神經網絡的基本特征范文

導語：如何才能寫好一篇神經網絡的基本特征，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

關鍵詞：數據挖掘；數據庫；遺傳算法；神經網絡

中圖分類號：TP392文獻標識碼：A文章編號文章編號：1672-7800（2013）012-0129-02

基金項目：佛山科學技術學院重點項目（2010）

作者簡介：劉曉莉（1961-），女，佛山科學技術學院副教授，研究方向為應用數學。

1遺傳算法基本特征

遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種具有廣泛適用性的通用優化搜索方法。遺傳算法主要借用了生物遺傳學的觀點，通過自然選擇、遺傳和變異等作用機制來產生下一代種群，如此逐代進化，直至得到滿足要求的后代即問題的解，是一種公認的全局搜索能力較強的算法。

遺傳算法有良好智能性，易于并行，減少了陷于局部最優解的風險。遺傳算法的處理對象不是參數本身，而是對參數集進行了編碼的個體，可以直接對集合、隊列、矩陣、圖表等結構進行操作。同時，在標準的遺傳算法中，基本上不用搜索空間的知識或其它輔助信息，而僅用適應度函數值來評估個體，并在此基礎上進行遺傳操作； 遺傳算法不是采用確定性規則，而是采用概率的變遷規則來指導它的搜尋方向。正是這些特征和優點，使得遺傳算法在數據挖掘技術中占有很重要的地位，既可以用來挖掘分類模式、聚類模式、依賴模式、層次模式，也可用于評估其它算法的適合度。

2神經網絡基本特征

神經網絡是人腦或自然神經網絡若干基本特征的抽象和模擬，是以大量的、同時也是很簡單的處理單元（神經元）廣泛地互相連接形成的復雜非線性系統。人工神經網絡本質上是一個分布式矩陣結構，它根據樣本的輸入輸出對加權法進行自我調整，從而近似模擬出輸入、輸出內在隱含的映射關系。建模時，不必考慮各個因素之間的相互作用及各個因素對輸出結果的影響機制，這恰好彌補了人們對各個因素及對輸出結果的機制不清楚的缺陷，從而解決眾多用以往方法很難解決的問題。

神經網絡具有大規模的并行處理和分布式的信息存儲，有良好的自適應、自組織性，學習能力很強，有較強的聯想功能和容錯功能，在解決機理比較復雜、無法用數學模型來刻畫的問題，甚至對其機理一無所知的問題等，神經網絡方法特別適用，是一種用于預測、評價、分類、模式識別、過程控制等各種數據處理場合的計算方法，其應用已經滲透到多個領域，在計算機視覺、模式識別、智能控制、非線性優化、信號處理、經濟和機器人等方面取得了可喜的進展。

3遺傳算法與神經網絡混合算法在數據挖掘中的應用

作為一種有效的優化方法，遺傳算法可以應用于規則挖掘，可以單獨用于數據倉庫中關聯規則的挖掘，還可以和神經網絡技術相結合，建立基于神經網絡與遺傳算法的數據挖掘體系，用于數據挖掘中的分類問題。

學習能力是神經網絡中最引人矚目的特征，學習算法的研究一直占據重要地位。可以將遺傳算法應用于神經網絡的學習過程中，這樣可以避免傳統的神經網絡算法容易陷入局部極小的問題。有研究者提出了一種基于遺傳算法的神經網絡二次訓練方法，可以提高神經網絡的模糊處理能力，有效解決神經網絡陷入局部極小的缺點，加快收斂速率，提高學習效率。也有研究者探究了基于基因重組的遺傳算法優化神經網絡的方法，通過訓練權值來實現分類，可以提高神經網絡數據分類的準確性。因此，采用遺傳算法與神經網絡模型相結合方法，可以解決多維非線性系統及模型未知系統的預測、評價與優化等問題，其成功案例有很多，下面是其中的幾例。

一些研究者針對當前專家系統知識獲取瓶頸的難題，提出了基于神經網絡與遺傳算法的汽輪機組數據挖掘方法。該方法首先將汽輪機組歷史故障數據進行模糊化及離散化處理后，建立神經網絡模型，然后再利用遺傳算法對神經網絡進行優化，實現了基于神經網絡與遺傳算法相結合的汽輪機組數據挖掘和故障診斷仿真系統，其診斷正確率達到了84%。

綜合運用人工智能、計算智能（人工神經網、遺傳算法） 、模式識別、數理統計等先進技術作為數據挖掘工具，可以建立可靠、高效的數據挖掘軟件平臺，已在很多工業控制和優化中得到應用和實驗驗證，并取得了滿意的應用效果。例如，某鋁廠根據以往不同原料成分和原料的不同配比與產品質量關系記錄的數據庫，應用數據挖掘軟件平臺，可以挖掘出適應不同原料成分的最佳配比規律，從而提高產品質量的穩定性。又如，以往在化工產品優化配方、催化劑配方優化或材料工藝優化等研究中，基本上都是采用試驗改進的方式，需經過多次試驗才能達到預期目的，但也有可能失敗。為降低消耗， 少做試驗就能達到預期目的，可采用神經網絡對產品配方實驗數據建模，在此基礎上，再應用遺傳算法對配方模型進行優化，得到優化配方。

正是遺傳算法與神經網絡等算法的支撐以及計算機技術的發展，目前，數據挖掘廣泛地應用于天文、地理、生物信息學、金融、保險、商業、電信、網絡、交通等眾多領域。例如，應用在地理數據庫上，主要挖掘地質、地貌特征，為尋找礦產或進行城市規劃等提供參考依據；在電信Web服務器方面，可以挖掘Web日志，根據用戶興趣動態鏈接Web頁面，統計頁面鏈接及權威主頁等，對檢索頁面進行聚類，方便用戶找到需要的信息；在生物醫學信息和DNA數據分析方面，進行遺傳、疾病等數據特征的挖掘，為疾病診斷、治療和預防研究提供科學依據；對金融數據進行挖掘，可以分析客戶信用度；在CRM（客戶關系模型）上使用數據挖掘，獲得客戶群體分類信息、交叉銷售安排及開發新客戶和保留老客戶的策略；在電信業中使用挖掘技術，以預防網絡欺詐等；應用在商業問題的研究包括：進行客戶群體劃分、背景分析、交叉銷售等市場行為分析，以及客戶流失性、信用度分析與欺詐發現；在電子商務方面，從服務器以及瀏覽器端的日志記錄中發現隱藏在數據中的模式信息，了解系統的訪問模式以及用戶的行為模式，作出預測性分析等等。

4結語

神經網絡和遺傳算法作為數據挖掘技術，也有一些不足和缺陷。遺傳算法除了要進一步改進基本理論和方法外，還要采用和神經網絡、模擬退火、最近臨規則等其它方法相結合的策略，提高遺傳算法的局部搜索能力，從而進一步改善其收斂速度和解的品質，提高數據挖掘技術。特別是對于單調函數或單峰函數，遺傳算法在初始時很快向最優值逼近，但是在最優值附近收斂較慢；而對于多峰函數的優化問題，它往往會出現“早熟”，即收斂于局部極值。因此，研究如何改進遺傳算法，采用合適的算法加快尋優速度和改善尋優質量，無論在理論上還是在實踐上都有重要意義。神經網絡的神經計算基礎理論框架以及生理層面的研究仍需深入與加強，如何提高神經網絡的可理解性問題，以及研究遺傳算法、神經網絡技術與其它人工智能技術更好地結合，從而獲得比單一方法更好的效果等問題，值得進一步探索。

雖然數據挖掘技術已得到了廣泛應用，但現有的數據挖掘方法并不能完全適應所面臨的具有多樣性的海量數據分析的現實，急需解決的問題是：如何研究并行處理和抽樣的方法，來處理大規模的數據以獲得較高的計算效率；如何利用統計、模糊數學來確定隱含變量及依賴關系，開發容噪的挖掘方法，以解決異質數據集的數據挖掘問題；如何更好地進行文本數據挖掘、Web數據挖掘、分類系統、可視化系統、空間數據系統和分布式數據挖掘等新技術的應用。因此，未來數據挖掘的研究表現在數據挖掘功能、工具、方法（算法） 的拓展與理論創新，其應用的范圍和深度會進一步加強。

參考文獻參考文獻：

[1]孟曉明.淺談數據挖掘技術[J].計算機應用與軟件，2004 （8）.

[2]李慧芳，姚躍華，陳一棟.改進的遺傳算法對神經網絡優化的分類[J].微計算機信息，2008（15）.

[3]王東龍，李茂青.基于遺傳算法的數據挖掘技術應用[J].南昌大學學報， 2005（1）.

[4]宋仁國.鋁合金工藝優化的遺傳算法[J].材料科學與工程，1998（1）.

[5]韓力群.催化劑配方的神經網絡建模與遺傳算法優化[J].化工學報，1999（4）.

[6]郭崇慧，陸玉昌.預測型數據挖掘中的優化方法[J].工程數學學報，2005（1）.

[7]楊杰.用于建模、優化、故障診斷的數據挖掘技術[J].計算機集成制造系統，2000（10）.

篇2

【關鍵詞】GPS；高程異常；BP神經網絡；擬合模型

Research on the Models of GPS Height Fitting Based on BP Neural Network

Li Yongquan

【Abstract】International and domestic multifarious control nets in use of GPS’s positioning techniques are only to solve the horizontal coordinates, but the height still follow to use the geometric leveling.Therefore, The basic theory of neural network and algorithm of BP are described, Discuss the problem of GPS height fitting based on BP neural network by trials. BP neural network is a kind of nonlinear mapping for its inputs and outputs，BP neural network is a high precise method for translating height.

【Key words】GPS；height anomaly；back propagation neural networks； fitting models

1. 引言

GPS平面定位的精度目前已經可以達到毫米級，但相對于平面定位精度，GPS在高程方面的定位精度較低。 神經網絡是一種高度自適應的非線性動力系統，神經網絡的數學理論本質上是非線性數學理論，通過BP神經網絡學習可以得到輸入和輸出之間的高度非線性映射，因此，使用神經網絡可以建立起輸入和輸出之間的非線性關系。BP神經網絡本身也是一種高精度的高程轉換方法。

2. 神經網絡的模型及BP算法

2.1 神經網絡的模型

（1）生物神經元模型。神經元模型是基于生物神經元的特點提出的，人腦由大量的生物神經元組成，神經元之間互相有連接，從而構成一個龐大而復雜的神經元網絡。神經元是大腦處理信息的基本單元，結構如圖1。神經元由細胞體、樹突和軸突三部分組成，其中突觸是神經元之間的連接。細胞體是由很多分子形成的綜合體，內部含有細胞核、細胞質和細胞膜。細胞體的作用是接受和處理信息。樹突是細胞體向外延伸的纖維體，是接受從其他神經元傳入信息的入口。軸突是神經元的信息通道，是細胞體向外延伸最長、最粗的樹枝纖維體，也叫神經纖維。（2）神經元模型。神經元一般表現為一個多輸入（多個樹突和細胞體與其他多個神經元軸突末梢突觸連接）、單輸出（每個神經元只有一個軸突作為輸出通道）的非線性器件，通用的結構模型如圖2所示。

(3）神經網絡模型。神經網絡的神經元之間的互連模式有前向網絡、有反饋的前向網絡、層內有相互結合的前向網絡和相互結合型網絡四種。

前向網絡神經元分層排列，組成輸入層、中間層（隱含層）和輸出層。每一層的神經元只接受來自前一層神經元的輸入，后面的層對前面的層沒有信號反饋。輸入模式經過各層次的順序傳播，最后在輸出層上得到輸出。目前對前向網絡得出的一致的結論是：甚至是單中間層網絡，只要隱節點數目足夠多，前向網絡就可以通過訓練學習樣本，以任意精度逼近(或表達)期望目標。

2.2 神經網絡BP算法

(1）BP（Back Propagation）網絡模型結構。BP網絡的結構如圖4所示，BP網絡具有三層或三層以上神經元的神經網絡，包括輸入層、中間層（隱層）和輸出層。上下層之間實現全連接，而每層神經元之間沒有連接。當一對學習樣本提供給網絡后，神經元的激活值從輸入層經各中間層向輸出層傳播，在輸出層的各神經元獲得網絡的輸入響應。接下來，按照減少目標輸出和實際輸出之間的方向，從輸出層反向經過各中間層回到輸入層，從而逐層修正各連接權值，這種算法稱為“誤差反向傳播算法”，即BP算法。

（2）BP算法的數學描述。BP算法基本原理是利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計。

BP網絡學習規則的指導思想是：對網絡權值和閾值的修正要沿著表現函數下降最快的方向――負梯度方向。

xk+1=xk-akgk(1)

其中xk是當前的權值和閾值矩陣，gk是當前表現函數的梯度，ak是學習速率。

三層BP網絡，輸入節點xi，中間層節點yi，輸出節點zl。輸入節點與中間層節點間的網絡權值為wji，中間層節點與輸出節點間的網絡權值為vlj。當輸出節點的期望值為tl時，模型計算公式如下。

中間層節點的輸出：

yi=f(∑iwjixi-θj)=f(netj)(2)

輸出節點的計算輸出：

zl=f(∑jvljyj-θl)=f(netl)(3)

3. BP神經網絡用于GPS高程擬合

3.1 山區高程異常擬合實例:以本溪GPS和水準資料作為樣本來源，進行BP高程異常擬合。

通過山區高程異常擬合實例，對數據分析可以得到如下結論，學習樣本數與測試樣本數之比在1/4之間時網絡穩定性較好。高程擬合的精度與學習樣本數量有關，學習樣本數越多，擬合精度就越高。

3.2 平原地區高程異常擬合實例:以某市D級GPS部分數據進行實驗研究

通過平原地區高程異常擬合實例，對數據分析可以得到如下結論，學習樣本數與測試樣本數之比在 1/3 之間時網絡穩定性較好。學習樣本數對測試對象的精度也有著重要的影響，一般隨著學習樣本數的增多，中誤差會有所改善。這主要是更多的學習樣本就更能表述出所研究問題的一些基本特征，進而仿真的效果就能更好。

4. 結束語

重點研究基于BP神經網絡的GPS高程異常擬合算法，詳細介紹了人工神經網絡基本理論，重點討論了基于BP神經網絡的GPS高程擬合，包括BP神經網絡的基本原理、主要特點。分析了神經網絡的BP算法，包括其數學模型、網絡結構。構造了基于BP神經網絡的GPS高程擬合模型，結合具體工程數據進行了神經網絡性能分析。

參考文獻

[1] 國家測繪局測繪發展研究中心.測繪發展研究動態[R].北京：國家測繪局，2008，8：1-7

[2] 李征航、黃勁松.GPS測量與數據處理[M].武漢：武漢大學出版社，2005，277-278

[3] 曹先革.基于人工神經網絡的GPS高程異常擬合方法研究[D]，北京：中國地質大學，2008

[4] 徐紹銓．GPS高程擬合系統的研究[J]，武漢：武漢測繪科技大學學報，1999，24(4),11-15

[5] 閻平凡.人工神經網絡與模擬進化計算[M]，北京:清華大學出版社，2000，5-6

[6] 徐麗娜.神經網絡控制[M].哈爾濱：哈爾濱工業大學出版社，1999，1-40

篇3

關鍵詞：煙葉數字圖像；邊緣處理；形態學變換；特征抽取；智能識別

1引言

煙葉是煙草工業的基礎原料， 對煙草工業生產質量和煙草行業經營效益具有舉足輕重的作用。對煙葉生產過程的各個環節包括煙葉品質的智能識別進行技術創新，提高品質和效率，是一個前沿研究方向[1][5]。

當前這一方面的研究，主要集中在數字圖像處理方面，把煙葉品質的數字圖像處理與神經網絡技術相結合，實現煙葉品質的智能識別，是一個極有價值的工作。以下在此方面作出一個系統的、較為完備的、易于實際操作的研究。

2主要技術手段

2．1 MAⅡAB圖像處理工具箱

在MATLAB平臺上，借助圖像處理工具箱，可以簡易明快地實現對煙葉數字圖像的圖像處理。在煙葉生產一線，用數碼照相機對各種煙葉樣本進行拍照，輸入計算機，用MAT_LAB將它轉換為各(．bmp；．jpeg；．gif；．png；．t 圖片以便進行圖像處理。成本低，精確度高，宜于普及推廣。獲取各種類型的煙葉數字圖像以后，經閾值使用權圖像二值化，可以當即辨識出這一圖像是否具有何種類型的病蟲害或品質異變。利用煙葉數字圖像的邊緣檢測、輪廓提取等分析命令，獲得待測煙葉的圖像參數和特征，再由神經網絡技術，完成對煙葉品質的智能識別。

2．2神經網絡技術

神經網絡是一個新的智能識別工具。畢業論文 經過訓練的神經網絡能夠存儲與過程有關的信息，能直接從歷史數據中學習，經過用各種煙葉樣本訓練和學習的神經網絡，能自動地識別出待測煙葉樣本的品質類型。而且，神經網絡具有濾除噪聲及在有噪聲情況下得出正確結論的能力。這一點對于煙葉生產實際中大量存在各種噪聲信息的情況而言，特別重要。它特別適合在線識別。

3應用MATLAB圖像處理工具箱和神經網絡技術對煙葉品質智能識別的操作過程

3．1煙葉圖片樣本庫的建立

用數碼相機或其它數字圖像采集工具，采集各種類型的煙葉的標準圖片，分類歸檔，借助MATLAB圖像變換功能，將各種類型的煙葉的標準圖片，轉換成各種圖片形式：．bmp；．jpeg；．sir；．png；．tif等，以便隨時調用。這些煙葉圖片，有不同品質的樣本；還有各種病蟲害標本和變異標本。

3．2用直方圖均衡來實現圖像增強

當從生產一線采集的煙葉待測樣本的圖像對比度較低，碩士論文 即灰度直方圖分布區間較窄時，可用直方圖均衡實現灰度分布區間展寬而達到圖像增強的效果。

3．3煙葉圖像的邊緣檢測和特征提取

煙葉圖像的基本特征之一是圖像邊緣。圖像邊緣是圖像周圍像素灰度有階躍性變化或屋頂變化的像素的集合。煙葉的邊緣是由灰度的不連續性所致，因此考察圖像每個像素在某個鄰域內灰度的變化，利用邊緣鄰近一階或二階方向導數變化規律可以檢測煙葉圖像邊緣。圖像特征反映煙葉的幾何結構，如面積、周長、分形分維數、孔洞數、歐拉數等等。圖像特征的選擇是圖像識別的重要環節。運用二叉分類法在找出判別特征后，對不同的圖像特征由分類閾值按二分的方法進行分類；運用相似距離分類方法把待判圖像與一個標準圖像相比，標準圖像用樣本圖像特征向量的均值來表示。通過計算待判圖像與標準圖像之問的在相空間中的距離來判別圖像和進行分類。這一過程還為用神經網絡技術實現對煙葉品質進行智能識別作出必要的準備。

3．4數字圖像矩陣數據的顯示及其傅立葉

變換這一變換的目的是為提取特征、進行神經網絡模式識別等作出必要的準備。

轉貼于 3．5直方圖均勻化

這是使煙葉圖像性質更為優良而采取的一個技術操作，源代碼如下：

I=imread ("yangshuo．tif')；imshow (I)；

figure，imhist(I)；

[J，T]=histeq (I，64)；

％圖像灰度擴展到0-255，但是只有64個灰度級

figure，imshow (J)；

figure，imhist(J)；

figure，Dlot((0：255)／255，T)；％轉移函數的變換曲線

J=histeq (I，32)；

figure，imshow 0)；

％圖像灰度擴展到0～255，但是只有32個灰度級

figure，imhist(J)；

3．6采用二維中值濾波函數對受椒鹽噪聲干擾的圖像濾波

MATLA圖像處理工具箱具有強大的功能，能夠對噪聲干擾的煙葉圖片進行消噪處理，模擬源代碼如下：

I=imread ("eight．tif')；

imshow (I)；

J2=imnoise (I，"salt&pepper ，0．04)；

％疊加密度為0．04 的椒鹽噪聲

figure，imshow 02)；

I_Filterl=medfdt2 （J2，[3 ，3])；

％窗口大小為3x3

figure．imshow (I Fiher1)；

I_Filter 2=medfdt2 （J2，[5， 5])；

％窗口大小為5x5

figure，imshow (I_Filter2)；

I_Filter3=medf'dt2 （J2，[7， 7])；

％窗口大小為7x7

figure，imshow (I_Filter3)；

3．7用神經網絡技術對煙葉圖像進行智能識別

神經網絡作為一種自適應的模式識別技術，并不需要預選給定有關模式的經驗知識和判別函數，它能通過自身的學習機制自動形成所要求的決策區域。網絡的我由其拓樸結構、神經元特性、學習和訓練規則所決定，它可以充分利用狀態信息，對不同狀態一一進行訓練而獲得某種映射關系，并且，網絡可以連續學習，即使環境變異，這咱映射關系可以自適應調整。在上面各節獲取煙葉圖像特征基礎之上，可以用神經網絡技術進行圖像模式識別。例如，基于概率神經網絡PNN的煙葉品質智能識別，它的主要優點是：快速訓練，訓練時問僅略大于讀取數據時間；無論分類多么復雜，只要有足夠的訓練數據(而這是煙葉生產一線可以做到的)，就可以保證獲得貝斯葉準則下的最優解，允許增加或減少訓練數據而無需重新進行長時間訓練。這一神經網絡對于煙葉品質的圖像識別，具有重要意義。 4結論

基于計算機視覺和神經網絡技術的煙葉品質識別的數字圖像處理方法，醫學論文 是煙葉生產環節的一種技術創新，它可以在煙葉生產一線普及推廣，簡便易行，能夠較大地提高煙葉品質檢測的效率和質量，以及自動化程度和智能化水平。

參考文獻

[1]于潤偉．基于圖像處理的稻米堊白自動檢測研究[J]．中國糧油學報，2007，1：122—124．

篇4

關鍵詞：電力系統；自動化；構成；控制技

電力系統自動化建設的主要目標是要實現電力在生產環節、供應環節的及時、穩定、安全、迅速、可持續，同時也是實現提高生產效率、降低運營成本，實現自動化、一體化、節約化、安全化管理的重要核心。自動化系統的建立包含著現代化生產技術、計算機科學技術、網絡共享技術的綜合應用，對于電力系統而言，自動化的生產包含著發電廠、變電站、送電分配系統、計算機監控系統、網絡覆蓋系統等眾多環節的綜合摔制與協調 ， 從而形成實時監控、指令及時傳輸、信息實時反饋的高實效性綜合管理。

1.電力系統的自動化控制技術

隨著當前科學技術的不斷發展，很多精確的控制技術被不斷應用到電力系統中來，下面筆者就控制理論技術的內容展開討論。

1.1神經網絡控制

神經網絡控制技術是集非線性控制技術、并行控制技術、強魯棒控制技術特點的現代控制技術，并且具有很強的自學習能力。神經控制技術是將眾多神經元按照特定的結構組合起來，并將信息蘊含在鏈接權值上，而且可以學習算法的需要進行這些值的大小，從而實現復雜線性關系的控制。在當前，理論界對神經控制的探討集中在控制系統建模以及算法的優化方面。

1.2模糊控制技術

模糊控制技術是現代控制理論中較為簡單的部分，而且在工程中的應用較多，十分容易實現，在建模過程中，可以實現對各種數據的實時控制，具有很明顯的優越性，這種方法的應用領域很多，我們日程生活中用到的很多小家電中都可以使用模糊控制，在電力控制系統中，模糊控制主要應用在智能電網這一塊，對控制目標設定好幾個閥值，并根據目標處于的狀態進行實時控制。

1.3專家控制技術

這種控制技術在電力系統中應用十分廣泛，能夠實現對電力系統的警告控制、特殊狀態的識別、緊急狀況下的應變處理、系統數據的回復以及適當的模態分析，此外在切負荷方面、系統規劃方面、電壓無功控制方面以及故障點的隔離方面均有很大效果。在當前專家控制還存在很大的局限，需要在動態安全分析以及通信接口方面進行進一步的探索。

1.4最優化線性控制技術

這種控制理論技術是當前現代控制理論中十分重要的技術，也是在線性控制范圍內的最好的控制方法，目前最優化線性控制理論在遠距離輸電線路輸電能力的改善方面以及智能電網改善動態品質上取得了重大突破，此外，這種控制方法在風里發電機上電勵磁的解決方案上有很大的發揮空間。

1.5綜合智能控制技術

顧名思義，綜合智能控制技術就是講現代控制技術和智能控制技術結合起來，并在電力運行系統中，應用專家控制技術以及神經網絡控制技術，并雜糅進模糊控制技術。這種技術往往解決大型電力系統，但是多種控制技術的共同應用對控制模型的建立工作以及控制的實施工作帶來了很高的難度。

2.電力系統的自動化控制的各項基本技術

在社會生產力以及科學技術不斷發展與進步的今天，我們對于電力系統運行的質量與效率的要求都越來越高，因此很多嶄新的和先進的控制手段都在逐步引進。

2.1基于神經網絡控制基本原理的控制技術

在理論上，神經網絡控制的基本特征是非線性、并行處理、魯棒性等，另外神經網絡控制還有一個更加顯著地特點，那便是自組織學習能力。由于神經網絡控制的這些特點與優點，它受到了人們的普遍關注。神經網絡的基本連接方式是通過大量的神經元以一定的方式進行連接，大量的信息便會隱含在連接的權值上。我們可以根據一定的算法對神經權值進行一定的調節。使神經網絡實現從 m 維空間到 n 維空間復雜的非線性映射。

2.2專家系統的基本控制技術

電力系統中應用較廣的系統還有專家系統，這一系統包括了很多內容。既包括對處于警告狀態或

者緊急狀態等特殊狀態下的辨別能力，也包括緊急處理的能力，系統恢復控制的能力以及狀態分析轉換等。雖然，專家系統在實際的使用中是很廣泛的，但是這種方法存在的問題也是不容忽視的，其局限性也是顯而易見的，如難以模仿電力專家的創造性。

2.3模糊邏輯控制的基本技術

在模糊方法理論指導下的控制技術相對來說是比較簡單的，并且也是很容易掌握的。作為一種比較先進的方法，模糊邏輯控制已經在實踐中展現出了強大的生命力。

2.4電力自動化控制技術中的綜合智能控制技術

綜合智能控制技術的主要特點是綜合性，因為這種方法不但包含了智能控制，還包含了現代控制與自動化控制的基本理論與基本方法，是這幾種先進的理念與先進技術的綜合。神經網絡與專家系統的結合，專家系統與模糊控制的結合，神經網絡與模糊控制的結合，神經網絡、模糊控制與自適應控制的結合是在電力系統中應用較為廣泛的基本方法。神經網絡的基本特點是處理信息的非結構化，但是模糊系統對處理結構化的知識則更為有效。

3.電力系統自動化控制的特點

（1）電力系統的可靠性、安全性運行是建立系統全面自動化的重要保證。因此我們首先應在電力系統送電服務的初期，經過系統的調研，努力的收集、嚴密的檢測對電力系統的各個單元、部件、安全運行參數進行科學的處理。（2）接著我們應參照電力自動化系統建立的相關技術要求，根據可行性分析及電力系統實時運行狀態的考察進行合理的調控及提供有利的決策支持，對各個部件、整個系統進行微觀及宏觀的綜合調控。（3）通過合理的調節，我們還應從中發現各子系統、各元部件協調運行的特點及規律，通過不斷的總結、實踐，本著高效、節能的原則選取結構最優化、供電最優質、運行最安全、能耗最低廉的模式構建電力系統的全面自動化建設。（4）電力系統自動化體系的建立改變了以往機械化、勞動密集型的落后生產模式，縮短了生產周期、節省了人力物力的投入、簡化了生產環節、降低了勞動強度，同時也使高度安全生產、事故發生率為零、集成一體化生產、穩定可持續化服務成為可能，能有效的杜絕因供電事故造成的大面積停電；因線路故障短路導致破壞家電、影響人們正常生活秩序現象的發生。

篇5

【關鍵詞】混合時滯 神經網絡 穩定性分析

【中圖分類號】G642 【文獻標識碼】A 【文章編號】2095-3089（2016）04-0237-02

人工神經網絡是基于人腦的功能，通過建構與生物神經元類似的電路結構，從而在微觀的層次上實現對人類智能的仿真。神經網絡是由神經元的相互連接而形成的，反映在數學中，神經元實質上就是適當的函數，也被稱為激活函數。神經網絡在模式識別、優化計算、智能控制以及聯想記憶等領域得到了廣泛的應用，發展前景非常的廣闊[1]。

一、混合時滯神經網絡發展的脈絡

穩定性研究的開始可以追溯到十九世紀末期的Lyapunov理論和Poincare理論，在我國對穩定性進行充分研究的是著名物理學家錢學森，錢學森在其著名的《工程控制論》中，明確指出，穩定性是系統控制的第一要求。美國的著名數學家LsSalle也說過，吸引全世界的數學家注意的點就是穩定性。由此可見，穩定性在數學研究中具有極其重要的作用[2]。

大部分的動力系統都會隨著時間的演化不僅依賴于系統的當前狀態，并且還會依賴于系統過去的某個時刻，這就是被科學家們稱作的時滯動力系統。在工程系統中，時滯一般是指對測控過程中的測量時滯、形成控制決策所需要的時滯以及信號傳輸中的時滯等，這也是為什么大部分的動力學系統都需要時滯動力系統來進行描述的主要原因。事實上，時滯系統的初始狀態空間是一個無限維的空間，而且沒有特殊的性質，因此對其進行理論分析非常困難 [3]。

二、混合時滯神經網絡穩定性的發展研究分析

系統的穩定性在神經網絡的應用中非常的廣泛，如最優化的問題研究、模式識別研究以及圖像處理研究等，都需要運用系統的穩定性。在上個世紀，有很多文獻都給出了不同類型神經網絡的穩定性判據，最著名的當屬Hopfield神經網絡。神經網絡規模的應用范圍也在不斷的擴大，人們對時滯神經網絡模型的研究也越來越深入。時滯通常是由定時的時滯發展到連續分布的時滯。當前神經網絡穩定性的研究領域運用的主要方法就是Lyapunov泛函，然后再利用不同的不等式來對不等式進行分析，從而得到具有穩定性的數據[4]。

在優化問題的應用中，需要根據問題的基本特征，對設計所要求的神經網絡達到唯一的、全局的漸進穩定的平衡點。當神經網絡應用于實時的計算時，為了有效的提高收斂的速度，就需要神經網絡必須具有非常高的指數收斂度。這也是時滯神經網絡的全局漸近穩定性與全局指數穩定性研究如此吸引人的最為主要的原因。時滯反饋網絡的應用和研究需要大量的具有穩定性的數據作為基礎，因此，人們需要在不斷擴展的網絡模型的條件下放寬對網絡中所有參數和激勵函數的限制。只有這樣，才能更好的促進神經網絡研究的快速發展[5]。

目前，對時滯反饋神經網絡解的穩定性進行判別和分析的主要方法是Lyapunov方法，在進行判別和分析時，需要同時結合泛函數的分不等式穩定性理論來推導網絡解的穩定性，通過這一方法能夠將穩定性的研究放到某個適當的定義系統的軌跡上，而且通過對這些泛函數的研究分析，能夠得到穩定性的相應條件。這些穩定性條件的最常用的表述形式就是我們經常用的線矩不等式、系數矩陣的范數不等式以及Hanalay微分不等式。在這一研究領域，由于線矩不等式方法對系統的參數的限制比其它方法要少，而且比較容易驗證，因此，這種方法在穩定性理論的研究中應用的非常的廣泛[6]。

三、混合時滯神經網絡的穩定性分析研究

最近幾年，隨著人們對穩定性研究的進一步發展，人們對于驅動-響應系統的同步問題更加的重視，而且經過大量的實踐和理論分析，人們發現驅動-響應系統是包含同樣的激活函數的。但是，在實際的模型中，驅動-響應系統卻含有不同的激活函數，需要對非恒同的情況進行分析研究，也就是說驅動-響應系統的激活函數含有不相匹配的參數，致使對混沌系統的同步控制變得更加的復雜。由此可知，研究混合時滯神經網絡的穩定性是非常有必要的[7]。

如下混合時滯神經網絡

其中，是神經元的狀態，

。在（1）中，是定義在上的實值內部函數。代表離散時滯，表示分布時滯；代表外部輸入；；，，，分別代表連接權矩陣，離散時滯連接權矩陣和分布時滯連接權矩陣。

對于如下兩種情形的時滯，

第一種情形是，如果所有的和給定的標量 、h>0和，

是一個可微函數，且滿足以下條件：，，

是一個連續函數且滿足以下條件

。 。

第二種情形是，如果所有的和給定的標量 、h>0和，且和都是連續的函數，且函數和函數滿足以下條件：

。

假設是系統（1）的平衡點，那么會得到如下系統

根據上面的條件我們可以得出對于混合時滯神經網絡系統（2）， 在滿足一定條件的第一種情況和第二種情況下，它的平衡點是全局指數穩定的 [8]。

時滯神經網絡的穩定性在理論和實踐方面都得到了廣泛的研究，但是對混合時滯的神經網絡模型穩定性的研究并不是很多。除此之外，在神經網絡穩定性的研究領域，雖然有很多大量的判別條件，不過由于大部分的條件都需要采用計算矩陣范數的方法來進行，在進行驗證的時候也比較的困難，而且限制條件也非常的嚴格，在實際中的應用比較少。通過利用線性矩陣不等式研究神經網絡的穩定性能夠在很大程度上克服以上提及的缺點，所得到的條件更少保守，并且更容易得到充分的驗證[9]。

線性矩陣不等式的研究在最近幾年受到人們的廣泛關注的原因，既有理論方面的原因，也有實踐方面的原因。從理論上來說，人們可以利用很多的矩形運算技巧來對線性矩陣不等式問題進行研究和推理；但是，從實際的觀點來說，線性矩陣不等式問題也可以憑借數值算法并借助電腦的強大的運算能力從而快速、有效的求出數值解，最終使得線性矩陣不等式的求解變得更加的容易控制，從而使問題的解決更加可行。假設可以將一個復雜的問題轉換成線性矩陣不等式問題，那么就能夠利用Matab的LMI Toolbox進行求解了。

運用線性矩陣的不等式對混合時滯條件下的神經網絡的穩定性進行研究分析，可以充分掌握神經網絡的全局指數的穩定性。通過建構新的Lyapunov-Krasovkii泛函，利用隨機微分與矩陣變換技巧導出線性矩陣不等式的穩定性數據。由于線性矩陣不等式的穩定性數據比利用矩陣范數進行估計的判據更為保守，因此，人們可以利用MATLAB提供的線性矩陣不等式工具箱進行求解驗證，從而真正應用于實踐[10]。

人們按照Lyapunov的穩定性理論，建構了新型的Lyapunov-Krasovskii泛函。從而對混合時滯條件下神經網絡的穩定性進行了科學、合理的分析。在對混合時滯條件下的神經網絡的穩定性進行分析時，線性矩陣不等式的應用為對時滯穩定性的進一步研究提供了有利的條件。同時，對網絡中所包含的隨機擾動采用了隨機微分公式的討論模式，從而使得混合時滯條件下的神經網絡能夠應用Lyapunov的穩定性討論技巧與方法。在模型中對激活函數或者連接權矩陣的限制對混合時滯條件下的神經網絡的研究深有幫助，而且采用線性矩陣不等式的表示方式，比之前的矩陣范數的判別條件要更加的有利。

四、結語

綜上所述，混合時滯條件下的神經網絡的穩定性分析是以Lyapunov的穩定性理論與線性矩陣不等式技術為基礎，同時利用積分不等式的方法，對混合時滯條件下的神經網絡的穩定性進行了科學、合理的分析，并給出了時滯依賴指數穩定性的基本準則，從而將對混合時滯條件下的神經網絡的穩定性的研究又向前推進了一大步。

參考文獻：

[1]武志鵬.帶有混合時滯的神經網絡的穩定性分析[D].山西大學，2008.

[2]劉曉琳.混合變時滯神經網指數穩定性分析[D].曲阜師范大學，2009.

[3]王寧，孫曉玲.基于LMI的混合時滯隨機神經網絡指數穩定性[J].計算機仿真，2010，07：125-129.

[4]張金.具混合時滯的隨機神經網絡的穩定性分析[J].蘇州大學學報（自然科學版），2011，02：16-22.

[5]吳文娟，劉德友，張靜文，劉海濤.具有混合時滯的隨機Hopfield神經網絡的穩定性分析[J].蘭州理工大學學報，2011，03：89-93.

[6]陳一鳴，徐增輝，趙所所，周志全.具有混合時滯隨機離散神經網絡的漸近穩定性分析[J].鄭州大學學報（理學版），2011，04：33-38.

[7]耿立杰，李海穎，張曉靜，蘇廣.具有混合時滯的隨機反應擴散神經網絡指數穩定性[J].工程數學學報，2014，05：687-696.

[8]龍述君，張永新，向麗.具有混合時滯的隨機細胞神經網絡的穩定性分析[J].四川師范大學學報（自然科學版），2012，06：796-801.

篇6

社會經濟的發展以及科學技術的進步，推動了網絡技術的發展。但網絡技術在便利人們生活的同時，也為攻擊網絡提供了方便，為了有效保證計算機網絡的安全，必須要建立和完善計算機網絡安全評價體系，充分應用神經網絡，發揮出其應用的價值。一般而言，神經網絡作為一種智能人工算法技術，其具有自學習、自組織及自適應的能力，其在計算機網絡安全評價中的應用，能夠將計算機網絡安全的風險進行有效降低，降低損失。本文就對計算機網絡安全評價中神經網絡的應用進行深入分析和探討。

【關鍵詞】

計算機網絡安全評價；神經網絡；應用

網絡技術的發展，使得計算機被廣泛應用在人們的生產生活中。但是計算機技術在實際應用中存在較多的安全隱患，如黑客入侵、安全漏洞以及病毒傳播等，這些因素嚴重影響了計算機的安全運行。一般而言，在計算機網絡中，傳統的安全評價方法，其具有較為復雜的操作，無法對影響因素與安全評價結果間的關系進行準確描述，致使其安全評價結果的準確度不高。在計算機網絡安全評價中，神經網絡能形成非線性自適應的動態系統，其能快速適應環境，對自身的規律進行總結，從而進行運算、識別及控制等操作，提高工作效率。

1神經網絡概述

神經網絡模型最早提出是在20世紀40年代初期，其基礎是人體腦部對信息的處理，并充分利用數學模型，從而對生物神經元以及腦細胞結構的生理基本特征進行研究。其次在1958年，計算機科學家以神經網絡模型為基礎，增加了學習機制，在工程中應用神經網絡技術理論，并提出感知器神經網絡模型。其能及時識別聲納波，對敵方潛水艇的位置進行準確定位。上世紀80年代，科學家利用映射的拓撲性質，借助計算機，提出了映射自組織網絡模型。1982年科學家對自組織神經網絡的全局及局部的穩定性進行分析，了解到神經網絡模的實質，其是一組微分非線性方程。此外，由于神經網絡是新興領域，因此我國科學家開始對其進行長期研究工作。

2神經網絡在計算機網絡安全評價中的具體應用分析

神經網絡在計算機網絡安全評價中的具體應用，其主要表現在兩個方面：一是計算機網絡安全；二是計算機網絡安全的評價體系；三是BP神經網絡。

2.1計算機網絡安全分析計算機網絡安全，其是以先進的科學技術為依據，以網絡管理控制措施為前提，確保計算機在網絡環境中，有效保證數據信息的保密性、完整性以及可使用性。一般而言，計算機網絡安全主要包括物理安全和邏輯安全這兩類。其中物理安全是指計算機的系統設備以及相關設施，利用物理來進行保護，避免相關設施的破壞和丟失。邏輯安全是指計算機中數據信息的完整性、保密性以及可用性。計算機網絡安全，其包括對組網的硬件及系統網絡的軟件的控制管理，包括對資源的共享以及網絡服務的快捷簡便。由于計算機網絡自身的特色性，其具有自由性、國際性以及開放性，因此較易受到攻擊，如計算機軟件及硬件漏洞的攻擊、網絡通信協議的攻擊、物理傳輸線路的攻擊等就現階段而言，計算機網絡在安全方面還面臨著嚴峻的形勢，其他國家的黑客可以對計算機網絡進行攻擊，本地網絡用戶也可以對計算機網絡進行攻擊。許多計算機網絡對與用戶的技術等，沒有過多的限制，用戶能夠利用計算機在網上和獲取信息。

2.2計算機網絡安全評價體系分析為了確保計算機網絡的安全性，有效保證數據信息的完整性、保密性及可用性，必須要建立計算機網絡安全評價體系。其能對影響計算機網絡安全的因素進行科學合理及客觀全面地反映。在對計算機網絡安全進行評價時，其評價指標必須要充分考查各種影響因素，從而對評價信息進行準確反映，充分有效發揮出神經網絡的作用。

一般在計算機網絡安全評價體系中，其一級評價指標的組成包括管理安全、物理安全以及邏輯安全。其中管理安全評價指標包括安全組織體系、安全管理制度、人員安全培訓以及應急響應機制這4個二級指標。物理安全評價指標包括防電磁泄漏措施、網絡機房安全、供電安全、線路安全、容錯冗余以及設備安全這6個二級指標。邏輯安全評價指標包括數據備份、數據恢復、系統審計、訪問控制、軟件安全、數字簽名、防病毒措施、數據加密、入侵防范這9個二級指標。建立計算機網絡安全評價系統時，必須要遵循五個原則：其一是簡要性，一般計算機網絡安全評價體系中的各項指標，要簡單明了，層次分明，具有較強的代表性。其二是完備性，計算機網絡安全評價體系中的各項指標，必須要選取得當，能將計算機網絡安全中的主要特征進行全面完整地反映，從而保證評價結果的準確性以及可靠性。其三是獨立性，在對計算機網絡安全評價體系中的荷香指標進行選取時，要避免重復選擇，對指標間的關聯加以減少，從而對計算機網絡安全的實際問題進行準確具體體現。其四是準確性，計算機網絡安全評價體系中的各項指標，要能對計算機網絡安全的技術水平進行準確科學體現。其五是可行性，在建立計算機網絡安全評價體系時，必須要使其與實際的測評工作相符合，從而確保其操作和測評的順利進行。

2.3BP神經網絡分析在當前神經網絡模型中運用最為廣泛的就是BP神經網絡，其是以誤差逆傳播算法為依據，訓練的前饋多層網絡。一般來說，BP神經網絡為了有效減少網絡系統中的誤差平方和，通常采用最速下降法，并進行方向傳播，對網絡系統中的權值以及閾值進行調整。BP神經網絡模型的拓撲結構主要有輸入層、輸出層及隱層，每層神經元連接其相連的神經元，且彼此無反饋連接。就單層前饋神經網絡系統而言，其只適用于對線性可分問題進行求解；多層前饋神經網絡系統，其能對計算機網絡中的非線性問題進行求解。總體來說，BP神經網絡的非線性逼近能力較強，且算法也較為簡單，因此其能較易實現。

3結束語

神經網絡技術的發展，使得其在計算機網絡安全評價中的應用越來越廣泛。神經網絡技術具有外推性，容錯性以及適應性，能夠直接訓練數值和數據，進行自我調整來減少誤差，能有效保證計算機網絡安全評價結構的科學性和準確性，是一種可靠而有效的網絡安全評價方法。

【參考文獻】

[1]李忠武,陳麗清.計算機網絡安全評價中神經網絡的應用研究[J].現代電子技術,2014,10:80-82.

[2]原錦明.神經網絡在計算機網絡安全評價中的應用研究[J].網絡安全技術與應用,2014,04:52-53.

[3]耿仲華.計算機網絡安全評價中對于神經網絡的應用探究[J].網絡安全技術與應用,2014,09:87-88.

[4]祝永健.基于神經網絡的計算機網絡安全評價應用價值研究[J].計算機光盤軟件與應用,2014,22:179-180.

篇7

【關鍵詞】 塔式起重機 故障診斷 分析

1 引言

隨著建筑業的發展，塔式起重機（以下簡稱塔機）是現在高層建筑施工現場中必不可少的重要起重設備，在建筑業得到了廣泛的應用。隨著塔機的廣泛應用，重大事故頻頻發生，因此給人民生命財產造成了重大的損失，給社會帶來了不良的影響。為減少事故的發生，確保人身和塔機的安全，必須對塔機的故障進行研究。當塔機發生故障時，為了能夠及時地、正確地對各種異常狀態或故障狀態做出診斷，預防或消除故障，對設備的運行進行必要的指導，提高設備運行的可靠性、安全性和有效性，應該采用設備故障診斷技術以期把故障損失降低到最低水平。同時通過檢測監視、故障分析、性能評估等，為設備結構修改、優化設計、合理制造及生產過程提供數據和信息。

設備的故障診斷既能保證設備的可靠運行，又能獲取更大的經濟效益和社會效益。20世紀60年代，由于軍工、航天的需要，美國最先開始了設備故障診斷的研究。我國是在20世紀80年代初開始的，已經取得了一定的研究成果。但是建筑機械設備的故障診斷技術在實際應用中在存在問題。因此積極開展建筑機械設備的故障研究技術是十分必要的。

2 塔機故障診斷技術

2.1 機械設備故障診斷方法

機械設備故障主要是由于某些零件的缺陷或者損壞而引起的，一方面在零件設計、制造和裝配或者在給定條件下工作時，工作人員操作不當產生的，另一方面是由于使用中的零件磨損、變形、斷裂、腐蝕、裂紋等產生的。

機械設備故障診斷是利用測取機械設備在運行中或相對靜態條件下的信息，通過對測取信息的分析，結合設備的歷史狀態來判斷設備以及零件的實時運行狀態。塔機的故障診斷技術是是防止事故的有效措施，也是塔機維修的重要依據。故障診斷技術有很多，如振動技術、聲學診斷技術、熱像診斷技術和智能系統診斷技術等。塔機故障診斷基本流程圖如圖1所示。

2.2 現有的故障診斷方法主要有三大類

2.2.1 基于解析模型的故障診斷方法

基于解析模型的故障診斷法是發展最早和研究比較系統的一種方法。該方法是根據被診斷設備的監測信息與模型系統的信息進行比較，從而產生殘差，并且對殘差進行分析和處理的方法。該方法包括參數估計診斷法、狀態估計診斷法和基于等價空間法。這種方法在塔機的故障診斷中應用較少，這主要因為像塔機這樣復雜的設備很難建立適于用診斷的數學模型。

2.2.2 基于信號處理的故障診斷方法

基于信號處理的故障診斷方法是利用信號分析理論獲得系統時域和頻域中較深層次的特征向量，從而利用這些特征向量與故障源之間的關系，判斷故障源的位置。這種方法主要包括：快速傅里葉變換法、小波變換法、Fisher判別法和主元分析法等。此方法主要用于診斷對象的解析模型很難建立，但是系統的一些狀態信息或者輸出參數易測量的設備，故此方法很少用于塔機的故障診斷。

2.2.3 基于知識的故障診斷方法

此方法又稱智能診斷系統，不需要建立精確的數學模型，因此應用比較廣泛。基于知識的故障診斷方法主要包括：基于專家系統的故障診斷法、基于人工神經網絡的故障法、基于模糊理論的故障診斷法和基于故障樹的故障診斷法。

此方法中的專家系統故障診斷法不依賴系統數學模型，而是實踐經驗和故障知識，設計一套智能計算機程序，適應于大型的、比較復雜的設備。但是由于此方法依賴于專家的知識獲取，故知識獲取比較困難，知識庫更新能力和實時性比較差。

2.2.4 基于人工神經網絡故障診斷法

利用大量神經元廣泛互聯而成的復雜網絡系統，主要處理非線性問題。神經網絡優化算法有計算精度較高，計算速度快等優點。但是存在學習效率低、易于陷入局部最小點等缺點。

基于模糊理論的故障診斷方法是以模糊邏輯為基礎，通過模糊判斷和推理構建故障與征兆的模糊關系確定診斷結果，但是此方法自學習能力差，模糊診斷知識很難獲取，容易出現漏報和誤診，故常與其他方法結合使用。

故障樹診斷法又稱因果分析法，用邏輯推理圖的方式分析機械設備故障的發生以及故障產生的原因之間的關系，利用最小割集算法和最小路集算法確定設備出現某種最不希望的故障事件的可能性。此方法表達直觀，易于分析，但是其診斷精度不高。

以上四種智能診斷技術是最常用的方法，但是每種診斷方法都有各自的優點和缺點，因此可以將以上方法進行結合，形成集成式智能故障診斷技術，以相互彌補對方的缺陷和不足。塔機是比較復雜的機械設備，因此將專家系統故障診斷法與人工神經網絡故障診斷法有機結合在一起，形成一個混合型集中式專家診斷系統。先用專家系統判定故障特征，劃出故障類別，再利用人工神經網絡進行精確的判斷。集中式專家故障診斷系統診斷流程圖如圖2所示。

3 機械設備故障診斷技術發展趨勢

機械設備故障診斷技術與當代前沿科學技術的有機融合是機械設備故障診斷技術的發展趨勢。隨著科學技術的發展，特別是信息技術、計算機技術、傳感器的出現，信號處理和分析技術解決機械設備故障診斷問題變得簡單了。機械設備故障診斷技術沿著以下發展趨勢發展。

3.1 診斷技術多元化

隨著現代科學技術的發展，機械設備故障診斷技術可以利用振動學、聲學和熱像等技術對機械設備實施診斷，還可以利用多種技術有機融合進行綜合診斷。另外，可以利用最新信號的處理方法進行故障診斷以提高診斷的準確性。如小波分析、人工神經網絡、數據融合技術和數據挖掘技術等。

3.2 診斷技術實時化

現代機械設備正向高度自動化、集成化和大型化方向發展，因此設備應該具備高度的可靠性和抵御故障的能力以及故障信號快速采集、存儲和分析的能力。計算機、網絡通信、現代信號分析技術和專家系統為故障實時化診斷技術提供了可靠的保障。

3.3 智能診斷技術的網絡化

現在機械故障智能診斷技術包括專家系統、神經網絡和模糊理論等。現在故障智能診斷技術已經在機械設備故障診斷中得到了廣泛的應用。隨著Internet的普遍應用，很多大型企業機械設備的故障診斷技術正沿著網絡化方向發展。通過域網，可以對復雜的機械設備進行監測，傳輸數據，及時發現設備故障，減少故障的發生。

3.4 故障診斷信息數據庫化

機械設備的狀態信息、參數信息等數據是動態數據。建立信息數據庫動態系統方便工作人員查詢、分析故障信息數據。

3.5 故障診斷的自愈化

隨著科學的發展，機械設備越來越復雜，同時設備與生產過程越來越來緊密。機械設備一旦發生故障，就必須停機檢修，因此必然會造成經濟損失。為了能夠準確判斷出故障源，通過智能系統和控制系統，使故障在設備運行中自動消除，使設備恢復正常狀態，因此機械設備故障診斷的自愈化成為了當代故障診斷技術的最新趨勢。

4 塔機常見的故障分析

機械設備診斷實質上就是一種比較分類，在判斷故障時，我們是將故障待檢模式與故障基本模式相比較，把一個具體的故障（待檢模式）歸入到某種故障類型（基本模式）中去。任何一種機械故障，都具有自己的特征，故障特征是構成故障基本模式的基本要素。所以，對每種故障的表現形式要全面的了解和掌握，對一個故障與其它故障在表現形式上的相同點和區別要有清晰的認識，因為掌握各種常見故障的基本特征是判斷設備故障的基礎。因此為了更好的對塔機的故障進行分析，必須掌握塔機的常見故障的基本特征。

塔機的故障主要包括機械液壓系統故障和電氣系統故障，文章主要分析機械液壓系統故障。由于篇幅原因，文章只給出了塔機常見的幾種機械液壓系統故障。塔機常見機械液壓系統故障特征分析如表4-1所示。

5 結語

目前，機械設備與生產過程緊密相連，如果不能及時發現及排除故障，人身安全和設備安全都會受到很大威脅，同時造成巨大的經濟損失。為避免和減少事故發生，本文以塔式起重機為研究對象，詳細介紹了當前建筑機械設備的故障診斷技術以及故障診斷的發展趨勢，同時介紹了塔式起重機常見幾種的故障分析。通過現代智能故障診斷技術，可以及時發現故障，減少事故發生率，提高經濟效益。

參考文獻：

[1]黃洪鐘，姚新勝.《塔式起重機安全性研究及展望》.安全與環境學報，2001.

[2]賈永峰.《塔式起重機多源信息監控系統研究》.西安建筑科技大學，2005.

篇8

關鍵詞：南水北調京石段；穩定狀態；最小二乘法；神經網絡；流量系數

中圖分類號：F416文獻標識碼：A

引言

南水北調中線干線京石段工程起點為石家莊古運河樞紐進口，終點為北京市團城湖，渠線總長307.44km。渠線總長227.39km，其中建筑物長26.34km，渠道長201.05km，采用明渠自流輸水方式；北京段從北拒馬河中支南開始，途徑房山區、豐臺區，至總干渠終點團城湖，總長80.05km，采用管涵輸水方式。為緩解首都北京水資源短缺，自2008年9月至今京石段工程已4次向北京市應急供水，累計入京水量超過15億m3。

其中第4次通水實測流量數據較為充足（放水河節制閘、墳莊河節制閘、北拒馬河節制閘、沙河引水閘等4座水閘有實測流量資料），故本次研究選取第4次通水上述4閘數據進行穩態調度分析研究。

1分析方法簡介

1.1最小二乘法

最小二乘法（又稱最小平方法）是一種較基本的回歸方法。它通過最小化誤差的平方和尋找數據的最佳函數匹配。利用最小二乘法可以簡便地求得未知的數據，并使得這些求得的數據與實際數據之間誤差的平方和為最小[1]。

一般的最小二乘逼近定義為：對于給定的一組數據（xi，f（xi））（i=0，1，…，m），要求在函數類={0，1，…，n}中找到一個函數y=S（x），使誤差平方和：δ22=∑mi=0δ2i=∑mi=0[S（xi）-f（xi）]2取得極小值。

為使問題的提法更具有一般性，通常把最小二乘法中δ22考慮加權平方和，即：

δ22=∑mi=0ω（xi）[S（xi）-f（xi）]2（1）

當0（x），1（x），…，n（x）是關于點集{xi}（i=0，1，…，m）的帶權正交函數組時，解為：

ak=∑mi=0ω（xi）f（xi）k（xi）∑mi=0ω（xi）2k（xi）（k=0，1，…，n）（2）

1.2神經網絡法

神經網絡近年來興起的研究熱點，其具有逼近非線性函數的能力，它是基于映射網絡存在理論。在神經網絡中最廣泛應用的信息處理運算是數學映射，給定一個輸入向量X，網絡應該產生一個輸出向量Y=ψ（X），網絡的基本特征是從復雜的高維數據中提取和識別必要的參數。影射網絡存在理論認為，只要處理單元是一個輸入變量的任意連續遞增函數或是幾個變量的總和，則一個輸入向量X可以映射成任意輸出函數Y=ψ（X）[2]。

神經網絡算法基于最小均方差準則，由計算正向輸出和誤差反向傳播組成。通過由比較網絡的實際輸出與期望輸出來不斷地調節網絡權值，直至收斂為止。網絡中每個節點的輸入輸出存在如下非線性關系

O={1+exp[-（∑WjiOpi+θj）]}-1（3）

式中：Opi為模式P輸至網絡節點j的輸出；Wji為節點i到j的連接權；θj為節點j的閥值。

式中，δpj為j節點上一層節點k的誤差；Wkj為節點j到其上一層節點k的連接權。

從以上公式可以得出，通過誤差反向傳播，調整權值，最終的輸出就會接近所要求的期望值，這個過程稱為訓練。當達到所要求的誤差時，就認為網絡已經能在某種程度上近似表示輸入與輸出的關系。

也就是說，用含有隱含層的神經網絡能擬合許多任意復雜的連續函數，回歸分析的實質就是在抽樣數據的基礎上進行曲線擬合。如果對訓練好的網絡輸入新的數據，輸出的結果就是對此曲線新的點結果的預測。所以，用神經網絡可以進行有關的曲線回歸分析，也可以用已回歸好即訓練好的結果去預測新的樣本[3]。

1.3回歸效果分析

最小二乘法作為傳統回歸方法，對于多元回歸計算的計算量過大，隨著變量數目的增加，計算量劇增，并且要相互比較的回歸曲線也劇增，選擇一條最優回歸曲線較難。根據本次研究現有資料，淹沒系數與流量系數均不能通過資料直接查得數據，閘孔出流的淹沒系數只能通過查相應關系曲線或表獲得，這樣就使得最小二乘法率定的結果會出現誤差。

由于淹沒系數反應的是下游水深對過閘水流的淹沒影響程度，采用人工神經網絡法建模時，在輸入層數據矩陣中加入閘后水位，通過學習訓練能夠在網絡內部建立樣本隱含的復雜結構，避開了淹沒系數不能準確確定這一問題，使得分析結果更為準確，考慮相關參數更為全面。在最小二乘法分析無法給出滿意解時，神經網絡將是一種全新的選擇。

結合現有數據，本次報告采用上述2種算法分別對各閘流量系數進行率定，并對計算結果進行比較分析，下面列舉放水河節制閘率定成果。

2流量系數分析

受閘門控制的水位～流量系數關系，可以通過觀測其上下游水位、閘孔開啟高度及寬度，運用水力學公式來推求。在水力學理論公式中，上游水頭要涉及行進流速水頭，這里采用實測流量來率定流量系數，由于流量系數是水位的某種形式的函數，先對推流公式中的系數加以率定，并再據以推算流量，可不計入行進流速水頭。

由堰流和孔流的特點可知，對于具有閘門控制的同一渠道，堰流和孔流可以相互轉化。這種水流的轉化條件與閘孔的相對開度和閘前水頭有關，根據實驗，堰流和閘孔出流的判別條件如下[4]：當閘底坎為平頂型時：eH≤0.65，為孔流；eH>0.65，為堰流。當閘底坎為曲線形型時：eH≤0.75，為孔流；eH>0.75，為堰流。根據樣本中數據判別如下，墳莊河、放水河、北拒馬河節制閘為平頂型孔流；沙河引水閘為曲線型孔流。

2.1最小二乘法求解

由于每組數據對應的淹沒系數不一致，導致率定流量系數時計算過于繁瑣復雜，現將淹沒系數σs、流量系數μ擬合為一個未知數m，稱為擬合流量系數（即孔口淹沒出流流量系數）。回歸方程轉化為一元問題求解。求解m后，再通過查孔流淹沒系數表查得每組數據對應的淹沒系數σs，最終求得孔口自由出流流量系數μ。經查表可得：放水河節制閘淹沒系數σs=0.65；墳莊河節制閘淹沒系數σs=0.55；北拒馬河節制閘淹沒系數σs=0.35～0.85；沙河引水閘淹沒系數σs=1。

斷面的流量資料以及與流量系數相關的開度e、閘前水頭H、寬度b等均可在資料中查得。選擇第4次通水沙河引水閘、墳莊河節制閘、放水河節制閘、北拒馬河節制閘1個月的通水數據作為樣本。

閘孔出流流量計算公式：

Q=σsμbe2gH（4）

式中：Q為計算流量（m3/s）；σs為淹沒系數；μ為流量系數；b為閘孔凈寬（m）；e為開度（m）；H為閘前水頭（m）。

經計算可列出如下各項系數關系表，見表1。

表1放水河節制閘開度、閘前水頭、自由出流流量系數關系表

e/mH/m3.5～3.63.6～3.73.7～3.83.8～3.93.9～4.04.0～4.10.0740.7860.1100.8120.8120.8120.1140.8790.1180.7730.7730.1200.7930.7930.8060.1300.8440.8440.8440.8290.8290.1400.8350.8350.8350.1470.6220.6220.1500.8660.1600.8860.8860.1700.8230.823

2.2神經網絡法求解

與流量系數相關聯的數據有閘前水頭、閘后水頭、空口凈寬、閘門開度，則輸入層神經元個數為4，輸出層神經元為1，選取n個樣本：

{（X1，y1），（X2，y2），…，（X20，yn）}（5）

其中Xi={xi1，xi2，xi3，xi4}，i=1，2，…，n。xik表示第i個樣本中第k個參數所代表的流量強度k=1，2，3，4。yi為第i個樣本中的實測流量。

輸入層神經元4個，為閘門開度、閘前水頭、閘后水頭、空口凈寬，輸出層神經元1個，為實測流量，將所有數據進行歸一化處理。取BP神經網絡梯度下降法學習算法學習效率為α=0.5，訓練精度取0.01，訓練次數為2000。對上述神經網絡模型進行網絡訓練，訓練結果如下：

放水河節制閘隱含層設為3層時精度為：0.015441；4層時精度為：0.015376；5層時精度為：0.015378。故隱含層選取精度最小的4層隱含層。

各閘門輸入、輸出權矩陣如表2。

表2隱含神經元個數為4權矩陣

閘門輸入層權矩陣輸出層權矩陣放水河節制閘5.74E-020.46128960.94999-0.5571120.3358424-0.2866769-0.92112231.058965-0.713352-5.18E-02-0.8456119-0.8865428-0.01462-0.9969012.345147-0.3966391-0.27491370.818604-0.787825-0.3147664

2.3合理性評價

流量系數與各相關影響因子的回歸分析，建立回歸方程僅僅是一種假定，是否符合實際情況就必須對率定系數的結果進行檢驗。從已知數據中隨機找10次測量數據，用上述最小二乘法推求的流量系數以及神經網絡法求出的權矩陣求解計算流量，再與實測流量對比，求出相對誤差。

經計算各組樣本中，平均誤差均不到3%，誤差小于5%[6]的樣本比例分別為：最小二乘法數據：70%、100%、100%、60%；神經網絡法數據：80%、100%、100%、100%。從以上計算及相關統計參數可以很明顯的看出，用神經網絡回歸得出的數據相比最小二乘法的要好些，并且計算的流量很接近原始測量數據。但回歸分析的效果好壞要綜合來看，比如考慮相關參數的全面性，計算量的大小，回歸方程的直觀性，回歸數據統計效果等[7]，下面就從這幾個方面進行對比分析。

2.3.1相關參數的全面性

最小二乘法中，率定的擬合流量系數中有2項：淹沒系數、流量系數，淹沒系數是反應下游水深對于過閘水流的淹沒影響程度，由于每組數據的開度-閘后水位-上下游水位差差別較小，淹沒系數表中精度有限，使得人工讀數誤差加大。而神經網絡法在輸入層數據函數中加入了閘后水位這一項，在網絡內部建立樣本的復雜結構，考慮影響流量的參數更為全面，回歸出的數據精度更高。

2.3.2計算量

最小二乘法等傳統回歸方法，計算量的大小會隨著變量個數的增加而呈指數形式增加，而神經網絡法回歸分析時，較多的計算量都花費在訓練上。對于本次回歸分析，由于變量較少，最小二乘法的計算量不是很大，求解的精度達到了相應要求，所以神經網絡的優越性不是很顯著。

2.3.3回歸方程的直觀性

從回歸方程的直觀性來看，最小二乘法求出的回歸方程比較直觀，而用神經網絡不能求出回歸方程。最小二乘法等一般回歸方法是以求解回歸方程為目的，本次分析研究中，先建立了閘孔出流的數學模型，根據此模型和樣本數據進行下一步的計算。而神經網絡是通過學習來逼近目標函數，它把信息記憶在相關聯的連接權上，當誤差達到一定要求時，就形成了輸入和輸出之間的一定程度上的近似對應關系。

2.3.4回歸數據統計效果

最小二乘法是對目標函數的一種近似求解，是一種用數學模型去近似表達輸入輸出的某種關系。對于模型的選取要求較嚴格。神經網絡是對目標函數的逼近，只要網絡結構合理，訓練效果好，回歸出的數據精度相比最小二乘法要高，從本次計算數據上也證明了這一點。

3總結

通過運用最小二乘法、神經網絡法這2種回歸方法分析京石段第4次通水放水河節制閘、墳莊河節制閘、北拒馬河節制閘、沙河引水閘數據，可得出閘門開啟程度、流量系數與水頭具有相應的函數關系。應用最小二乘法推算出的流量系數，為閘孔自由出流的淹沒系數，而查表得出的淹沒系數會使誤差加大。而神經網絡在輸入層數據矩陣中有閘孔開度、閘前水位、閘后水位和孔口凈寬4項，考慮影響因素更全面，輸入層數據矩陣為實測流量。

其中個別點誤差較大，是由于儀器、檢測條件、環境等因素的限制，對于實測流量的測量不可能無限精確，測量值與客觀存在的真實值之間總會存在著一定的差異，這是不可避免的。由于京石段運行年數有限，實測數據并不充足，相信在日后數據更充足情況下計算的數據會更具備參考價值。

參考文獻

[1]廖偉明，羅劍，周斌.最小二乘法在水文參數率定中的應用[J].上饒市水利水電勘測設計院，2012（04）.

[2]吳新根，葛家理.人工神經網絡在回歸分析中的應用[J].北京石油大學，1995（07）.

[3]陳曉楠，黃強，邱林，等.基于神經網絡的農業干旱評估模型及其概率分布研究[J].西安理工大學，2011（05）.

[4]孫東坡，丁求新.水力學[M].黃河水利出版社，2009.

[5]宋孝玉，馬細霞.工程水文學[M].黃河水利出版社，2009.

篇9

關鍵詞 數據挖掘；方法；應用

中圖分類號TP3 文獻標識碼A 文章編號 1674—6708（2012）76—0209—02

近幾年來，隨著數據庫技術的不斷發展，數據挖掘引起了信息產業界和整個社會的極大關注。因為人們所擁有的數據量在不斷的增長，這就對數據的管理和分析提出了更高的要求，急需新的技術從大量的信息中提取或“挖掘”知識，于是數據挖掘（Data Mining）技術被受人們關注和使用。

1 數據挖掘技術定義

數據挖掘技術是指從大量的、不完全的、有噪聲的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程。在大多數情況下，人們只知道儲存數據，數據越來越多，可是不知道數據中存有很多重要的信息，數據挖掘就可以從這大量的數據中搜索出重要的信息。

2 數據挖掘常用的方法

1）決策樹。決策樹方法是把數據分類，構成測試函數，建立樹每一層分支，重復下去就構成了決策樹。在構造決策樹時，樹盡可能精度高，規模小。商業銀行在對風險決策時經常用此方法；

2）人工神經網絡。神經網絡方法引用生物神經網絡的方法，就好像人的神經網絡，它連接輸入、輸出信號的樞紐。它在很大程度上模擬人腦的神經系統處理信息。人工神經網絡具有四個基本特征：非線性、非局限性、非常定性、非凸性。用人工神經網絡方法建立的模型具有很強的非線性擬合能力，學習規則簡單，控制能力強等優點；

3）遺傳算法（Genetic Algorithm，GA）。遺傳算法是模仿達爾文生物進化的自然選擇和遺傳機制的一種尋優算法。群體中的所有個體為研究對象，利用隨機化技術搜索編碼，然后分別利用選擇、交叉和變異這三個基本遺傳算子對其進行遺傳操作就能尋找到問題的最優解或者是最滿意解。遺傳算法的優點是過程簡單，具有隨機性，可擴展性。實用。在很多領域得到了很大的應用。缺點是編程比較復雜，需要對問題進行編碼，找到滿意解后還要對問題解碼。算法速度比較慢，對初始種群的選擇有依賴性等缺點；

4）聚類算法。聚類算法可以說是多元統計研究“物以類聚，人以群分”的一種方法，主要任務是發現大型數據中的積聚現象。聚類分析是把相似特征的樣本歸為一類，類內差異差距較小，類間距差距較大。聚類算法在好多領域有應用。在商務上，根據客戶不同的消費模式進行分類，對客戶進行劃分，幫助商家獲得更多利益。在生物學中，對動植物進行分類，了解各自的基因特征。聚類的算法也比較多，例如：基于模糊的聚類方法、基于粒度的聚類方法、量子聚類、核聚類、譜聚類，這些是新發展的聚類算法。還有常用的聚類算法—BIRCH算法、K—MEANS算法、均值計算方法等。

3 數據挖掘的應用

數據挖掘技術在好多領域有應用。例如：金融業、通訊、教育、政府管理部門等等行業。1）金融業。例如：金融事務需要搜集和處理大量復雜的數據，許多銀行和金融機構提供多種多樣的投資服務（如共同基金）、信用服務（如個人信用卡）和銀行服務（如個人存款）。由于交易的頻繁性、信息的不對稱性和復雜性，必須從海量數據中挖掘信息，金融數據挖掘技術可以幫助銀行系統查詢客戶以往的需求情況并預測未來；可以分析潛在的信譽較差的客戶，及時采取措施減少資產損失；2）通訊業。例如：現今通信業務可以說是五花八門，多種多樣，適合不同需求的人群。要想退出新業務，創效益。就必須先確定可能要試用此項業務的客戶特征。確定完成后先讓小范圍的客戶試用此項業務，當他們試用一段時間后，對客戶的反饋信息進行分析，修改更新，反復這樣下去，直至此項業務成熟后，推廣進入市場。那如何從大量的客戶消費數據中得到這些客戶特征，這就需要數據挖掘技術對客戶進行詳細的深層次的分析，得到有效的，準確的數據；3）教育部門。例如：高校的招生可以說是任何一個高校的大事，招生好壞直接影響學校的生存。專業計劃的是否合理，就直接影響招生。我們需要對大量的招生錄取信息和就業信息進行分析，數據挖掘技術就可以從這些信息中提取重要的信息預測未來的專業計劃如何投放，每個專業投放多少比較合理，不至于計劃浪費；4）政府管理部門。隨著社會的不斷進步，政府部門內部以及部門之間擁有了大量的政務信息，要想掌握有效，準確的政務信息，我們可以利用數據挖掘中的決策樹方法，從大量的政務信息中提取準確有效的信息，大大提高整個電子政務的智能化水平。可以通過對網絡各種經濟資源的深度挖掘，確定未來的經濟形勢，從而可以指定出合理的宏觀調控政策。為社會經濟提供有力的可靠的拐杖。

4 數據挖掘未來的展望

數據挖掘的應用越來越廣泛，人們對數據挖掘技術的需求水平也就越來越高。它可以預測未來的發展趨勢，所以今后研究焦點可能會集中到處理非數字數據；尋求數據挖掘過程中的可視化方法，便于在知識發現過程中的人機交互，使計算機真正實現智能化。這可能需要一段時間，需要計算機工作者的不斷的研究探索，可能需要很大的努力。但我相信，不久的將來我們會看到數據挖掘據技術很大的進展。

參考文獻

[1][加]Jiawei Han Micheline Kamber著.范明，孟小峰譯.數據挖掘概念與技術[M].機械工業出版社.

[2]陳曉燕.遺傳算法在數據挖掘中的應用[J].瓊州學院學報，18（2）.

[3]周明華.近代算法在工程領域中的應用研究[D].浙江大學博士學位論文，2005，1.

[4]曾令明，金虎.基于遺傳算法的雙向關聯規則挖掘[J].微電子學與計算機，2006（23）：35—37.

[5]周濤，陸惠玲.數據挖掘中聚類算法研究進展[J].計算機工程與應用， 2012，48（12）.

[6]鄭紅英.數據挖掘聚類算法的分析和應用研究[J].重慶大學碩士學位論文，2002，4.

篇10

關鍵詞 無線Mesh網絡 異常檢測 協作 RBF神經網絡 危險理論

中圖分類號：TP3O9 文獻標識碼：A

1無線Mesh網絡安全面臨的主要威脅

從美國人NikolaTesla于1893年首次公開展示無線電通信至今，針對不同的用途和使用環境，無線電通信已經發展出多種類型。特別是從20世紀80年代以來，伴隨著全球移動通信系統的發展，不同類型的無線網絡如WLAN、CDMA、Bluetooth和Wi-Fi（本文將些網絡統稱為傳統無線網絡）等也相應迅猛發展起來。雖然WMN優勢明顯，應用廣泛，但其在安全方面仍然受到多種威脅，主要有以下五個方面。

（1）無線鏈路方面。WMN中各節點通過無線鏈路以廣播方式相互傳輸數據，通信范圍內的所有節點都可以接收這條數據，因此易被監聽。并且由于缺乏像有線網絡中的物理通道及防火墻等明確的防御線，WMN不能通過網絡邊界防護設備來控制客戶端和其它設備的接入，對主動攻擊的防御能力不足。

（2）動態拓撲方面。節點進入或退出網絡都會引起WMN拓撲結構的動態變化。若WMN接入認證方案存在漏洞，惡意節點就能輕易合法化接入網絡，并發動攻擊。此外，成功接入WMN的節點如果缺乏充分的物理保護易被破壞、捕獲和劫持，并用于網絡攻擊，而追捕它卻很困難。

（3）協作運算方面。WMN的分布式結構導致其一般采用分散的數據處理策略，即絕大多數WMN算法都依賴于與其他節點的合作。攻擊者利用沒有中心節點這一弱點對WMN協作運算方面實施各種破壞。

（4）路由方面。WMN中所有節點共同參與完成路由發現過程。因此惡意節點很可能會抓住網絡拓撲結構變化的時機發動攻擊。它冒充為AP并廣播虛假路由信息，從而吸引大量網絡流量經過它，并隨意竊聽、篡改甚至中斷WMN的通信。

（5）設備資源方面。WMN中的客戶端移動性強，設備體積小，處理能力低，多數為電池供電。而增強型客戶端由于具備路由和數據轉發功能，對電池電量、資源占用、通信帶寬等因素非常敏感。因此，客戶端不能使用復雜的路由或加密算法。

2無線Mesh網絡主要安全防護技術

（1）安全認證。它能阻止未授權的節點接入并利用WMN發送和接收數據，避免網絡規模被異常擴大。另外，WMN中各節點間互相通信和漫游時都需要身份認證。認證方式分為集中式和分布式兩種。集中式利用AAA服務器實現，節點認證成功后才能參與后面的密鑰協商、密鑰交換和路由更新等活動。分布式認證主要采用數字證書或預分配共享密鑰模式（即PSK）。

（2）安全路由。它的目標是確保路由信息的完整性、真實性、可用性和不可抵賴性，而利用加密和數字簽名技術就可以實現這些目標。雖然各節點相互通信前都會進行認證并協商密鑰，但被俘獲節點通過產生錯誤或虛假路由可以繞過這層安全防護。利用安全路由協議定期更新路由表或利用選舉方式確定安全路由，可以避開被俘獲節點引入的危險。典型的安全路由協議有Ad hoc網絡的SAODV、ARAN、SAR、SEAD和SRP等。

（3）入侵檢測。認證、加密等技術作為WMN的第一道安全防護墻可以抵御外部攻擊，但主動防御內部入侵的能力不足。入侵檢測對內部入侵非常敏感，因此可以作為WMN的第二道安全防線。現有的WMN入侵檢測方式有四種：

①獨立入侵檢測。每個節點都運行檢測實例，并獨立對事件進行響應。

②分布式合作入侵檢測。入侵檢測被部署在部分節點上，各節點互相協作完成入侵檢測，并產生相應的響應。

③層次式入侵檢測。由一個主控節點管理多個子節點，子節點負責收集和上傳檢測信息給主控節點，主控節點對其分析并做出決策。

④基于移動的入侵檢測。每個Agent被指定檢測任務，之后每個節點會被分配到一個或多個Agent，由Agent具體分布處理入侵檢測任務。

3神經網絡和危險理論在入侵檢測中的應用

3.1神經網絡在入侵檢測中的應用

神經網絡（Neural Networks，簡寫為NN）也稱為人工神經網絡（Artificial Neural Networks，ANN）連接模型，是一種利用機器模仿人腦進行思維活動，進行分布式并行信息處理的數學算法模型。作為研究復雜問題的有力工具，神經網絡技術近年來在模式識別與分類、自動控制、非線性濾波、預測等方面已顯示出其非凡的優勢。

3.2危險理論在入侵檢測技術中的應用

計算機安全問題與生物免疫系統（Biological Immune System ，BIS）遇到的問題非常相似，即如何在不斷變化的環境中保持自身穩定。近年來由BIS啟發設計的人工免疫系統（Artificial Immune System，AIS）在工作原理上與IDS非常相似，因此得到了網絡安全界的廣泛關注。AIS的基本特征包括自適應、分布式、高頑健性、輕量級、多層次和多樣性等，與IDS相結合，被認為是一條非常重要且有意義的研究方向，現已取得了一定研究成果 。

盡管該理論在生物免疫學領域尚未成熟，但用作模擬仿真，它比SNS模型更加適用于入侵檢測領域。基于危險理論的入侵檢測模型不再對“自體/非自體”進行區分，而只識別“危險”信號，以此解決SNS檢測模型因“自體”空間巨大而使檢測效率低下的問題。

參考文獻

[1] YI P，WU Y，CHEN J L.Towards an artificial immune system for detecting anomalies in wireless meshnetworks[J].China Communications，2011，8（3）： 107-117.