前言：中文期刊网精心挑选了神经网络的流程范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
神经网络的流程范文1
［关键词］城市物流能力；DEA；BP神经网络；组合模型
［中图分类号］F252 ［文献标识码］A ［文章编号］1005-6432（2011）28-0021-02
一个城市要想提高它的竞争力必须重视城市物流管理。为了实行城市物流管理,需先评价一个城市物流能力。针对不同的物流城市能力,提出不同的物流管理方法。
本文通过对国内城市物流理论及相关理论的研究,认为城市物流能力主要表现在物流投入产出的效率上,并以12个城市为研究对象,构建了物流能力评价指标体系,通过DEA和BP神经网络组合模型对物流能力进行测算评价,应用到城市物流能力的识别中,并取得了比较理想的实证结果,为物流振兴提供决策支持。
1 DEA和BP神经网路组合模型
目前,对城市物流能力评价的研究很少,在评价城市物流能力方法有层次分析法、因子分析法、数据包络方法(DEA)、遗传算法等。每个方法各有优缺点,仅仅只选用一种方法得到的评价结果不能让人信服,所以本文采用了组合评价研究思路。
(1)DEA在城市物流能力中的应用。数据包络方法是对多指标投入和多指标产出的相同类型部门进行相对有效性综合评价的方法。DEA中非阿基米德无穷小ε的CCR模型：
判断标准：
当θ=1,表示决策单元j0为弱DEA有效。
当θ=1,并且s-=0,s+=0时,表示决策单元j0为DEA有效。
当θ1，则决策单元j0规模收益递减，表明决策单元j0对投入量的增加，不会带来产出更高比例的增加，反而使投入产出比例减少；若1/θλ*j
但DEA方法存在一些局限性：①要求指标之间具有低相关性。②要求较少的指标个数。③DEA方法的CCR模型是基于线性规划的理论而实现的,对非线性的现实世界问题的解释会存在较大的偏差。
(2)BP神经网络。BP神经网络是指基于误差反向传播(Back propagation)算法的多层前馈人工神经网络。
BP神经网络的局限性：目标输出的确定对BP神经网络至关重要。因为BP神经网络是“有教师学习”型网络,要求“教师”给出与所有输入模式对应的输出的正确答案,但目标的输出是十分难确定的,有时带有主观性和随意性,所以本文用DEA的输出结果作为目标输出更加具有客观性。
(3)DEA和BP组合模型的构建思想。首先用因子分析法对输入和输出指标选取公共因子指标,带入CCR模型求解,得出各个城市物流能力所属的规模收益状态。选取原始数据的投入产出指标作为输入,把DEA得到的结果为目标输出,构成训练样本集,最后将其带入BP神经网络模型,对网络进行反复训练仿真,得到一个可以对城市物流能力进行识别的网络。DEA和BP神经网络的组合可以充分发挥各自的优点。
2 指标体系的建立
建立有效的评价指标体系要遵循指标的代表性、可比性和稳定性。本文构建城市物流能力评价指标体系为3级指标,输入指标为经济基础指标(全社会固定资产投资),物流基础指标(交通运输固定资产投资,铁路营业里程、公路里程),支持指标(物流从业人员、公路营运汽车拥有量)；输出指标为直接产量(货运量、客运量),间接产量(邮政业务量)。见表1。
3 各城市物流能力实证研究
在东西中部地区分别选取4个城市,东部北京、河北、福建、浙江，西部内蒙古、甘肃、云南、重庆，中部湖北、湖南、江西、安徽，分析它们的物流能力。
业里程、物流从业人员、公路营运汽车拥有量组合成两个公共因子FAC1_1、FAC2_1为输入指标,货运量、客运量、邮政业务量组合成一个公共因子FAC3_1为输出指标。因为公共因子得分存在负值,不能直接用DEA方法,将数据进行无量纲化处理,无量纲处理方法如下：设xmax为公共因子指标中的最大值,xmin为公共因子指标中的最小值。x'=0.1+0.9×(x-xmin)/(xmax-xmin),x'∈［0.1,1］
(2)DEA模型求解。把因子分析法分析出来的公共因子当做DEA模型的输入和输出,Matlab计算1/θλ*j结果为北京1.0000,河北1.2319,福建0.7015,浙江1.0000,内蒙古0.9903,甘肃0.1686,云南0.7134,重庆0.6526,湖北0.9140,湖南0.9679,江西0.5869,安徽1.0000。从结果可以看出,北京市为DEA有效；浙江、安徽为弱DEA有效；福建、内蒙古、甘肃、云南、重庆、湖北、湖南、江西为规模收益递增；河北为规模收益递减。
(3)BP神经网络。首先对初始数据及参数处理,针对BP网络本身的特性采用标准化处理,先将样本集数据的均值和方差作标准化处理,使均值为0,方差为1,变换式为：xi=(xi-u)/δ,在MATLAB中使用［pn,meanp,stdp］=prestd(p)语句来标准化,然后将DEA结果进行编码把最佳规模收益编为100,规模收益递增编为010,规模收益递减编为001作为目标(T)输出,形成神经网络的训练样本对,针对本例,设隐含层和输出层的节点数分别为64、3,最大训练步长为1000,期望误差为0.01。
使用MATLAB中BP神经网络工具对DEA模型进行预测,结果显示为北京100,河北001,福建010,浙江100,内蒙古010,甘肃010,云南010,重庆010,湖北010,湖南010,江西010,安徽100。
4 结 论
从DEA和BP神经网络的组合模型得出的结果,我们对各个省市的物流能力有了一些认识：福建、内蒙古、甘肃、云南、重庆、湖北、湖南、江西对于区域内各要素的配置基本合理,但仍有改进的余地。进一步优化区城市物流资源的配置水平,提升物流能力。
目前北京市对城市物流各要素的配置已经达到最优,模型考虑到的各投入产出要素中不存在投入过多和产出不足的情况。因此北京市应密切监测各投入产出要素配置状况,实时掌握影响城市物流发展的外部影响因素,如政策变化、自然灾害、意外事故发生的影响等,把握开发的机遇,保持北京市物流能力核心竞争力的同时,注意发掘新的优势,推动北京物流向更高水平发展。
河北物流能力要素的配置是不合理的,且对外表现为产出不足。说明投资的成效不明显,导致物流运作效率不高,而且该区域对资源配置的无效率,导致各投资不能有效发挥作用,而未能实现最大产出。因此河北应着力调整产业结构,扩大物流市场规划等方法来提高物流能力,培育河北省的物流核心竞争力。
参考文献:
神经网络的流程范文2
【关键词】力学性能；BP神经网络；质量预测；神经网络算法
在热轧板带的研究分析中，其质量往往是大家最为关注的，分析人员希望能够在热轧产品成型前就能够得到产品的质量特性，专业人士将这一问题称为热轧产品的质量预测问题。然而，热轧板带的形成过程是一个具有典型性质的MI-MO非线性系统，与我们传统的多远线性回归方法所计算的结果通常都会有很大的误差。
神经网络是有大量的、简单的处理单元广泛地相互连接而形成的复杂网络系统。它无需预先给定公式，而是以实验数据为基础，经过有限次迭代计算而获得实验数据的内在规律，适用于研究非线性系统。神经网络是有大量的、简单的处理单元广泛地相互连接而形成的复杂网络系统。因此，我们可采用人工神经网络对热轧产品的质量进行预测。
本文以昆钢热轧产品Q235为例，对热轧板带的质量预测进行研究。利用BP神经网络理论建立以化学成分、轧制参数为输入，以力学性能为输出的质量预测模型―BP热轧板带质量模型，并利用训练好的BP神经网络质量模型，对产品的力学性能进行预测。
1 BP神经网络
（1） BP神经网络原理
（2）BP神经网络是一种神经网络学习算法，又输入层、中间层、输出层组成，中层可扩展为多层，相邻层之间各神经元进行权连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入相应产生连接权值，然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的整个过程。BP神经网络原理如图1：
图1 BP神经网络模型结构
1.2 BP神经网络算法
BP神经网络学习算法是一种迭代算法，一次学习过程包括两个子学习过程：输出数据的正向传播和误差的反向传播。如果在输出层没有得到期望输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使误差信号最小。BP神经网络流程图如图2：
图2 BP神经网络算法流程图
2 热轧BP神经网络质量模型
本文以昆钢生产的Q235为研究对象，通过对大量数据进行统计与分析，得到主要输入参数与输出参数。神经网络是有大量的、简单的处理单元广泛地相互连接而形成的复杂网络系统。输入参数包括化学成分（碳、硅、锰、硫、磷）和轧制参数（板坯原始厚度、板坯粗轧结束厚度、最终厚度、开闸温度、总闸温度、层流冷却温度、层流冷却开始温度、层流冷却结束温度、卷取温度），输出参数为力学性能（抗拉强度、屈服强度、伸长率）。热轧板带的形成过程是一个具有典型性质的MI-MO非线性系统，通过我们传统的多远线性回归方法所计算的结果通常都会有很大的误差。
根据以上对热轧产品生产流程的分析，我们将要构造的热轧BP神经网络质量模型具有14个输入和3个输出，热轧BP神经网络质量模型。
在确定了热轧BP神经网络质量模型之后，我们从生产数据中随机抽取700条数据，其中600条数据作为BP神经网络训练数据，100条数据作为BP神经网络测试数据。
3 热轧BP神经网络质量模型预测结果和分析
使用Matlab中的神经网络工具箱建立热轧BP神经网络质量模型，以屈服强度（RM）为例，使用100组数据进行测试分析，生产中，产品最终规格与要求规格误差在5%之内即为合格，而在误差在5%之内的占到85%之上即处于可接受范围，以此为标准，分析结果如图3（表1、表2）：
图3 热轧BP神经网络模型结构
表1 输出差值统计表
表2 输出误差统计表
表1为屈服强度RM预测输出值与实际输出值之差的绝对值在不同范围时，数据个数统计，样本总数据个数为100，则由表1知，输出误差绝对值在0-10之间的数据有82个，在10-20之间的数据有16个，在20之上的数据有2个，在样本中所占比例分别为82%、16%、2%。
神经网络的流程范文3
关键词：神经网络；边坡；稳定性
引言
边坡的稳定性是目前岩土工程界研究的重大课题，在矿山工程、水利工程以及建筑工程等诸多领域都涉及到边坡的稳定性问题。边坡工程是一个动态开放的、复杂的、非线性的系统问题，影响边坡稳定性的因素不但有地质和工程因素，而且还具有不确定性。目前，评价边坡稳定性的方法有层次分析法、灰色理论法、极限平衡法、有限元法等方法，但是这些方法难以摆脱人为因素的影响，计算复杂，具有一定的局限性。本文将人工神经网络的知识应用到边坡稳定性的预测中，结合人工神经网络在结构上的分布式存储和并行处理的特点，使人工神经网络具有较好的容错性、高度非线性映射、以及自适应、自组织学习的能力，从而能够捕捉边坡稳定性与影响边坡稳定因素之间的相关规律，弥补传统方法在预测边坡稳定性上面的不足，实现对边坡稳定性的可靠预测。
1 神经网络原理
人工神经网络ANN（artificial neural network）是属于人工智能（artificial intelligence）范畴的一种计算技术，它根据人们对生物神经网络的研究成果设计出来，具有良好的数学描述，可以方便地用计算机程序加以模拟。
目前，最常用的人工神经网络模型有线性神经网络、RBF神经网络、BP神经网络等，本文采用误差信号反向传播的BP神经网络对边坡的稳定性进行研究。BP神经网络在训练时，由信号的正向传播和信号的反向传播共同构成神经网络的学习过程，其训练流程示意图如图 1 所示。
图1 基于 BP 算法的神经元网络结构训练流程图
2 神经网络模型建立及训练
2.1 输入样本和输出样本的选择
基于BP人工神经网络的边坡稳定性预测模型的建立，首先是确定神经网络模型各层的节点个数。本文采用某矿山的边坡工程实例进行 BP 神经网络模型的有效检验，选取影响边坡稳定性的6个主控因素为输入样本，即：确定输入变量为 D1—边坡高度指标，D2—重度指标，D3—内聚力指标，D4—摩擦角指标，D5—边坡角指标，D6—孔隙压力比指标。
输出向量是边坡稳定性状态代码，将边坡稳定性状态代码分为两种类型：即1代表边坡稳定性状态为破坏，0代表边坡稳定性状态为稳定。
2.2 模型的训练和预测
本文通过编写程序语言，结合Matlab7.0来实现边坡稳定性的预测，应用人工神经网络工具箱中的newff函数来建立一个前馈型的边坡稳定性预测网络模型，在进行网络样本训练时，其中各参数的设定情况为：学习效率设为0.5，网络训练的最大迭代次数为15000次，其收敛精度设置为0.001，采用随机赋值的方法设定网络训练中权值和阈值的初始值。网络的输入层和隐含层均采用对数型S型函数作为传递函数。通过BP神经网络信号误差反向传播算法所建立的边坡稳定性预测网络模型，在样本训练的过程中，当网络训练达到所设置的目标精度或者满足最大迭代次数时，自动停止训练。
本文收集整理了国内外各类矿山及岩土工程中潜在或滑动破坏模式为圆弧形滑落的稳定边坡和失稳破坏边坡实例共10个（破坏4，稳定6）。根据提供信息包括边坡结构参数，岩土体的物理力学性质参数，边坡稳定状态及极限平衡法计算安全系数（表1）。输入层的6个神经元分别对应参数：重度、粘聚力、摩擦角、边坡角、边坡高度、孔隙压力比。将10个样本提供网络学习，经922次迭代后网络收敛。训练样本的神经网络的计算结果见表2。网络训练误差曲线图如图2所示。
根据以上预测结果可知，预测精度达到了预定的要求0.001，预测结果与边坡稳定性的实际情况相符，本文建立的BP神经网络边坡稳定性预测模型预测效果较好，预测精度较高，能够满足实际工作的需要，输出结果与现场情况吻合。
3 结论
人工神经网络将制约和影响边坡稳定的可直接取实测数据的定性因素包括边坡结构参数（高度、角度等）以及岩土体的物理力学性质（粘聚力、摩擦角、干容重等）纳入模型参与稳定性评价，借助计算软件MATLAB编制计算程序加以实现。
实际应用表明，神经网络模型由于具有很强的自学习、自组织的能力和高度非线形动态处理能力，用来评价边坡的稳定性有较好的适用性，可以加以推广应用。
参考文献
[1] 飞思科技产品研发中心. 神经网络理论与MATLAB7实现[M]. 北京： 电子工业出版社， 2005： 97-116.
[2] 李春辉. 基于BP神经网络的煤与瓦斯突出危险性预测的研究[D]. 昆明：昆明理工大学， 2010： 40-58.
[3] 刘勇， 江成玉. 基于BP神经网络的煤与瓦斯突出危险性的预测研究[J]. 洁净煤技术，2011（1）： 97-100.
[4] 冯夏庭， 王泳嘉， 卢世宗. 边坡稳定性的神经网络估计[J].工程地质学报，1995（4）： 54-61
[5] 侯殿昆， 宋秀琴， 刘景凡. 基于神经网络的多参数露天边坡稳定性分析[J]. 辽宁工程技术大学学报， 2007， 26（5）： 649-651.
[6] 邹义怀， 江成玉， 李春辉. 人工神经网络在边坡稳定性预测中的应用[J]. 矿 冶， 2011， 20（4）： 38-41.
神经网络的流程范文4
【关键词】互联网+ 入侵监测 安全防御 遗传算法
1 引言
入侵检测是一种网络安全防御技术，其可以部署于网络防火墙、访问控制列表等软件中，可以检测流入到系统中的数据流，并且识别数据流中的网络包内容，判别数据流是否属于木马和病毒等不正常数据。目前，网络安全入侵检测技术已经诞生了多种，比如状态检测技术和深度包过滤技术，有效提高了网络安全识别、处理等防御能力。
2 “互联网+”时代网络安全管理现状
目前，我国已经进入到了“互联网+”时代，互联网已经应用到了金融、民生、工业等多个领域。互联网的繁荣为人们带来了许多的便利，同时互联网安全事故也频频出现，网络病毒、木马和黑客攻击技术也大幅度改进，并且呈现出攻击渠道多样化、威胁智能化、范围广泛化等特点。
2.1 攻击渠道多样化
目前，网络设备、应用接入渠道较多，按照内外网划分为内网接入、外网接入；按照有线、无线可以划分为有线接入、无线接入；按照接入设备可以划分为PC接入、移动智能终端接入等多种类别，接入渠道较多，也为攻击威胁提供了较多的入侵渠道。
2.2 威胁智能化
攻击威胁程序设计技术的提升，使得病毒、木马隐藏的周期更长，行为更加隐蔽，传统的网络木马、病毒防御工具无法查杀。
2.3 破坏范围更广
随着网络及承载的应用软件集成化增强，不同类型的系统管理平台都通过SOA架构、ESB技术接入到网络集群平台上，一旦某个系统受到攻击，病毒可以在很短的时间内传播到其他子系统，破坏范围更广。
3 “互联网+”时代网络安全入侵检测功能设计
入侵检测业务流程包括三个阶段，分别是采集网络数据、分析数据内容和启动防御措施，能够实时预估网络安全防御状况，保证网络安全运行，如图1所示。
网络安全入侵检测过程中，为了提高入侵检测准确度，引入遗传算法和BP神经网络，结合这两种数据挖掘算法的优势，设计了一个遗传神经网络算法，业务流程如下：
（1）采集网络数据，获取数据源。
（2）利用遗传神经网络识别数据内容，对数据进行建模，将获取的网络数据包转换为神经网络能够识别的数学向量。
（3）使用已知的、理想状态的数据对遗传神经网络进行训练。
（4）使用训练好的遗传神经网络对网络数据进行检测。
（5）保存遗传神经网络检测的结果。
（6）网络安全响应。
遗传神经网络在入侵检测过程中包括两个阶段，分别是训练学习阶段和检测分析阶段。
（1）训练学习阶段。遗传神经网络训练学习可以生成一个功能完善的、识别准确的入侵检测模型，系统训练学习流程如下：给定样本库和期望输出参数，将两者作为遗传神经网络输入参数，学习样本中包含非常典型的具有攻击行为特征的样本数据和正常数据，通过训练学习得到的遗传神经网络可以与输入的期望结果进行比较和分析，直到期望输出的误差可以达到人们的期望值。
（2）检测分析阶段。遗传神经网络训练结束之后，使用权值的形式将其保存起来，将其应用到实际网络入侵检测系统，能够识别正常行为或异常行为。
4 结束语
互联网的快速发展和普及为人们的工作、生活和学习带来便利，但同时也潜在着许多威胁，采用先进的网络安全防御技术，以便提升网络的安全运行能力。入侵检测是网络安全主动防御的一个关键技术，入侵检测利用遗传算法和BP神经网络算法优势，可以准确地构建一个入侵检测模型，准确地检测出病毒、木马数据，启动病毒木马查杀软件，清除网络中的威胁，保证网络正常运行。
参考文献
[1]徐振华.基于BP神经网络的分布式入侵检测模型改进算法研究[J].网络安全技术与应用，2016，24（2）：111-112.
[2]刘成.试论入侵检测技术在网络安全中的应用与研究[J].网络安全技术与应用，2016，24（2）：74-75.
[3]周立军，张杰，吕海燕.基于数据挖掘技术的网络入侵检测技术研究[J].现代电子技术，2016，18（6）：121-122.
[4]谢胜军.云计算时代网络安全现状与防御措施探讨[J].网络安全技术与应用，2016，26（2）：41-42.
神经网络的流程范文5
关键字：智能手机；安全；神经网络；病毒病毒识别模型在智能手机监测中的优越性以及可行性。
0 引言
现阶段，互联网已成为当今社会不可或缺的一部分，智能手机的数量也是与日俱增，与此同时不断发展的是手机病毒，手机病毒已成为现代病毒发展的趋势。
所谓手机病毒，其实是一种破坏手机系统的程序，且其传播手段极为广泛，可通过短信、彩信、邮件、网站或者下载文件、蓝牙等传播，手机一旦被病毒感染就会根据所感染病毒程序的要求对手机实施破坏，其表现方式不尽相同，可以使关机、死机、删除手机资料、自动通话、发邮件等，有的病毒还能够破坏手机SIM卡和芯片等手机硬件设备。
怎样才能避免手机遭受病毒的破坏？其主要措施还是杀毒软件和防火墙：
①定期对杀毒软件的病毒库进行更新升级，尽可能的保证其拥有当时已出现的病毒程序的破解，若病毒库中不存在某个病毒的特征，则杀毒软件就不能对该病毒进行查杀。此外，现在的手机杀毒软件病毒库采用的是特征代码法，病毒的细微的变化都需要病毒库对其进行辨别，然而智能手机的存储空间和运算能力都是有限的，所以这种防杀毒的方法对智能手机而言，并不是完美的。
②而智能手机的防火墙主要的作用是拦截骚扰电话等，而并不是对手机病毒进行监控，面对现存的多样易变的病毒，防火墙更是显得微不足道。
究竟该选择何种方式来保护手机，这也是本文研究的重点―神经网络。
1 神经网络
神经网络是依据生物神经的机制和原理，对信息进行处理的一种模型。它能够模拟动物大脑的某些机制机理，实现一些特定的功能。人工神经网络具有很大的优越性：
①具有自学功能。比如说，当对一幅图像进行识别时，将各种不同的图像样本及其对应的结果输入人工神经网络，它就能够自己学习识别相同类型的图像。
②具有联想存储功能。人工神经网络中的反馈网络具备了联想存储的功能。
③具有高速寻找优化解的功能。
2 神经网络安全监控系统
神经网络安全监控系统就是监控手机应用程序，使手机的正常业务能够顺利进行，而对那些异常业务则进行阻止。所谓正常的业务就是那些手机用户已知的、按照用户的意愿运行的、并且其运行并不破坏用户手机中的资源和产生额外费用的已经授权的程序。
通过神经网络监控手机的而应用程序的流程图如图1所示：
图1 神经网络安全监控流程图图2 单层感知器神经网络结构
神经网络智能手机安全监控的第一步是获取所运行程序的特征，然后借助于神经网络的识别功能，对所提取的应用程序的行为特征进行识别，如果识别结果为病毒手机会向用户发出提示信息，若不为病毒则程序将继续运行。
3.1 程序行为特征的获取
这里举个例子说明。例如OwnSkin.A病毒，该病毒以手机主题的形式诱导手机用户进行下载安装，一旦该病毒被安装进了手机，它就会在用户不知情的情况下自动连接网络，自动想外界批量发送短信，对手机收到的短信的信息内容进行删除等等。从对病毒的描述详细程度方面来说，病毒具有很多种特征，本文以3个为例，进行说明，这3个特征分别是有无按键、是否自启动、是否特殊号码，程序行为特征获取的方法如下：
①针对手机自启动的行为特征：每种手机的系统，都有其正常的程序启动方式，例如Windows Mobile通过“启动”设置，Symbian的系统式通过“Recognizer”来设置程序的启动，Linux系统是将启动语句加入/ect/init.d/rcs，或者/usr/etc/rc.local中，在程序启动的时候对这些个位置进行监控，就可以很容易的判别其是否为自启动。
②针对按键这个行为特征：塞班的系统对是否有按键这个行为特征的监控是粗略的监控，以短信为例，手机短信的使用一般是先按功能键启动功能图标，然后选取短信的图标，接着是对短信内容的编辑，即一系列的数字键，监控可得到一个相应的按键序列，这样就可以通过是否有按键这个行为特征来监测手机程序的启动是否正常。
③针对“被叫号码”和“文件信息”的特征： 对于被叫号码主要执行的是，查看所要拨出去的电话号码是否是设置在黑名单里的电话，对于文件信息则是查看信息中所添加的附件是否是安装文件，如果是手机用户之间的正常传输行为，则必定有按键行为特征，这样也就会避免手机中的病毒程序隐蔽性的自启动来传输文件。
3.2 神经网络建模
仍旧以上述3个行为特征为例，将其三个特征分别用“0”或者“1”来表示，若无按键、自启动、特殊号码，其特征值都取“1”，反之则取“0”，这三个特征值一共组合成了8中可能出现的情况，将其标记为矩阵如下：
(1)
借助于神经网络的识别功能，本文以单层单神经元的神经网络为例进行说明，采用以下的参数对神经网络进行设计：
该网络包含有一个输入向量，包汗三个元素，并且每个元素取0―1之间的值。
神经网络中的神经元通过hardlim函数为传输手段，根据这个函数设计出如图2所示的神经网络结构,：
(2)
该结构输出结果为二值向量“0”或者“1”，其中“0”表示不是病毒特征，“1”则表示是行为特征。
在智能手机的实际应用中，传输函数和网络结构、层数极易神经元等的类型多种多样，可根据病毒的实际情况进行选择和应用，在此笔者只是举个例子来论述神经网络是如何识别网络的。当网络建好之后，就需要通过适当的方法对病毒样本进行训练得出误差。
仍以上述例子为例进行训练：
输入向量为：p= ;目标向量选为：t= ,在MATLAB7.1的环境中对病毒进行训练，根据所的结果得出训练的误差性能曲线，如图3所示：
图3 训练误差性能曲线
经过训练并获取矩阵权重，至此，神经网络的建模基本完成，其模型为
a=hardlim(P1*2+P2*2+P3*1-3)
在手机中所执行的应用程序，计算程序的行为特征向量与病毒的行为特征向量（111）之间的欧式距离，当所得之数比程序的特征行为向量和正常行为特征向量之间的欧式距离大时，系统将将此程序判定为病毒。
运用神经网络系统对手机进行监测不需要像杀毒软件一样需要定期更新，这对手机的安全具有更好的防护作用。
3结语
随着现代社会智能手机数量的增多和日常化，网络黑客技术也在不断的发展和完善，因此智能手机安全问题已然不能忽视或者小视。本文针对这个问题，以及杀毒软件和防火墙的不足之处，论述了神经网络病毒识别模型在智能手机监测中的优越性以及可行性。
参考文献
[1]刘一静,孙莹,蔺洋. 基于手机病毒攻击方式的研究[J]信息安全与通信保密, 2007, (12) .
[2]李锦. 手机病毒特点及防范对策[J]通信技术, 2009, (02) .
[3]杨建强,吴钊,李学锋. 增强智能手机安全的动态恶意软件分析系统[J]. 计算机工程与设计, 2010, (13) .
[4]智能手机安全防护框架浅析[J]. 信息安全与通信保密, 2010, (10).
神经网络的流程范文6
（安徽理工大学测绘学院，安徽 淮南 232001）
【摘 要】神经网络算法的收敛性和稳定性已经得到了广泛的证明，被应用在许多工业监控场合，在传统的BP神经网络预测基坑变形方法的基础上，融入了灰色算法，生成了一种新的智能化模型，以对原有方法进行优化。通过实际案例证明，新的组合模型无论在计算时间还是在计算精度方面，都显示了较为明显的优势，具有一定的经济意义和实用价值。
关键词 基坑变形；监测；灰色模型；神经网络
0 引言
随着我国社会经济的快速发展和城市规模的不断扩大，各项大型工程的建设也在蓬勃兴起，从而带动了基坑工程的快速发展。基坑工程具有面积大、深度大、造价高及施工难度大等特点，其稳定性和安全性越来越受全社会的普遍关注，因此变形预测和预报成为一项十分重要的工作。基于基坑的结构类型、组成物质的物理学性质、外力作用的多变性和不确定性，很难建立合适的确定性模型。目前用于变形预测模型有很多种，如回归分析模型、灰色系统模型、神经网络模型等。本文针对灰色模型和神经网络模型进行改进，以期提高基坑变形测量的准确性，更好的保障工程施工的安全。
1 灰色神经网络模型
1.1 BP神经网络
神经网络结构分为多种，本设计选取了BP神经网络作为研究对象，它属于一种前馈型神经网络，目前应用较为广泛，已经成为了一种成熟的优化模型。BP神经网络不但有输入层节点(单元)、输出层节点，而且还有一层或多层隐含层节点，层与层之间多采用全连接方式，但同一层之间的节点不存在互相连接。该模型流程如下：
第一阶段，正向传播过程: 输入层神经元通过接受外界的输入信息，并传递给中间层神经元，中间层神经元负责前后层之间的信息交换，并确定出中间层设计的隐含层的数量，最终将信息传到输出层并输出显示结果，完成一次正向传播处理过程。
第二阶段，反向传播过程: 主要用于误差调整，当预测结果同预期差距过大时，误差通过输出层，通过采用误差梯度下降的方式来调整各层权值，并向隐含层、输入层逐层反向传播。
以上两个过程不断循环往复，可在很短的时间内完成整个寻优过程，收敛性良好，并可保证将输出误差降低至最小。当然，从另一角度考虑，为了防止算法陷入无限循环中，可预先设定学习次数，当模型运算次数达到预定值时，无论是否达到预期精度，都会终止模型并输出结果。
1.2 灰色神经网络组合模型
灰色神经网络的组合预测模型是将灰色GM（1,1）模型和BP 神经网络模型相结合，并充分发挥灰色系统和BP神经网络模型各自的优势，实现两者优势互补，从而提高计算精度和运算能力，更好地解决实际工程中复杂的不确定问题。具体实施步骤如下:
（1）采用灰色GM（1，1） 模型对原始时序数据序列{x（0）（i）},i=1，2，…,n进行预测，获得拟合数据x’（1）（i）。
（2）求出残差序列e（0）=x（0）－x’（0）,i=1,2,……,n，这里可取e（0）（i－3），e（0）（i－2），e（0）（i－1）作为BP神经网络的输入，e（0）（i） 作为网络的输出，从而获得BP神经网络修正后的残差序列e’（0）（i） ，则组合模型的最终预测结果等x’（0）（i）+e’（0）（i） 。
采用BP 神经网络进行残差修正的预测模型流程，如图1所示。
2 实例分析
某大型工程基坑开挖深度11m～14m，基坑工程类别为一级。该场地地下水类型主要有上层滞水、第四系松散岩类孔隙裂隙水。土层滞水主要赋存于人工填土层中，水位不连续，变化幅度大，主要接受大气降水和地表水体的补给。基坑线路东侧沿线分布有多个水塘，部分坑内有积水。水坑均为雨季雨水汇集形成，个别水坑在线路上方。基坑施工过程中，若发生较大范围的土体变形，造成边坡土体开裂，会导致水塘内积水渗入基坑，从而影响基坑施工安全。在此期间，为实时了解基坑在开挖过程中的变形情况，对该基坑进行了定期观测。其中基坑的沉降监测点位布设如图2 所示。
为了检验灰色神经网络模型在变形监测数据预测中的效果，对该基坑冠梁上监测点x－2的沉降数据数据进行计算分析。这里选取4 个月的监测数据，时间间隔为4d，共计22次数据，分别用3种模型进行预测分析。采用前19 次实测数据建立相应模型，对后3次数据进行预测，将获得的拟合结果和预测结果同实测数据进行比较分析。通过MATLAB进行编程计算，可得GM（1,1）模型拟合结果。
图3 列出了两种模型的拟合和预测情况，可以看出，灰色神经网络的预测精度明显高GM（1,1） 模型的预测精度，尤其是数据序列存在上下波动的情况下。在实际的变形监测过程中，由于许多不确定因素的存在，大多数获得的数据序列是波动的，此时我们可以采用灰色神经网络模型进行预测，可有效提高精度，并获得较满意的结果。
4 结语
本文将灰色理论和神经网络模型相结合，建立灰（下转第259页）（上接第106页）色神经优化组合模型，充分发挥两者优势，能够在小样本，贫信息及数据有波动等情况下对变形监测数据做出比较准确的模拟和预测，并具有模型简单、无需确定非线性函数和计算方便等优点，从而为变形监测的数据处理提供一种有效的方法。
参考文献
［1］张正禄,黄全义,文红雁,等．工程的变形监测分析与预报[M]．北京:测绘出版社,2007．
