)絡(luò)的并行性，其具有極高效率的信息處理能力。最后是神經(jīng)網(wǎng)絡(luò)的非線性，其能對(duì)輸入和輸出的非線性映射有效實(shí)現(xiàn)，輸入與輸出的分線性關(guān)系通過神經(jīng)網(wǎng)絡(luò)，可以對(duì)大部分無模型的非線性關(guān)系加以模擬，是研究非線性系統(tǒng)的主要途徑。

2 計(jì)算機(jī)所存在的網(wǎng)絡(luò)安全問題

計(jì)算機(jī)所面對(duì)的網(wǎng)絡(luò)安全問題大致可以分為幾類，第一是病毒危害；第二是黑客攻擊；第三是IP地址盜用等。網(wǎng)絡(luò)安全有保密性、完整性、可用性、可控性、可審查性等五個(gè)方面的特點(diǎn)。網(wǎng)絡(luò)安全問題中，計(jì)算機(jī)病毒是最常見的，具有極大的破壞性和隱蔽性，并具有高傳播速度。常見的計(jì)算機(jī)病毒有蠕蟲和震網(wǎng)等，其能嚴(yán)重破壞計(jì)算機(jī)網(wǎng)絡(luò)，要對(duì)其進(jìn)行清除也有很大難度。近年來，黑客攻擊頻率也在不斷增加，且具有一定的目的性，這些黑客為了窺探他人隱私，對(duì)用戶計(jì)算機(jī)隱私進(jìn)行竊取。部分黑客的目的是為了報(bào)復(fù)或抗議某些事件，對(duì)公共網(wǎng)絡(luò)和政府網(wǎng)絡(luò)進(jìn)行大肆攻擊，企圖對(duì)網(wǎng)頁內(nèi)容進(jìn)行篡改，造成一定的社會(huì)負(fù)面影響。另外，IP地址盜用也是計(jì)算機(jī)網(wǎng)絡(luò)安全中的主要問題，對(duì)用戶IP進(jìn)行盜取，并騷擾和破壞使用用戶的個(gè)人信息等，給用戶的個(gè)人信息安全帶來了極大隱患。

3 計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用

（一）安全評(píng)價(jià)體系的建立

計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)對(duì)于計(jì)算機(jī)相關(guān)安全隱患都有所包含，其可以通過神經(jīng)網(wǎng)絡(luò)來對(duì)網(wǎng)絡(luò)安全評(píng)價(jià)體系進(jìn)行建立，預(yù)防潛在威脅對(duì)計(jì)算機(jī)網(wǎng)絡(luò)造成的破壞。第一步需要對(duì)安全評(píng)價(jià)指標(biāo)進(jìn)行確立，其應(yīng)當(dāng)具有最基本的幾項(xiàng)原則，第一是獨(dú)立；第二是準(zhǔn)確；第三是可靠。在進(jìn)行評(píng)價(jià)時(shí)，應(yīng)當(dāng)選擇評(píng)價(jià)對(duì)象強(qiáng)層分明的代表性。第二步是對(duì)評(píng)價(jià)指標(biāo)進(jìn)行各項(xiàng)標(biāo)準(zhǔn)化和取值。由于每個(gè)評(píng)價(jià)指標(biāo)具有不同對(duì)象的評(píng)價(jià)，所以每個(gè)評(píng)價(jià)指標(biāo)的標(biāo)準(zhǔn)和取值也是有差別的。第三步是評(píng)價(jià)結(jié)果庫的建立，其完整的建立應(yīng)當(dāng)根據(jù)不同評(píng)價(jià)指標(biāo)的不同特點(diǎn)來進(jìn)行參考。如要對(duì)網(wǎng)絡(luò)安全級(jí)別進(jìn)行結(jié)果評(píng)價(jià)，可以分為幾個(gè)等級(jí)，第一是安全；第二是比較安全；第三是不安全；第四是嚴(yán)重危害等，并對(duì)每個(gè)評(píng)價(jià)做出詳細(xì)的說明，使計(jì)算機(jī)網(wǎng)絡(luò)安全形成的原因、結(jié)果和評(píng)價(jià)得到用戶的清楚認(rèn)識(shí)。要對(duì)網(wǎng)絡(luò)安全評(píng)價(jià)體系進(jìn)行建立，可以通過幾個(gè)原則來進(jìn)行，第一是準(zhǔn)確性；第二是完整性；第三是獨(dú)立性；第四是簡(jiǎn)要性。

（二）BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用

在計(jì)算機(jī)網(wǎng)絡(luò)的應(yīng)用中，使用最為廣泛的是BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)、記憶和自適應(yīng)等能力，能夠有效處理非線性、不確定性或模糊關(guān)系。BP神經(jīng)網(wǎng)絡(luò)通過對(duì)樣本信號(hào)不斷傳播和訓(xùn)練，保證最低限度的誤差傳播，其在實(shí)際應(yīng)用過程中，具有很大的安全作用。在識(shí)別對(duì)象和分類上，BP神經(jīng)網(wǎng)絡(luò)的靈敏度都十分優(yōu)越，可以對(duì)網(wǎng)絡(luò)安全中心進(jìn)行快速的診斷和監(jiān)督。但是，BP神經(jīng)網(wǎng)絡(luò)的缺陷在于魯棒性和容錯(cuò)率相對(duì)較低，在快速實(shí)現(xiàn)安全監(jiān)測(cè)的同時(shí)，難以保證準(zhǔn)確度。另外，收斂效果不佳也是BP神經(jīng)網(wǎng)絡(luò)算法存在的問題，其缺少標(biāo)準(zhǔn)統(tǒng)一的網(wǎng)絡(luò)隱層節(jié)點(diǎn)。安全評(píng)價(jià)模型依靠BP神經(jīng)網(wǎng)絡(luò)來建立，首先要使神經(jīng)元接數(shù)量在輸入層設(shè)計(jì)中達(dá)到評(píng)價(jià)指標(biāo)。然后利用單層結(jié)構(gòu)來設(shè)計(jì)隱層含，對(duì)選取的節(jié)點(diǎn)數(shù)量進(jìn)行網(wǎng)絡(luò)綜合考量。最后是安全評(píng)價(jià)結(jié)果利用輸入層來進(jìn)行設(shè)計(jì)，以保證精確性的安全評(píng)價(jià)。

（三）ART神經(jīng)網(wǎng)絡(luò)的應(yīng)用

ART（Adaptive Resonance Theory）神經(jīng)網(wǎng)絡(luò)，即自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)，是一種自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是無教師的學(xué)習(xí)網(wǎng)絡(luò)。ART能自組織地產(chǎn)生對(duì)環(huán)境認(rèn)識(shí)編碼。ART神經(jīng)網(wǎng)絡(luò)適用的網(wǎng)絡(luò)安全評(píng)價(jià)包括有謠言散播和攻擊他人等一些非安全性操作。在功能上來講，ART主要對(duì)語音、圖像、文字等進(jìn)行識(shí)別，對(duì)其安全程度進(jìn)行判斷，并通過搜索大量數(shù)據(jù)來對(duì)模式建立固定的安全評(píng)價(jià)模型。ART神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于穩(wěn)定性強(qiáng)、聚類效果好，其適應(yīng)能力能在多變復(fù)雜的環(huán)境進(jìn)行轉(zhuǎn)變，且算法相對(duì)簡(jiǎn)單。但是，ART的缺陷在于是對(duì)模型和參數(shù)進(jìn)行確定，還需學(xué)習(xí)和優(yōu)化其網(wǎng)絡(luò)結(jié)構(gòu)。ART神經(jīng)網(wǎng)絡(luò)可以有效監(jiān)測(cè)對(duì)信息數(shù)據(jù)的傳播，然后通過模型庫來對(duì)比傳播信息的安全程度，并作出相對(duì)應(yīng)的處理程序。所以，ART可以為用戶的網(wǎng)絡(luò)環(huán)境起到凈化作用，帶來安全良性的網(wǎng)絡(luò)空間。

4 結(jié)束語

在計(jì)算機(jī)網(wǎng)絡(luò)的快速發(fā)展中，網(wǎng)絡(luò)安全是使用者們最為擔(dān)心的障礙。神經(jīng)網(wǎng)絡(luò)通過高科技技術(shù)手段，可以對(duì)計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)體系做出全面優(yōu)化，保證網(wǎng)絡(luò)安全的精確性和穩(wěn)定性。

參考文獻(xiàn)

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

[2]岳陽. 基于BP神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)估[J]. 電腦知識(shí)與技術(shù)，2013，18：4303-4307.

[3]孫立權(quán)，楊素錦. 計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的應(yīng)用[J]. 信息系統(tǒng)工程，2015，01：81.

第3篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

【關(guān)鍵詞】BP算法 蟻群優(yōu)化算法 放大因子 神經(jīng)網(wǎng)絡(luò)

伴隨著近年來對(duì)于人工智能（Artificial Intelligence）研究的不斷深入，其中一項(xiàng)重要的分支內(nèi)容也越來越引起人們的重視，即人工神經(jīng)網(wǎng)絡(luò)，這一技術(shù)研究現(xiàn)已經(jīng)廣泛的應(yīng)用到了信息處理、車輛檢測(cè)、價(jià)格預(yù)測(cè)等多個(gè)領(lǐng)域當(dāng)中。而BP網(wǎng)絡(luò)神經(jīng)算法則是應(yīng)用普及程度最高的一項(xiàng)神經(jīng)網(wǎng)絡(luò)內(nèi)容，然而這一傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法卻存在有一些較為顯著的缺陷性，如局部不足、收斂緩慢、缺乏理論指導(dǎo)等，因此有必要對(duì)傳統(tǒng)的算法進(jìn)行改進(jìn)。據(jù)此本文主要就通過對(duì)于上述問題的分析，提出了引入放大因子以及應(yīng)用蟻群優(yōu)化算法兩項(xiàng)改進(jìn)手段，并通過將改進(jìn)后的算法應(yīng)用到瓦斯?jié)舛葯z驗(yàn)中，有效的驗(yàn)證了這一算法的科學(xué)性。

1 傳統(tǒng)BP算法的缺陷

1.1 收斂緩慢

因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)的曲面圖像十分復(fù)雜，因此極有可能會(huì)有一些相對(duì)較為平坦曲面的存在，在起初之時(shí)的網(wǎng)絡(luò)訓(xùn)練收斂值較大，然而伴隨著訓(xùn)練的進(jìn)行，在訓(xùn)練行進(jìn)到平坦曲面位置時(shí)，依據(jù)梯度下降法，便極有可能會(huì)發(fā)生盡管誤差值較大，然而誤差梯度值卻較小，進(jìn)而也就導(dǎo)致權(quán)值的可調(diào)整值變小，最終僅能夠采取加多訓(xùn)練次數(shù)的方式來逐漸退出目標(biāo)區(qū)域。

1.2 局部不足

盡管BP算法能夠促使均方誤差達(dá)到最小化權(quán)值與閾值，然而因?yàn)槎鄬泳W(wǎng)絡(luò)結(jié)構(gòu)的均方誤差存在有極大的復(fù)雜性特點(diǎn)，既有可能導(dǎo)致多項(xiàng)局部極小值情況的出現(xiàn)，從而使得算法在斂收之時(shí)，無法準(zhǔn)確的判定出是否求得最優(yōu)解。

1.3 缺乏理論指導(dǎo)

由于僅在接近于連續(xù)函數(shù)的情況時(shí)才需多層隱含層，但是在實(shí)際情況下往往是選用單層隱含層，這就會(huì)導(dǎo)致一個(gè)十分明顯的問題，即隱含層神經(jīng)元的數(shù)量大小是對(duì)網(wǎng)絡(luò)計(jì)算的復(fù)雜性是具有直接性影響的，從理論層面來說神經(jīng)元數(shù)量越多，所得到的求值才能夠越精確，然而現(xiàn)實(shí)情況往往都是依據(jù)經(jīng)驗(yàn)公式，以及大量的實(shí)驗(yàn)驗(yàn)證來明確出相應(yīng)的隱含層神經(jīng)元數(shù)量，這必須要借助于大量的運(yùn)算處理才能實(shí)現(xiàn)。

2 算法改進(jìn)

2.1 放大因子的引入

在精確性允許的前提下，為了獲得更大的幾何間隔，可放寬容錯(cuò)性，為閾值增添以一定的松弛變量。但還在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程當(dāng)中，因?yàn)闃颖舅霈F(xiàn)的隨機(jī)性改變，在通過歸一化處置后，于初期學(xué)習(xí)階段，樣本的訓(xùn)練誤差較大，收斂較快，然而伴隨著訓(xùn)練的持續(xù)進(jìn)行，特別是在樣本訓(xùn)練結(jié)果無限趨近于1/0之時(shí)，這是訓(xùn)練便會(huì)達(dá)到平臺(tái)期，也就是相對(duì)停滯階段。

在將放大因子運(yùn)用到實(shí)際訓(xùn)練當(dāng)中，對(duì)隱含層與輸出層當(dāng)中的權(quán)值采取調(diào)整，所產(chǎn)生的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果影響，要明顯超過輸入層和隱含層當(dāng)中權(quán)值調(diào)整所造成的影響，因而在本次研究當(dāng)中，將放大因子應(yīng)用在了隱含層和輸出層權(quán)值的調(diào)整之中。

2.2 應(yīng)用蟻群優(yōu)化算法

蟻群優(yōu)化算法是一種對(duì)離散優(yōu)化問題進(jìn)行求解的通用型框架。在某條具體路徑當(dāng)中所經(jīng)過的螞蟻數(shù)量越多，相應(yīng)的信息條件密集性也就越大，從而這一路徑被選取的概率也就越大，其呈現(xiàn)出的是一種正反饋的現(xiàn)狀情況。每一只螞蟻在僅穿過任一節(jié)點(diǎn)一次的情況之時(shí)，對(duì)被選用的權(quán)值節(jié)點(diǎn)進(jìn)行明確的記錄，從而該區(qū)域之中的節(jié)點(diǎn)也就組成了一組候選權(quán)值，在所有螞蟻均完成了首次選擇后，依據(jù)全局更新策略來對(duì)信息素的密度進(jìn)行更新。直至滿足于最大進(jìn)化代數(shù)，也就得到了最佳的權(quán)值組合。

3 實(shí)驗(yàn)分析

3.1 變量選取

考量到瓦斯?jié)舛扔绊懸蛩厮邆涞牡牟淮_定性，因此可對(duì)各類因素予以篩選，在對(duì)短期預(yù)測(cè)不造成影響的情況下，來選擇出影響力最大的因子。在瓦斯?jié)舛缺O(jiān)測(cè)的特征變量中主要包括有風(fēng)速、溫度、負(fù)壓、一氧化碳濃度、瓦斯?jié)舛取?/p>

3.2 參數(shù)選擇

依據(jù)上述特征變量?jī)?nèi)容，此實(shí)驗(yàn)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)便可明確為輸入層4項(xiàng)：風(fēng)速、溫度、負(fù)壓、一氧化碳濃度，輸出層1項(xiàng)：瓦斯?jié)舛取ａ槍?duì)以上特征變量依次選用傳統(tǒng)BP算法與改進(jìn)后的算法進(jìn)行測(cè)量，隱含網(wǎng)絡(luò)層均為1個(gè)。隱含層節(jié)點(diǎn)可通過下列公式予以驗(yàn)證：

m=0.618*（input+output）

在這一公式當(dāng)中input與output即為輸入層與輸出層節(jié)點(diǎn)數(shù)量。BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練數(shù)共1100，預(yù)計(jì)誤差值為0.0011，其中隱含層應(yīng)用Sig mod函數(shù)，在輸出層之中應(yīng)用線性函數(shù)。蟻群優(yōu)化模型最終其規(guī)模明確為600，權(quán)值區(qū)間取[-1，1]，迭代次數(shù)取1100次。

3.3 結(jié)果分析

在考量到具體運(yùn)用時(shí)的科學(xué)性，可編寫一項(xiàng)測(cè)試軟件，針對(duì)數(shù)據(jù)內(nèi)容予以計(jì)算處理，并將多次試驗(yàn)所得數(shù)據(jù)信息予以對(duì)比，改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)BP網(wǎng)絡(luò)其檢測(cè)精確性如表1所示。

通過觀察表1，能夠明顯的發(fā)現(xiàn)，經(jīng)過改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法其訓(xùn)練擬合度相較于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法而言更高，同時(shí)準(zhǔn)確率也顯著提升了3.82%，收斂速度也有了顯著的提升，權(quán)值選取也有了理論性的指導(dǎo)。

4 結(jié)束語

總而言之，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法存在收斂速度較慢、且容易陷入到局部不足以及缺乏理論指導(dǎo)的設(shè)計(jì)陷阱，本文主要通過對(duì)放大因子的引入，使得BP神經(jīng)網(wǎng)絡(luò)算法在實(shí)際訓(xùn)練時(shí)的權(quán)值調(diào)整方式發(fā)生了轉(zhuǎn)變，進(jìn)而通過應(yīng)用蟻群優(yōu)化算法來實(shí)現(xiàn)了對(duì)于BP神經(jīng)網(wǎng)絡(luò)權(quán)值的選擇，并構(gòu)建起了相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型以及改進(jìn)后的訓(xùn)練方法。最終將此改進(jìn)之后的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到瓦斯?jié)舛阮A(yù)測(cè)領(lǐng)域之中，其效果明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法。

參考文獻(xiàn)

[1]楊紅平，傅衛(wèi)平，王雯等.結(jié)合面法向和切向接觸剛度的MPSO-BP神經(jīng)網(wǎng)絡(luò)算法的建模[J].儀器儀表學(xué)報(bào)，2012（08）.

[2]陳樺，程云艷.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及在Matlab中的實(shí)現(xiàn)[J].陜西科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（02）：45-47.

第4篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

關(guān)鍵詞 神經(jīng)網(wǎng)絡(luò)；BP；優(yōu)化算法

中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-7597（2014）13-0066-01

1 人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱ANN，它是一種將人類大腦的組織結(jié)構(gòu)和運(yùn)行機(jī)制作為其研究基礎(chǔ)來模擬人類大腦內(nèi)部結(jié)構(gòu)和其智能行為的處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元細(xì)胞將其接收到的所有信號(hào)進(jìn)行處理，如加權(quán)求和等操作，進(jìn)行操作后經(jīng)軸突輸出。

2 人工神經(jīng)網(wǎng)絡(luò)的分類

2.1 前饋型神經(jīng)網(wǎng)絡(luò)

前饋型神經(jīng)網(wǎng)絡(luò)通過對(duì)其網(wǎng)絡(luò)中的神經(jīng)元之間的連接關(guān)系進(jìn)行復(fù)合映射，因此這種網(wǎng)絡(luò)模型具有非常強(qiáng)的非線性處理的能力。如圖1所示，在這里前饋型神經(jīng)網(wǎng)絡(luò)模型被分為三層，分別為輸入層、輸出層和隱含層，一般常用的前饋型神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)等。

圖1 前向神經(jīng)網(wǎng)絡(luò)模型

2.2 反饋型神經(jīng)網(wǎng)絡(luò)

反饋型神經(jīng)網(wǎng)絡(luò)其結(jié)構(gòu)，在這個(gè)模型中我們假設(shè)網(wǎng)絡(luò)總的神經(jīng)元個(gè)數(shù)為N，則每個(gè)神經(jīng)元節(jié)點(diǎn)都有N個(gè)輸入值及一個(gè)輸出值，每個(gè)神經(jīng)元節(jié)點(diǎn)都如此，節(jié)點(diǎn)之間相互聯(lián)系。現(xiàn)在被大量使用的反饋型神經(jīng)網(wǎng)絡(luò)一般有離散Hopfield神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型等等。

3 BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

1986年，Rumelhant和McCelland提出了BP神經(jīng)網(wǎng)絡(luò)的一般模型，BP神經(jīng)網(wǎng)絡(luò)是一種具有多層網(wǎng)絡(luò)的反向傳播學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)模型的基本思想是：整個(gè)過程主要由信號(hào)的正向傳播和誤差的反向傳播兩個(gè)過程組成。目前，BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用范圍為數(shù)據(jù)壓縮、數(shù)據(jù)分類、預(yù)測(cè)分析和模式識(shí)別等領(lǐng)域。

3.2 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

如圖2所示，這里是BP神經(jīng)網(wǎng)絡(luò)的一種模型結(jié)構(gòu)，在這種模型結(jié)構(gòu)中輸入信號(hào)量為m，具有隱含層的數(shù)量為j，輸出信號(hào)量為q的模型結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)一般具有一個(gè)或多個(gè)隱含層單元，其差別主要體現(xiàn)在激活函數(shù)的不同。針對(duì)BP神經(jīng)網(wǎng)絡(luò)所使用的激活函數(shù)一

圖2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

般采用S型對(duì)數(shù)函數(shù)或者采用正切激活函數(shù)，而輸出層則一般采用線性函數(shù)作為激活函數(shù)。

3.3 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法

BP神經(jīng)網(wǎng)絡(luò)作為當(dāng)今對(duì)研究電力負(fù)荷預(yù)測(cè)應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)，但標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)算法存在的一些缺陷，這里就對(duì)一些經(jīng)常使用的典型改進(jìn)方法進(jìn)行描述。

1）增加動(dòng)量項(xiàng)。在一般的BP神經(jīng)網(wǎng)絡(luò)算法中，其模型中的各層權(quán)值在進(jìn)行更新的過程中，是按照t時(shí)刻誤差曲線進(jìn)行梯度下降方式進(jìn)行調(diào)整的，在這里并沒有考慮其之間的梯度下降的方向，如果使用這種方式進(jìn)行調(diào)整則會(huì)造成訓(xùn)練的過程不穩(wěn)定，容易發(fā)生振蕩，導(dǎo)致收斂過程緩慢的結(jié)果。因此有些學(xué)者就為了使網(wǎng)絡(luò)訓(xùn)練的速度提高，收斂過程加快，就在一般網(wǎng)絡(luò)模型的權(quán)值更新環(huán)節(jié)添加了一個(gè)動(dòng)量項(xiàng)因子即：

（1）

在這個(gè)式子中，W表示BP神經(jīng)網(wǎng)絡(luò)中每一層的權(quán)值矩陣，O則表示神經(jīng)網(wǎng)絡(luò)中每一層的輸出向量矩陣，α則被稱為該神經(jīng)網(wǎng)絡(luò)的動(dòng)量系數(shù)因子，其取值范圍在0到1之間，在該網(wǎng)絡(luò)在進(jìn)行訓(xùn)練的過程中，如果其誤差梯度網(wǎng)線出現(xiàn)了局部極小值現(xiàn)象，雖然在這里的第一項(xiàng)會(huì)趨摟于零，但是這一項(xiàng)，

這樣就會(huì)使該訓(xùn)練過程避免了限入局部極小值區(qū)域的形勢(shì)，從而加快了其訓(xùn)練速度，使該神經(jīng)網(wǎng)絡(luò)收斂速度加快，因此這種帶有動(dòng)量項(xiàng)因子的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到了很多的BP網(wǎng)絡(luò)中。

2）學(xué)習(xí)速度的自適應(yīng)調(diào)節(jié)方法。學(xué)習(xí)速度η在一個(gè)標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)中是以一個(gè)常數(shù)出現(xiàn)的我們也稱為之步長(zhǎng)，而在實(shí)際的運(yùn)算過程中，很難找到一個(gè)數(shù)值作為最優(yōu)學(xué)習(xí)速度。我們從誤差曲面圖形中可以看出，當(dāng)曲面中區(qū)域處于一個(gè)平坦區(qū)域時(shí)，我們需要設(shè)置一個(gè)比較大的η值，使它能夠跳出這個(gè)平坦的區(qū)域；而當(dāng)曲面中的區(qū)域處于變化比較很大的區(qū)域時(shí)，這時(shí)的η的數(shù)值我們又需要將其進(jìn)行減小或者增大操作。自適應(yīng)調(diào)整學(xué)習(xí)速度η則可以根據(jù)網(wǎng)絡(luò)的總誤差來進(jìn)行自我調(diào)整，在網(wǎng)絡(luò)經(jīng)過多次調(diào)整后，如果E總繼續(xù)上升，則表明這里的調(diào)整是無效的，且η=βη， ；而經(jīng)常調(diào)整這里的E總下降了，則表明這里的調(diào)整是有效果的，且η=αη，。

3）引入陡度因子（防止飽和）。在網(wǎng)絡(luò)訓(xùn)練的過程中，由于其誤差曲面具有平坦區(qū)，當(dāng)處于這個(gè)區(qū)域時(shí)，由于S型激活函數(shù)有飽和特性，促使權(quán)值的調(diào)整速度放慢，從而影響了調(diào)整的速度。在訓(xùn)練的過程中，如果算法調(diào)整進(jìn)入了這個(gè)區(qū)域，我們可以減小神經(jīng)元的輸入量，使其輸出值迅速脫離激活函數(shù)的飽和區(qū)域，這里誤差函數(shù)的數(shù)值則會(huì)隨之發(fā)生改變，其權(quán)值的調(diào)整也就脫離了該平坦區(qū)。想要實(shí)現(xiàn)以上思路則需要在激活函數(shù)中引入一個(gè)陡度因子λ。

（2）

當(dāng)趨近于0時(shí)，而數(shù)值較大時(shí)，調(diào)整其進(jìn)入誤差曲面中的平坦區(qū)，此時(shí)λ的值應(yīng)選擇大于1的數(shù)值；而當(dāng)調(diào)整脫離平坦區(qū)域后，再設(shè)置λ大于1，使激活函數(shù)能夠恢復(fù)到原始數(shù)值。

4 總結(jié)

綜上所述，設(shè)計(jì)一個(gè)人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到實(shí)際問題中，可以歸結(jié)為網(wǎng)絡(luò)自身權(quán)值參數(shù)的學(xué)習(xí)與合理的設(shè)計(jì)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)這兩大類優(yōu)化問題。由于人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè)非常復(fù)雜的問題，使用傳統(tǒng)的學(xué)習(xí)算法進(jìn)行訓(xùn)練則要花費(fèi)很長(zhǎng)的時(shí)間，BP算法用到了梯度下降法，才只能在一定范圍內(nèi)找到合適的參數(shù)值及其模型結(jié)構(gòu)。因此，為了更好的提高神經(jīng)網(wǎng)絡(luò)的泛化能力，及將網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)的更加合理，大量關(guān)于神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法相繼產(chǎn)生。

參考文獻(xiàn)

第5篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

關(guān)鍵詞：負(fù)荷預(yù)測(cè) RBF 神經(jīng)網(wǎng)絡(luò) 電力系統(tǒng)

0 引言

負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ)，對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性都有著顯著影響。負(fù)荷預(yù)測(cè)是指從已知的經(jīng)濟(jì)、社會(huì)發(fā)展和電力系統(tǒng)需求出發(fā)，考慮政治、經(jīng)濟(jì)、氣候等相關(guān)因素，通過對(duì)歷史數(shù)據(jù)的分析和研究，探索事物之間的內(nèi)在聯(lián)系和發(fā)展規(guī)律，以未來經(jīng)濟(jì)和社會(huì)發(fā)展情況的預(yù)測(cè)結(jié)果為依據(jù)，對(duì)未來的電力需求做出估計(jì)和預(yù)測(cè)[1]。相關(guān)研究工作已在國(guó)內(nèi)廣泛開展，其研究成果已經(jīng)廣泛應(yīng)用到電力系統(tǒng)實(shí)際運(yùn)行維護(hù)當(dāng)中，并取得了良好的經(jīng)濟(jì)效益。

負(fù)荷預(yù)測(cè)的方法主要分為兩大類，分別是基于參數(shù)模型預(yù)測(cè)法和基于非參數(shù)模型預(yù)測(cè)方法?；趨?shù)模型的預(yù)測(cè)方法主要有單耗法、負(fù)荷密度法、電力彈性系數(shù)法、回歸模型預(yù)測(cè)法、趨勢(shì)外推預(yù)測(cè)法、時(shí)間序列預(yù)測(cè)法等；基于非參數(shù)模型預(yù)測(cè)方法主要有專家系統(tǒng)法、模糊預(yù)測(cè)法、灰色預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、小波分析預(yù)測(cè)法等[2]。

RBF神經(jīng)網(wǎng)絡(luò)具有良好的函數(shù)逼近功能，在函數(shù)回歸上表現(xiàn)出較好的性能，已被廣泛應(yīng)用到人工智能領(lǐng)域。在負(fù)荷預(yù)測(cè)方面，RBF也得到了廣泛的應(yīng)用。本文的主要工作是整理了主要的基于RBF的電力負(fù)荷研究?jī)?nèi)容，對(duì)存在的問題進(jìn)行了分析，并對(duì)未來的發(fā)展進(jìn)行了展望。

本文接下來的內(nèi)容安排如下，第二章介紹了RBF神經(jīng)網(wǎng)絡(luò)的基本原理，第三章對(duì)基于RBF的電力負(fù)荷研究進(jìn)行了綜述，最后給出了總結(jié)。

1 RBF神經(jīng)網(wǎng)絡(luò)基本原理

RBF網(wǎng)絡(luò)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，如圖1所示，它由三層組成：第一層為輸入層，第二層為隱含層，第三層為輸出層[3]。

假設(shè)RBF神經(jīng)網(wǎng)絡(luò)的輸入向量為n維，學(xué)習(xí)樣本為 （X，Y），其中，X=（X1，X2，…XN），為輸入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），為期望輸出；N為訓(xùn)練樣本個(gè)數(shù)。當(dāng)神經(jīng)網(wǎng)絡(luò)輸入為Xi時(shí)，隱含層第j節(jié)點(diǎn)的輸出如式（1）所示[4]。

對(duì)于全體輸入學(xué)習(xí)樣本，RBF神經(jīng)網(wǎng)絡(luò)的輸出如式（2）所示。

2 基于RBF負(fù)荷預(yù)測(cè)相關(guān)研究

文獻(xiàn)[4]通過建立徑向基（RBF）神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)（ANFIs）相結(jié)合的短期負(fù)荷預(yù)測(cè)模型來應(yīng)對(duì)實(shí)時(shí)電價(jià)對(duì)短期負(fù)荷的影響。由于固定電價(jià)時(shí)代的預(yù)測(cè)方法在電價(jià)敏感環(huán)境下效果不理想，文章根據(jù)近期實(shí)時(shí)電價(jià)的變化應(yīng)用ANns系統(tǒng)對(duì)RBF神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行修正，提高預(yù)測(cè)效果。

文獻(xiàn)[5]研究了基于RBF神經(jīng)網(wǎng)絡(luò)的多變量系統(tǒng)建模。文章將正規(guī)化正交最小二乘算法引入多輸入多輸出系統(tǒng)，進(jìn)行相關(guān)研究，建立了基于RBF神經(jīng)網(wǎng)絡(luò)的多變量系統(tǒng)的模型。對(duì)電廠單元機(jī)組負(fù)荷系統(tǒng)進(jìn)行建模仿真研究的結(jié)果表明，用該方法建立的多變量熱工系統(tǒng)的非線性模型是有效的，具有較高的辨識(shí)精度和較好的泛化能力。

文獻(xiàn)[6]提出了一種基于交替梯度算法的RBF神經(jīng)網(wǎng)絡(luò)，并將之應(yīng)用到負(fù)荷預(yù)測(cè)領(lǐng)域，取得較好的效果。通過使用交替梯度算法來優(yōu)化RBF輸出層權(quán)值和中心與偏差值來得到改進(jìn)的RBF算法。與傳統(tǒng)梯度下降算法相比，改進(jìn)的RBF算法具有更高的預(yù)測(cè)精度和更快的收斂速度。模型綜合考慮了氣象數(shù)據(jù)、日類型等影響負(fù)荷變化的多種因素，實(shí)驗(yàn)結(jié)果表明改進(jìn)的RBF網(wǎng)絡(luò)算法具有更優(yōu)的性能。

文獻(xiàn)[7]將RBF神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合，在深入研究天氣和特殊事件對(duì)電力負(fù)荷的影響的基礎(chǔ)上，提出了新的負(fù)荷預(yù)測(cè)模型。利用RBF神經(jīng)網(wǎng)絡(luò)的非線性逼近能力預(yù)測(cè)出日負(fù)荷曲線，然后利用專家系統(tǒng)根據(jù)天氣因素或特殊事件對(duì)負(fù)荷曲線進(jìn)行修正，使其在天氣突變等情況下也能達(dá)到較高的預(yù)測(cè)精度。表1為文獻(xiàn)[7]的實(shí)驗(yàn)結(jié)果對(duì)比表。

文獻(xiàn)[8]將模糊聚類分析中的隸屬度應(yīng)用到負(fù)荷預(yù)測(cè)應(yīng)，通過隸屬度原理得到一批與預(yù)測(cè)日在樣本信息上類似的歷史日。采用模糊聚類分析獲得的樣本作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，并應(yīng)用改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在不需大量訓(xùn)練樣本的前提下實(shí)現(xiàn)對(duì)短期負(fù)荷的預(yù)測(cè)。

影響電網(wǎng)負(fù)荷預(yù)測(cè)的因素很多，而地區(qū)電網(wǎng)負(fù)荷易受氣象因素影響，文獻(xiàn)[9]針對(duì)電網(wǎng)負(fù)荷預(yù)測(cè)以上特點(diǎn)，把氣象因素作為影響負(fù)荷的主要因素，采用模糊規(guī)則控制的徑向基神經(jīng)網(wǎng)絡(luò)（RBF）算法，對(duì)某地區(qū)電網(wǎng)的日負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè)，實(shí)驗(yàn)證明采用這種預(yù)測(cè)方法可以提高負(fù)荷預(yù)測(cè)的速度和精度。表2給出了文獻(xiàn)[9]的實(shí)驗(yàn)結(jié)果表。

3 結(jié)束語

本文針對(duì)基于RBF神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)進(jìn)行了綜述，但由于文章篇幅的原因，不能將所有的方法列舉出來，只列舉了具有代表性的方法，希望能起到拋磚引玉的作用。

參考文獻(xiàn)：

[1]肖國(guó)泉，王春，張福偉.電力負(fù)荷預(yù)[M].北京：中國(guó)電力出版社，2001.

[2]李昀.電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)方法研究與應(yīng)用[D].2011.

[3]張師玲.基于RBF神經(jīng)網(wǎng)絡(luò)與模糊控制的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[D].江蘇大學(xué)，2010.

[4]雷紹蘭，孫才新，周等.基于徑向基神經(jīng)網(wǎng)絡(luò)和自適應(yīng)神經(jīng)模糊系統(tǒng)的電力短期負(fù)荷預(yù)測(cè)方法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005.

[5]劉志遠(yuǎn)，呂劍虹，陳來九等.基于RBF神經(jīng)網(wǎng)絡(luò)的單元機(jī)組負(fù)荷系統(tǒng)建模研究[J].控制與決策，2003.

[6]郭偉偉，劉家學(xué)，馬云龍等.基于改進(jìn)RBF網(wǎng)絡(luò)算法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2008.

[7]張濤，趙登福，周琳等.基于RBF神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的短期負(fù)荷預(yù)測(cè)方法[J].西安交通大學(xué)學(xué)報(bào)，2001.

第6篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

關(guān)鍵詞:公路工程 造價(jià)估算 模糊數(shù)學(xué) 神經(jīng)網(wǎng)絡(luò) 模糊神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào):F540.34 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-3791(2012)04(c)-0053-01

1 公路工程造價(jià)估算概述

1.1 公路工程造價(jià)估算的重要性

公路工程造價(jià)估算作為公路工程管理的重要組成部分其重要性主要體現(xiàn)在如下幾個(gè)方面。

第一,公路工程造價(jià)的估算是實(shí)現(xiàn)工程成本控制的基礎(chǔ)。其中工程施工前期造價(jià)估算、施工前的編制預(yù)算以及施工圖設(shè)計(jì)階段的編制預(yù)算等環(huán)節(jié)作為工程造價(jià)估算的核心,同樣是公路工程施工成本控制的起點(diǎn),因此,實(shí)現(xiàn)公路工程造價(jià)的合理估算是實(shí)現(xiàn)工程成本控制的重要前提條件。第二,公路工程造價(jià)的估算可以為施工企業(yè)成本控制計(jì)劃方案的制定提供重要的參考依據(jù)。施工企業(yè)通過工程造價(jià)的估算可以尋找到降低工程成本的有效途徑,從而為工程施工過程中施工成本的控制提供正確的方向。第三,公路工程造價(jià)的估算可以幫助施工企業(yè)在進(jìn)行設(shè)計(jì)招標(biāo)前可以確定工程的大致造價(jià)。這樣一來,施工企業(yè)在招標(biāo)的過程中就可以有效避免中間商的欺詐以及保標(biāo)等惡意行為的發(fā)生。

1.2 傳統(tǒng)公路工程造價(jià)估算中存在的問題

盡管工程造價(jià)估算在公路工程建設(shè)中越來越受到人們的重視,但是由于受各方面因素的影響,在傳統(tǒng)公路工程造價(jià)估算中還存在一系列的問題,其中我國(guó)傳統(tǒng)公路造價(jià)估算中主要存在如下幾個(gè)方面的問題:一是相關(guān)規(guī)章制度的限制,造價(jià)估算結(jié)果往往與投標(biāo)報(bào)價(jià)相差懸殊;二是預(yù)算結(jié)果與概算結(jié)果差距較大,不利于工程實(shí)際造價(jià)的控制和確定;三是缺少對(duì)工程造價(jià)估算的有效監(jiān)督機(jī)制,從而使最終的造價(jià)結(jié)果變的十分不確定;四是由于各參與方利益的問題,在進(jìn)行工程造價(jià)估算時(shí)很難早到平衡點(diǎn),以至于造價(jià)估算精度不能得到有效的保證。

2 認(rèn)識(shí)模糊神經(jīng)網(wǎng)絡(luò)

2.1 模糊數(shù)學(xué)概述

(1)模糊數(shù)學(xué)的概念,我們通常說的模糊就是指一些模棱兩可的、即可能又不可能、即是又不是的概念。而模糊數(shù)學(xué)就是要用數(shù)學(xué)的方法來表示那些模糊概念發(fā)生的可能性的大小,換句話講就是明確那些模糊概念所處的狀態(tài),從而利用數(shù)學(xué)的思想來解決那些模棱兩可的、不確定的實(shí)際問題。(2)模糊數(shù)學(xué)的數(shù)學(xué)描述,一般模糊數(shù)學(xué)的數(shù)學(xué)描述,多采用的是類似與集合的數(shù)學(xué)表示方法。與集合的區(qū)別就在于模糊數(shù)學(xué)在表示集合元素時(shí)需要附帶一個(gè)稱為隸屬函數(shù)值的參數(shù),其中該參數(shù)的值是隸屬函數(shù)與元素的值進(jìn)行運(yùn)算的結(jié)果。

2.2 神經(jīng)網(wǎng)絡(luò)概述

(1)神經(jīng)網(wǎng)絡(luò)的概念,所謂的神經(jīng)網(wǎng)絡(luò)是一個(gè)借鑒物理和生物技術(shù)來實(shí)現(xiàn)的用來模仿人類大腦神經(jīng)細(xì)胞結(jié)構(gòu)和功能的系統(tǒng),與人類的大腦結(jié)構(gòu)相似,它也由大量的模擬神經(jīng)元所組成的,而且這些神經(jīng)元之間相互連接,并行工作,作為一個(gè)系統(tǒng)協(xié)同完成一系列復(fù)雜的信息處理活動(dòng)。(2)神經(jīng)網(wǎng)絡(luò)的基本原理,神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)和功能上都是模擬人腦的神經(jīng)系統(tǒng)來進(jìn)行設(shè)計(jì)和實(shí)現(xiàn)的,它同時(shí)作為模擬生物神經(jīng)元的一種計(jì)算方法,其基本原理是這樣的,與生物神經(jīng)元的基本原理相似,用那些具有突的網(wǎng)絡(luò)結(jié)點(diǎn)來接受信息,并不斷的將接受到的信息累加起來,這些信息有些是抑制神經(jīng)元,有些則是激發(fā)神經(jīng)元,對(duì)于那些激發(fā)神經(jīng)元,一旦積累到一定的閾值后,相應(yīng)的神經(jīng)元便會(huì)被激活,被激活的神經(jīng)元就會(huì)沿其稱為軸突的部件向其它神經(jīng)元傳遞信息,并完成信息的處理。

2.3 模糊神經(jīng)網(wǎng)絡(luò)概述

模糊神經(jīng)網(wǎng)絡(luò)是模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)有效結(jié)合的應(yīng)用研究成果。其中在模糊神經(jīng)網(wǎng)絡(luò)中模糊數(shù)學(xué)的應(yīng)用體現(xiàn)在它可以根據(jù)那些假定的隸屬函數(shù)以及相應(yīng)的規(guī)律,用邏輯推理的方法去處理各種模糊的信息。

3 模糊神經(jīng)網(wǎng)絡(luò)在公路工程造價(jià)估算中的應(yīng)用

3.1 基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的實(shí)現(xiàn)

基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的實(shí)現(xiàn)過程如下。

第一,構(gòu)建已施工公路工程的造價(jià)信息庫,其中包括應(yīng)經(jīng)施工的公路工程的各種特征因素以及工程造價(jià)等其他各方面的材料。

第二,結(jié)合擬建工程的施工需求來確定其包括評(píng)價(jià)指標(biāo)等在內(nèi)的各種特征因素的數(shù)據(jù)取值。

第三,按照模糊數(shù)學(xué)的思想法在已施工公路工程的造價(jià)信息庫中選取若干個(gè)(至少三個(gè))與擬建工程最相似的已施工的工程,將其作為神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練的基礎(chǔ)數(shù)據(jù)。其中,將信息庫中公路工程的各種特征因素值的隸屬度作為神經(jīng)網(wǎng)絡(luò)的輸入向量,信息庫中公路工程的造價(jià)值作為神經(jīng)網(wǎng)絡(luò)的輸出向量。

第四,將擬建公路工程的各種特征因素值的隸屬度作為神經(jīng)網(wǎng)絡(luò)的輸入向量,通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)后所得到的輸出向量即為擬建公路工程的造價(jià)估算值。

第五,建立公路施工工程造價(jià)信息數(shù)據(jù),編制神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的算法通用程序。將學(xué)習(xí)訓(xùn)練的基礎(chǔ)數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò),然后合理設(shè)計(jì)學(xué)習(xí)率,經(jīng)過一定次數(shù)的迭代運(yùn)算,有效提高公路工程造價(jià)估算結(jié)果的精度。

3.2 基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的優(yōu)點(diǎn)

該方法的優(yōu)點(diǎn)可以概括為如下幾點(diǎn)。

第一,模糊神經(jīng)網(wǎng)絡(luò)中所采用的模糊數(shù)學(xué)可以對(duì)公路工程造價(jià)估算中的模糊信息進(jìn)行有效的處理,通過對(duì)已竣工的公路工程和計(jì)劃施工的公路工程的相似度進(jìn)行定量化描述,從而使模糊的公路工程造價(jià)問題得以模型化。

第二,基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法的估算結(jié)果科學(xué)合理,因?yàn)樵摲椒ú捎玫氖腔跀?shù)學(xué)模型的數(shù)學(xué)計(jì)算分析,所以其結(jié)果受人為因素的影響較小。

第三,模糊神經(jīng)網(wǎng)絡(luò)中所采用的神經(jīng)網(wǎng)絡(luò)模型對(duì)公路工程造價(jià)的估算具有很好的適應(yīng)性,與傳統(tǒng)的造價(jià)估算方法相比,該方法能更好的適應(yīng)公路工程造價(jià)的動(dòng)態(tài)變化。

第四,基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法是借助計(jì)算機(jī)來完成的,所以還具有運(yùn)算速度快和運(yùn)算精度高的優(yōu)點(diǎn)。

4 結(jié)語

由于影響公路工程造價(jià)的因素比較多,而且各因素的構(gòu)成比較復(fù)雜,計(jì)算相對(duì)繁瑣,所以公路工程的造價(jià)估算具有很大的模糊性。對(duì)于使用傳統(tǒng)的工程造價(jià)估算方法而言,公路工程造價(jià)的估算將是一項(xiàng)非常復(fù)雜的工作。然而結(jié)合模糊數(shù)學(xué)和神經(jīng)網(wǎng)絡(luò)的理論思想,利用工程之間所存在的相似性,使用基于模糊神經(jīng)網(wǎng)絡(luò)的公路工程造價(jià)估算方法可以迅速的得出精確的工程造價(jià)估算結(jié)果。

第7篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

早在1992年度，Kiang和Tam就開始利用三層的BP神經(jīng)網(wǎng)絡(luò)開始進(jìn)行網(wǎng)絡(luò)訓(xùn)練。他們訓(xùn)練的主要方法是把先前輸入到網(wǎng)絡(luò)中的一些樣本作為基礎(chǔ)，然后提供一套權(quán)重，在通過BP神經(jīng)網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之后，就可以根據(jù)系統(tǒng)把任何新輸入的公司自動(dòng)劃分為非破產(chǎn)公司和破產(chǎn)公司。通過諸多實(shí)驗(yàn)表明，神經(jīng)網(wǎng)絡(luò)這一方法在預(yù)測(cè)和評(píng)估銀行的風(fēng)險(xiǎn)狀態(tài)時(shí)，是非?？茖W(xué)、合理和有效的，在預(yù)測(cè)的適應(yīng)性、精確度和穩(wěn)健度來講，它都遠(yuǎn)遠(yuǎn)超過其他形式的銀行風(fēng)險(xiǎn)預(yù)警方法。

2005年，王秀珍和張美戀研究了在商業(yè)銀行的安全系統(tǒng)中運(yùn)用了徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)警模式。通過對(duì)現(xiàn)今商業(yè)銀行在安全評(píng)價(jià)系統(tǒng)上的基本特點(diǎn)的研究，他們從中選擇了12個(gè)具有代表性的指標(biāo)進(jìn)行研究。對(duì)這12個(gè)指標(biāo)，他們對(duì)每一個(gè)指標(biāo)可能存在的風(fēng)險(xiǎn)程度都進(jìn)行了非常準(zhǔn)確的推斷和評(píng)估，然后在此基礎(chǔ)之上，對(duì)每一個(gè)指標(biāo)所存在的具體風(fēng)險(xiǎn)進(jìn)行了準(zhǔn)確的風(fēng)險(xiǎn)等級(jí)的評(píng)分。通過這些方式，建立了RBF系統(tǒng)，該系統(tǒng)是一個(gè)安全評(píng)價(jià)系統(tǒng)，可以對(duì)相關(guān)系統(tǒng)進(jìn)行精確的安全風(fēng)險(xiǎn)評(píng)估。王秀珍和張美戀在基于他們所構(gòu)建的RBF系統(tǒng)上再進(jìn)行了示范性的仿真實(shí)驗(yàn)，通過這些實(shí)驗(yàn)也證明了該系統(tǒng)在安全評(píng)估系統(tǒng)上的合理性和有效性。

2007年，牛源對(duì)商業(yè)銀行安全狀況的評(píng)估進(jìn)行了改進(jìn)。在評(píng)估商業(yè)銀行的安全狀態(tài)時(shí)，牛源采用了把專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式。在他的研究過程中，首先，他選擇的研究對(duì)象為中國(guó)大陸的一家商業(yè)銀行，然后整理該銀行在過去10年間的數(shù)據(jù)。在這十組數(shù)據(jù)當(dāng)中，對(duì)前八組數(shù)據(jù)進(jìn)行再一次的整理，然后將這些數(shù)據(jù)作為今后學(xué)習(xí)的樣本，對(duì)其分別輸入向量組P，剩下的兩組數(shù)據(jù)主要用于預(yù)測(cè)。對(duì)這兩組數(shù)據(jù)的預(yù)測(cè)結(jié)果發(fā)現(xiàn)，運(yùn)用神經(jīng)網(wǎng)絡(luò)的方法來建立相應(yīng)系統(tǒng)然后對(duì)商業(yè)銀行的安全狀況進(jìn)行評(píng)估的準(zhǔn)確性非常高。在對(duì)商業(yè)銀行的風(fēng)險(xiǎn)等非常復(fù)雜的非線性問題上，神經(jīng)網(wǎng)絡(luò)系統(tǒng)建立起來的系統(tǒng)有著非常強(qiáng)的逼近和預(yù)測(cè)能力。

同年，MchmedOzkan等人使用了人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)商務(wù)銀行的風(fēng)險(xiǎn)進(jìn)行了預(yù)測(cè)。在整個(gè)實(shí)驗(yàn)過程當(dāng)中，他們選取了一家土耳其的破產(chǎn)銀行為樣本，進(jìn)行實(shí)驗(yàn)。經(jīng)過了他們的實(shí)驗(yàn)，他們巧妙地發(fā)現(xiàn)，在財(cái)務(wù)數(shù)據(jù)的模式分類上，人工神經(jīng)網(wǎng)絡(luò)起到了非常重要的作用。人工神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行分類，這種分類方法可以運(yùn)用在預(yù)測(cè)商務(wù)銀行的危機(jī)上，除此用途之外，人工神經(jīng)網(wǎng)絡(luò)還可以檢測(cè)出商業(yè)銀行各種潛在的危機(jī)。根據(jù)這些危機(jī)，銀行就可以采取一定的措施保障其安全。通過眾多專家對(duì)BP神經(jīng)網(wǎng)絡(luò)的一系列研究不難發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)在處理經(jīng)濟(jì)數(shù)據(jù)時(shí)與其他的處理方式相比有諸多的優(yōu)勢(shì)。BP神經(jīng)網(wǎng)絡(luò)可以通過自身的學(xué)習(xí)，可以從各種數(shù)據(jù)中發(fā)現(xiàn)其潛在的規(guī)律，因此它能夠處理各種數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)是一種非線性的自然的建模過程，因此它并沒有復(fù)雜的傳統(tǒng)過程的分析，也就不存在辨別何種非線性關(guān)系。在實(shí)際操作中，對(duì)于一些傳統(tǒng)的方法，要分清屬于何種非線性關(guān)系會(huì)給后續(xù)的分析和建模帶來非常大的不便和困難。

二、設(shè)置商業(yè)銀行風(fēng)險(xiǎn)預(yù)警體系和確定閥值

對(duì)于一個(gè)完善而又健全的商業(yè)銀行風(fēng)險(xiǎn)預(yù)警指標(biāo)體系來講，其一方面要滿足機(jī)構(gòu)內(nèi)部各個(gè)層次之間相互配合的基本要求，另一方面又要是對(duì)宏觀經(jīng)濟(jì)基本走勢(shì)的綜合反映。從宏觀的方向來看，宏觀預(yù)警要考慮到諸如貨幣流通風(fēng)險(xiǎn)、房地產(chǎn)泡沫等方面的風(fēng)險(xiǎn)因素，主要是考慮外部條件對(duì)整個(gè)銀行業(yè)的影響。從微觀上來講，主要是考慮包括資本性風(fēng)險(xiǎn)、盈利能力等方面的風(fēng)險(xiǎn)，微觀方面的因素主要考慮是考慮銀行機(jī)構(gòu)的風(fēng)險(xiǎn)。

1.宏觀上的預(yù)警指標(biāo)體系對(duì)于整個(gè)銀行業(yè)風(fēng)險(xiǎn)來說它會(huì)受到整體宏觀經(jīng)濟(jì)的影響。宏觀經(jīng)濟(jì)中存在的問題都會(huì)對(duì)銀行業(yè)產(chǎn)生不同程度的影響。經(jīng)濟(jì)增長(zhǎng)率也就是俗稱的GDP增長(zhǎng)率，它是對(duì)一個(gè)國(guó)家在經(jīng)濟(jì)上的發(fā)展?fàn)顩r的具體體現(xiàn)。反映的是相較于前一年，GDP的增長(zhǎng)。對(duì)一個(gè)國(guó)家在經(jīng)濟(jì)上發(fā)展的基礎(chǔ)條件的主要反映在固定資產(chǎn)投資額的增長(zhǎng)率上。在泡沫經(jīng)濟(jì)當(dāng)中，房地產(chǎn)占據(jù)了相當(dāng)重要的席位。在經(jīng)濟(jì)環(huán)節(jié)中所爆發(fā)的各種銀行清償力危機(jī)、信用危機(jī)等都是由房地產(chǎn)行業(yè)危機(jī)產(chǎn)生的。國(guó)房景氣指數(shù)是衡量房地產(chǎn)行業(yè)的一個(gè)重要指標(biāo)，它可以反映整個(gè)房地產(chǎn)行業(yè)的變化程度和發(fā)展趨勢(shì)，通常用百分制的方式來表示。

2.微觀上的預(yù)警指標(biāo)體系對(duì)于一個(gè)銀行來講，它本身的資產(chǎn)是獲取資金的重要保障，當(dāng)然除此之外，銀行業(yè)可以通過負(fù)債的方式來經(jīng)營(yíng)。要衡量銀行在風(fēng)險(xiǎn)抵御和經(jīng)營(yíng)方面的穩(wěn)定性可以從銀行的核心資本充足率和資本充足率來進(jìn)行衡量，這兩個(gè)因素可以比較綜合地反映一個(gè)銀行的資產(chǎn)方面的信息。對(duì)于商業(yè)性銀行來講，流動(dòng)性風(fēng)險(xiǎn)也是其不得不面對(duì)的一個(gè)風(fēng)險(xiǎn)因素。它是所有風(fēng)險(xiǎn)因素當(dāng)中最直接的風(fēng)險(xiǎn)因素，也是在各種風(fēng)險(xiǎn)都發(fā)生了之后，最終表現(xiàn)出來的風(fēng)險(xiǎn)因素。存貸款比例和資產(chǎn)流動(dòng)性比例是在基于中國(guó)的現(xiàn)實(shí)條件之下而建立起來的針對(duì)各個(gè)銀行的流動(dòng)性風(fēng)險(xiǎn)預(yù)警的兩個(gè)指標(biāo)。商業(yè)銀行在資產(chǎn)流動(dòng)性方面的強(qiáng)弱可以通過資產(chǎn)流動(dòng)性比例反映出來。流動(dòng)性資產(chǎn)與流動(dòng)性負(fù)債之間比例就是資產(chǎn)流動(dòng)性比例。

3.確定商業(yè)銀行的閥值在確定了指標(biāo)體系的前提下，對(duì)于一定范圍內(nèi)預(yù)警指標(biāo)的數(shù)據(jù)是否會(huì)引發(fā)危機(jī)的產(chǎn)生可以通過閥值來確定。在閥值問題的確定上，本文主要是通過對(duì)相關(guān)的國(guó)際通用標(biāo)準(zhǔn)來進(jìn)行最終的確定，對(duì)于有的閥值由于其并沒有非常明確的國(guó)際通用指標(biāo)值，因此，在對(duì)這些閥值的確立工作上，主要參考了相關(guān)的專家在這一領(lǐng)域的研究成果和若干歷史數(shù)據(jù)。

三、對(duì)于商業(yè)銀行在操作風(fēng)險(xiǎn)預(yù)警方面的應(yīng)用和建議

大多數(shù)商業(yè)銀行通過matlab神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行編程工作，以此對(duì)銀行在操作風(fēng)險(xiǎn)預(yù)警系統(tǒng)方面的數(shù)據(jù)進(jìn)行處理。在分析了各種銀行操作風(fēng)險(xiǎn)的特點(diǎn)之后，盡量選擇時(shí)間序列的數(shù)據(jù)，在這些數(shù)據(jù)的選擇上，盡可能選擇時(shí)間跨度較小，或者以月或者日為基準(zhǔn)的數(shù)據(jù)，通過對(duì)這些數(shù)據(jù)的研究可以使得預(yù)警的在時(shí)間上的間隔盡可能地小。與一般的風(fēng)險(xiǎn)評(píng)估系統(tǒng)相比，BP神經(jīng)網(wǎng)絡(luò)對(duì)于商業(yè)銀行在操作風(fēng)險(xiǎn)預(yù)警系統(tǒng)上的分析并不是出于主觀的因素，整個(gè)網(wǎng)絡(luò)系統(tǒng)具有高度的客觀性，同時(shí)它還具有高度的預(yù)測(cè)精準(zhǔn)度和非常優(yōu)秀的非線性處理能力。BP神經(jīng)網(wǎng)絡(luò)所具備的種種特點(diǎn)都使得它與其他的系統(tǒng)相比，最大化地避免了人為因素引起的失誤，可以想象，BP網(wǎng)絡(luò)系統(tǒng)會(huì)在未來商業(yè)銀行風(fēng)險(xiǎn)的管理和預(yù)測(cè)上有非常大的用途和現(xiàn)實(shí)意義。

在實(shí)際對(duì)銀行的預(yù)警系統(tǒng)的控制工作中，由于很多因素都可以直接或者間接地影響到操作風(fēng)險(xiǎn)，并且有一部分的影響因素從一些人力資源系統(tǒng)和商業(yè)銀行業(yè)務(wù)系統(tǒng)中都很難獲取，因此，對(duì)于這一部分的統(tǒng)計(jì)計(jì)算就需要用手工的方法在事后進(jìn)行統(tǒng)計(jì)計(jì)算。通過這種方式，才能夠使得操作系統(tǒng)在判斷上能夠有效、準(zhǔn)確。除卻相關(guān)的風(fēng)險(xiǎn)預(yù)警系統(tǒng)，商業(yè)銀行自身還應(yīng)該完善其銀行業(yè)務(wù)的各類信息系統(tǒng)。銀行在完善這類信息系統(tǒng)的同時(shí)，要考慮多方的因素，不應(yīng)該僅僅停留在對(duì)關(guān)鍵風(fēng)險(xiǎn)指標(biāo)等因素的計(jì)算上，對(duì)于其他能夠影響操作風(fēng)險(xiǎn)的所有因素都要進(jìn)行考慮，并且歸納到信息管理系統(tǒng)當(dāng)中。各種科學(xué)風(fēng)險(xiǎn)預(yù)警系統(tǒng)的有效運(yùn)用，能夠使得商業(yè)銀行在風(fēng)險(xiǎn)預(yù)警方面居于有利地位，為各銀行在操作風(fēng)險(xiǎn)上提供有效的措施和幫助。

第8篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

【關(guān)鍵詞】信用風(fēng)險(xiǎn)評(píng)估 判別分析 Logit模型 BP人工神經(jīng)網(wǎng)絡(luò)模型

一、引言

銀行在現(xiàn)代經(jīng)濟(jì)體系中發(fā)揮著非常重要的作用，尤其是在創(chuàng)造貨幣存款、實(shí)現(xiàn)金融政策效率、社會(huì)投資實(shí)現(xiàn)等方面都起到了舉足輕重的核心作用。信用風(fēng)險(xiǎn)評(píng)估是銀行信用風(fēng)險(xiǎn)管理的關(guān)鍵環(huán)節(jié)，關(guān)系到銀行自身的生存和經(jīng)濟(jì)社會(huì)的穩(wěn)定和繁榮，世界上所有國(guó)家都非常重視對(duì)銀行信用風(fēng)險(xiǎn)的監(jiān)管和評(píng)估，特別是發(fā)達(dá)國(guó)家更是對(duì)此關(guān)注度極高。我國(guó)商業(yè)銀行和金融市場(chǎng)仍處在轉(zhuǎn)軌和新興發(fā)展階段，信用風(fēng)險(xiǎn)管理方法和技術(shù)比較落后，因此加快我國(guó)信用風(fēng)險(xiǎn)評(píng)估方法研究顯得尤為必要和迫切。

信用風(fēng)險(xiǎn)評(píng)估方法的研究可以追溯到上世紀(jì)30年代，大致經(jīng)歷了比例分析、統(tǒng)計(jì)分析和人工智能三個(gè)階段。本文試圖通過闡述統(tǒng)計(jì)模型和人工智能模型中的典型代表來分別闡述其實(shí)現(xiàn)條件和過程，分析各種方法的不足，并對(duì)我國(guó)銀行信用風(fēng)險(xiǎn)評(píng)價(jià)方法給出評(píng)價(jià)和建議。

二、兩類銀行信用風(fēng)險(xiǎn)評(píng)估方法介紹

（一）傳統(tǒng)統(tǒng)計(jì)方法概述

傳統(tǒng)的統(tǒng)計(jì)分析方法主要是基于多元統(tǒng)計(jì)分析方法，其基本思路是根據(jù)已經(jīng)掌握的歷史上每個(gè)類別的若干樣本，從中分析出分類的規(guī)律，建立判別公式，用于新樣本的分類，典型的代表有多元判別分析（MDA）和Logit模型分析。

1.多元判別分析（MDA）。數(shù)理統(tǒng)計(jì)理論中判別分析模型主要有三類，分別是距離判別法、Bayes判別分析法、Fisher判別分析法；在三種判別分析方法中，距離判別法是根據(jù)個(gè)體到總體間的距離進(jìn)行判別；Bayes判別是在已知總體分布的條件下求得平均誤判概率最小的分類判別函數(shù)；Fisher判別是在未知總體分布函數(shù)的條件下，根據(jù)Fisher準(zhǔn)則得到的最優(yōu)線性判別函數(shù)，F(xiàn)isher準(zhǔn)則的基本思想就是利用一元方差分析思想，導(dǎo)出線性判別函數(shù)。

2.Logistic模型的提出。由于多元判別分析模型（MDA）在應(yīng)用的過程中要求有正態(tài)分布的假定，而在現(xiàn)實(shí)經(jīng)濟(jì)生活中常無法滿足，所以當(dāng)涉及到一些樣本數(shù)據(jù)不同分布于正態(tài)分布時(shí)，應(yīng)用MDA模型所得到的研究結(jié)果缺乏可信度，從而探索非同分布的方法就十分必要，其中最常見的一種方法就是應(yīng)用Logistic模型，Logit分析與MDA分析最本質(zhì)的差異就在于Logit分析不需要樣本滿足正態(tài)分布或同方差，其判別正確率高于判別分析結(jié)果。Logit模型采用logistic函數(shù)，函數(shù)形式如下：

Y=,η=с0+cixi；

其中xi（1≤i≤p）表示第i個(gè)指標(biāo)，ci是第i個(gè)指標(biāo)的系數(shù)，Y是因變量，因?yàn)閅∈（0,1），所以Y也可以理解為屬于某一類的概率。

由于logit分析無需假定任何的概率分布，所以就不需要類似于判別分析那樣先進(jìn)行檢驗(yàn)而是可以直接應(yīng)用樣本數(shù)據(jù)計(jì)算，以得到logit模型。

（二）人工智能模型（AI）概述

1.人工神經(jīng)網(wǎng)絡(luò)及BP神經(jīng)網(wǎng)絡(luò)概述。人工神經(jīng)網(wǎng)絡(luò)是一種具有模式識(shí)別能力的計(jì)算機(jī)制，它具有自組織、自適應(yīng)和自學(xué)習(xí)三大特點(diǎn)，它的編碼可以用于整個(gè)的權(quán)值網(wǎng)絡(luò)，不僅可以呈現(xiàn)分布式存儲(chǔ)，而且具有相當(dāng)大的容錯(cuò)能力。在人工神經(jīng)網(wǎng)絡(luò)中，下面提到的BP神經(jīng)網(wǎng)絡(luò)技術(shù)是算法最成熟且應(yīng)用最廣泛的一種。

2.BP神經(jīng)網(wǎng)絡(luò)的基本原理和算法。第一，BP神經(jīng)網(wǎng)絡(luò)的基本原理。

BP神經(jīng)網(wǎng)絡(luò)屬于前向三層即前饋式神經(jīng)網(wǎng)絡(luò)的一種典型分支代表，主要是由以下三個(gè)部分組成即輸入層、隱含層和輸出層組成。

第二，BP神經(jīng)網(wǎng)絡(luò)的基本算法。

BP學(xué)習(xí)算法的基本思想是通過由輸入層輸入的信息，傳導(dǎo)至隱層分析后再由輸出層輸出，如果輸出層的結(jié)果未達(dá)到期望值要求則計(jì)算每個(gè)神經(jīng)元的誤差值并且將這些誤差值重新反向傳遞到隱層的神經(jīng)元，根據(jù)誤差值調(diào)整各個(gè)神經(jīng)元的連接權(quán)值，直到誤差值達(dá)到了期望值的要求。

BP神經(jīng)網(wǎng)絡(luò)技術(shù)一般運(yùn)用傳遞函數(shù)來反映下層的輸入對(duì)上層節(jié)點(diǎn)的刺激脈沖強(qiáng)度，因此傳遞函數(shù)又稱為刺激函數(shù)，通常情況下?。?，1）內(nèi)連續(xù)取值Sigmoid函數(shù)。

Sigmoid函數(shù)函數(shù)可以表示為：

該函數(shù)可以用于計(jì)算和反映出實(shí)際的計(jì)算輸出與期望輸出間的誤差大小。

三、兩類方法存在問題的分析

（一）統(tǒng)計(jì)分析方法存在的問題

傳統(tǒng)統(tǒng)計(jì)分析模型是以歷史數(shù)據(jù)作為分析和建立模型的基礎(chǔ)，這些數(shù)據(jù)僅以會(huì)計(jì)賬面價(jià)值為原始來源，沒有將銀行貸款者的非財(cái)務(wù)因素納入模型當(dāng)中，并且這些會(huì)計(jì)賬面數(shù)據(jù)屬于離散和非連續(xù)性的數(shù)據(jù)類型，因此很難捕捉到這些銀行貸款者信用狀況細(xì)微和快速的變化，無法對(duì)貸款者的信用狀況做出比較全面的評(píng)價(jià)。另外，該類模型處理速度慢且數(shù)據(jù)的準(zhǔn)確性較差，屬于靜態(tài)模型沒有自主的調(diào)整能力。

（二）人工智能模型存在的問題

人工智能模型最大的缺陷在于指標(biāo)和加權(quán)值的確定帶有很大的主觀性和不確定性，造成在網(wǎng)絡(luò)結(jié)構(gòu)確定方面存在較大困難，另外該模型的訓(xùn)練效率比較低，解釋能力也比較差，在建模過程中經(jīng)常出現(xiàn)組合爆炸和過度擬合等問題。其典型代表神經(jīng)網(wǎng)絡(luò)系統(tǒng)的缺陷主要有以下幾個(gè)方面，第一，所謂“黑箱子”問題，即神經(jīng)網(wǎng)絡(luò)沒有辦法確定輸入變量之間的具體的函數(shù)關(guān)系，也無法產(chǎn)生有效的統(tǒng)計(jì)規(guī)則來解釋模型的具體運(yùn)行過程，這使得模型在應(yīng)用時(shí)缺乏透明度和可信度；第二，在指標(biāo)選取方面，神經(jīng)網(wǎng)絡(luò)模型對(duì)于非線性的方法沒有統(tǒng)一具體的成熟方法進(jìn)行分析指標(biāo)選?。坏谌?，模型結(jié)構(gòu)的問題，神經(jīng)網(wǎng)絡(luò)模型在應(yīng)用過程中效果表現(xiàn)的好壞和預(yù)測(cè)結(jié)果的精確程度主要決定于系統(tǒng)結(jié)構(gòu)的設(shè)計(jì)是否合理和科學(xué)，但是如果想要得到一個(gè)比較好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常會(huì)消耗大量的人力和時(shí)間，這些在實(shí)際的建模過程中經(jīng)常無法同時(shí)滿足。

四、對(duì)我國(guó)銀行信用風(fēng)險(xiǎn)評(píng)估的啟示

（一）我國(guó)銀行信用風(fēng)險(xiǎn)評(píng)估存在的問題

我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估方法的主要缺陷可以概括為以下幾個(gè)方面，首先，在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估中，大部分采用的仍然是專家系統(tǒng)機(jī)制，即通過個(gè)別專家系統(tǒng)的經(jīng)驗(yàn)和個(gè)別風(fēng)險(xiǎn)分析人員提供的信息來對(duì)信貸的風(fēng)險(xiǎn)進(jìn)行評(píng)估和決策，這就導(dǎo)致信用風(fēng)險(xiǎn)評(píng)估效果較低且銀行無法及時(shí)地應(yīng)對(duì)金融市場(chǎng)的即時(shí)變化；其次，國(guó)內(nèi)對(duì)銀行信用風(fēng)險(xiǎn)評(píng)價(jià)方法的研究中大都缺乏定性分析和定量分析相結(jié)合的探索，片面的停留在定性分析和定量分析的兩個(gè)極端，第三，在現(xiàn)今的銀行信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系方面，沒有形成客觀、科學(xué)、有效的指標(biāo)體系，大多數(shù)信用風(fēng)險(xiǎn)模型選取的都是財(cái)務(wù)性指標(biāo)而缺乏那些影響信用風(fēng)險(xiǎn)的非財(cái)務(wù)指標(biāo)；最后，由于我國(guó)金融市場(chǎng)的發(fā)展起步較晚，銀行業(yè)各種運(yùn)作機(jī)制存在很多的問題尚待完善和發(fā)展，其中很重要的一點(diǎn)就是我國(guó)商業(yè)銀行在客戶資料收集、整理和存儲(chǔ)方面存在很大的不足，未能建立有效的風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)庫系統(tǒng)，不能為風(fēng)險(xiǎn)評(píng)估模型的運(yùn)用提供很好的樣本基礎(chǔ)，成為制約我國(guó)風(fēng)險(xiǎn)評(píng)估方法發(fā)展的一大瓶頸。

（二）對(duì)我國(guó)銀行信用風(fēng)險(xiǎn)評(píng)估的啟示

雖然我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估的方法和理論得到了不斷地發(fā)展，但其中仍存在需要改進(jìn)的地方。在我國(guó)，大多數(shù)先進(jìn)的銀行信用風(fēng)險(xiǎn)評(píng)估方法是建立在西方發(fā)達(dá)國(guó)家商業(yè)銀行對(duì)歷史數(shù)據(jù)的統(tǒng)計(jì)分析和經(jīng)驗(yàn)總結(jié)的基礎(chǔ)上，還不能夠直接應(yīng)用到我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估當(dāng)中，因此我國(guó)商業(yè)銀行在研究和探索信用風(fēng)險(xiǎn)評(píng)估方法時(shí)必須考慮到我國(guó)自己的基本國(guó)情、金融市場(chǎng)發(fā)展的現(xiàn)狀以及銀行業(yè)自身發(fā)展的客觀現(xiàn)實(shí)等。

針對(duì)以上分析的國(guó)內(nèi)信用風(fēng)險(xiǎn)評(píng)估方法發(fā)展的現(xiàn)狀，我們可以通過從以下幾個(gè)方面來改善和提高。一方面，商業(yè)銀行應(yīng)該建立切實(shí)有效的企業(yè)信貸風(fēng)險(xiǎn)管理數(shù)據(jù)庫系統(tǒng)，加強(qiáng)對(duì)企業(yè)各類違約風(fēng)險(xiǎn)評(píng)估數(shù)據(jù)的收集、整理和管理，及時(shí)更新和加強(qiáng)數(shù)據(jù)庫的建設(shè)。另一方面，商業(yè)銀行需要建立自身內(nèi)部的信用評(píng)價(jià)體系，為現(xiàn)代信用風(fēng)險(xiǎn)評(píng)估的運(yùn)用創(chuàng)造適宜的條件和基礎(chǔ)，將定性方法和定量方法相結(jié)合，進(jìn)一步推動(dòng)我國(guó)銀行信用風(fēng)險(xiǎn)評(píng)估方法的發(fā)展。最后，任何完善的信用風(fēng)險(xiǎn)評(píng)估方法都離不開高素質(zhì)的專業(yè)風(fēng)險(xiǎn)管理人才，因此加強(qiáng)信用風(fēng)險(xiǎn)評(píng)評(píng)價(jià)的人才隊(duì)伍建設(shè)也是一個(gè)刻不容緩的課題，商業(yè)銀行應(yīng)該加快培養(yǎng)高素質(zhì)信用風(fēng)險(xiǎn)評(píng)估人才的步伐，同時(shí)要在全球范圍內(nèi)大量吸納那些已經(jīng)具備信用風(fēng)險(xiǎn)評(píng)估專業(yè)知識(shí)和技術(shù)的優(yōu)秀人才，為推動(dòng)我國(guó)信用風(fēng)險(xiǎn)評(píng)估方法的進(jìn)步不斷尋求突破。

參考文獻(xiàn)

［1］柯孔林，周春喜.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估方法研究述評(píng)［J］.商業(yè)經(jīng)濟(jì)與管理，2005(6)

［2］王建新，于立勇.基于信用風(fēng)險(xiǎn)度的商業(yè)銀行風(fēng)險(xiǎn)評(píng)估模型研究［J］.管理工程學(xué)報(bào)，2007(4)

［3］徐曉霞，李金林.基于決策樹法的我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型研究［J］，北京理工大學(xué)學(xué)報(bào)，2006, 8(3)

［4］王莉，鄭兆瑞，郝記秀.BP神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用［J］.太原理工大學(xué)學(xué)報(bào)，2005,36(2)

［5］韓崗.國(guó)外信用風(fēng)險(xiǎn)度量方法及其使用性研究［J］，國(guó)際金融研究，2008

［6］閆曉麗，徐建中.商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估模型比較研究［J］，哈爾濱工業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2007,9(2)

［7］鄭毅，藺帥.遺傳神經(jīng)網(wǎng)絡(luò)在商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用［J］.社會(huì)科學(xué)家，2008,(1)

第9篇：神經(jīng)網(wǎng)絡(luò)主要存在的問題范文

關(guān)鍵字：數(shù)控機(jī)床；機(jī)械故障；專家系統(tǒng)；神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)化

1 引言

由于數(shù)控機(jī)床具有提高零件的加工精度、穩(wěn)定產(chǎn)品的質(zhì)量、提高產(chǎn)品的生產(chǎn)率、可適應(yīng)不同品種及尺寸規(guī)格零件的自動(dòng)加工等優(yōu)點(diǎn)，因此其運(yùn)用越來越廣泛，已經(jīng)成為一個(gè)國(guó)家工業(yè)水平和綜合科技水平的重要標(biāo)志。數(shù)控機(jī)床對(duì)大中型企業(yè)來說，是其最重要的設(shè)備，如果其任何部分出現(xiàn)故障，其就會(huì)導(dǎo)致精度減低，嚴(yán)重的話，使企業(yè)停頓，企業(yè)的經(jīng)濟(jì)損失更大，進(jìn)而對(duì)相關(guān)人員的安全造成危害。在一方面，數(shù)控機(jī)床特點(diǎn)就是先進(jìn)、復(fù)雜和智能化，當(dāng)其出現(xiàn)故障后，維修也相對(duì)困難，因此對(duì)數(shù)控機(jī)床機(jī)械故障診斷進(jìn)行分析研究就顯得非常迫切。

2 診斷故障系統(tǒng)的網(wǎng)絡(luò)化管理

2.1專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)內(nèi)涵

1）專家系統(tǒng)的基本原理；具有獲取、處理、存儲(chǔ)和使用知識(shí)的特點(diǎn)的系統(tǒng)叫做專家系統(tǒng)（可以進(jìn)行知識(shí)處理），其主要包括知識(shí)庫、推理機(jī)、數(shù)據(jù)庫、知識(shí)獲取模塊、解釋程序和人機(jī)接口等方面組成。

2）專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合；盡管在運(yùn)用方面，專家系統(tǒng)取得了不小的成就，但是，其在模擬人類抽象思維方面也有著明顯的缺陷，這些缺陷主要有：（1）存在“瓶頸”問題；（2）推理能力弱；（3）自學(xué)習(xí)能力差；（4）存在“窄臺(tái)階效應(yīng)”。

3）神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)；神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)主要有以下七部分組成，具體如：（1）一組處理單元（讓相關(guān)單元可以激活）；（2）輸出函數(shù)（由處理單元進(jìn)行輸送）；（3）銜接模式（主要處理單元之間的鏈接問題）；（4）一定規(guī)則進(jìn)行傳遞；（5）一定規(guī)則進(jìn)行激活（輸入處理單元和當(dāng)前狀態(tài)結(jié)合規(guī)則）；（6）一定的學(xué)習(xí)規(guī)則（根據(jù)經(jīng)驗(yàn)進(jìn)行聯(lián)接）；（7）系統(tǒng)所需要的環(huán)境。

2.2專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合

2.2.1對(duì)專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)進(jìn)行比較

根據(jù)其二者不同的定義、結(jié)構(gòu)及工作原理，神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)是兩種截然不同的技術(shù)：其主要區(qū)別有：（1）知識(shí)獲取不同；（2）知識(shí)表示不同；（3）推理形式不同。

2.2.2 對(duì)專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的相關(guān)性進(jìn)行分析

二者存在的特點(diǎn)各不相同，神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)在其各自的領(lǐng)域都運(yùn)用較為廣泛，但同時(shí)在滿足設(shè)備故障診斷任務(wù)方面又各自存在著的局限性，因此就需要讓其二者有效結(jié)合起來，其結(jié)合方式主要有：（1）神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)共存于一個(gè)系統(tǒng)中；（2）使用神經(jīng)網(wǎng)絡(luò)來構(gòu)造專家系統(tǒng)。

2.3 神經(jīng)網(wǎng)絡(luò)的類型選擇及結(jié)構(gòu)設(shè)計(jì)

2.3.1 神經(jīng)網(wǎng)絡(luò)不同選擇類型

由于徑向基函數(shù)網(wǎng)絡(luò)具有確定自適應(yīng)、輸出與初始權(quán)值無關(guān)等各種優(yōu)點(diǎn)，因此其在擬合多維曲面、重構(gòu)自由曲面和故障診斷等方面有著巨大的運(yùn)用。因此認(rèn)為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是最好的。

2.3.2 隱層神經(jīng)元的設(shè)計(jì)

提取并存儲(chǔ)內(nèi)在規(guī)律，使每個(gè)隱層神經(jīng)元都有不同的權(quán)值，同時(shí)每個(gè)權(quán)值都相對(duì)應(yīng)著一個(gè)參數(shù)（增強(qiáng)網(wǎng)絡(luò)映射能力）。

2.4基于web的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)

對(duì)現(xiàn)代信息傳輸載體（比如Internet）進(jìn)行有效利用，可以較快地傳遞和收集相關(guān)故障信息，高效提高診斷故障的能力，使數(shù)控機(jī)床設(shè)計(jì)者和使用者更好地參與進(jìn)來，以期得到更合理的措施。

3 系統(tǒng)的總體設(shè)計(jì)原則

3.1網(wǎng)絡(luò)化專家系統(tǒng)的設(shè)計(jì)原則

其設(shè)計(jì)的原則主要有以下幾方面，具體如下：（1）模塊化原則。（2）實(shí)用性原則。（3）可擴(kuò)充原則。（4）安全性原則。（5）統(tǒng)一性與簡(jiǎn)單性原則。

3.2專家系統(tǒng)的功能模塊設(shè)計(jì)

新用戶首次登陸必須要通過注冊(cè)模塊先進(jìn)行注冊(cè)，老用戶可以直接登陸，登陸又分為管理員和普通用戶登陸，只有管理員有權(quán)利處理系統(tǒng)的數(shù)據(jù)庫。通過故障診斷模塊對(duì)相應(yīng)故障進(jìn)行診斷，其功能模塊主要主軸、進(jìn)給系統(tǒng)、刀庫刀和輔助裝置等幾部分組成。

3.3系統(tǒng)運(yùn)行的環(huán)境

1）Web服務(wù)器的選?。煌ㄟ^Windows操作系統(tǒng)，發(fā)揮在PC界的優(yōu)勢(shì)，推出的IIS成為目前運(yùn)用最廣泛的服務(wù)器，經(jīng)過驗(yàn)證，也是目前用戶最好的選擇。

2）后臺(tái)數(shù)據(jù)庫的選取；通過分析研究，同時(shí)結(jié)合Access的特性、相關(guān)程序的匹配性和開發(fā)者的業(yè)務(wù)水平，本文的系統(tǒng)選取Access最為合適。

3.4系統(tǒng)的軟件開發(fā)環(huán)境

3.4.1 服務(wù)器相應(yīng)的軟件環(huán)境

操作系統(tǒng)：Windows XP Server/Professional；服務(wù)器：IIS6.0；數(shù)據(jù)訪問：ADO -ActiveX Data Objects；數(shù)據(jù)庫系統(tǒng)：ACCESS

3.4.2 客戶自己機(jī)器所對(duì)應(yīng)的軟件

操作系統(tǒng)：Windows 98/2000/xp，瀏覽器：IE5.0以上，MATLAB6.5以上版本。

3.5開發(fā)相應(yīng)工具分析

目前開發(fā)工具主要有以下兩種形式：（1）網(wǎng)絡(luò)化專家系統(tǒng)開發(fā)工具：具體采用FrontPage。（2）徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)開發(fā)工具：具體采用MATLAB程序控制。

4 系統(tǒng)的研究與實(shí)施

4.1總體結(jié)構(gòu)設(shè)計(jì)

該系統(tǒng)的總體結(jié)構(gòu)主要采用一個(gè)并列協(xié)調(diào)式（神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)并存）。兩者分別處理各自不同的知識(shí)，管理著不同的模塊，分別處理各自不同的功能，但是也可以進(jìn)行聯(lián)合診斷。

4.2知識(shí)庫的設(shè)計(jì)與實(shí)現(xiàn)

本系統(tǒng)直接把數(shù)據(jù)庫和數(shù)據(jù)庫管理系統(tǒng)作為知識(shí)庫的重要組成部分，一方面通過數(shù)據(jù)對(duì)象來處理知識(shí)，另一方面，用數(shù)據(jù)庫來對(duì)相關(guān)知識(shí)的存儲(chǔ)、編輯、刪改、更新查詢和安全保護(hù)等功能進(jìn)行有效管理。

4.3推理機(jī)的研究與實(shí)實(shí)施

通過模擬專家的思維模式，對(duì)相應(yīng)問題進(jìn)行控制和研究，這是推理機(jī)的主要功能。結(jié)合目前已知的事實(shí)，通過知識(shí)庫，按照一定的規(guī)則和方法，進(jìn)行推理分析，再對(duì)其修正，得到最終的結(jié)果。

4.4解釋模塊及人機(jī)界面

解釋功能作為數(shù)控機(jī)床機(jī)械故障診斷系統(tǒng)最主要的功能，其主要具有向用戶、遠(yuǎn)程用戶、領(lǐng)域?qū)＜液椭R(shí)工程師解釋相關(guān)的問題的優(yōu)點(diǎn)。目前的人機(jī)界面都需要通過ASP編程來實(shí)現(xiàn)，主要采用中文視窗的的模式，這樣比較簡(jiǎn)單明了，更容易實(shí)現(xiàn)人機(jī)交互。

4.5徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)故障診斷

當(dāng)專家系統(tǒng)部分得出的初期診斷結(jié)果不能使用戶滿意那么就需要進(jìn)行進(jìn)一步的深層次診斷。采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行深層次的定量診斷。

5 結(jié)論

由于現(xiàn)在數(shù)控機(jī)床的技術(shù)和水平的快速提高，其相應(yīng)結(jié)構(gòu)復(fù)雜程度進(jìn)一步提高，功能也越來越多，這樣就是的設(shè)備出現(xiàn)的問題概率大大增加，因此針對(duì)數(shù)控機(jī)床存在的機(jī)械故障進(jìn)行分析研究，提出采用網(wǎng)絡(luò)化對(duì)其故障進(jìn)行控制的方法，以期更好地服務(wù)相關(guān)公司，為之后出現(xiàn)的機(jī)械故障提供一定的參考。

參考文獻(xiàn)

（1） 李曉峰.數(shù)控機(jī)床遠(yuǎn)程故障診斷專家系統(tǒng)的研究（D）.遼寧：沈陽工業(yè)大學(xué)，2005.

（2） 趙中敏.數(shù)控機(jī)床故障診斷技術(shù)的發(fā)展和關(guān)鍵診斷技術(shù)（J）.中國(guó)設(shè)備工程，2007 6： 5152.

（3） 朱文藝，李斌.基于Internet的數(shù)控機(jī)床遠(yuǎn)程故障診斷系統(tǒng)的研究（J）.機(jī)床與液壓，2005-9：176178.