基于神经网络理论的系统安全评价模型

合集下载

基于模糊神经网络的公路隧道施工系统安全评价

基于模糊神经网络的公路隧道施工系统安全评价摘要：针对高速公路隧道施工系统的安全评价问题，将模糊理论与神经网络相融合，研究建立了一种模糊神经网络评价模型。

文中描述了模糊神经网络的基本结构和原理，阐明了该评价系统的工作原理及实现方法。

该评价模型具有对环境变化的自学习能力，对权值进行动态调整，通过适当补充学习样本，可以实现历史经验与新知识完美结合，动态地评价公路隧道施工系统的安全状态。

关键词：高速公路；隧道施工系统；安全评价；模糊理论；神经网络0引言近年来，随着国家高速公路迅猛发展，隧道建设数量也越来越多，规模也越来越大。

在隧道施工过程中，由于围岩地质条件的多样性和复杂性，其施工事故发生率比其他岩土工程高且严重，给隧道工程施工人员身心带来严重的危害，社会影响恶劣，有悖于国家建设和谐社会的宗旨。

这就要求用科学的方法对隧道施工生产系统进行安全分析与评估，预测事故发生的可能性[1]。

在传统的公路隧道施工生产系统安全评价中，经常使用的安全评价方法主要以定性安全评价方法为主，如专家论证法、安全检查表法及作业条件危险性评价法等[2,3]。

近年来，在公路隧道施工生产系统安全评价中，引人了模糊综合评价的方法，取得了较好的决策效果[4]。

但是，该方法缺乏对环境变化的自学习能力，对权值不能进行动态调整[5],而神经网络具有非线性逼近能力,具有自学习、自适应和并行分布处理能力，但其对不确定性知识的表达能力较差，因此，模糊控制与神经网络结合就可以优势互补，各取所长[6]，在这方面已经出现了一些研究成果[7～11]。

为此，本文把人工神经网络理论与模糊综合评价理论相融合，研究建立了一种模糊神经网络评价模型，对公路隧道施工的安全管理水平进行评价。

1模糊神经网络1.1基本结构原理模糊神经网络是由与人脑神经细胞相似的基本计算单元即神经元通过大规模并行、相互连接而成的网络系统，训练完的网络系统具有处理评估不确定性的能力，也具有记忆联想的能力，可以成为解决评估问题的有效工具，对未知对象作出较为客观正确的评估。

基于BP神经网络的网络安全评价方法研究

中图法分类号：Ｐ９Ｔ３３
文献标识码：Ａ
文章编号：００７２２ｏ）ｔｂｔ．ｉｈｅｌｓｅｎｌｏｔｍａｅｎｒｕｈｓｔｔｕｅ．ｇｔｄｃｕｔｒｇａｇｒｈｂｓｄｏｇｅｉｒｗｅｉｉｏ
２．Ｄｅａｔｅｔｆｏｕｅｃｎｅｎｅｈｏｏ，Ｔｉａｎｖｒｔ，ａａ７０１ＣｉａｐｒｎｏＣｍｐｔＳｉｃｄＴｃｎｌｙａｈｎＵｉｓＴｉｎ２１２，ｈ）ｍｒｅａｓｅｉｙ ’ ｎ
ＡｂｔａｔＮｅｗｏｋｓｃｒｔｖｌｅｏｕｅ，ｔｌｃｍｍｕｉａｉｎｐｙｉｓｍａｈｂｏｏｙｍａａｅｎ，ｓｃａｎａｙｏｈｒｓｒｃ：ｔｒｅｕｉｉｏｖｓｃｍｐｔｒｅｅｏｙｎｎｃｔｏ，ｈｓｃ，ｔ，ｉｌｇ，ｎｇｍｅｔｏｉｌｄｍｎｔｅａ
ｏｎＡＨＰｗｈｃａｅｓｄｏｏｒｈｎｉｅａｓｓｍｅｔｆｅｏｋｓｃｒ，，ｉｈＣｂｅｎｃｍｐｅｅｓｖｓｅｓｎｎｔｒｅｕｉＢｙｔｉｙｍｏｅｓｉｎｉｃａｄｒａｏａｌｓｌａｎｕｏｗｙｔｓｗａ，ｈｒｃｅｔｓｎｂｅｒｕｔｃｎｉｆｎｅｅｓｂｂａｎｄＴｅｎｗｅｄｍｅｈｄａｅｒｖｄｄｆｒｖｒｌａｓｓｉｇｓｃｒｔｔｔｓｆｏｕｅｅｏｋｓｓｅ．Ｔｈｔｄｅｕｔｅｏｔｉｅ．ｈｅｉａａｔｏｒｏｉｅｏｅａｌｓｅｓｎｅｕｉｓａｕｍｐｔｒｔｒｙｔｍｄｎｐｏｙｏｃｎｗｅｓｙｒｓｌｕｓｈｖｏｎｅｒｔａａｕｄｂｏｄａｐｉａｉｎｐｏｐｃｓｎｔｅｅａｕｔｎａｄｃｒｉｃｔｎｏｎｔｏｋｓｃｒ．ａｅｉ￣ａｔｈｏｅｉｌｌｅａｒａｐｌｔｒｓｅｔｖｌａｉｎｅｔａｉｆｅｒｅｕｉｍｐｔｃｖｎｃｏｏｈｏｉｆｏｗｙｔＫｅｒｓｅｏｋｓｃｒｔ；ｅｕｉｓｅｓｎ；ｎａｙｉａｉｒｃｙｐｏｅｓｗｅｇｔａｔｆｉｌｅｒｌｅｏｋｙｗｏｄ：ｔｒｅｕｉｓｃｒａｓｓｍｅｔｎｗｙｙｔａｌｔｃｌｅａｈｒｃｓ；ｈｒｉｈ；ｒｉｃａｕａｔｒｉｎｎｗ

基于人工神经网络市政工程安全评价模型的研究

ＷａｇＨｏｇｉｎｎｑ
决国内外专家学者对市政工程安全评价模型进行定的，定了其安全状态的变化并不按照某一特殊规了较为广泛地研究，主要包括专家评议法、全检查律或函数的变化，安与人Ｔ神经网络典型特性—— 非线
ＡＧ２ＪＱＬ０安全管理机构
施工环境、施工机具、险性较大Ｔ艺、危综合安全管理
四大类。其安全评价指标体பைடு நூலகம்系如图１示，工环境、所施施工机具、险性较大工艺、全管理四类指标体系危安分别如图２～５所示。
表１市政施工危险源分析表
ｌ２３４
５
深基坑开挖起重吊装高支模系统预应力张拉
高处作业
支护结构缺陷引发坍塌；械失稳引发倾覆；坏临近建（）物基础；机破构筑设备碰撞线路引发触电人员违规作业或设备缺陷引发起重伤害；础失稳引发倾覆基基础不均匀沉降、架架体缺陷、严格按照方案组织施工等引发坍塌事故支未机具缺陷、护不规范、员违规操作引发机械伤害防人
程施１安全评价模型。二市政Ｔ程灾害系统是一个复杂的人一一境系机环１市政工程施工危险源辨识
市政Ｔ程施工具有露天作业多、线长、面广等显著

安全评价方法分类（二篇）

安全评价方法分类安全评价方法分类的目的是为了根据安全评价对象选择适用的评价方法。

安全评价方法的分类方法很多，常用的有按评价结果的量化程度分类法、按评价的推理过程分类法、按针对的系统性质分类法、按安全评价要达到的目的分类法等。

1)按评价结果的量化程度分类法按照安全评价结果的量化程度，安全评价方法可分为定性安全评价方法和定量安全评价方法。

(1)定性安全评价方法。

定性安全评价方法主要是根据经验和直观判断能力对生产系统的工艺、设备、设施、环境、人员和管理等方面的状况进行定性的分析，安全评价的结果是一些定性的指标，如是否达到了某项安全指标、事故类别和导致事故发生的因素等。

属于定性安全评价方法的有安全检查表、专家现场询问观察法、因素图分析法、事故引发和发展分析、作业条件危险性评价法(格雷厄姆-金尼法或LEC法)、故障类型和影响分析、危险可操作性研究等。

定性安全评价方法的特点是容易理解、便于掌握，评价过程简单。

目前定性安全评价方法在国内外企业安全管理工作中被广泛使用。

但定性安全评价方法往往依靠经验，带有一定的局限性，安全评价结果有时因参加评价人员的经验和经历等有相当的差异。

同时由于安全评价结果不能给出量化的危险度，所以不同类型的对象之间安全评价结果缺乏可比性。

(2)定量安全评价方法。

定量安全评价方法是运用基于大量的实验结果和广泛的事故资料统计分析获得的指标或规律(数学模型)，对生产系统的工艺、设备、设施、环境、人员和管理等方面的状况进行定量的计算，安全评价的结果是一些定量的指标，如事故发生的概率、事故的伤害(或破坏)范围、定量的危险性、事故致因因素的事故关联度或重要度等。

按照安全评价给出的定量结果的类别不同，定量安全评价方法还可以分为概率风险评价法、伤害(或破坏)范围评价法和危险指数评价法。

①概率风险评价法。

概率风险评价法是根据事故的基本致因因素的事故发生概率，应用数理统计中的概率分析方法，求取事故基本致因因素的关联度(或重要度)或整个评价系统的事故发生概率的安全评价方法。

基于BP神经网络的网络安全评价方法研究

况下，建立了可靠、有效的网络安全综合评价模型。通过实例对网络安全进行研究，选择合适的学习样本及参数进
行训练，并获得较好的评价结果，评价结果客观、正确，算结果贴近成功案例结果。计
关键词：ＢＰ神经网络；
第ｌＯ卷
第４期
山东商业职业技术学院学报
ＪｕｎｌｏｈｎｏｇＩｓｉｔｆＣｍｍｅｃｎｅｈｏｏｙｏｒａｆＳａｄｎｎｔｕｅｏｏｔｒｅａｄＴｃｎｌｇ
Ｖ１１Ｎｏ４ｏ．０．Ａｕ．００ｇ２１
ＡｂｔａｔＦｒｔｈｓｐｐｒｉｔｏｃｄｈａｉｈｏｅｓｒｃ：ｉｓ，ｔｉａｅｎｒｄｕｅｔｅｂｓｃｔｅｒｓ，ａｇｒｔｍｓａｄｄｅｅｔｆＢＰＮｅｒｌＮｅｗｏｋ．ｉｌｏｉｈｎｔｃｓｏｕａｔｒＣｏｌｉｇｗｉｈａｉｒｎｃｐｅｎｄｓｅｏｓａｌｓｉｇＢＰ—ｍｏｅ，ｉｅｔｂｌｈｄｒｌａｅａｄｅｅｔｖｅ— ｍｐｙｎｔｔｅｂｓｃｐｉｉｌｓａｔｐｓｆｒｅｔｂｉｈｎｈｄｌｔｓａｉｅｅｉｂｌｎｆｃｉｅｎｔｓｗｏｋｓｃｒｔｏｒｅｕｙｃｍｐｒｈｎｓｖｖｌａｉｎｍｏｅ．Ｔｈｏｇｅｗｏｋｓｃｒｔａｅｓｕｙｎｉｅｅｉｅｅａｕｔｄ１ｏｒｕｈｎｔｒｅｕｙｃｓｔｄｉｇ，ａｐｒｐａｅｔａｎｎｅａｉｐｏｒｔｒｉｉｇｓｔｄ — ｉｔｎａａｔｒｅｅｔｏａａｄｐｒｍｅｅｓｓｌｃｉｎ，ｂｔｅｖｌａｉｎｒｓｌｓｈｖｅｎａｈｅｅｅｔｒｅａｕｔｅｕｔａｅｂｅｃｉｖｄ．Ｔｈｖｌａｉｎｒｓｌｓａｅｉｏｅｅａｕｔｏｅｕｔｒｍｐｅｓｎｌａｄｒｏａｎｃｒｅｔｒｓｉｇｃｏｅｔｈｅｕｔｆｔｅｓｃｅｓｕａｅ．ｏｒｃ，ｐｅｓｎｌｓｏｔｅｒｓｌｓｏｈｕｃｓｆｌｃｓｓＫｅｙｗｏｒＢＰｕａｔｒｎｔｒｅｕｔｍｏｅ；ｎｅｆｅａｕｔｏｄｓ：ＮｅｒｌＮｅｗｏｋ；ｅｗｏｋｓｃｒｙ；ｄｌｉｄｘｏｖｌａｉｎｉ

神经网络理论在火炸药企业控制系统中系统安全评价的分析

ｔｅｃｎｒｌｓｓｅｓｆｔｓｅｓｎｎｅｐｏｉｅｎｅｐｉｅ，ｕｔｇｆｒｒｈｈｏｙｂｓｄｏｈａｅｙｅａｕｔｎｓｓｈｏｔｏｙｔｍａｅｙａｓｓｍｅｔｘｌｓｖｓｅｔｒｒｓｓｐｔｉｏｗａｄｔｅｔｅｒａｅｎｔｅｓｆｔｖｌａｉｙ — ｉｎｏ
Ａｂｔａｔ：ｎｔｓａｔｃｅｔｈｅｒｈｅａｔｆｃａｕａｔｓｒｃＩｈｉｒｉｌ，ｈｅｔｏｙｏｆｔｒｉｉｉｌｎｅｒｌｎｅｗｏｒｓｉｒｕｃｄ．Ａｔｔａｍｅｔｍｅ，ｏｍｅｌｍｉａｉｓｏｆｋｉｎｔｏｄｅｈｅｓｉｓｉｔｔｏｎＢＰｕａｔｏｋａｅａａｙｅｎｐｔｍｉｅｅｈｓａｅｓｎｅｒｌｎｅｗｒｒｎｌｚｄａｄｏｉｚｄｍｔｏｄｒｕｐｐｅＯｎｔｓｂｓｓ，ｈｅａｅｗｏｋｈｅｙｗａｐｐｌｄｔｏｓｄ．ｈｉａｉｔｅｎｕｒｌｎｔｒｔｏｒｓａｉｏｅ
２ＤｅａｔｎｆｖｒｍｅｔＩｓｅＢｉａｑａｔｒ，ｎｙｎｈｍｉｌｎｕｔｙＣｒｏａｉｎＬａｙｎ１０，ｈｎ）．ｐｒｍｅｔｏＧｏｅｎｎｓｕｕｌＨｅｄｕｒｅｓＱｉｇａｇＣｅｃｄｓｒｏｐｒｔ，ｉｏａｇ１１ＣｉａｄａＩｏ１０
和随机型网络模型等。目前在模式识别中应用成熟
和较多的模型是前馈多层式网络中的ＢＰ反向传播

一个基于神经网络的信息系统安全性综合评估模型

Ｃ３１５／ＰＮ４－２８Ｔ
ＩＳ１０－３ＸＳＮ０７１０
计算机工程与科学
ＣＯＭＰＥＮＮＥＲＮＧ＆Ｓ１ＮＣＵＴＲＥＧＩＥＩＣＥＥ
２００８年第３０卷第１期１
ＶＯ．ＯＮｏ１，０８１３，．１２０
摘
要：文提出了一个将神经网络技术与模糊综舍评价法结合的评估模型。首先根据信息系统资产的组成以及安本
全性因素建立层次性的安全性指标体系，用层次分析法确定指标权重；使然后借助安全工具的测试结果，用模糊综合评使
估法构造前向神经网络；最后，用神经网络的反向传播算法调整指标权重。在此模型的基础上，计并实现了一个信息使设
中图分类号：Ｐ０Ｔ３９
文献标识码：Ａ
１引言
安全性是信息系统的一个重要性能指标。装备管理信息系统因涉及很多装备信息、业务流程及计算模型，对安全性的要求非常高，的安全风险评估尤其受到重视。模糊它综合评判通过模糊集操作，结合定性分析和定量分析技术，是复杂系统性能评估的一种常用方法。人工神经网络通过学习可以逼近任意函数，有很好的适应性。本文将人工具
（装甲兵工程学院信息工程系，北京１０７）００２（ｅａｔｎｆｎｏｍａｉｎＥｇｅｒｇＡｍｏｅｏｃｎｉｅｒｇＩｓｔｔ，ｅｉ００２ＣｉａＤｐｒｍｅｔｆｒｔｎｉｅｉ，ｒｒｄＦｒｅＥｇｅｉｔｕｅＢｉｎ１０７，ｈｎ）ｏＩｏｎｎｎｎｎｉｊｇ

BP神经网络基本原理

BP神经网络基本原理2.1 BP神经网络基本原理BP网络模型处理信息的基本原理是：输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。

此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

2.2 BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

（1）节点输出模型隐节点输出模型：Oj =f(∑Wij×Xi-qj) (1)输出节点输出模型：Yk =f(∑Tjk×Oj-qk) (2)f-非线形作用函数；q -神经单元阈值。

图1典型BP网络结构模型（2）作用函数模型作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数： f(x)=1/(1+e-x)（3）（3）误差计算模型误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数： E p =1/2×∑(t pi -O pi )2 (4)t pi - i 节点的期望输出值；O pi -i 节点计算输出值。

（4）自学习模型神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵W ij 的设定和误差修正过程。

BP 网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。

自学习模型为△W ij (n+1)= h ×Фi ×O j +a ×△W ij (n) （5）h -学习因子；Фi -输出节点i 的计算误差；O j -输出节点j 的计算输出；a-动量因子。

基于BP神经网络的信息系统运行质量评价模型

Microcomputer Applications V ol.27,No.12,2011研究与设计微型电脑应用2011年第27卷第12期文章编号：1007-757X(2011)12-0009-04基于BP神经网络的信息系统运行质量评价模型龚代圣，杨栋枢，王文清，杨德胜摘要：信息系统运行质量评价是供电企业信息系统运维的重要工作，其中关键的一项就是对信息系统运行质量进行分析评估，这对于信息系统运行可靠具有重要意义。

在分析影响信息系统运行质量因素的基础上，构建了信息系统运行质量评价指标体系，将遗传算法神经网络原理引入信息系统运行质量评价，构建了基于遗传算法和神经网络的信息系统运行质量评价模型，为供电企业的信息系统运行质量评估研究提供模型和方法的支撑。

实证结果表明：模型具有较强的自组织、自学习和自适应能力，模型评估结果比较客观合理。

关键词：信息系统；指标体系；运行质量评价；遗传算法；神经网络中图分类号：TP311文献标志码：A0引言供电企业是国内应用信息技术较早的行业之一，先后经历生产过程自动化、管理信息化等建设阶段。

目前，供电企业信息系统运行呈现出基础设备齐备、数据庞杂、应用广泛等特点，因此，对信息系统运行质量进行评估显得格外重要。

信息系统运行质量评价是为了提升信息化运行保障能力，准确而客观地评价信息系统运维水平，从而有效地指导信息系统安全、高效、经济运行。

如何积极开展信息系统运行质量评估来降低信息系统安全运行风险？通过何种指标来科学评价供电企业的信息系统运行质量发展水平？这是当前供电企业必须解决的一个问题，而目前供电企业还没有一套完整的供电企业的信息系统运行质量评价指标体系正式发布。

通过构建科学的、实用的、有效的供电企业信息系统运行质量评价指标体系，采用具有学习、记忆、归纳、容错及自学力、自适应能力的基于遗传算法的BP神经网络算法，科学有效地评价供电企业的信息系统运行质量，有利于规范和完善供电企业的信息系统运行水平建设，促进信息系统运维水平健康与快速的发展。

基于神经网络的机械系统可靠性评价模型

ＲｅｉｂｌｙＥａｕｔｎＭｏｅｆＭｅｈｎｃｌｙｔｍｓｄｏｌｉｖｌａｉｄｌｃａｉａｓｅＢａｅｎａｉｔｏｏＳ
刘海年（８）硕士，１４，９男。主要从事系统
可靠性分析工作。收稿日期：０００ — ７２１— ３０
ｔｅｍｄＬＴｅａｐｉｉｔｅｍｔｏＣｅｃｂｄｂａｐｅＴｅｏｐｉｎｂｔｅｎｔｉｕａｉｎｅｘｅｉｅｔｓｌｈｏｌａｏｏｈｅｄＷＩｄｓｒｅｙａｘｌｈｍａｓｅｗｅｅｓｌｏａｄｔｐｒｎｌｅｕｓｅｈｐｃｎｆｔｈＳｉｅｍ．ｃｒｏｈｍｔｎｈｅｍａｒｔ
摘要：械系统相关失效的存在，重地削弱了冗余结构的安全作用。从系统层机严
的应力强度一干涉模型出发，通过ＭｎｅＣｒｏｔ— ａｌ真不同冗余系统的各阶失效概率，ｏ仿获得失效数据。利用ＢＰ神经网络算法的函数逼近功能、非线性映射功能和容错能力
Ａｓｒｃ：ｈｅｕｉｌｏｄｎａｔｅｈｉｌｙｔａｅｉｓｅｋｎｄｂｔｔＴｅｓｃｒｙｒｅｆｒｕｄｎｃａｃｓｍｗ￥ｓｒｕｌｗａｅｅａｔｏｅｍｎａｓｅｏｙ
６ｓｒｅａｔａｕｅＴｅａｕｅｒｂｂｉｉｅｎｄｎａｔｔｃｕａｓｌｅａｉｓｍｄｙｔｅｎ — ａｌｂｅｎｙｈｌｖｎｆｉｒ．ｈｆｌｒｐｏａｉｔｏｆｒｔｅｕｄｒｔｒｗｓｉａｄａｖｒｕｏｅｂｔＣｒａｄｏｅｌｉｌｙｆｄｅｒｎｓｕｅｍｕｔｔｏｈＭｏｅｏｓｔｅｏｔｓｅｓｓｅｇｈａｄｉｔｅｅｃｏｌａｄｔｅａｌｒｄｔａｂａｅ．ｈｅｖｔａｕｅｒｂｂｌｏｌａｄｃｔｅｈｉｔｓ－ｔｎｔｎｅｒｎｅｍｄ，ｕｅａａｓｏｔｎｄＴｅｒｌａｆｉｒｐｏａｉｔｍｄｓｉｒ＆ｄｐｎｏｒｆｒｎｄｅｎｈｆｉＷｉｅｎｌｉｙｅＷｓｅｂｈｏｅＺｕｃｏｐｒｘｍｔｎｎｔｎｎｎｌｅａｐｎｎｔｎａｄｔｅａｃｅＢｅｒｌｎｔｏｋＴｅｎｎｌａｙｔｅｐｗ咖ｎｔｎａｐｏｉａｏｃｏ，ｏ－ｉａｍｉｇｕｃｉｌｒｅｏｔＰｎｕａｅｒ．ｏ－ｉｒｆｉｉｆｉｕｎｒｐｆｏｎｏｎｆｈｗｈｅｎｒｌｉｓｉｂｔｅｎｔｅｙｔｍｆｉｒｐｏａｉｔａｄｔｏｐｎｎｓａｕｅｄａＷ￥ｂｉ，ｎｅｅａａｔｄｌｍｃａｉｅｏｈｅｅｓｔａｎｐｗｈｓｅａｌｅｒｂｂｌｙｎｅｃｍｏｅｔｉｒａＯｕｔａｄｔｎｔｒｒｍｏｅｏｅｈｃｕｉｈｌｔｆｌｈｈｐｍｅｉｃｆｎａｌｓｓｍｒｌｉｔａｕｉｎｂｓｄｏｅｎｕａｎｔｏｋＷＳｏｓｕｔ．ｌｌｉｌａｔａｕｅｒｂｂｌｙｃｕｄｂｒｄｃｄｂｙｔｉｌｙｅｌａｏａｅｔｅｒｅｒａｃｎｔｃｄＡｙｍｕｔｉｔｒｅｎｆｉｒｐｏａｉｔｏｌｅｅｉｔｙｅｅａｉｖｔｂｎｈｌｗｒｅｎｉｃｙｅｖｐｌｉｐｅ

神经网络下的计算机安全评价技术

神经网络下的计算机安全评价技术随着互联网技术的快速发展，计算机网络安全问题变得越来越重要。

其中，计算机安全评价技术在识别和评估计算机网络中的潜在威胁方面起着至关重要的作用。

近年来，神经网络技术在计算机网络安全领域中逐渐得到应用，成为计算机安全评价技术的一种重要工具。

一、神经网络技术神经网络是一种基于仿生学的计算模型。

它是由大量具有并行分布式处理能力的基本计算单元组成的。

这些单元被连接成网络，网络中的每个单元都可以通过调整连接的强度来改变其输出。

神经网络主要具有以下特点：1. 分布式神经网络的单元具有分布式处理能力，可以同时执行多个任务，快速处理大量的信息。

2. 自适应神经网络的连接强度会根据输入的变化自动调整，能够适应各种输入信号。

3. 学习能力神经网络能够通过学习不断提高自己的性能，自适应的调整权重，取得比传统算法更好的效果。

4. 非线性神经网络具有非线性的特点，能够处理复杂的非线性问题。

二、神经网络在计算机安全评估中的应用神经网络具有分布式、自适应、学习能力和非线性等特点，可以应用到多种计算机安全问题的解决中。

包括入侵检测、恶意代码识别、漏洞分析等。

1. 入侵检测入侵检测是计算机安全评估的一个重要方面，通过对网络流量进行监控和分析来检测潜在的攻击。

神经网络具有非线性的特点，在处理高维度的复杂数据时具有优势。

通过对网络数据进行监控和学习，神经网络可以识别正常流量和恶意流量，提高入侵检测的精度和效率。

2. 恶意代码识别恶意代码是计算机安全领域中的一个重要问题。

传统的防病毒软件需要不断更新病毒特征库，才能发现新的恶意代码。

而神经网络通过学习已知的恶意代码，可以自动识别新的恶意代码，从而实现自动防御。

3. 漏洞分析漏洞是计算机系统中最常见的安全问题之一。

通过对漏洞的分析，可以发现潜在的安全威胁。

传统的漏洞分析方法需要大量的手工劳动和经验，效率较低。

而神经网络通过学习已知漏洞的特征，可以自动识别新的漏洞，并提供解决方案。

改进神经网络煤矿安全评价模型仿真研究

ＣＯＮＧｎＣｏｇ
（ｃｏｌｆｏｐｔｒｃｎｅａｄＴｃｎｌｙＣｉａＵｉｅｉｆｎｎｎｅｈｏｇ，ｕｈｕＪｎｓ２６Ｃｉ）Ｓｈｏｏｍｕｅｉｃｎｅｈｏｏ，ｈｎｎｖｒｔｏＭｉｉａｄＴｃｎｌｙＸｚｏｉｇｕ２１，ｈｎＣＳｅｇｓｙｇｏａ１１ａ
１引言
为了评价系统的安全性，保证工程在受控有效的范围内运行。制定了安全评价的机制。所谓安全评价，就是应用相关的工程控制原理及其标准，对工程、系统中潜在的风险、不稳定因素进行判断与分析。计算工程、系统出现故障和相关危害的可能性及其损害程度，出相应的安全解决措施，提保
ｃｍｅｉｈｒｏｎｓｎｈｍｐｏｅｙｔｍａｅｙａｓｓｍｅｔｍｅｈｄｗｓｕｅｎｃａｎ．Ｓｍｕａｉｎｒｓｌｏｔｓｏｔｍｉｇ，ａｄｔｅｉｒｖｄｓｓｅｓｆｔｓｅｓｎｔｏａｓｄｉｏｌｓｃｍｉｅｉｌｔｅｕｔｏｓｓｏｈｔｈｍｐｏｅＰｎｕａｅｗｒｄｌｒｃａｎａｅｙｅａｕｔｎｉｅｆｃｉｅａｄｐａｔａ．ｈｗｔａｅｉｒｖｄＢｅｒｌｔｏｋｍｏｅｏｌｍｉｅｓｔｖｌａｉｓｆｅｔｎｒｃｉ１ｔｎｏｆｆｏｖｃＫＥＹＷＯＲＤＳ：ｅｒｌｎｔｒ；Ｎｔｒｐｉｚｔｎ；Ｓｆｔｓｅｓｎ；ＭｉｅＮｕａｅｗｏｋｅｗｏｋｏｔｍｉａｉｏａｅｙａｓｓｍｅｔｎ

中文论文格式要求

中文论文格式要求1、论文标题（三号宋体加粗）。

2、作者姓名及联系方式（包括作者姓名、通信地址、联系电话、传真和电子邮件地址，五号宋体）。

3、摘要（含关键词3～5个，不超过300字，五号宋体）。

4、正文（一级标题小四宋体加粗，前后各空1行；二级标题五号宋体加粗，前后各空0.5行；正文五号宋体，1.25倍行距，段前0.5行）。

5、参考文献（五号宋体）详细如下：（1）专著[序号]著者．书名．译者．版本．出版地：出版者，出版年．起页～止页（2）期刊中析出文献[序号]作者．题名．译者．刊名，年，卷(期)：起页～止页（3）论文集中析出文献[序号] 作者．题名．见：编者．文集名．出版地：出版者，出版年．起页～止页（4）专著中析出的文献[序号] 作者．题名．见：专著著者．书名．版本．出版地：出版者，出版年．起页～止页6、解释题名、作者及某些内容，均可使用注释。

能在文章内用括号注释的，尽量不单独列出；不随文列出的注释，标注符号应注在需要注释的词、词组或语句的右上角，用加圆圈的阿拉伯数字[①、②、③……]表示，并于文后依次列出。

中文论文格式要求（样本）基于神经网络理论的系统安全评价XXX, XXX（单位及个人信息）摘要：本文阐述了人工神经网络基本原理，研究分析了BP神经网络模型的缺陷并提出了优化策略。

在此基础上，将神经网络理论应用于系统安全评价之中，提出了基于此理论的系统安全评价模型……关键词：神经网络网络优化安全评价SAFETY ASSESSMENT OF THE SYSTEM BASED ON THE ARTIFICALNEURAL NETWORKAbstract: In the article the theory of ANN has been introduced. At the same time some limitations of BP neural network have been analyzed and optimized methods have been supposed……Keywords: Neural Network; Network Optimization; Safety Assessment1 引言人工神经网络模拟人的大脑活动，具有极强的非线形逼近、大规模并行处理、自训练学习、自组织和容错能力等优点，将神经网络理论应用于系统安全评价之中，能克服传统安全评价方法的一些缺陷，能快速、准确地得到安全评价结果……2神经网络理论及其典型网络模型人工神经网络是由大量简单的基本元件-神经元相互联结……目前在模式识别中应用成熟较多的模型2.1 BP神经网络基本原理BP网络模型处理信息的基本原理是：输入信号X i通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Y k……3安全评价实例（1）安全评价参数的确定……（3）评价结果当学习因子 =4.07，动量因子a=0.2，预设误差为0.00001，单隐层，其隐节点数为L=9，模型迭代29254次，所得到的网络评价的结果见表2。

基于神经网络算法的数据预测与评估系统

- 1 -高新技术１　数据预测评估系统的设计背景目前，企业数据工程师的工作量较大，且由于数据分析的特性，会增加数据工程师对数据进行挖掘分析的时间成本，对工作任务的完成效率和企业的盈利有不利影响，甚至可能阻碍新算法的开发进程。

因此，无论是对企业和工作者，还是对现在和未来的发展来说，优化提升现有的基础是十分重要的。

基于神经网络算法的数据预测与评估系统是一款可以快速、高效地完成数据预测与评估系统管理操作的软件，而且该系统还具备数据导入、数据训练和数据预测等功能，可以根据设置的配置参数完成基于神经网络算法的数据预测与评估系统等相关操作。

该软件可以系统地对基于神经网络算法的数据预测与评估系统所产生的数据进行分析、归类和计算，再对数据进行智能化的统筹管理和保存备份。

全新的登录账号系统让用户可以随时随地访问基于神经网络算法的数据预测与评估系统管理平台，让用户可以更便捷地管理该系统，也让用户更加安心。

２　研究现状目前针对数据预测的系统有很多，许多学者从随机森林、灰色预测、神经网络、时间序列、组合处理、小波分解以及ANFIS 模型等多个方面对数据预测系统展开了研究和开发工作，研究成果颇丰[1]。

其中，灰色预测方法、神经网络和时间序列3个角度是学界研究的热点，学者对相关研究的兴趣一直维持在一个较高的水平。

在对使用时间序列方法进行数据预测的研究中，南国芳、周帅印、李敏强和寇纪淞在2013年通过对无线传感器网络的数据进行分析，引入多属性模糊时间序列预测模型，并提出了适合传感器网络的修正预测模型[2]。

2010年，于重重、于蕾、谭励和段振刚基于时序算法对太阳能热水监测系统的使用率做出准确的评价[3]。

2020年，潘点飞等人为了实现在轨道中采用生控系统进行故障预测的目的，对系统遥测数据的时间序列信息展开了研究。

通过AIC 与BIC 相结合的方法确定了预测模型，并运用该模型对实际工程中的遥测数据进行预测验证[4]。

在以神经网络为基础的数据预测模型中，学者大多使用的是BP 神经网络、LSTM 神经网络和GRU 神经网络；2020年，姬鹏飞、孟伟娜、杨北方和王丹丹提出了基于自适应粒子群算法（APSO）优化的误差方向传播（BP）神经网络预测方法，利用APSO 算法优越的全局搜索能力更新 BP 神经网络的权值和阈值，通过有效结合2种算法的优势，提高了某省农业机械数据预测的精度[5]。

基于神经网络的煤矿瓦斯灾害防控体系安全评价

４结论
采用ＢＰ神经网络作为煤矿瓦斯灾害防控体系评价方法，建立图３训练过程图层运用ＭＴＢ．０编ＡＩ７Ａ计算速度快的ＬＭ算法函数了较完善的、次清晰的安全评价指标体系， — … 输出结果 … 土１ＶＰ网络程序，训练结果与实测结果相吻合，该评价方法计算准（ａｌｔｉｍ１作为训练函数来训练网制了Ｂｒｎ实用性强表明应用人工神经网络在矿井瓦斯灾害防控体系安全络、准Ｂ标Ｐ函数（ａｇｄ作为白确、ｔｉｇ）ｒｎ评价方面是可行的。对煤矿瓦斯灾害防治的管理具有一定的意义．适应学习函数。参考文献２．型检测。４模应用ＬＭ算法的安全评价网络能使误差在训练 — １曾康生．国煤矿安全评价方法的应用现状及其改进『．国煤我Ｊ中１中急剧下降，在训练效果和训练时间上表现突出。为了验证经训练［］
强的数，般（１连取值ｉｏ函，）度函 — 取为ｑ）续的Ｓｍｉ数（＝ ÷ 。内ｇｄ
序号实际输出期望输出预测结果实际结果
１１误差计算模型。误差计算模型是反映神经网络期望输出．．３
与计算输出之间误差的函数＝ ∑（一其中为ｉｆ），节点的期
９，兰２一
Ｃ图３三电平ＡＰＦ逆变器输出电压的空间矢量分布
３结论
（将二极管箝位型三电平逆变器拓扑结构及ＳＰ６）ＶＷＭ控制策略应凶此，ＰＡＦ电流跟踪控制的实质是：在“ 、ｉ以及Ｉ１已知的情用到三相三线制并联型ＡＦ中。主电路拓扑采用二电平结构，小Ｐ减况下，通过适当选择开关函数ｓ、ｂｓ，ａｓ、ｃ改变ＡＦ逆变器的相应输了开关应力，Ｐ以实现用低耐压开关器件提高ＡＦ功率等级。Ｐｍ电压Ｕ，Ｃ根据式（）５就可以改变ｕｊ的值，而控制 △ 的变化，从ｔ参考文献使其一直保持在一个很小的范围内（： △ 减小）达到电流跟踪ｆ１齐荣，东元等．源电力滤波器—— 结构、即使Ｃ，１姜赵有原理与应用ｌ．ＭＩ北控制的目的。京：学出版社，０５科２０．类似基于ＳＰＶＷＭ控制策略的两电平（普通）ＰＡＦ电流跟踪控［李红雨，隆辉等．２］吴多重化大容量有源电力滤波器的主电路结构制方法，在ｉ电平ＡＦ电流跟踪控制中，ＰＵ的空间矢量分布如图３研究『＿网技术，０４２（２：２ｌ．Ｊ电］２０，８３）１一６

基于人工神经网络的大学生安全教育评价模型的研究

的判定时，必须依据一定的价值标准进行。现代教育评价都
的一个重要发展趋势就是逐渐由过去的重视发挥鉴定功能的管理性，重视导向、励、进功能的教育性转变。正如向激改
维普资讯
２００６年第５期第２５卷（１３期）总０
河南教育学院学报（学社会科学版）哲
ＪｕｎｌｏｎｎＩｓｉｔｆＥｕａｉｎｏｒａｆＨｅａｎｔｕｅｏｄｃｔｔｏ
下，向全体学生，使全体学生都能得到全面发展。具体面促
来说，高等学校安全教育评价体系 ” 先应是个全面的目标 “ 首评价体系，应涵盖安全教育的各个方面，能以此为指导，它并
研究方向。
关键词：高等院校；大学生；安全教育；评价体系；Ｐ神经网络Ｂ中图分类号：２Ｇ１２文献标识码：Ａ文章编号：０６—２２（０６０Ｏ１ —０１０９０２０）５一１１４
一
、
问题的提出
密切的德、、等方面的发展，视个性、趣、力的培体美忽兴能
Hale Waihona Puke 摘要：价高等院校对大学生开展安全教育的状况、作质量、平及学生安全文化素质，当前亟待研究和解决的重要课评工水是题。作者经过对当前高等学校安全教育现状、在问题与发展趋势的研究分析，出了“ 存提高等学校安全教育评价体系” 基本构建的原则，以研究确定评价指标的权重为突破口，用优化的Ｂ利Ｐ神经网络建立高等院校安全教育评价体系的评价模型，出了今后的指

BP神经网络在煤矿本质安全评价模型中的应用

摘
要：煤矿井下是一个复杂多变的人一一环境一管理系统。运用人一机一环境一管理系统机
理论，以煤矿人、、机环境、管理４个单要素和系统整体为研究对象，对煤矿本质安全的评价和持续
改进开展了系统分析和研究。在人的行为理论分析基础上，建立人因素本质安全评价模型；对设
第３卷第６１期
２１年１０１１月
西安科
．ＮＯ．０１１Ｖ２
ＪＲＬＯ ’ ＮＮＶＥＳＴＦＳＩＮＣＤＴＣＯＵＮＡＦＸＩＡＵＩＲＩＹ０ＣＥＥＡＮＥＨＮＯ０ＧＬＹ
产。
如何有效遏制重大矿难的发生，是我国煤矿生产当前需要解决的头等问题。本质安全理论就是在这种大环境下提出的。煤矿井下是一个复杂多变的人一一环境系统，中将运用系统理论，机文以煤矿人一机一环境一管理系统为研究对象，通过对人一一机环境一管理各个因素具体深入分析，建立煤矿本质安全评价体系以及评价模型，全面构建煤矿本质型安全系统，为煤矿的安全生产和管理提供依据，提高煤矿
文章编号：１７９１（０１００８０６２— ３５２１）６— ７０— ４
ＢＰ神经网络在煤矿本质安全评价模型中的应用
高晓旭，董丁稳杨日丽，
（．１西安科技大学能源学院，陕西西安７０５；．１０４２西部开采及灾害防治重点实验室，陕西西安７０５）１０４
人一机一环境一管理４个子要素建立了煤矿本质安全评价综合指标体系。最后以陕西某煤矿为研究对象，用Ｂ利Ｐ神经网络评价模型展开分析研究，发现了煤矿本质安全建设的不足，而提出进

神经网络算法及模型

神经网络算法及模型思维学普遍认为，人类大脑的思维分为抽象（逻辑）思维、形象（直观）思维和灵感（顿悟）思维三种基本方式。

人工神经网络就是模拟人思维的第二种方式。

这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。

虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

神经网络的研究内容相当广泛，反映了多学科交叉技术领域的特点。

主要的研究工作集中在以下几个方面：（1）生物原型研究。

从生理学、心理学、解剖学、脑科学、病理学等生物科学方面研究神经细胞、神经网络、神经系统的生物原型结构及其功能机理。

（2）建立理论模型。

根据生物原型的研究，建立神经元、神经网络的理论模型。

其中包括概念模型、知识模型、物理化学模型、数学模型等。

（3）网络模型与算法研究。

在理论模型研究的基础上构作具体的神经网络模型，以实现计算机模拟或准备制作硬件，包括网络学习算法的研究。

这方面的工作也称为技术模型研究。

（4）人工神经网络应用系统。

在网络模型与算法研究的基础上，利用人工神经网络组成实际的应用系统，例如，完成某种信号处理或模式识别的功能、构作专家系统、制成机器人等等。

纵观当代新兴科学技术的发展历史，人类在征服宇宙空间、基本粒子，生命起源等科学技术领域的进程中历经了崎岖不平的道路。

我们也会看到，探索人脑功能和神经网络的研究将伴随着重重困难的克服而日新月异。

神经网络和粗集理论是智能信息处理的两种重要的方法,其任务是从大量观察和实验数据中获取知识、表达知识和推理决策规则。

粗集理论是基于不可分辩性思想和知识简化方法,从数据中推理逻辑规则,适合于数据简化、数据相关性查找、发现数据模式、从数据中提取规则等。

神经网络是利用非线性映射的思想和并行处理方法,用神经网络本身的结构表达输入与输出关联知识的隐函数编码,具有较强的并行处理、逼近和分类能力。

在处理不准确、不完整的知识方面,粗集理论和神经网络都显示出较强的适应能力,然而两者处理信息的方法是不同的,粗集方法模拟人类的抽象逻辑思维,神经网络方法模拟形象直觉思维,具有很强的互补性。

基于BP神经网络的电网调度系统安全评价

能力，利用Ｍａｔｌａｂ建立了ＢＰ神经网络模型，通过对某电网调度系统以往数据的训练学习，总结出了一般规律，并
通过网络再现，对新的数据作出了准确的评价，达到了预想的效果。这种基于ＢＰ神经网络对电网调度系统的安全评价，由于避免了人的主观因素的影响，因此节省了人力、财力和时间，比较适用于企业内部的自评价。关键词：ＢＰ神经网络；电网调度系统；安全评价中图分类号：Ｘ９１３；Ｘ９４６文献标识码：Ａ文章编号：１６７１ — １５５６（２０１３）０６０１２６Ｏ４
ｔｉｏｎｏｆｔｈｅｄｉｓｐａｔｃｈｉｎｇｓｙｓｔｅｍｏｆｐｏｗｅｒｇｒｉｄ，ａｎｄａｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅｓａｆｅｔｙａｓｓｅｓｓｍｅｎｔｉｓｂｅｃｏｍｉｎｇｍｏｒｅ
王莉霞，滑帅，梁金燕，李列平
（中国地质大学工程学院，武汉４３００７４）
摘要：随着电网调度自动化程度的不断提高，我国电网已形成互联格局，这对电网调度系统的安全运行提出了
更高的要求，对电网系统进行及时、准确的安全评价亦显得越来越重要。本文基于ＢＰ神经网络的非线性和自学习

基于人工神经网络的IT项目风险评价模型

ｓｓｎｅｔｅｓｌｎ．
ＫｅｗｒｓＴｐｏｃ，ｒｆｉｅｒｌＮｔｏｋＡＮ）ｒｋａｓｓｍｅｔｍｄｌｅｐｒａｓｓｍｎｅｈｄｙｏｄ：ＩｒｅｔＡｉｃｌＮｕａｅｗｒ（Ｎ，ｓｓｅｓｎｏｅ，ｘｅｓｅｓｅｔｍｔｏｊｔｉａｉｔ
ｔｅｉｋａｓｓｍｎｏｅｉｃｐｂｅｔｉｕａｘｅａｓｓｍｎｍｅｏｙｅｆｎｈｄｔｆＩｒｊｃａｈｒｓｓｅｔｍｄｌｓａａｌｏｍｌｔｅｐｒｓｅｓｅｔｔｄｂｖｒｙｇｔｅａａＴｐｏｅｔｓｓｅｓｅｔｈｉｉｏｓ
ｔｅｉｓｅｓｎｄｌａｅｏｒｉｃａｎｕａｎｔｏｋ（ｈｔａｓｓｍｅｔｍｏｅｃｂｓｄｎａｆｉｌｅｒｌｅｗｒＡＮＮ）ＳｃｎｌａｒｉｅＡＮｃｎｎｕｒｋｓｅｓｎｔｉ．ｅｏｄｙ，ｔｎｄａＮａｅｄｅｉａｓｓｍｅｔｓ
Ａｂｔａｔｉｔ，ａｅｎｅｔｌｈｎｉｓｅｓｌｔｓｓｍｏＴｐｏｃｓｔｅａｉｅｐｏｏｅｕｉｔｒｅｓｎｓｃ：ＦｒｌｂｓｄｏｓｂｉｉｇａｒｋａｓｓｎｎｙｔｆＩｒｅｔ，ｒｃｒｐｓｓａｍｈ—ａｇｔｙ－ｒｓｙａｓｓｅｅｊｈｔｌ
识、极地防范风险是至关重要的。积而要做到这一点。需要企就业能够建立一个完善的风险评价体系，以及在此之上的风险评
维普资讯
基于人工神经网络的ＩＴ项目风险评价模型

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

(神经网络,安全评价)基于神经网络理论的系统安全评价模型王三明蒋军成（南京化工大学，南京，210009）摘要本文阐述了人工神经网络基本原理，研究分析了BP神经网络模型的缺陷并提出了优化策略。

在此基础上，将神经网络理论应用于系统安全评价之中，提出了基于此理论的系统安全评价模型、实现方法和优点；评价实例证明此方法的可行性。

关键词神经网络网络优化安全评价　1. 引言人工神经网络模拟人的大脑活动，具有极强的非线形逼近、大规模并行处理、自训练学习、自组织和容错能力等优点，将神经网络理论应用于系统安全评价之中，能克服传统安全评价方法的一些缺陷，能快速、准确地得到安全评价结果。

这将为企业安全生产管理与控制提供快捷和科学的决策信息，从而及时预测、控制事故，减少事故损失。

2. 神经网络理论及其典型网络模型人工神经网络是由大量简单的基本元件-神经元相互联结，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线形转换的复杂网络系统。

人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有人的大脑的记忆、辨识能力，完成各种信息处理功能。

人工神经网络具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力，避免了复杂数学推导，在样本缺损和参数漂移的情况下，仍能保证稳定的输出。

人工神经网络这种模拟人脑智力的特性，受到学术界的高度重视和广泛研究，已经成功地应用于众多领域，如模式识别、图象处理、语音识别、智能控制、虚拟现实、优化计算、人工智能等领域。

按照网络的拓扑结构和运行方式，神经网络模型分为前馈多层式网络模型、反馈递归式网络模型、随机型网络模型等。

目前在模式识别中应用成熟较多的模型是前馈多层式网络中的BP反向传播模型，其模型结构如图1。

2.1 BP神经网络基本原理BP网络模型处理信息的基本原理是：输入信号X i通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Y k，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值W ij和隐层节点与输出节点之间的联接强度T jk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。

此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

2.2 BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

（1）节点输出模型隐节点输出模型：O j=f(∑W ij×X i-θ j) (1)输出节点输出模型：Y k=f(∑T jk×O j-θ k) (2)f-非线形作用函数；θ -神经单元阈值。

图1 典型BP网络结构模型（2）作用函数模型作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数： f(x)=1/(1+e-x) （3）（3）误差计算模型误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：E p=1/2×∑(t pi-O pi)2 (4)t pi- i节点的期望输出值；O pi-i节点计算输出值。

（4）自学习模型神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵W ij的设定和误差修正过程。

BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。

自学习模型为△W ij(n+1)= η ×Фi×O j+a×△W ij(n)（5）η -学习因子；Фi-输出节点i的计算误差；O j-输出节点j的计算输出；a-动量因子。

2.3 BP网络模型的缺陷分析及优化策略（1）学习因子η 的优化采用变步长法根据输出误差大小自动调整学习因子，来减少迭代次数和加快收敛速度。

η =η +a×(E p(n)- E p(n-1))/ E p(n) a为调整步长，0~1之间取值（6）（2）隐层节点数的优化隐节点数的多少对网络性能的影响较大，当隐节点数太多时，会导致网络学习时间过长，甚至不能收敛；而当隐节点数过小时，网络的容错能力差。

利用逐步回归分析法并进行参数的显著性检验来动态删除一些线形相关的隐节点，节点删除标准：当由该节点出发指向下一层节点的所有权值和阈值均落于死区（通常取±0.1、±0.05等区间）之中，则该节点可删除。

最佳隐节点数L可参考下面公式计算：L=(m+n)1/2+c (7)m-输入节点数；n-输出节点数；c-介于1～10的常数。

（3）输入和输出神经元的确定利用多元回归分析法对神经网络的输入参数进行处理，删除相关性强的输入参数，来减少输入节点数。

（4）算法优化由于BP算法采用的是剃度下降法，因而易陷于局部最小并且训练时间较长。

用基于生物免疫机制地既能全局搜索又能避免未成熟收敛的免疫遗传算法IGA取代传统BP算法来克服此缺点。

　3. 优化BP神经网络在系统安全评价中的应用系统安全评价包括系统固有危险性评价、系统安全管理现状评价和系统现实危险性评价三方面内容。

其中固有危险性评价指标有物质火灾爆炸危险性、工艺危险性、设备装置危险性、环境危险性以及人的不可靠性。

3.1 基于优化BP神经网络的系统安全评价模型图-2 基于优化BP神经网络的系统安全评价模型3.2 BP神经网络在系统安全评价中的应用实现（1）确定网络的拓扑结构，包括中间隐层的层数，输入层、输出层和隐层的节点数。

（2）确定被评价系统的指标体系包括特征参数和状态参数运用神经网络进行安全评价时，首先必须确定评价系统的内部构成和外部环境，确定能够正确反映被评价对象安全状态的主要特征参数（输入节点数，各节点实际含义及其表达形式等），以及这些参数下系统的状态（输出节点数，各节点实际含义及其表达方式等）。

（3）选择学习样本，供神经网络学习选取多组对应系统不同状态参数值时的特征参数值作为学习样本，供网络系统学习。

这些样本应尽可能地反映各种安全状态。

其中对系统特征参数进行(-∞,∞)区间地预处理，对系统参数应进行(0,1)区间地预处理。

神经网络的学习过程即根据样本确定网络的联接权值和误差反复修正的过程。

（4）确定作用函数，通常选择非线形S型函数(5) 建立系统安全评价知识库通过网络学习确认的网络结构包括：输入、输出和隐节点数以及反映其间关联度的网络权值的组合；即为具有推理机制的被评价系统的安全评价知识库。

(6) 进行实际系统的安全评价经过训练的神经网络将实际评价系统的特征值转换后输入到已具有推理功能的神经网络中，运用系统安全评价知识库处理后得到评价实际系统的安全状态的评价结果。

实际系统的评价结果又作为新的学习样本输入神经网络，使系统安全评价知识库进一步充实。

3.3 BP神经网络理论应用于系统安全评价中的优点（1）利用神经网络并行结构和并行处理的特征，通过适当选择评价项目，能克服安全评价的片面性，可以全面评价系统的安全状况和多因数共同作用下的安全状态。

（2）运用神经网络知识存储和自适应特征，通过适应补充学习样本，可以实现历史经验与新知识完满结合，在发展过程中动态地评价系统的安全状态。

（3）利用神经网络理论的容错特征，通过选取适当的作用函数和数据结构，可以处理各种非数值性指标，实现对系统安全状态的模糊评价。

　4. 安全评价实例（1）安全评价参数的确定（略）（2）网络学习样本的选择选择了5个企业的反映企业安全状态和安全条件的6个安全评价参数作为学习样本，见表1表1 企业安全评价学习样本（3）评价结果当学习因子η =4.07，动量因子a=0.2，预设误差为0.00001，单隐层，其隐节点数为L=9，模型迭代29254次，所得到的网络评价的结果见表2表2 企业神经网络安全评价结果5. 总结本文将优化后的BP神经网络应用于系统安全评价中，能对系统进行准确、动态的安全评价。

同时由于优化后的BP网络还存在一些缺陷，比如对矛盾样本的处理问题等，因而将其应用于系统安全评价时应与模糊数学相结合更佳，这方面将有待进一步探讨和研究。

参考文献1. 王俊普.智能控制.中国科学技术大学出版社.1996 135-177.2. 丛爽，赵何.反向转播网络的不足与改进.自动化博览.1999.No1 25-26.3. 陆系群，余英林.前馈神经网络隐节点的动态删除.控制理论及应用.1997.Vol14.No1 101-104.4. 周伟良等.基于一种免疫遗传算法的BP网络设计.安徽大学学报.1999.Vol23.No1.5. 施式亮，刘宝琛.基于神经网络的煤矿安全性预测模型及应用.中国安全科学学报.1999.Vol9.No3.SAFETY ASSESSMENT OF THESYSTEM BASED ON THE ARTIFICALNEURAL NETWORKWang Sanming Jiang JunchengAbstract In the article the theory of ANN has been introduced. At the same time some limitations of BP neural network have been analyzed and optimized methods have been supposed. Based on that, BP neural network is implied in the safety assessment of the system. Safety assessment model and its merits based on BP neural network have been put forward. The assessment example proves that the way is workable and right .Key words Neural Network Network Optimization Safety Assessment。