前言：中文期刊网精心挑选了神经网络主要存在的问题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。
神经网络主要存在的问题范文1
关键词：模拟电路；智能故障诊断；神经网络
中图分类号：TN710 文献标识码：A 文章编号：1009-2374（2012）04-0118-02
上世纪70年代开始，模拟电路故障诊断理论第一次被提出来，如今已发展成为一门系统的学科。但是，虽然模拟电路的使用时间已经有一段历史，其模拟电路故障诊断技术却发展一直比较缓慢。以下笔者就从模拟电路智能故障的特点入手，对模拟电路智能故障诊断技术的发展现状进行详细探讨。
一、模拟电路智能故障的特点分析
现将模拟电路故障的特点分析如下：
（一）模拟电路信号与数字信号的区别
模拟电路信号与数字信号有很大的不同：前者信号的大小是随时间连续变化的量，包含的物理量属于连续函数，其故障模式及模型难以用简单的量化来描述。
（二）模拟电路元器件的特性
由于模拟电路中的元器件参数本身存在容差，导致了导致功能性故障的故障物理位置难以确定，存在较大的模糊性（“容差”的实质就是元器件本身存在的轻微故障）。
（三）模拟电路中存在的问题
在模拟电路中，存在反馈电路和非线性问题，增加了计算和测试的复杂性。
（四）模拟电路的使用范围
模拟电路的频率范围比较宽，这就决定了其使用设备的差异性。有时，即使测量同一个信号，但是在不同的频段上所使用的设备都会出现很大的差距，决定了其设备较大差异性的特点。
（五）模拟电路的故障问题
由于现在电路中，可测试的节点数一般都比较少（电路通常是封装或者多层的缘故），导致判断故障信息的数量不够多、信息不够充分，加大了故障判断的难度。
二、模拟电路故障诊断技术现状分析
近几年，电子技术得到了飞速发展，随着电子技术的飞速发展，电子技术运用而成，并随着集成度的不断增大，电路的复杂程度日益提高。
一般而言，故障辨识、故障检测及故障隔离是电路故障诊断的主要内容。由于诊断原理的多样性，导致了电路故障诊断方法也存在多样性。
本文根据故障诊断的角度出发，对现行电路故障诊断的方法进行了分类。以下就现代模拟电路故障诊断的方法进行具体探讨。
（一）专家系统故障诊断分析
专家系统在人工智能技术中，属于应用比较广泛和活跃的故障诊断技术之一。专家系统故障诊断的工作过程可以描述为以下几个步骤：首先，应该具备故障诊断专家系统的知识库，这个知识库的内容主要是将相关诊断经验与技术，使用一定的规则组合起来而形成，以备以后程序使用；然后，当出现故障时故障诊断系统将由报警系统得到相关信息，应用知识库对其进行推理，由此得出出现的故障的原因。
以上诊断过程可以理解为：专家系统故障诊断技术是模拟行业专家进行诊断及决策的过程，主要可以解决一些比较复杂的故障问题。
但是，由于这些技术存在一定的缺陷，在一定程度上限制了其推广使用。
（二）人工神经网络技术分析
人工智能技术的另一个重要分支是人工神经网络技术。
在故障诊断中，它的主要优势在于：其特别适合处理那些具有复杂非线性关系的、无法用显性公式表示的情况，并能够有力解决非线性、反馈回路和容差等引起的问题，上述这些情况都是传统模式识别方法难以解决的。
人工神经网络由于其独特的优势，越来越受到人们的广泛重视。
人工神经网络的优点主要体现在以下几个方面：（1）它以利用网络的拓扑结构和权值分布实现非线性的映射，以分布的方式存储信息；（2）它可以实现非线性信息变化问题，这个主要是通过全局并行处理来实现的信息变化。其可以有效的解决故障诊断中故障知识获取这个“瓶颈”问题，以及“组合爆炸”等问题；（3）人工神经网络技术还具有联想记忆、并行分布处理以及自适应性强等特点。
以上的这些优点为智能故障诊断的研究开辟了一条新途径。基于以上的分析，将神经网络与专家系统相结合，使其相互补充，各自扬长避短，是故障诊断领域的一个热点话题。
（三）神经网络专家系统
从逻辑方面来讲，神经网络专家系统和传统专家系统是完全不同的。神经网络专家系统是一类新的知识表达体系，神经网络专家系统中的信息处理是由大量简单处理元件之间进行相互作用，从而进行信息处理的，属于低层数值模型。神经网络专家系统可以将数值运算和逻辑推理结合，并利用相关的信息处理功能来解决诊断系统中的相关问题。
在这种技术中，通过学习将专家知识存储在网络中，由此进行不精确的故障诊断，可以较好的完成相关推理过程。
（四）小波分析方法
小波分析法时一种时-频分析方法。它的主要原理通过以下阐述：
小波变换及小波函数的多样性。
小波是函数空间中满足下述条件的一个函数或者信号：
式中：表示非零实数全体，是傅里叶变换，为小波母函数。
对于实数对（a，b），参数a为非零实数，函数
称为由小波母函数生成的依赖于参数对（a，b）的连续小波函数，简称小波。其中：a称为伸缩因子：b称为平移因子。
对信号f（x）的连续小波变换则定义为：
其逆变换（回复信号或重构信号）为：
信号f（x）的离散小波变换定义为：
其逆变换（恢复信一号或重构信号）为：
其中：C是一个与信号无关的常数。
由上述原理可知，小波函数具有多样性。
（五）神经网络小波分析方法
将神经网络与小波分析相结合的方法主要有两个：
1．以辅助式结合的形式组合。在这种结合中，一般是利用小波分析技术对相应的信号进行预先处理，然后，利用神经网络技术进行学习与判别。
2．以嵌套式结合的方式进行组合。这种结合中，主要是把小波分析方法融入到神经网络中，形成新的神经网络结构，即神经网络一小波分析或小波网络。这种新的网络方法具有明显的优势：具有自适应分辨功能和很好的容错性。
由上面分析可以得出，这种新的故障诊断鉴别方法是故障诊断领域的一个新方法，它不仅可以拓宽小波分析方法与神经网络技术的应用领域，而且为故障诊断技术开辟了新道路，使得故障诊断技术得到了进一步的发展。
三、结语
由于现代科技的飞速发展，模拟电路故障诊断系统将会变得越来越复杂，如何保证模拟电路系统可以运行的更加可靠是一个值得深入探讨的问题。模拟电路出现故障后，如能及时将相应的故障诊断清楚，并保证及时维修更换，无疑可以提高生产效率，提高成品的合格率，进而推动模拟电路系统向更好的方向
发展。
参考文献
[1] 朱大奇．电子设备故障诊断原理与实践[M]．北京电子工业出版社，2004．
神经网络主要存在的问题范文2
计算机网络的快速发展和技术的广泛应用给人们的生产生活提供了便利，但同时，也带来了一些不容忽视的安全隐患。近年来，影响计算机安全的因素很多，例如犯罪团伙利用网络等高科技进行犯罪的案例屡见不鲜。对此进行严格防范，更好地促进计算机和互联网的发展，需要对计算机网络安全进行评价，建立安全、有效的计算机网络评价系统，网络安全评价体系可以对整个计算机网络进行评估和分析，完善评价体系，使系统更准确、可靠，其中使用率最高的则是神经网络。
1 神经网络的概述
1.1 神经网络的简介
神经网络又被称为链接模型，它效仿了生物神经网络而建立，它以人脑的信息处理方式为基础，采用建立数学模型的方式研究大脑行为结构和生物神经元基本特征，世界上第一个神经网络模型是由数学家和生物学家共同提出。神经网络复杂多变，它是由神经元内部通过大量节点进行相互连接形成的一种网络结构，其中每个神经元都可处理信息，从而达到处理海量信息的规模。随后，计算机学家在原有的神经网络模型的基础上增加了学习机制，将神经网络技术应用在工程中，设计出了感知器神经网络模型，我国的计算机学家和数学家通过对神经网络的分析，展开长期的研究工作，掌握了模型的实质，研究表明，神经网络模型适合应用在不同的研究领域。
1.2 神经网络的功能
神经网络是一项人工智能系统，是通过生物神经网络的工作原理建立而来，它的应用具有全方位的优越性能。计算机神经网络系统还可实现预测功能，此功能为联想模式的升级版，主要运用于市场和企业中，例如股票等证券市场，预测功能可对股市证券和企业的未来效益进行预测分析，基于计算机的神经网络为市场和企业的发展提供了强有力的支持。正是有这些优越性能，神经网络系统在计算机网络安全评价过程中，才能发挥出最大的价值。
2 计算机网络安全概述
2.1 计算机网络安全的简介
计算机网络安全是指在网络环境中，采用先进的科学技术和网络管理控制措施来保证计算机资料能得以安全及完整的保护。计算机网络安全由逻辑安全和物理安全两大重要部分组成：第一，计算机的逻辑安全是指其中信息数据的保密性、完整性及可用性方面的内容;第二，物理安全包括了系统中的组网硬件和相关软件等方面内容，其具有可控性及可审查性等特点。在当今的计算机网络环境中，安全问题是关键，由于网络的开放自由性导致信息在传播过程中会受到硬件漏洞或者通讯协议方面的攻击，这不仅给本地用户带来威胁，对国际网络市场也是一种挑战。
2.2 计算机网络安全评价体系的建立
计算机网络安全评价体系的建立是对网络安全评价的一个强有力保障，该体系能全面、科学、客观的体现计算机网络中存在的不安全因素并且给出相对应的解决措施，所以应该根据多种综合因素设立评价体系中的评价指标，从而准确地反映评价信息，计算机网络安全评价系统的构建原则是：第一，可行性。在计算机网络安全评价体系构建过程中，结合实际的测评条件，因地制宜，才能有效的进行测评和操作。第二，准确性。在计算机网络安全评价体系的构建过程中，应当对网络安全的技术水平进行真实的体现，及时且准确的对安全信息进行监测分析再反馈到计算机网络中，使技术人员及时有效的解决产生的问题。第三，完备性。建立的安全评价体系，需确保所选指标对网络安全基本特征有全面的反映，进而提高评价结果的真实可靠性。第四，简要性。在选取评价指标的过程中，要选取具有代表性的，保证结果准确可靠从而降低工作量。第五，独立性。计算机网络是一个复杂多变的系统，在选取各项评价指标时，要避免出现重复选择的情况，减少指标间的关联度，从而客观准确的将计算机网络安全运行状态展现出来。计算机安全网络存在一定风险性，在安全保护上也存在难度，遵守以上原则，在实际工作应用中，提高计算机网络的工作质量和效率。
3 基于神经网络的计算机网络安全评价系统
在神经网络模型中，使用最为广泛的是BP神经网络模型，它采用最速下降法进行反向传播，调整相关数值，将误差降至最低。BP神经网络模型还通过误差逆传播算法，训练前馈多层网络。其算法简单，容易实现，具有非线性逼近能力。本文以BP神经网络为研究对象，对计算机网络安全评价进行分析。
3.1 神经网络的计算机网络安全评价模型设计
基于神经网络设计的计算机网络安全评价模型，由3个部分组成，分别是输入层、隐含层和输出层：(1)输入层。BP神经网络在设计的过程中规定输入层神经元节点的数量，与计算机网络安全评价指标数量必须一致，所以对模型输入层中神经元节点的数量确定需由二级指标的数量完成。例如，在安全评价体系中设计了10个二级指标，在计算机网络安全评价模型中输入层神经元节点数量也必须是10个。(2)BP神经网络模型在设计的过程中，采用单向隐含层，如果隐含层中的节点数过多会延长神经网络学习时间，如果隐含层节点数的数量过少则会降低神经网络的容错能力。所以隐含层中的节点数量对网络性能有较大的影响。(3)输出层。BP神经网络在输出层的设计工作即反映网络安全评价结果，依据输入层的评价设计，将输出层的节点数设为2个，则(1，1)的输出结果表示非常安全，(1，0)的输出结果基本安全，(0，1)的输出结果表示不安全，(0，0)的输出结果表示非常不安全。
3.2 神经网络的计算机网络安全评价模型学习
BP神经网络在计算机网络安全评价模型中需完成神经网络的学习，也就表示其在模型构建前需进行神经网络的训练工作，这使BP神经网络具有初始连接权，在完成神经网络的学习后，减少误差值，保证安全评价结果和使用者期望值达成一致。
3.3 神经网络的计算机网络安全评价模型验证
为确保计算机网络安全模型的应用效能，在完成设计与学习工作后，对其进行验证，首先选取样本数据，再将样本数据输入到模型中，通过模型内部检验分析，完成评价功能的应用，如果输出的安全评价结果与期望值达成一致，则说明基于神经网络的计算机网络安全评价模型具有准确性，可以使用。
4 结语
随着社会的发展，科学的进步，越来越多的先进信息技术和网络技术得以应用，计算机网络是一个复杂的系统，其中存在一定的风险性，计算机网络的安全问题是目前亟待解决的关键问题。在当前社会，神经网络技术广泛应用于各大领域，将神经网络模型与计算机网络安全相结合，遵守可行性、准确性、完备性、简要性、独立性原则，构建一个网络安全评价体系。有利于对计算机安全管理奠定基础，基于神经网络的计算机网络安全评价体系能使评价结果更具真实性和可靠性，但目前的神经网络技术并不十分成熟，根据其应用特点，将神经网络技术与其他技术相融合的发展问题，仍值得广大学者深入研究。通过本文的分析与研究，认识到神经网络的发展及特点，针对其功能的优越性，加大对神经网络的重视，提高安全评价体系对环境的适应力，提升体系的容错性，实现在线应用模式，促进其在计算机网络安全中的进一步完善和发展，为计算机网络安全评价提供保障，使神经网络在计算机网络安全评价中发挥更大的作用。
神经网络主要存在的问题范文3
关键词：神经网络；故障诊断；智能诊断
中图分类号：TP389文献标识码：A文章编号：1009-3044(2007)18-31690-02
The Application of Fault Diagnosis Based on Fuzzy Neural Networks
GAO Huan-zhi,LI Jun,LI Fang
(Institute of Disaster Prevention Science and Technology,Sanhe 065201,China)
Abstract:Faintness' reasonning logically system can handle with make use of not accurate knowledge, is a kind of valid intelligence to set up a mold method.But the faintness reason logically system to lack a valid design method. Thesis in general use nerve network of set up the mold method from the adaptability and the diagnosis, build up a kind of new breakdown to examine a patient model-the misty nerve network examine a patient model.
Key words:Nerve network;Break down diagnosis;The intelligence examine a patient
1 模糊推理神经网络诊断模型建立
1.1通用网络模型自适应动态特性
比较两类典型的神经网络―前向BP网络与反馈Hopfied网络，可以发现其核心是单层神经网络，则两类网络可以用一个通用神经网络模型来描述。根据点集拓扑理论和人工神经网络空间概念，对这个通用神经网络模型的特征进行分析得出以下两个结论，证明从略［3］。
定理1神经网络空间在紧集上的连续函数空间C上以及按L2范数在平方可积函数空间I上都是稠密的。
推论1由通用神经网络模型所生成的任何开集可以一致逼近紧集上的连续映射函数f∈C(Rn，Rm)。
由推论1表明，通用网络模型所概括的任何开集(如BP网络、Hopfield网络、BAM网络)通过自学习都能一致逼近紧集上的连续映射函数f∈C(Rn，Rm)，因而具有良好的自学习、自适应动态特性。
1.2诊断建模方法
设xjn，(j=1，2，…，k)对应反映设备运行状态第n个观测样本的k个特征参数，yin，(i=1，2，…，l)对应第n个样本的l种故障模式，共有N个样本xjn∈RN，yin∈RN，(n=1，2，…，N)，则故障模式向量Y=｛yin，i=1，2，…，l｝与特征参数向量X=｛xjn，j=1，2，…，k｝间的内在关系用函数P表示，有：X=P(Y)。当N∞时，函数P的逆函数存在，以函数S表示，有：Y=S(X)
诊断问题建模的实质就是根据有限的样本集，确定函数S(X)的一等价映射关系SS(X)，使得对于任意的ε＞0，满足：
S(X)-SS(X)=Y-YY＜ε
式中：YY=SS(X)为模型输出，Y=S(X)为标准输出，．为定义在样本空间R上的范数，ε表达了函数SS(X)的映度。
参照数学基础中的有关连续的定义，针对诊断建模问题得出以下3个结论，证明从略［3］。
定理2对于机械诊断问题，通过一定的数学变换，可得到X∈［0，1］k，Y∈［0，1］l，若映射S为定义在［0，1］k到［0，1］l上的实连续函数，又［0，1］k为RN的紧密子集，则映射S就能表征机械诊断问题，即：Y=S(X)
定理3对于机械诊断问题Y=S(X)，其中X∈［0，1］k，Y∈［0，1］l，若存在映射SS，使得对于有限样本集(X，Y)N中任意的X0∈[0,1]k有：
则映射SS建立了诊断问题的数学模型。
推论3若映射SS(X)一致逼近定义在紧集［0，1］k上的实连续函数，则映射SS建立了诊断问题的数学模型。
1.3模糊神经网络诊断模型
基于通用神经网络模型的自适应动态特性，根据推论3的结论，通用网络模型所概括的任何开集都能作为诊断问题的数学模型。即对某一具体诊断问题，配以相应的网络模型，通过网络自学习就能逼近诊断问题本身的映射关系。同时考虑诊断问题存在着不可逆性，须采用模糊方法予以处理， 本文建立了如图1所示的模糊神经网络诊断模型。
图1 模糊神经网络诊断模型
2 模糊推理神经网络诊断模型的基本属性
2.1智能诊断机理
模糊神经网络诊断模型是一种基于知识的诊断，它属于人工智能诊断的范畴。一般地，人工智能诊断系统应包含有以下几个方面的内容：(1)对诊断领域的现有知识进行学习、抽象、概括，以形成该领域的特有知识，并按一定存贮方式存入知识库；(2)在对具体对象进行诊断识别时，应对该对象进行了解以获得足够的关于该对象的故障征兆信息，并对这些信息进行分析，提出以形成有价值的特征；(3)将该诊断对象的特征模式与知识库中的模式相匹配，并进行推理分析，以得出是否存在故障，故障的性质、部位、严重程度怎样等。
从上所述的模糊神经网络诊断模型建立，足以表明它具有人工智能诊断的一般属性和基本内容，而且在知识产生、表达、获取及推理诸方面具有自己的独特之处。
在知识产生方面，它不仅含有对诊断领域现有知识的汇编，而且包括了计算机数字仿真生成知识的内容。可以用传递矩阵法建立机组振动响应力学模型，通过数值模拟得到常见故障的振动响应分布，再引入转子系统传递函数的概念，生成反映机组故障作用位置的传递函数矩阵，最后通过转置变换，即得到知识集。
在知识表达方面，它表现为浅层和深层两种形式，面向专家、知识工程师和用户的原始知识，经过LSFS模型的数学处理后得到一些学习范例，本文称之为浅知识。这种知识形式易于表达模糊性和不确定性；浅知识通过网络自学习转化为网络的内部编码，分布在网络结构上，最终是用大量神经元的互连方式及对各连接权重的分布来表达特定的概念或知识，这种形式是一种深层的隐含表达方式，本文称之为深知识或隐含知识。
在知识获取方面，针对知识表达的两种形式，它包括两个步骤。第一步是由原始知识转变为浅知识，通过LSFS模型来实现；第二步是将浅知识输入到ANN模型中，通过网络的自学习实现知识的隐式表达。为此，模糊神经网络诊断模型的知识获取应该包括知识的自身产生、网络结构(含网络模型、网络层数及其各层的单元数)选择、学习样本的组织、使用特定学习算法对网络训练以得到所需的权值分布4个基本内容。不难看出，这种知识获取方式存在：网络结构、权值与具体的某一案例联系不紧密，它们是一群样本或者说许多案例的综合作用的结果；网络的最后输出结果一般为［0，1］之间的值，具有一定的模糊诊断能力；当某种过程发生变化时，原始知识的产生、学习范例的组织都发生变化，通过修正网络和再学习，变化了过程就会很快地被学习和表达出来。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文
在知识推理方面，它主要表现在ANN模型的信息分类处理过程。一般由以下三部分组成：(1)将逻辑概念引入到输入模式的变换中，并根据论域的特点，确定变换规则，再根据相应规则，将目前的状态变换成神经网络的输入模式；(2)网络通过前向计算或动态演化，即可产生神经网络的输出模式；(3)随着论域的不同，必须按照相应的规则对输出模式进行解释。解释的主要目的是将数值向量转换成高层逻辑概念。
不难看出，这种知识推理方式不使用清晰语言描述分类逻辑标准，而只是通过数值向量的相似性来确定分类标准，且这种相似性的程度隐含在网络的权值分布上。因此，它有利于表达不确定性推理机制和自适应推理机制。
2.2突出特点
(1)模糊神经网络诊断模型重视了原始知识的产生问题。从某种意义上看，它体现了“正问题”求解与“反问题”求解相结合的诊断策略;同时为丰富原始知识的内容、研究原始知识的产生方法铺平了道路。
(2)模糊神经网络诊断模型考虑了大机组故障诊断中的不可逆性问题。它采用模糊方法(诸如模糊贴近度法、改进模糊贴近度法、基于自组织映射神经网络的模糊聚类法和复合KAF法)组织学习样本，从而使诊断模型能以模糊估计的方式给出诊断结果，具有模糊诊断能力。
(3)模糊神经网络诊断模型采用通用神经网络模型，使得它所概括的常见网络模型(BP网络、Hopfield网络、BAM网络)都能充当诊断模型中的ANN模型。由于ANN模型承担了诊断知识的隐式存储和特征数据信息的分类识别的重要角色，它是整个诊断模型的核心。因而模糊神经网络诊断模型的形式多样，诊断能力强。
(4)模糊神经网络诊断模型重视了诊断征提取的重要作用。目前，特征提取方面的技术发展很活跃，它的每一进步，通过改善原始知识的产生内容和提高故障特征信息的准确度来影响诊断模型的诊断效果。
(5)模型神经网络诊断模型是一个基于知识的通用诊断模型，它适合大机组故障诊断中所包含的任何基本诊断问题。针对某一具体诊断问题，可以选择相应的FKP、LSFS、ANN、CE模型，即能组成一个智能型的诊断系统。
3 工程应用
基于上述，从中取出可能存在的7种故障标准信息。传统BP网络在进行诊断时，先人为组织网络训练样本，且训练样本的输出取为0，1值，即在表达自身频谱的故障位置赋1，否则赋0；而模糊神经网络诊断模型则通过LSFS模型(本文为了获得明显的诊断效果，其采用改进模糊贴近度法，且贴近度系数CONST=2［3］)组织网络训练样本，其结果训练样本的输出取值于区间[0,1]。在初始条件完全相同的情况下，将各自的训练样本集分别输入同一结构的网络进行训练得出如图2所示的训练误差曲线比较图。
由图2可以发现，在一个误差精度要求不高的区域里，即系统误差error＞0.002时，传统BP网络的收敛速度低于模糊神经网络诊断模型，由于此精度区域一般没有工程意义，故不做分析讨论；而在误差精度要求高的区域里，传统BP网络的收敛速度却高于模糊神经网络诊断模型。这是因为传统BP网络的训练样本输出仅简单取为0，1值，而模糊神经网络诊断模型训练样本的输出取值于区间［0，1］，此相当于对输出进行了编码，从而增加了隐层节点的附加工作来完成这种编码功能，甚至需要增加隐层节点数或增加隐层才能满足要求。
图2 传统BP网络与模糊神经网络诊断模型训练误差曲线比较
4 结论
基于以上的分析、论述表明，本文所建立的模糊神经网络诊断模型理论，无论从建立的理论基础、方法体系，还是从建立的结果看，它都是正确的；且它在原始知识的产生方式、学习样本的合理组织以及在网络模型的自适应选取方面都具有突出特点。通过理论分析和工程实际应用表明，该模型理论的应用能提高诊断精度，具有诊断功能强、智能化程度高、便于实用推广的特点。
参考文献：
[1]吴维库,唐锡宽.转子故障的精确诊断[C].92全国转子动力学学术会议论文集,青岛:1992,pp:536-539.
[2]杨叔子,史铁林,丁洪.机械设备诊断的理论、技术与方法[J].振动工程学报,1992,5(3):193-201.
[3]张小栋.模糊神经网络诊断原理和方法以及应用研究[J].西安交通大学,1995.
神经网络主要存在的问题范文4
关键词：神经网络；计算机安全；评价技术
近年来，计算机及其网络技术的快速发展给人们的生产、生活带来了极大便利，但同时也带来了相应的安全风险。在计算机网络运营过程中，能够影响其安全的因素众多，比如计算机软硬件损坏、病毒、黑客攻击、人为操作失误等。为了有效促进计算机及其网络技术的发展，应严格防范安全问题，通过建立科学、高效的网络安全评价系统，采取相对应的安全防范措施，不断优化与完善计算机网络体系，以便于其为人们提供更好的服务。
1神经网络及计算机网络安全的概述
1.1神经网络简介
神经网络又被称为链接模型，其是从生物神经网络得到启发而建立的。神经网络模拟了人脑的信息处理方式，然后通过建立数学模型研究大脑行为结构及神经元的基本特征。世界上第一个神经网络模型是由生物学家及数学家共同提出的。神经网络复杂多变，神经元通过大量节点相互连接成网络，并且每一个神经元都能够处理信息，因此，神经网络能够同时处理海量信息。计算机学家在神经网络模型的基础上进行优化，设计出了感知器神经网络模型，并将之应用到计算机网络、工程建设以及经营管理等多个领域。
1.2计算机网络安全
计算机网络安全主要是指在网络环境下，通过采用较为先进的科学技术及管理措施来保障计算机网络体系正常运营及资料安全。广义的计算机网络安全包括物理安全及逻辑安全两大部分，其中逻辑安全主要是指信息数据的完整性、保密性及可用性等方面的内容；物理安全则包括系统中的硬件及软件等内容。计算机网络安全具有较强的可控性及可审查性。目前，计算机网络安全问题已成为全球共同关注的问题，同时也是相关从业人员一直努力解决的一大重要问题。
1.3计算机网络安全评价体系的建立原则
计算机网络安全评价体系是评价工作的基础，其能够科学、全面、客观地分析与评定计算机网络中存在的不安全因素，并给出相应的指标及解决措施，因此，在评价体系建立过程中，应综合考虑多方面因素来设计评价指标。计算机网络安全评价体系的建立原则主要包括以下几个方面。（1）可行性。在安全评价体系建立之初，首先应确保构建的可行性，必须从实际条件和需求出发，因地、因需、因人制宜，以此来确保评价体系的实用性。（2）准确性。安全评价体系建立过程中，应当确保其能够体现出计算机网络安全的技术水平，并及时将各项安全信息反馈给检测人员，以便于技术人员及时进行安全维护。（3）完备性。建立安全评价体系，还应确保其能够全面反映计算机网络安全的基本特征，以便于提高评价的准确性、真实性。（4）简要性。安全评价体系的评价指标应具有代表性，以此来确保安全评价工作简单、明了。（5）独立性。由于计算机网络是一个较为复杂的系统，因此，在其安全评价过程中，应确保各项指标的独立性，尽量减少重复选择及指标之间的关联，以此来提升安全评价工作的效率和准确性。与此同时，在指标检测过程中，应尽量选择那些具有代表性和独立性的指标进行检测，以便于将计算机网络的运行状态和安全状况客观、真实地展现出来。在基于神经网络的计算机安全评价体系中，神经网络发挥着至关重要的作用，并且其较强的适应性为安全评价工作提供了强有力的保障，因此通过神经网络技术，能够创建出计算机网络安全评价模型及仿真模型，以此来有效评估计算机网络的安全状况。
2基于神经网络的计算机安全评价技术体系的建立
BP神经网络模型是当前使用最广泛的神经网络模型，其主要采用最速下降法进行反向传播，同时调整相关数值，从而将误差降到最低。BP神经网络模型还可以运用误差逆传播算法，构建起反馈多层网络。由于BP神经网络模型的算法简单，更易实现，且具有良好的非线性逼近能力，因此，其也是计算机安全评价系统常用的模型之一。本文主要以BP神经网络模型为基础，对计算机安全评价系统展开分析。
2.1基于神经网络的计算安全评价模型的设计
该模型主要由输入层、隐含层及输出层三大部分组成。（1）输入层。BP神经网络在设计过程中必须严格规定输入层神经元节点的数量，其应与安全评价体系的评价指标数量一致，因此，神经元节点的数量应由二级指标的数量确定。比如，安全平体系中设计了10个二级指标，那么输入层神经元节点的数量也应是10个。（2）隐含层。神经网络安全评价模型在设计中，应采用单向隐含层，但若隐含层节点数量过多，则会大大增加神经网络的学习时间，而若隐含层节点数量过少，又会降低神经网络的容错率，所以在设计过程中必须控制好隐含层的节点数量。（3）输出层。神经网络安全评价模型的输出层设计关系到网络安全评价结果，若在输出层评价设计时，将输出层节点设为2个，那么（1,1）的输出结果则表示十分安全，而（1,0）则表示基本安全，（0,1）则表示不太安全，（0,0）则表示非常不安全。
2.2基于神经网络的计算安全评价模型的学习
基于神经网络的计算机安全评价模型构建过程中，BP神经网络需要在模型中进行神经网络学习，这就表示其需要完成相应的训练工作，同时这也使得BP神经网络具备初始连接权利。由于经过了一系列的神经网络学习，所以后期使用中其误差值较小，这样才能确保安全评价结果的准确性，并保证模型使用与使用者的期望值无限接近。
2.3基于神经网络的计算机安全评价模型的验证
验证安全评价模型，是为了确保其设计与学习工作的良好性，更是为了确保安全评价模型具备全面性、实用性及准确性。验证程序主要为：首先，科学选取样本数据，然后将样本数据输进模型中，经过模型的检验与分析，从而对计算机网络的安全进行评价，如果所输出的结果与对比值一致，则表明安全评价模型具有较高的准确性，可以投入使用；如果所输出的结果与对比值存在较大的误差，这时还应查明误差原因，如果是模型的问题，还应对模型进行检验与优化，严重的还应重新设计，务必要确保其实用性和准确性。
3结语
综上所述，神经网络在计算机安全评价模型中具有至关重要的作用。因此，在构建基于神经网络的计算机安全评价模型时，应将神经网络的基本特征与计算机网络运行特点紧密结合起来，并综合考虑实际状况和需求，然后以网络安全评价模型构建的五大原则为基础，从模型设计、神经网络学习及模型验证等几大步骤着手，尽力创建出全面、高效、准确且实用性强的计算机网络安全评价模型，以便于为计算机网络安全运行提供有力的支撑。
参考文献
[1]李忠武,陈丽清.计算机网络安全评价中神经网络的应用研究[J].现代电子技术,2014(10).
[2]吕树红,陈康.模糊综合评判在网络安全评价中的研究与应用[J].计算机光盘软件与应用,2013(22).
[3]陶跃,田迎华.多级可拓评价方法在网络安全评价中的应用[J].吉林大学学报:信息科学版,2013(1).
[4]孙志娟,赵京,戴京涛.采用KPCA-BP神经网络的并联机构全局综合性能评价方法研究[J].现代制造工程,2014(11).
[5]禹建丽,黄鸿琦.神经网络在复杂自相关预测过程中的应用及对比研究[J].数学的实践与认识,2016(19).
神经网络主要存在的问题范文5
关键词：建筑管理人工神经网络 模仿人脑人工智能
人工神经网络(Application of Neural Network)与人工智能（Artificial Intelligence）处于总分结构。人工神经网络从属于人工智能系统，是其中一个分支领域。它作为一款对非线性问题处理十分简便的工具，拥有极强的非线性映射能力与良好的适应能力及纠错能力。在传统的语音与图像识别等领域外，人工神经网络在经济管理、专业工程等诸多领域都崭露了头脚，并获得广泛的认可。我国首篇将人工神经网络应用与土木工程领域的文献始发于上世纪八十年代末期，随后即在建筑工程项目的管理当中逐渐为人们所广泛认知，下面，就几点对人工神经网络在建筑管理当中的应用作进一步分析。
一、人工神经网络在建筑管理应用中的预测作用
1.费用预测方面。人工神经网络在费用评估方面的应用，主要采用BP神经网络进行试验，通过对公路工程的样例进行试验，发现其比传统方法要更加保质保量。塔雷克•哈加西(1998年)等通过运用MS2Excel表格对人工神经网络进行模拟，并在输入层和隐含层加入了偏置神经元来促进网络学习。它的缺点是因网络学习过程中样本数据含有噪音,会对系统造成过度学习的谬误,这种问题运用规范化网络可以得到有效的解决。在我国BP神经网络研究的历史上，相关方面的研究学者对其应用于建筑工程估价的能力有较高评价，其中不仅神经网络的特征归纳作用可从海量的工程资料当中寻找出工程项目与预算费用的规律关系，还因其具有高度纠错能力，可对工程资料当中因人为因素造成的偏差进行纠正。同时因人工神经网络是通过并行处理来对数据进行梳理，所以其运算速度极快，且质量同时也能得到保证，这不仅满足了当前信息化时代快速估算的效率要求，并且事实证明它是行之有效并可以投入实际应用中的。
2.风险预测方面。建筑管理当中诸多领域都对风险分析与风险预测都有涉及，这二者涵盖了很多不可知的因素与风险因素，危及到了企业的管理经营，束缚了企业的发展脚步，长此以往即会对企业的健康长远发展造成不利影响。能够适时、到位的对企业即将面对的风险作出报告并采取针对措施，是及时规避企业风险的最佳途径。时下企业通常采用计量经济模型与编辑效应分析等方式以建立风险评估与预测系统，用来对现行企业状态进行分析。可是这些方法普遍存在着一些问题。比如经济变量的执行时间不同，使得在简单加权时出现漏报现象，以及人工制定的警戒区无法适应外部环境的变化性等。然而运用拥有非线性映射与模式分析能力的人工神经网络便可以建立相对完善的风险预警系统，从而更加适应系统的不确定性与突然性。
二、人工神经网络在建筑管理中事故诊断的作用
在建筑工程项目管理当中，受多方客观因素的制约，工程的进展常常会伴随出现林林总总的工程事故发生，甚而有些事故毫无征兆，突然间出现。在事故发生后，要找寻事故的原因也并非易事，同样要耗费大量人、财、物力资源，且并不能及时找出事故原因，错过了最佳补救时间。人工神经网络在建筑工程中对于工程事故的诊断分析，对建筑工程管理中工程质量的提高具有里程碑式的意义，其建筑专家系统存在着巨大的潜力。
建筑专家在进行对工程事故的风险评估时，第一步要运用工程事故所表现出来的一些外在特征与一系列统计数据，依照自身积累的大量经验，对事故的类型进行分类记录，在分类后便可以根据各方面特点，如事故类型、受损程度与曾用的补救措施来对工程事故进行风险评估与补救方案的制定。事故评定过程的关键在于建筑专家系统的数据规模，这种数据从大量典型事故案例中得出相关症状、事故状态与补救措施间相互关联的数据理论，传统的专家系统对建筑管理最广泛的应用使在基于规则与诊断矩阵中表示建筑专家经验知识，即统计数据的方法。这种表示方式只能对分类做出明示，却不能对事故与事故间存在的联系做出明确反映。知识工程师在某些层面上对经验知识难以进行明确的表达，这是传统工程事故专家系统所存在的缺点。基于人脑神经系统功能与结构模拟之上研制而出的人工神经网络，能通过不断对实例数据的吸纳，进行拓展学习，将知识充分融于神经网络当中进行存储，从而通过不断的对知识的接收、学习，进行自我的完善与增强。同时它的类比能力更加令人关注，它不仅能将实例间的相同处与不同处逐一筛选，从而进行归纳汇总，充实自身数据库，还能由此体现出神经网络中神经元之间连接权值调整过程。特别是它的自我逻辑能力超强，如果当下的信息并不完整，它依然会靠强大的逻辑能力进行推测，通过计算而得出让人满意的答案。
结语：
当今社会依靠传统的管理方式已经远远无法满足快节奏的经济生活，本文通过对人工神经网络在建筑管理工作当中的费用预测、事故诊断能力及事故解决方案制定等作用进行阐述分析，希望能对建筑工程行业的发展尽绵薄之力。
参考文献：
神经网络主要存在的问题范文6
关键词：BP神经网络、图像分割、特征提取
Abstract: the image recognition process including the image preprocessing, feature extraction, image understanding and analysis. Which BP artificial neural network in the image segmentation using better; In the feature extraction phase BP neural network is also very good find application, and obtain the better feature extraction results; In the image understanding and the analysis phase using neural network classifier design, can get accurate classification results.
Keywords: BP neural network, image segmentation, feature extraction
中图分类号：TP183 文献标识码：A文章编号：
引言
BP人工神经网络算法是现今应用较为广泛的多层前向反馈式神经网络算法，BP人工神经网络有较好的容错能力、鲁棒性、并行协同处理能力和自适应能力，受到了国内外众多领域学者的关注。由于神经网络高效率的集体计算能力和较强的鲁棒性，它在图像分割方面的应用已经很广泛，Jain和Karu采用了多通道滤波与前向神经网络相结合的方法实现图像纹理分割算法。神经网络算法在特征提取阶段，压缩特征数量，以提高分类速度和精度。在图像识别领域中神经网络作为分类器的研究也得到了很大的进展，尤其是其学习能力和容错性对于模式识别是非常有利的，在一定程度上提高了训练速度和识别率。Le Cun等人提出了多层特征选择(Multilayer Selection Procedure)方法用于字符识别，每一层神经网络处理较低层次的特征，获取该层特征信息并传给上一层。
BP神经网络的基本原理
人工神经网络的研究起源于对生物神经系统的研究，它将若干处理单元（即神经元）通过一定的互连模型连结成一个网络，这个网络通过一定的机制可以模仿人的神经系统的动作过程，以达到识别分类的目的。人工神经网络区别于其他识别方法的最大特点是它对待识别的对象不要求有太多的分析与了解，具有一定的智能化处理的特点。神经网络的学习过程实际上就是不断地调整权值和阈值的过程。根据有无训练样本的指导可以将神经网络的学习方式分为两种：监督学习方式和非监督学习方式，也称为有导师指导学习方式和无导师指导学习方式。监督学习方式，是在给定固定的输入输出样本集的情况下，由网络根据一定的学习规则进行训练学习，每一次学习完成后，通过对比实际的输出和期望的输出，以此决定网络是否需要再学习，如果还没有达到期望的误差，则将实际误差反馈到网络，进行权值和阈值的调整，使实际的误差随着学习的反复进行而逐步减小，直至达到所要求的性能指标为止。非监督学习方式，是在没有外界的指导下进行的学习方式，在学习过程中，调整网络的权重不受外来教师的影响，但在网络内部会对其性能进行自适应调节。
BP神经网络分类器的设计
BP神经网络是基于误差反向传播算法(Back Propagation Algorithm，BPA)的多层前向神经网络，由输入层、输出层、一个或多个隐含层所组成。BP神经网络结构确定之后，通过对输出和输入样本集进行训练，反复修正网络的权值和阈值，达到学习训练的期望误差，以使网络能够实现给定的输入输出映射关系。BP人工神经网络的学习过程分为两个阶段，第一阶段是输入己知的学习样本数据，给定网络的结构和初始连接权值和阈值，从输入层逐层向后计算各神经元的输出；第二阶段是对权值和阈值进行修改，即根据网络误差从最后一层向前反馈计算各层权值和阈值的增减量，来逐层修正各层权值和阈值。以上正反两个阶段反复交替，直到网络收敛。具体实现步骤如下：
(1) 网络的初始化：首先对输入的学习训练样本进行归一化处理，对权值矩阵W和阈值向量赋初值，将网络计数器和训练次数计数器置为1，网络误差置为0。
(2) 输入训练样本，计算输入层，隐含层以及输出层的实际输出。
(3) 计算网络输出误差。将实际的输出和期望的输出值进行对比，采用均方根误差指标作为网络的误差性能函数。
(4) 若误差还没达到期望标准，则根据误差信号，逐层调整权值矩阵和阈值向量。
(5) 若最终调整之后的网络输出达到了误差范围之内，则进行下一组训练样本继续训练网络。
(6) 若全部的训练样本训练完毕，并且达到了期望的误差，则训练结束，输出最终的网络联接权值和阈值。
BP神经网络可以逼近任意连续函数，具有很强的非线性映射能力，而且BP神经网络中间层数、各层神经元数及网络学习速率等参数均可以根据具体情况设定，灵活性较强，所以BP神经网络在许多领域中广泛应用。一般来说，神经网络方法应同传统的人工智能方法相联系的。神经网络本身结构及性能上的特点使其对问题的处理更富有弹性，更加稳健。神经网络的基本特点是采用自下而上的设计思路，使其容易确定具体的目标分割或识别算法，在增加了不确定因素的同时也产生了网络最优化的问题，这就是所谓的伪状态(pseudo-trap)。尽管在实践中并非所有的伪状态对应完全失败的结果，但是毕竟这不符合对之完美的或者说合理的期望。人工智能则一般采用自上而下的方法，偏重于逻辑推理建立系统模型。因此将神经网络同人工智能结合起来，相当于赋予神经网络高层指导的知识及逻辑推理的能力，具有潜在的优势。
输入层中间层 输出层
图1 BP人工神经网络结构
BP神经网络的训练
4.1 BP神经网络的设计
BP神经网络的设计主要包括两方面内容：一是神经网络结构的确定，特别是隐含层层数及隐含层单元数目的确定；二是高精度收敛问题，隐含层和隐含层单元数过多，将导致训练时间过长并出现过度拟和的问题，隐含层单元数过少又导致网络收敛速度慢甚至不收敛，达不到误差精度要求。在确定隐含层层数以及隐含层单元数目时，没有一个严格的理论依据指导，需要根据特定的问题，结合经验公式确定大致范围来进行逐步试算比较得到。
4.2 数据预处理
为了加快网络的训练速度，通常在网络训练前进行神经网络输入和输出数据预处理，即将每组数据都归一化变为[-1,1]之间的数值的处理过程。
4.3 神经网络的训练
%当前输入层权值和阈值
inputWeights=net.IW{1,1}
inputbias=net.b{1}
%当前网络层权值和阈值
layerWeights=net.LW{2,1}
layerbias=net.b{2}
%设置训练参数
net.trainParam.show = 1000;%限时训练迭代过程
net.trainParam.lr = 0.1; %学习率，缺省为0.01
net.trainParam.epochs = 100000; %最大训练次数，缺省为100
net.trainParam.goal = 0.001; %训练要求精度，缺省为0
[net,tr]=train(net,P,T);%调用 TRAINGDM 算法训练 BP 网络
A = sim(net,P) %对 BP 网络进行仿真
E = T - A;%计算仿真误差
MSE=mse(E)
结束语
BP网络因为具有较强的学习性、自适应型和容错性，在很多领域均已经大量运用。本文将BP人工神经网络运用于图像的识别，探索人工神经网络在图像识别领域中的重要的现实意义。研究表明，BP人工神经网络应用于图像识别在一定程度上提高了识别的效率和准确率。但是，BP神经网络算法还存在以下几点不足之处：（1）权的调整方法存在局限性，容易陷入局部最优；（2）网络的结构需要提前指定或者在训练过程中不断的修正；（3）过分依赖学习样本，由于学习样本是有限的或者学习样本质量不高，那么会导致训练达不到效果；（4）对于规模较大的模式映射问题，存在收敛速度慢、容易陷入局部极小点、判断不准确等缺陷。总之，如何解决以上问题，如何进一步提高识别精度，扩大识别范围，使之更具有更好的工程实用性，是有待进一步研究的内容。
参考文献：
[1] WE Blanz，S L Gish．A Connectionist Classifier Architecture Applied to Image Segmentation．Proc．10th ICPR，1990，272-277．
[2] Y Le Cun，L D Jackel，B Boser，J S Denker，H P Graf，I Guyon，D Henderson，R E Howard，and W Hubbard，Handwriten Digit Recognition：Applications of Neural Network Chips and Automatic Learning，IEEE Comm．Magazine．Nov．1989．
[3] A K Jain and K Karu，Automatic Filter Design for Texture Discrimination，Proc．12th Int’l Conf．NeuralNetworks，Orlando，Oct．1994，454-458．
[4] 边肇其，张学工．模式识别（第二版）[M]．清华大学出版社，北京．1999，12．
[5] 陈书海，傅录祥．实用数字图像处理[M]．科学出版社，北京．2005．
[6] 万来毅，陈建勋．基于BP神经网络的图像识别研究[J]．武汉科技大学学报（自然科学版）．2006，6．
[7] 丛爽．面向MATLAB工具箱的神经网络理论与应用（第2版）[M]．北京：中国科学技术出版社，2003．
[8] 王娟，慈林林等．特征方法综述[J]．计算机工程与科学．2005．27（12）．68-71．
[9] 贾花萍．基于神经网络的特征选择与提取方法研究[J]．网络安全．2008，7．33-35．
[10] 龚声荣，刘纯平等编著．数字图像处理与分析[M]．清华大学出版社，北京．2006．7．
