基于神经网络理论的系统安全评价模型

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。

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。

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。

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。

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。

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。

- 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]。

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。