前言：中文期刊網精心挑選了神經網絡的流程范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡的流程范文1
［關鍵詞］城市物流能力；DEA；BP神經網絡；組合模型
［中圖分類號］F252 ［文獻標識碼］A ［文章編號］1005-6432（2011）28-0021-02
一個城市要想提高它的競爭力必須重視城市物流管理。為了實行城市物流管理,需先評價一個城市物流能力。針對不同的物流城市能力,提出不同的物流管理方法。
本文通過對國內城市物流理論及相關理論的研究,認為城市物流能力主要表現在物流投入產出的效率上,并以12個城市為研究對象,構建了物流能力評價指標體系,通過DEA和BP神經網絡組合模型對物流能力進行測算評價,應用到城市物流能力的識別中,并取得了比較理想的實證結果,為物流振興提供決策支持。
1 DEA和BP神經網路組合模型
目前,對城市物流能力評價的研究很少,在評價城市物流能力方法有層次分析法、因子分析法、數據包絡方法(DEA)、遺傳算法等。每個方法各有優缺點,僅僅只選用一種方法得到的評價結果不能讓人信服,所以本文采用了組合評價研究思路。
(1)DEA在城市物流能力中的應用。數據包絡方法是對多指標投入和多指標產出的相同類型部門進行相對有效性綜合評價的方法。DEA中非阿基米德無窮小ε的CCR模型：
判斷標準：
當θ=1,表示決策單元j0為弱DEA有效。
當θ=1,并且s-=0,s+=0時,表示決策單元j0為DEA有效。
當θ1，則決策單元j0規模收益遞減，表明決策單元j0對投入量的增加，不會帶來產出更高比例的增加，反而使投入產出比例減少；若1/θλ*j
但DEA方法存在一些局限性：①要求指標之間具有低相關性。②要求較少的指標個數。③DEA方法的CCR模型是基于線性規劃的理論而實現的,對非線性的現實世界問題的解釋會存在較大的偏差。
(2)BP神經網絡。BP神經網絡是指基于誤差反向傳播(Back propagation)算法的多層前饋人工神經網絡。
BP神經網絡的局限性：目標輸出的確定對BP神經網絡至關重要。因為BP神經網絡是“有教師學習”型網絡,要求“教師”給出與所有輸入模式對應的輸出的正確答案,但目標的輸出是十分難確定的,有時帶有主觀性和隨意性,所以本文用DEA的輸出結果作為目標輸出更加具有客觀性。
(3)DEA和BP組合模型的構建思想。首先用因子分析法對輸入和輸出指標選取公共因子指標,帶入CCR模型求解,得出各個城市物流能力所屬的規模收益狀態。選取原始數據的投入產出指標作為輸入,把DEA得到的結果為目標輸出,構成訓練樣本集,最后將其帶入BP神經網絡模型,對網絡進行反復訓練仿真,得到一個可以對城市物流能力進行識別的網絡。DEA和BP神經網絡的組合可以充分發揮各自的優點。
2 指標體系的建立
建立有效的評價指標體系要遵循指標的代表性、可比性和穩定性。本文構建城市物流能力評價指標體系為3級指標,輸入指標為經濟基礎指標(全社會固定資產投資),物流基礎指標(交通運輸固定資產投資,鐵路營業里程、公路里程),支持指標(物流從業人員、公路營運汽車擁有量)；輸出指標為直接產量(貨運量、客運量),間接產量(郵政業務量)。見表1。
3 各城市物流能力實證研究
在東西中部地區分別選取4個城市,東部北京、河北、福建、浙江，西部內蒙古、甘肅、云南、重慶，中部湖北、湖南、江西、安徽，分析它們的物流能力。
業里程、物流從業人員、公路營運汽車擁有量組合成兩個公共因子FAC1_1、FAC2_1為輸入指標,貨運量、客運量、郵政業務量組合成一個公共因子FAC3_1為輸出指標。因為公共因子得分存在負值,不能直接用DEA方法,將數據進行無量綱化處理,無量綱處理方法如下：設xmax為公共因子指標中的最大值,xmin為公共因子指標中的最小值。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來的公共因子當做DEA模型的輸入和輸出,Matlab計算1/θλ*j結果為北京1.0000,河北1.2319,福建0.7015,浙江1.0000,內蒙古0.9903,甘肅0.1686,云南0.7134,重慶0.6526,湖北0.9140,湖南0.9679,江西0.5869,安徽1.0000。從結果可以看出,北京市為DEA有效；浙江、安徽為弱DEA有效；福建、內蒙古、甘肅、云南、重慶、湖北、湖南、江西為規模收益遞增；河北為規模收益遞減。
(3)BP神經網絡。首先對初始數據及參數處理,針對BP網絡本身的特性采用標準化處理,先將樣本集數據的均值和方差作標準化處理,使均值為0,方差為1,變換式為：xi=(xi-u)/δ,在MATLAB中使用［pn,meanp,stdp］=prestd(p)語句來標準化,然后將DEA結果進行編碼把最佳規模收益編為100,規模收益遞增編為010,規模收益遞減編為001作為目標(T)輸出,形成神經網絡的訓練樣本對,針對本例,設隱含層和輸出層的節點數分別為64、3,最大訓練步長為1000,期望誤差為0.01。
使用MATLAB中BP神經網絡工具對DEA模型進行預測,結果顯示為北京100,河北001,福建010,浙江100,內蒙古010,甘肅010,云南010,重慶010,湖北010,湖南010,江西010,安徽100。
4 結 論
從DEA和BP神經網絡的組合模型得出的結果,我們對各個省市的物流能力有了一些認識：福建、內蒙古、甘肅、云南、重慶、湖北、湖南、江西對于區域內各要素的配置基本合理,但仍有改進的余地。進一步優化區城市物流資源的配置水平,提升物流能力。
目前北京市對城市物流各要素的配置已經達到最優,模型考慮到的各投入產出要素中不存在投入過多和產出不足的情況。因此北京市應密切監測各投入產出要素配置狀況,實時掌握影響城市物流發展的外部影響因素,如政策變化、自然災害、意外事故發生的影響等,把握開發的機遇,保持北京市物流能力核心競爭力的同時,注意發掘新的優勢,推動北京物流向更高水平發展。
河北物流能力要素的配置是不合理的,且對外表現為產出不足。說明投資的成效不明顯,導致物流運作效率不高,而且該區域對資源配置的無效率,導致各投資不能有效發揮作用,而未能實現最大產出。因此河北應著力調整產業結構,擴大物流市場規劃等方法來提高物流能力,培育河北省的物流核心競爭力。
參考文獻:
神經網絡的流程范文2
【關鍵詞】力學性能；BP神經網絡；質量預測；神經網絡算法
在熱軋板帶的研究分析中，其質量往往是大家最為關注的，分析人員希望能夠在熱軋產品成型前就能夠得到產品的質量特性，專業人士將這一問題稱為熱軋產品的質量預測問題。然而，熱軋板帶的形成過程是一個具有典型性質的MI-MO非線性系統，與我們傳統的多遠線性回歸方法所計算的結果通常都會有很大的誤差。
神經網絡是有大量的、簡單的處理單元廣泛地相互連接而形成的復雜網絡系統。它無需預先給定公式，而是以實驗數據為基礎，經過有限次迭代計算而獲得實驗數據的內在規律，適用于研究非線性系統。神經網絡是有大量的、簡單的處理單元廣泛地相互連接而形成的復雜網絡系統。因此，我們可采用人工神經網絡對熱軋產品的質量進行預測。
本文以昆鋼熱軋產品Q235為例，對熱軋板帶的質量預測進行研究。利用BP神經網絡理論建立以化學成分、軋制參數為輸入，以力學性能為輸出的質量預測模型―BP熱軋板帶質量模型，并利用訓練好的BP神經網絡質量模型，對產品的力學性能進行預測。
1 BP神經網絡
（1） BP神經網絡原理
（2）BP神經網絡是一種神經網絡學習算法，又輸入層、中間層、輸出層組成，中層可擴展為多層，相鄰層之間各神經元進行權連接，而每層各神經元之間無連接，網絡按有教師示教的方式進行學習，當一對學習模式提供給網絡后，各神經元獲得網絡的輸入相應產生連接權值，然后按減小希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權，回到輸入層。此過程反復交替進行，直至網絡的全局誤差趨向給定的極小值，即完成學習的整個過程。BP神經網絡原理如圖1：
圖1 BP神經網絡模型結構
1.2 BP神經網絡算法
BP神經網絡學習算法是一種迭代算法，一次學習過程包括兩個子學習過程：輸出數據的正向傳播和誤差的反向傳播。如果在輸出層沒有得到期望輸出，則轉入反向傳播，將誤差信號沿原來的連接通路返回，通過修改各層神經元的權值，使誤差信號最小。BP神經網絡流程圖如圖2：
圖2 BP神經網絡算法流程圖
2 熱軋BP神經網絡質量模型
本文以昆鋼生產的Q235為研究對象，通過對大量數據進行統計與分析，得到主要輸入參數與輸出參數。神經網絡是有大量的、簡單的處理單元廣泛地相互連接而形成的復雜網絡系統。輸入參數包括化學成分（碳、硅、錳、硫、磷）和軋制參數（板坯原始厚度、板坯粗軋結束厚度、最終厚度、開閘溫度、總閘溫度、層流冷卻溫度、層流冷卻開始溫度、層流冷卻結束溫度、卷取溫度），輸出參數為力學性能（抗拉強度、屈服強度、伸長率）。熱軋板帶的形成過程是一個具有典型性質的MI-MO非線性系統，通過我們傳統的多遠線性回歸方法所計算的結果通常都會有很大的誤差。
根據以上對熱軋產品生產流程的分析，我們將要構造的熱軋BP神經網絡質量模型具有14個輸入和3個輸出，熱軋BP神經網絡質量模型。
在確定了熱軋BP神經網絡質量模型之后，我們從生產數據中隨機抽取700條數據，其中600條數據作為BP神經網絡訓練數據，100條數據作為BP神經網絡測試數據。
3 熱軋BP神經網絡質量模型預測結果和分析
使用Matlab中的神經網絡工具箱建立熱軋BP神經網絡質量模型，以屈服強度（RM）為例，使用100組數據進行測試分析，生產中，產品最終規格與要求規格誤差在5%之內即為合格，而在誤差在5%之內的占到85%之上即處于可接受范圍，以此為標準，分析結果如圖3（表1、表2）：
圖3 熱軋BP神經網絡模型結構
表1 輸出差值統計表
表2 輸出誤差統計表
表1為屈服強度RM預測輸出值與實際輸出值之差的絕對值在不同范圍時，數據個數統計，樣本總數據個數為100，則由表1知，輸出誤差絕對值在0-10之間的數據有82個，在10-20之間的數據有16個，在20之上的數據有2個，在樣本中所占比例分別為82%、16%、2%。
神經網絡的流程范文3
關鍵詞：神經網絡；邊坡；穩定性
引言
邊坡的穩定性是目前巖土工程界研究的重大課題，在礦山工程、水利工程以及建筑工程等諸多領域都涉及到邊坡的穩定性問題。邊坡工程是一個動態開放的、復雜的、非線性的系統問題，影響邊坡穩定性的因素不但有地質和工程因素，而且還具有不確定性。目前，評價邊坡穩定性的方法有層次分析法、灰色理論法、極限平衡法、有限元法等方法，但是這些方法難以擺脫人為因素的影響，計算復雜，具有一定的局限性。本文將人工神經網絡的知識應用到邊坡穩定性的預測中，結合人工神經網絡在結構上的分布式存儲和并行處理的特點，使人工神經網絡具有較好的容錯性、高度非線性映射、以及自適應、自組織學習的能力，從而能夠捕捉邊坡穩定性與影響邊坡穩定因素之間的相關規律，彌補傳統方法在預測邊坡穩定性上面的不足，實現對邊坡穩定性的可靠預測。
1 神經網絡原理
人工神經網絡ANN（artificial neural network）是屬于人工智能（artificial intelligence）范疇的一種計算技術，它根據人們對生物神經網絡的研究成果設計出來，具有良好的數學描述，可以方便地用計算機程序加以模擬。
目前，最常用的人工神經網絡模型有線性神經網絡、RBF神經網絡、BP神經網絡等，本文采用誤差信號反向傳播的BP神經網絡對邊坡的穩定性進行研究。BP神經網絡在訓練時，由信號的正向傳播和信號的反向傳播共同構成神經網絡的學習過程，其訓練流程示意圖如圖 1 所示。
圖1 基于 BP 算法的神經元網絡結構訓練流程圖
2 神經網絡模型建立及訓練
2.1 輸入樣本和輸出樣本的選擇
基于BP人工神經網絡的邊坡穩定性預測模型的建立，首先是確定神經網絡模型各層的節點個數。本文采用某礦山的邊坡工程實例進行 BP 神經網絡模型的有效檢驗，選取影響邊坡穩定性的6個主控因素為輸入樣本，即：確定輸入變量為 D1—邊坡高度指標，D2—重度指標，D3—內聚力指標，D4—摩擦角指標，D5—邊坡角指標，D6—孔隙壓力比指標。
輸出向量是邊坡穩定性狀態代碼，將邊坡穩定性狀態代碼分為兩種類型：即1代表邊坡穩定性狀態為破壞，0代表邊坡穩定性狀態為穩定。
2.2 模型的訓練和預測
本文通過編寫程序語言，結合Matlab7.0來實現邊坡穩定性的預測，應用人工神經網絡工具箱中的newff函數來建立一個前饋型的邊坡穩定性預測網絡模型，在進行網絡樣本訓練時，其中各參數的設定情況為：學習效率設為0.5，網絡訓練的最大迭代次數為15000次，其收斂精度設置為0.001，采用隨機賦值的方法設定網絡訓練中權值和閾值的初始值。網絡的輸入層和隱含層均采用對數型S型函數作為傳遞函數。通過BP神經網絡信號誤差反向傳播算法所建立的邊坡穩定性預測網絡模型，在樣本訓練的過程中，當網絡訓練達到所設置的目標精度或者滿足最大迭代次數時，自動停止訓練。
本文收集整理了國內外各類礦山及巖土工程中潛在或滑動破壞模式為圓弧形滑落的穩定邊坡和失穩破壞邊坡實例共10個（破壞4，穩定6）。根據提供信息包括邊坡結構參數，巖土體的物理力學性質參數，邊坡穩定狀態及極限平衡法計算安全系數（表1）。輸入層的6個神經元分別對應參數：重度、粘聚力、摩擦角、邊坡角、邊坡高度、孔隙壓力比。將10個樣本提供網絡學習，經922次迭代后網絡收斂。訓練樣本的神經網絡的計算結果見表2。網絡訓練誤差曲線圖如圖2所示。
根據以上預測結果可知，預測精度達到了預定的要求0.001，預測結果與邊坡穩定性的實際情況相符，本文建立的BP神經網絡邊坡穩定性預測模型預測效果較好，預測精度較高，能夠滿足實際工作的需要，輸出結果與現場情況吻合。
3 結論
人工神經網絡將制約和影響邊坡穩定的可直接取實測數據的定性因素包括邊坡結構參數（高度、角度等）以及巖土體的物理力學性質（粘聚力、摩擦角、干容重等）納入模型參與穩定性評價，借助計算軟件MATLAB編制計算程序加以實現。
實際應用表明，神經網絡模型由于具有很強的自學習、自組織的能力和高度非線形動態處理能力，用來評價邊坡的穩定性有較好的適用性，可以加以推廣應用。
參考文獻
[1] 飛思科技產品研發中心. 神經網絡理論與MATLAB7實現[M]. 北京： 電子工業出版社， 2005： 97-116.
[2] 李春輝. 基于BP神經網絡的煤與瓦斯突出危險性預測的研究[D]. 昆明：昆明理工大學， 2010： 40-58.
[3] 劉勇， 江成玉. 基于BP神經網絡的煤與瓦斯突出危險性的預測研究[J]. 潔凈煤技術，2011（1）： 97-100.
[4] 馮夏庭， 王泳嘉， 盧世宗. 邊坡穩定性的神經網絡估計[J].工程地質學報，1995（4）： 54-61
[5] 侯殿昆， 宋秀琴， 劉景凡. 基于神經網絡的多參數露天邊坡穩定性分析[J]. 遼寧工程技術大學學報， 2007， 26（5）： 649-651.
[6] 鄒義懷， 江成玉， 李春輝. 人工神經網絡在邊坡穩定性預測中的應用[J]. 礦 冶， 2011， 20（4）： 38-41.
神經網絡的流程范文4
【關鍵詞】互聯網+ 入侵監測 安全防御 遺傳算法
1 引言
入侵檢測是一種網絡安全防御技術，其可以部署于網絡防火墻、訪問控制列表等軟件中，可以檢測流入到系統中的數據流，并且識別數據流中的網絡包內容，判別數據流是否屬于木馬和病毒等不正常數據。目前，網絡安全入侵檢測技術已經誕生了多種，比如狀態檢測技術和深度包過濾技術，有效提高了網絡安全識別、處理等防御能力。
2 “互聯網+”時代網絡安全管理現狀
目前，我國已經進入到了“互聯網+”時代，互聯網已經應用到了金融、民生、工業等多個領域?；ヂ摼W的繁榮為人們帶來了許多的便利，同時互聯網安全事故也頻頻出現，網絡病毒、木馬和黑客攻擊技術也大幅度改進，并且呈現出攻擊渠道多樣化、威脅智能化、范圍廣泛化等特點。
2.1 攻擊渠道多樣化
目前，網絡設備、應用接入渠道較多，按照內外網劃分為內網接入、外網接入；按照有線、無線可以劃分為有線接入、無線接入；按照接入設備可以劃分為PC接入、移動智能終端接入等多種類別，接入渠道較多，也為攻擊威脅提供了較多的入侵渠道。
2.2 威脅智能化
攻擊威脅程序設計技術的提升，使得病毒、木馬隱藏的周期更長，行為更加隱蔽，傳統的網絡木馬、病毒防御工具無法查殺。
2.3 破壞范圍更廣
隨著網絡及承載的應用軟件集成化增強，不同類型的系統管理平臺都通過SOA架構、ESB技術接入到網絡集群平臺上，一旦某個系統受到攻擊，病毒可以在很短的時間內傳播到其他子系統，破壞范圍更廣。
3 “互聯網+”時代網絡安全入侵檢測功能設計
入侵檢測業務流程包括三個階段，分別是采集網絡數據、分析數據內容和啟動防御措施，能夠實時預估網絡安全防御狀況，保證網絡安全運行，如圖1所示。
網絡安全入侵檢測過程中，為了提高入侵檢測準確度，引入遺傳算法和BP神經網絡，結合這兩種數據挖掘算法的優勢，設計了一個遺傳神經網絡算法，業務流程如下：
（1）采集網絡數據，獲取數據源。
（2）利用遺傳神經網絡識別數據內容，對數據進行建模，將獲取的網絡數據包轉換為神經網絡能夠識別的數學向量。
（3）使用已知的、理想狀態的數據對遺傳神經網絡進行訓練。
（4）使用訓練好的遺傳神經網絡對網絡數據進行檢測。
（5）保存遺傳神經網絡檢測的結果。
（6）網絡安全響應。
遺傳神經網絡在入侵檢測過程中包括兩個階段，分別是訓練學習階段和檢測分析階段。
（1）訓練學習階段。遺傳神經網絡訓練學習可以生成一個功能完善的、識別準確的入侵檢測模型，系統訓練學習流程如下：給定樣本庫和期望輸出參數，將兩者作為遺傳神經網絡輸入參數，學習樣本中包含非常典型的具有攻擊行為特征的樣本數據和正常數據，通過訓練學習得到的遺傳神經網絡可以與輸入的期望結果進行比較和分析，直到期望輸出的誤差可以達到人們的期望值。
（2）檢測分析階段。遺傳神經網絡訓練結束之后，使用權值的形式將其保存起來，將其應用到實際網絡入侵檢測系統，能夠識別正常行為或異常行為。
4 結束語
互聯網的快速發展和普及為人們的工作、生活和學習帶來便利，但同時也潛在著許多威脅，采用先進的網絡安全防御技術，以便提升網絡的安全運行能力。入侵檢測是網絡安全主動防御的一個關鍵技術，入侵檢測利用遺傳算法和BP神經網絡算法優勢，可以準確地構建一個入侵檢測模型，準確地檢測出病毒、木馬數據，啟動病毒木馬查殺軟件，清除網絡中的威脅，保證網絡正常運行。
參考文獻
[1]徐振華.基于BP神經網絡的分布式入侵檢測模型改進算法研究[J].網絡安全技術與應用，2016，24（2）：111-112.
[2]劉成.試論入侵檢測技術在網絡安全中的應用與研究[J].網絡安全技術與應用，2016，24（2）：74-75.
[3]周立軍，張杰，呂海燕.基于數據挖掘技術的網絡入侵檢測技術研究[J].現代電子技術，2016，18（6）：121-122.
[4]謝勝軍.云計算時代網絡安全現狀與防御措施探討[J].網絡安全技術與應用，2016，26（2）：41-42.
神經網絡的流程范文5
關鍵字：智能手機；安全；神經網絡；病毒病毒識別模型在智能手機監測中的優越性以及可行性。
0 引言
現階段，互聯網已成為當今社會不可或缺的一部分，智能手機的數量也是與日俱增，與此同時不斷發展的是手機病毒，手機病毒已成為現代病毒發展的趨勢。
所謂手機病毒，其實是一種破壞手機系統的程序，且其傳播手段極為廣泛，可通過短信、彩信、郵件、網站或者下載文件、藍牙等傳播，手機一旦被病毒感染就會根據所感染病毒程序的要求對手機實施破壞，其表現方式不盡相同，可以使關機、死機、刪除手機資料、自動通話、發郵件等，有的病毒還能夠破壞手機SIM卡和芯片等手機硬件設備。
怎樣才能避免手機遭受病毒的破壞？其主要措施還是殺毒軟件和防火墻：
①定期對殺毒軟件的病毒庫進行更新升級，盡可能的保證其擁有當時已出現的病毒程序的破解，若病毒庫中不存在某個病毒的特征，則殺毒軟件就不能對該病毒進行查殺。此外，現在的手機殺毒軟件病毒庫采用的是特征代碼法，病毒的細微的變化都需要病毒庫對其進行辨別，然而智能手機的存儲空間和運算能力都是有限的，所以這種防殺毒的方法對智能手機而言，并不是完美的。
②而智能手機的防火墻主要的作用是攔截騷擾電話等，而并不是對手機病毒進行監控，面對現存的多樣易變的病毒，防火墻更是顯得微不足道。
究竟該選擇何種方式來保護手機，這也是本文研究的重點―神經網絡。
1 神經網絡
神經網絡是依據生物神經的機制和原理，對信息進行處理的一種模型。它能夠模擬動物大腦的某些機制機理，實現一些特定的功能。人工神經網絡具有很大的優越性：
①具有自學功能。比如說，當對一幅圖像進行識別時，將各種不同的圖像樣本及其對應的結果輸入人工神經網絡，它就能夠自己學習識別相同類型的圖像。
②具有聯想存儲功能。人工神經網絡中的反饋網絡具備了聯想存儲的功能。
③具有高速尋找優化解的功能。
2 神經網絡安全監控系統
神經網絡安全監控系統就是監控手機應用程序，使手機的正常業務能夠順利進行，而對那些異常業務則進行阻止。所謂正常的業務就是那些手機用戶已知的、按照用戶的意愿運行的、并且其運行并不破壞用戶手機中的資源和產生額外費用的已經授權的程序。
通過神經網絡監控手機的而應用程序的流程圖如圖1所示：
圖1 神經網絡安全監控流程圖圖2 單層感知器神經網絡結構
神經網絡智能手機安全監控的第一步是獲取所運行程序的特征，然后借助于神經網絡的識別功能，對所提取的應用程序的行為特征進行識別，如果識別結果為病毒手機會向用戶發出提示信息，若不為病毒則程序將繼續運行。
3.1 程序行為特征的獲取
這里舉個例子說明。例如OwnSkin.A病毒，該病毒以手機主題的形式誘導手機用戶進行下載安裝，一旦該病毒被安裝進了手機，它就會在用戶不知情的情況下自動連接網絡，自動想外界批量發送短信，對手機收到的短信的信息內容進行刪除等等。從對病毒的描述詳細程度方面來說，病毒具有很多種特征，本文以3個為例，進行說明，這3個特征分別是有無按鍵、是否自啟動、是否特殊號碼，程序行為特征獲取的方法如下：
①針對手機自啟動的行為特征：每種手機的系統，都有其正常的程序啟動方式，例如Windows Mobile通過“啟動”設置，Symbian的系統式通過“Recognizer”來設置程序的啟動，Linux系統是將啟動語句加入/ect/init.d/rcs，或者/usr/etc/rc.local中，在程序啟動的時候對這些個位置進行監控，就可以很容易的判別其是否為自啟動。
②針對按鍵這個行為特征：塞班的系統對是否有按鍵這個行為特征的監控是粗略的監控，以短信為例，手機短信的使用一般是先按功能鍵啟動功能圖標，然后選取短信的圖標，接著是對短信內容的編輯，即一系列的數字鍵，監控可得到一個相應的按鍵序列，這樣就可以通過是否有按鍵這個行為特征來監測手機程序的啟動是否正常。
③針對“被叫號碼”和“文件信息”的特征： 對于被叫號碼主要執行的是，查看所要撥出去的電話號碼是否是設置在黑名單里的電話，對于文件信息則是查看信息中所添加的附件是否是安裝文件，如果是手機用戶之間的正常傳輸行為，則必定有按鍵行為特征，這樣也就會避免手機中的病毒程序隱蔽性的自啟動來傳輸文件。
3.2 神經網絡建模
仍舊以上述3個行為特征為例，將其三個特征分別用“0”或者“1”來表示，若無按鍵、自啟動、特殊號碼，其特征值都取“1”，反之則取“0”，這三個特征值一共組合成了8中可能出現的情況，將其標記為矩陣如下：
(1)
借助于神經網絡的識別功能，本文以單層單神經元的神經網絡為例進行說明，采用以下的參數對神經網絡進行設計：
該網絡包含有一個輸入向量，包汗三個元素，并且每個元素取0―1之間的值。
神經網絡中的神經元通過hardlim函數為傳輸手段，根據這個函數設計出如圖2所示的神經網絡結構,：
(2)
該結構輸出結果為二值向量“0”或者“1”，其中“0”表示不是病毒特征，“1”則表示是行為特征。
在智能手機的實際應用中，傳輸函數和網絡結構、層數極易神經元等的類型多種多樣，可根據病毒的實際情況進行選擇和應用，在此筆者只是舉個例子來論述神經網絡是如何識別網絡的。當網絡建好之后，就需要通過適當的方法對病毒樣本進行訓練得出誤差。
仍以上述例子為例進行訓練：
輸入向量為：p= ;目標向量選為：t= ,在MATLAB7.1的環境中對病毒進行訓練，根據所的結果得出訓練的誤差性能曲線，如圖3所示：
圖3 訓練誤差性能曲線
經過訓練并獲取矩陣權重，至此，神經網絡的建?；就瓿?，其模型為
a=hardlim(P1*2+P2*2+P3*1-3)
在手機中所執行的應用程序，計算程序的行為特征向量與病毒的行為特征向量（111）之間的歐式距離，當所得之數比程序的特征行為向量和正常行為特征向量之間的歐式距離大時，系統將將此程序判定為病毒。
運用神經網絡系統對手機進行監測不需要像殺毒軟件一樣需要定期更新，這對手機的安全具有更好的防護作用。
3結語
隨著現代社會智能手機數量的增多和日?；W絡黑客技術也在不斷的發展和完善，因此智能手機安全問題已然不能忽視或者小視。本文針對這個問題，以及殺毒軟件和防火墻的不足之處，論述了神經網絡病毒識別模型在智能手機監測中的優越性以及可行性。
參考文獻
[1]劉一靜,孫瑩,藺洋. 基于手機病毒攻擊方式的研究[J]信息安全與通信保密, 2007, (12) .
[2]李錦. 手機病毒特點及防范對策[J]通信技術, 2009, (02) .
[3]楊建強,吳釗,李學鋒. 增強智能手機安全的動態惡意軟件分析系統[J]. 計算機工程與設計, 2010, (13) .
[4]智能手機安全防護框架淺析[J]. 信息安全與通信保密, 2010, (10).
神經網絡的流程范文6
（安徽理工大學測繪學院，安徽 淮南 232001）
【摘 要】神經網絡算法的收斂性和穩定性已經得到了廣泛的證明，被應用在許多工業監控場合，在傳統的BP神經網絡預測基坑變形方法的基礎上，融入了灰色算法，生成了一種新的智能化模型，以對原有方法進行優化。通過實際案例證明，新的組合模型無論在計算時間還是在計算精度方面，都顯示了較為明顯的優勢，具有一定的經濟意義和實用價值。
關鍵詞 基坑變形；監測；灰色模型；神經網絡
0 引言
隨著我國社會經濟的快速發展和城市規模的不斷擴大，各項大型工程的建設也在蓬勃興起，從而帶動了基坑工程的快速發展?；庸こ叹哂忻娣e大、深度大、造價高及施工難度大等特點，其穩定性和安全性越來越受全社會的普遍關注，因此變形預測和預報成為一項十分重要的工作?；诨拥慕Y構類型、組成物質的物理學性質、外力作用的多變性和不確定性，很難建立合適的確定性模型。目前用于變形預測模型有很多種，如回歸分析模型、灰色系統模型、神經網絡模型等。本文針對灰色模型和神經網絡模型進行改進，以期提高基坑變形測量的準確性，更好的保障工程施工的安全。
1 灰色神經網絡模型
1.1 BP神經網絡
神經網絡結構分為多種，本設計選取了BP神經網絡作為研究對象，它屬于一種前饋型神經網絡，目前應用較為廣泛，已經成為了一種成熟的優化模型。BP神經網絡不但有輸入層節點(單元)、輸出層節點，而且還有一層或多層隱含層節點，層與層之間多采用全連接方式，但同一層之間的節點不存在互相連接。該模型流程如下：
第一階段，正向傳播過程: 輸入層神經元通過接受外界的輸入信息，并傳遞給中間層神經元，中間層神經元負責前后層之間的信息交換，并確定出中間層設計的隱含層的數量，最終將信息傳到輸出層并輸出顯示結果，完成一次正向傳播處理過程。
第二階段，反向傳播過程: 主要用于誤差調整，當預測結果同預期差距過大時，誤差通過輸出層，通過采用誤差梯度下降的方式來調整各層權值，并向隱含層、輸入層逐層反向傳播。
以上兩個過程不斷循環往復，可在很短的時間內完成整個尋優過程，收斂性良好，并可保證將輸出誤差降低至最小。當然，從另一角度考慮，為了防止算法陷入無限循環中，可預先設定學習次數，當模型運算次數達到預定值時，無論是否達到預期精度，都會終止模型并輸出結果。
1.2 灰色神經網絡組合模型
灰色神經網絡的組合預測模型是將灰色GM（1,1）模型和BP 神經網絡模型相結合，并充分發揮灰色系統和BP神經網絡模型各自的優勢，實現兩者優勢互補，從而提高計算精度和運算能力，更好地解決實際工程中復雜的不確定問題。具體實施步驟如下:
（1）采用灰色GM（1，1） 模型對原始時序數據序列{x（0）（i）},i=1，2，…,n進行預測，獲得擬合數據x’（1）（i）。
（2）求出殘差序列e（0）=x（0）－x’（0）,i=1,2,……,n，這里可取e（0）（i－3），e（0）（i－2），e（0）（i－1）作為BP神經網絡的輸入，e（0）（i） 作為網絡的輸出，從而獲得BP神經網絡修正后的殘差序列e’（0）（i） ，則組合模型的最終預測結果等x’（0）（i）+e’（0）（i） 。
采用BP 神經網絡進行殘差修正的預測模型流程，如圖1所示。
2 實例分析
某大型工程基坑開挖深度11m～14m，基坑工程類別為一級。該場地地下水類型主要有上層滯水、第四系松散巖類孔隙裂隙水。土層滯水主要賦存于人工填土層中，水位不連續，變化幅度大，主要接受大氣降水和地表水體的補給?；泳€路東側沿線分布有多個水塘，部分坑內有積水。水坑均為雨季雨水匯集形成，個別水坑在線路上方?；邮┕み^程中，若發生較大范圍的土體變形，造成邊坡土體開裂，會導致水塘內積水滲入基坑，從而影響基坑施工安全。在此期間，為實時了解基坑在開挖過程中的變形情況，對該基坑進行了定期觀測。其中基坑的沉降監測點位布設如圖2 所示。
為了檢驗灰色神經網絡模型在變形監測數據預測中的效果，對該基坑冠梁上監測點x－2的沉降數據數據進行計算分析。這里選取4 個月的監測數據，時間間隔為4d，共計22次數據，分別用3種模型進行預測分析。采用前19 次實測數據建立相應模型，對后3次數據進行預測，將獲得的擬合結果和預測結果同實測數據進行比較分析。通過MATLAB進行編程計算，可得GM（1,1）模型擬合結果。
圖3 列出了兩種模型的擬合和預測情況，可以看出，灰色神經網絡的預測精度明顯高GM（1,1） 模型的預測精度，尤其是數據序列存在上下波動的情況下。在實際的變形監測過程中，由于許多不確定因素的存在，大多數獲得的數據序列是波動的，此時我們可以采用灰色神經網絡模型進行預測，可有效提高精度，并獲得較滿意的結果。
4 結語
本文將灰色理論和神經網絡模型相結合，建立灰（下轉第259頁）（上接第106頁）色神經優化組合模型，充分發揮兩者優勢，能夠在小樣本，貧信息及數據有波動等情況下對變形監測數據做出比較準確的模擬和預測，并具有模型簡單、無需確定非線性函數和計算方便等優點，從而為變形監測的數據處理提供一種有效的方法。
參考文獻
［1］張正祿,黃全義,文紅雁,等．工程的變形監測分析與預報[M]．北京:測繪出版社,2007．
