时间:2023-06-21 09:19:00
导言:作为写作爱好者,不可错过为您精心挑选的10篇网络行为审计,它们将为您的写作提供全新的视角,我们衷心期待您的阅读,并希望这些内容能为您提供灵感和参考。
一、企业财务危机预警的现实意义
财务危机是由于种种原因导致的企业财务状况持续恶化,财务风险加剧,出现不能清偿债务的信用危机,直至最终破产的一系列事件的总称。财务危机将危害到企业正常的生产经营,制约企业的发展后劲,打乱企业正常的生产经营秩序,挫伤职工的生产积极性等。而有效的企业预警机制能够起到提高企业危机管理意识,提高企业适应能力和竞争能力等作用,对企业进行有效的监督和预警也直接关系到企业相关利益人决策、市场竞争机制的客观要求、财务监督、财务预测等方面。所以,对我国企业财务危机进行有效的预警就变得迫切和必要。
二、财务危机预警模型指标体系的选择
任何一种经济现象都具有多方面的特征,财务指标体系就是对经济现象特征的整体描述。在以往的研究成果和我国的企业评价指标体系的基础上,结合我国企业的具体特征,充分考虑各个指标的实际应用效果和获取指标的难易程度,可选择下列指标来建立适合我国企业财务危机预警模型的指标体系:资产负债率;流动比率;净资产收益率;总资产周转率;主营业务收入增长率和每股经营活动产生的现金流量净额。这些指标兼顾到了偿债能力、盈利能力、资产营运能力、增长能力以及现金流量状况五个方面,同时鉴于针对的是企业的财务危机的预警指标,所以在选择构成指标时,也适当侧重了企业的偿债能力和盈利能力指标。
三、基于BP神经网络的财务危机模型的建立及预测结果分析
(一)BP神经网络原理与财务危机预警的可行性分析
BP神经网络是一种调整连接权值及结点阈值时采用的误差逆传播学习方法,是一种典型的误差修正方法。其基本思想是:把网络学习时输出层出现的与“事实”不符的误差,归结为连接层中各单元间连接权值及阈值的“过错”,通过把输出层单元的误差逐层向输入层逆向传播以“分摊”给各连接单元,并据此对各连接权进行相应的调整,使网络适应所要求的映射(图1)。而财务危机预警的6项指标与企业的财务状况之间的关系是很难用普通的方法加以定量化的表述,而通过大量的样本表现出的数学统计学特征的准确表达正是神经网络的优势所在,为此,我们认为神经网络是可行的。
(二)财务危机预警模型样本的选择
考虑到我国近几年在经济、法律、会计方面进行了较大的政策调整,因此在选择样本的过程中我们选取了信息较为连续可比、取得较为容易的上市公司中制造业行业的6个子行业2000―2002年之间的数据,选择了行业中25家ST公司和25家非ST公司作为训练样本,ST公司样本数据为其被ST的前一年的数据资料,随机选择的非ST公司的样本数据为与ST公司同期的数据。我们还选择了2003年同行业的38家ST公司和随机选择的同期非ST公司作为检验样本,用模型的预测结果与已知的实际结果进行对照,以检验模型的准确性。选择这一期间的样本数据是因为这些样本数据的时间跨度不大,在这几年中,国家的会计制度、税收政策和退市制度也没有太明显的变化,整个国民经济的发展比较稳定,无明显的经济周期影响。
(三)网络结构及参数的选取
1.网络结构的确定
输入节点数由控制的目标确定,控制目标为6个,因此输入节点数为6个;输出节点数由风险因素确定,输出节点为2个。一个S型隐含层加上一个线性输出层的网络,能够逼近任何有理函数,增加隐层数主要可以更进一步降低误差,提高训练的精度,本系统中只设一个隐含层,主要通过调节隐层节点数、动量项、学习率提高网络的训练精度。
2.各参数选取
把经过处理后88组样本数据输入到神经网络,前50组作为训练样本,后38组作为预测样本,网络的预期误差0.001。利用神经网络系统对学习数据反复训练,得到实验结果最好的一次,各参数如下:
动量项?准=0.3;学习率?浊=0.4;学习次数n=10000;隐层节点数p=6;网络实际误差?孜=0.0024
(四)财务危机预警预测结果分析
利用前述训练结果,对38个检验样本进行预测,预测的结果(表3)根据下列标准进行判断,如果预测结果逼近于1,则判断为非财务危机公司,如果预测结果偏离1就可判断有财务危机的可能性,可以发出财务危机预警。
通过预测结果与实际结果的比较,可以得出以下验证结果:
1.对于非ST公司,预测的准确率为94.74%;
2.对于ST公司,预测的准确率为84.21%;
3.综合预测准确率为89.47%。
四、该财务危机预警模型的局限性分析
利用神经网络进行财务危机预警模型的研究,从模型的训练和预测结果可以看出,还是具有一定的可行性和有效性。但也存在一些问题:
(一)忽视了企业规模对企业财务状况的影响
本次研究中所选择的ST样本是所属行业的全部样本量,而配对样本则是随机抽取的,在选择的过程中,没有重点关注企业规模对财务危机指标标准的不同要求。
(二)非ST样本公司的代表性
所选取的ST企业被界定为财务危机公司还不容易引起争议,但对非ST公司而言,每个公司仍然存在财务状况非常好、较好或一般的差异,因此用不同的非ST公司和ST公司配对,就不能排除财务危机公司财务状况之间的差异,这也直接影响了预测数据判别的准确率。
(三)ST界定自身具有的不适应性
根据我国对ST公司的划分标准,可以看出其主要看中的还是公司的盈利能力和资本结构比率,而财务危机是企业综合财务状况出现问题的集中表现,它受到多项能力和指标的影响,两者之间并不对等。
(四)神经网络理论自身的缺陷
神经网络自身擅长解决不精确和模糊的信息处理问题,在处理过程中,他会有自动删除样本“噪声”和自动调整的功能,如果其修正数据的过程中出现偏差,或训练过程中参数确定的不准确,也会直接影响预测的准确性。
(五)样本选择的局限性
本次预测过程中受诸多因素的影响,所选择的样本不具有普遍的代表性,局限在了上市公司,连续数据的选择也导致了数据的时效性较差,对当前新经济形势下的企业财务危机的参考作用有待观察。
五、结论
财务危机预警模型通过神经网络原理,在目前是可以实现的,只要在模型建立的过程中,将不稳定因素的影响降低到最低,就可以极大地提高预测的准确率。另外,由于不同的行业有其不同的生产和财务特性,他们的数据表现的要求也不尽相同,因此对于差异较大的行业,应适当建立行业财务危机预警模型,以更好地提高预测的准确程度。
当然,企业财务危机预警模型作为财务危机预警系统的一个有机组成部分。它的作用必须借助于整个系统作用的发挥,也需要企业的高层管理者确实认识到财务危机预警的必要性,才能真正实现对财务危机抑制和防范作用。
【参考文献】
中图分类号: TN927?34 文献标识码: A 文章编号: 1004?373X(2013)09?0040?03
0 引 言
高功率放大器是卫星通信系统中的重要组成部分,当其工作在饱和区附近时,卫星信道具有严重的非线性。这种非线性对信号的影响主要有两方面[1]:一是信号星座图发生变形,造成码间串扰(ISI);二是频谱再生,引起邻近信道干扰(ICI)。
随着现代通信技术和多媒体业务的高速发展,大容量高速率的信息传输十分必要,卫星通信也以不可抵挡之势向高速率大容量的方向迅猛发展。由于通信速率和通信带宽的迅猛增加,频谱资源越来越紧张,现代卫星通信更趋向于采用比恒包络调制频谱效率更高的幅度相位联合调制方式,如DVB?S2标准中的APSK等调制方式[2?3]。与传统的相位调制技术相比,APSK信号由于其信号幅度的变化,对卫星信道的非线性失真更加敏感。为保证通信性能,必须对信道的非线性失真进行补偿。
1 高功放的非线性特性及其对系统性能的影响
高功放的工作特性分为线性区和非线性区,当输入信号功率较低时,输出和输入功率关系是线性的;当输入功率较高时,输出和输入功率关系呈现出非线性,当输出功率达到饱和,再增加输入功率,输出功率不会增大还可能会减小。
高功放非线性模型非常多,本文采用经典的Saleh模型,该模型中幅度和相位的输出仅与输入信号的幅度有关。其幅度和相位转移特性曲线如图1所示,当输入信号归一化幅度小于0.6时,幅度转移和相位转移呈现线性,大于0.6时,其转移特性呈现非线性。
图2为16APSK信号经过非线性高功放的收发信号星座图。可以看出,接收信号星座图已经发生严重畸变,外圈星座点半径被压缩,内圈星座点半径扩大,内外圈星座点欧式距离被缩小;星座点相对原来位置发生逆时针旋转;码间串扰很大,星座点扭曲严重。由于高功放非线性效应的影响,在不加补偿的情况下,接收机已经不能正常工作。
2 正交基神经网络
正交基前向神经网络模型如图3所示。该网络模型由输入层、隐藏层和输出层组成。其中输入层、输出层各有一个神经元,使用线性激励函数[f(x)=x],隐藏层有[n]个神经元,采用一组阶次逐渐增高的正交多项式[φ(x)]作为其激励函数。
传统的神经网络存在收敛速率慢和易陷入局部极小等缺点,文献[4]提出了一种Chebyshev正交基神经网络,该网络的隐藏层神经元采用Chebyshev正交多项式,即文献[4]采用基于伪逆的方法,实现了一步权值直接确定,不需要迭代,具有更高的计算速率和工作精度,同时不存在局部极小的问题。考虑到Chebyshev正交基神经网络的优点,将其应用到卫星非线性信道的补偿技术中。
3 基于正交基神经网络的预失真补偿算法
doi : 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 03. 034
[中图分类号] F272.92 [文献标识码] A [文章编号] 1673 - 0194(2014)03- 0074- 05
人力资源危机在旅行社行业吸引人才、培养人才、留住人才的各个环节都有体现,影响旅行社行业人力资源管理的效果,影响旅行社行业的稳定与发展。因此,如何对旅行社行业人力资源危机状况进行评判,进而采取应对措施,是当前旅行社行业人力资源管理的一个迫切任务。本文引入人工神经网络中的BP网络,构建河南省旅行社人力资源危机预警模型,以期提早应对危机。
1 BP网络简介
BP网络由一个输入层、若干隐含层和一个输出层构成,是一种具有3层或者3层以上结构的多层神经元网络,网络中的神经元分层排列,它的左、右各层之间各个神经元实现全连接,即左层的每一个神经元与右层的每个神经元都有连接,而上下层各神经元之间无连接。每一层内神经元的输出均传送到下一层,这种传送由连接权来达到增强、减弱或抑制的作用,除了输入层的神经元以外,隐含层和输出层神经元的净输入是前一层神经元输出的加权和。每个神经元均由它的输入、活化函数和阈值来决定它的活化程度。在人工神经网络的实际应用中,80%~90%的模型是采用BP网络或它的变化形式。BP网络可以有多层,但前向三层BP网络最具代表性,应用也最为广泛。
2 基于BP网络的河南省旅行社人力资源危机预警模型的构建
2.1 构建旅行社人力资源危机预警指标体系
人力资源危机预警指标体系由一系列能敏感反映人力资源管理活动状态和结果表现的指标构成。笔者通过分析河南省旅行社人力资源危机现状,遵循灵敏性、科学性、可测度性、相对独立性、预见性和可比性等原则,筛选出独立性较强、代表性较强和贡献性高的最小评价指标体系,本文借助了专家打分的方法,各指标的具体值域范围见表1。
2.2 建立基于BP网络的旅行社人力资源危机预警模型
2.2.1 用主成分分析法对模拟数据进行预处理
根据表1,本文共模拟了8组数据(见表2),以建立基于BP网络的河南省旅行社人力资源危机预警模型。
对表2中的极小值指标(如员工隐性流失率等)先取倒数,再利用SPSS统计分析软件进行主成分分析,所得结果见表3。
本文共提取出6个公共因子,其特征值的方差贡献率累积达到了96.044%(通常情况下,累积贡献率达到85%即可)。本文选择参数0.65作为划分主要、次要指标的载荷系数临界值,以满足下一步研究的要求。最后得到由10项指标构成的新的人力资源投资风险预警评价指标体系,如表4所示。
2.2.2 BP网络模型输入节点的选择
根据 Kolmogorov定理(即映射网络存在定理),一个三层BP网络即可在任意希望的精度上实现任意的连续函数 。因此,本研究中采用三层BP网络模型。影响旅行社人力资源危机度的评价因子主要有人才引进率、招聘引进员工胜任度等10个,因此,可确定BP网络的输入层节点数为10。
本文选择上述简化后的10项指标作为BP模型的输入节点。由于BP神经网络的隐层一般采用Sigmoid转换函数,为提高训练速度和灵敏性以及有效避开Sigmoid函数的饱和区,一般要求输入数据的值在0~1之间。因此,需要对输入数据进行预处理。
进行输入节点的输入时,需要先对原始的模拟数据进行归一化处理,将它们转化为闭区间[0,1]上的无量纲性指标值。本着尽可能体现被评价对象之间的差异化原则,即使其离差平方和最大的原则,本文采用了极值处理法进行归一运算:
若Mj = max{xij},mj = min{xij} 则x′ij = ■
式中,xij为原始数据,x′ij∈[0,1]为归一化后的无量纲性指标,其归一化结果见表5。
2.2.3 BP网络模型隐层节点的选择
对于隐层节点的选择是一个非常复杂的问题,因为神经网络巨量并行分布的结构和非线性的动态特性决定了从理论上得到一个简单通用的简洁解析表达式或隐层单元确定公式是十分困难的,甚至是不可能的。隐层节点数的选择与问题的要求和输入输出单元的多少都有直接关系:如果隐节点数过少,网络不强壮,就不能识别以前没有看到的样本,容错性就差,或由于网络太小可能训练不出来;但隐节点太多又会使学习时间过长,误差也不一定最佳。因此,必定存在一个最佳的隐节点数,可用公式q = ■ + a作为参考。其中,q为隐含节点数,m为输入神经元数,n为输出神经元数,a为1 ~ 10之间的常数。
为使隐节点数更合适,本文将根据网络的实际输出与期望输出矢量的均方误差大小及训练步数的多少来综合确定,最终隐含节点选为9,其模型训练精度最佳,训练步数也最少。
2.2.4 BP网络模型输出节点的选择
从表5中选出对应于新预警评价指标体系的数据再次进行主成分分析,步骤同前,所得结果如表6所示。
本文共提取出4个公共因子,其特征值的方差贡献率累积达到92.232%。它们共同决定旅行社人力资源危机的状况。
公因子1上载荷值大于0.65的指标有:招聘引进员工胜任度、培训与员工需求吻合度、员工对评价制度和使用制度的满意度,涉及旅行社人力资源危机的多个部分,可称之为“综合因子”;公因子2上的载荷值大于0.65的指标有:人力资本投资收益率、病假发生率,可称之为“员工发展与保健因子”;公因子3上的载荷值大于0.65的指标有:员工对激励机制的满意度、缺勤率,可称之为员工“价值取向因子”;公因子4上的载荷值大于0.65的指标主要有:员工离职增长率,主要是对员工流失指标的反映,可称之为“员工流失因子”。
第一,计算各公因子的得分。由于在查找旅行社人力资源危机风险因素提出对策时,通常只研究各公共因子上的主要载荷指标,而不考虑其他冗余指标。因此,为使警情分析输出更精确,从而能更准确地分析旅行社人力资源危机风险的内容,更有针对性地提出人力资源危机预警对策,本文忽略各公因子内部的冗余指标(载荷系数小于0.65的指标),只根据主要指标(载荷系数大于等于0.65的指标)的载荷系数,通过下列算式来计算各公共因子得分:
FP1 = ■
FP2 = ■
FP3 = ■
FP4 = ■ = t34
式中,tij是表中指标Xij均值为0、标准差为1的标准化变量;p为数组序号,p = 1,2,…,8。?摇
第二,以各公共因子的方差贡献率占4个因子总方差贡献率的比重作为权重进行加权汇总,得出各数组的最终因子综合得分Fp:
Fp = ■
通过综合因子Fp(见表7)来反映旅行社人力资源危机程度,据此制定相应的防范策略。BP网络最后一层的传输函数Purelin使得网络输出可以是任意值,因此,本文将旅行社人力资源危机预警层次设置为4个级别,如表8所示,BP网络的输出层节点数为4,代表不同的旅行社人力资源危机等级,即安全、基本安全、风险和较大风险,4个等级对应的标准输出分别为[1000]、[0100]、[0010]、[0001]。
依前分析输出节点选择4个,10组输出的4个端子的数值就对应于10组人力资源危机预警指标数据所反映的旅行社人力资源危机状况。
结合旅行社人力资源危机的表现形式,本文提出了以下人力资源危机等级所对应的标准(见表8)。
Ⅰ级状态:旅行社人力资源各方面管理良好,没有明显危机迹象,处于安全状态,但仍需注意各方面的情况,防止突发性危机的出现。
Ⅱ级状态:旅行社人力资源各方面正常,基本看不出什么问题,不过需要提前采取相应措施以提防潜在危机和突发性危机的发生。
Ⅲ级状态:旅行社人力资源出现危机,会带来一定的损失,但不明显,会对旅行社人力资源各方面造成一定负面影响。
Ⅳ级状态:旅行社人力资源出现严重危机,对人力资源各方面造成非常明显和严重的影响,甚至导致旅行社倒闭。
综上所述,本文建立的BP网络人力资源危机预警模型的构造为:10 × 9 × 4(即10个输入神经元,9个隐层神经元,4个输出神经元)。
3 基于BP网络的旅行社人力资源危机预警模型的训练和检测
本文采用MATLAB工程计算软件的神经网络工具箱设计、训练并检测已建立的BP神经网络预警模型。
3.1 基于BP网络的旅行社人力资源危机预警模型的训练
本文将表6归一化后的前6组指标值作为BP网络的输入,由表7确定的风险程度矩阵作为与之相对应的期望输出,导入MATLAB的图形用户界面――GUI(Graphical User Interfaces),即可创建网络进行训练。主要训练参数设置如下(未提及的参数均采用默认值)。
(1) 训练函数:TRAINLM函数,它适用于中、小规模网络的函数拟合问题,收敛快,收敛误差小。
(2) 权值调节规则:LEARNGDM函数,采用动量梯度下降方法对权值和阈值进行调整。
(3) 网络层数:3层。
(4) 性能函数:MSE函数,表示输出矢量与目标矢量之间的均方误差。
(5) 期望误差:ε = 0.001。
由图1可知,当网络训练至第三步时,网络性能达标。BP网络模型的训练输出见表9,至此,BP网络模型训练完毕。
3.2 基于BP网络的旅行社人力资源危机预警模型的检测
同理,用第7、第8组归一化后的指标数据及对应的风险程度矩阵作为模型检测的输入和期望输出,检测结果见表10。检测结果表明,实际输出与期望输出十分接近,误差满足要求。
由此可以得出结论,基于BP网络建立的旅行社人力资源危机预警模型是有效的,可以用这个经过训练、检测完毕的BP网络危机预警模型对旅行社人力资源危机进行预警实证研究,以防范人力资源风险,保证旅行社企业良性运行,同时对整顿治理旅游市场秩序起到监督和促进作用。
主要参考文献
中图分类号:TP391.41 文献标识码:A 文章编号:1672-3791(2017)04(c)-0028-02
该文采用随机Dropout卷积神经网络,笔者将此法的优点大致概况为将繁琐杂乱的前期图像处理简易化,原来的图像不可以直接输入,现在的原始图像即可实现直输功能,因其特性得到广泛研究与应用。另外,卷积神经网络在图像的处理中能够将指定的姿势、阳光的照射反应、遮避、平面移动、缩小与放大等其他形式的扭曲达到鲁棒性,从而达到良好的容错能力,进而可以发现其在自适应能力方面也非常强大。因为卷积神经网络在之前建立网络模型时,样本库为训练阶段提供的样本,数量有限,品质上也很难满足要求,致使网络权值参数不能够完成实时有效的调度与整理。
1 卷积神经网络
据调查卷积神经网络由K.Fukushima在80年代提出,那时候它被称为神经认知机,这一认知成为当时的第一个网络,后来网络算法发生了规模性变革,由LeCun为代表提出了第一个手写数字识别模型,并成功投入到商业用途中。LeNet被业界冠以卷积神经网络的代表模型,这类系统在很多方面都起到了不容小趋的作用,它多数应用于各类不同的识别图像及处理中,在这些层面上取得了重要成果。
笔者经查阅资料发现卷积神经网络其实是由两个种类组合而来,它们分别是特征提取、分类器,这种组成我们可以看到特征提取类可由一定数量的卷积层以及子采样层相互重叠组合而成,全部都连接起来的1层或者2层神经网络,就是由分类器来进行安排的。卷积神经网络中的局部区域得到的感觉、权值的参数及子采样等可以说是重要网络结构特征。
1.1 基本CNN网络结构
图1中就是最为经典的LeNet-5网络模型结构图。通过图1中我们可以获悉,该模型有输入输出层,除这两层外还有6层,其征提取可在前4层中体现,后两层体现的是分类器。
在特征提取部分,6个卷积核通过卷积,是图像经尺寸为32×32的输入而得见表1,运算过程如式(1):
(1)
式中:卷积后的图像与一个偏置组合起来,使函数得到激活,因此特征图变诞生了,通过输出得到了6个尺寸的特征图,这6个尺寸均为28×28,近而得到了第一层的卷积,以下笔者把它简要称为c1;那么c1层中的6个同尺寸图再经由下面的子采样2×2尺寸,再演变成特征图,数量还是6个,尺寸却变成了14×14,具体运算如公式(2):
通过表2我们可以使xi生成的和与采样系数0.25相乘,那么采样层的生成也就是由加上了一个偏置,从而使函数被激活形成了采样层的第1个层次,以下我们简要称为s1;这种过程我们可反复运用,从而呈现出卷积层中的第2层,可以简要称之为c2,第2层简称s2;到目前为止,我们对特征的提取告一段落。
神经网络的识别,我们可以看到它是由激活函数而形成的一个状态,这一状态是由每个单元的输出而得;那么分类器在这里起到的作用是将卷积层全部连接起来,这种通过连接而使1层与上面1层所有特征图进行了串连,简要称之为c5;因而2层得到了退变与简化效应,从而使该神经网络成为经典,简要称之为F6,向量及权值是由F6 输送,然后由点积加上偏置得到结果的有效判定。
1.2 改进的随机DropoutCNN网络
1.2.1 基本Dropout方法
神经网络泛化能力能够得到提升,是基于Dropout方法的深入学习。固定关系中存在着节点的隐含,为使权值不再依附于这种关系,上述方法可随机提取部分神经元,这一特性是通过利用Dropout在网络训练阶段中随机性而得,对于取值能够有效的存储及保护存留,这一特性在输出设定方面一定要注重为0,这些被选择的神经元随然这次被抽中应用,但并不影响下次训练的过程,并具还可以恢复之前保留的取值,那么每两个神经元同时产生作用的规避,可以通过重复下次随机选择部分神经元的过程来解决;我们通过这种方法,使网络结构在每次训练阶段中都能呈现不同变化,使一些受限制的特征,不再受到干扰,使其真正能展现自身的优点,在基于Dropout方法中,我们可以将一些神经元的一半设为0来进行输出,随机神经元的百分比可控制在50%,有效的避免了特征的过度相似与稳合。
1.2.2 随机Dropout方法
Dropout方法就是随机输出为0的设定,它将一定比例神经元作为决定的因素,其定义网络在构建模型时得到广泛采用。神经元基于随机Dropout的方法是该文的重要网络输出途径,通过设定输出为0,使其在网络中得到变。图2是随机Dropout的加入神经元连接示意图,其在图中可知两类神经元:一类是分类器的神经元,这一阶段的神经元可分榱讲悖涣硪焕嗌窬元是由输出而形成的层次。模型在首次训练的阶段会使神经元随机形成冻结状态,这一状态所占的百分比为40%、60%,我们还可以看到30%及50%的神经元可能在网络随机被冻结,那么这次冻结可以发生在模型第二次训练,那么第三次神经元的冻结可从图示中得出70%及40%,还可以通过变化用人工设置,其范围值宜为35%~65%,那么网络神经元连接次序的多样化,也因此更为突出与精进,网络模型的泛化能力也得到了跨越势的提高。
2 实验及结果分析
2.1 实验方法
卷积神经网络通过实验,通过输入层呈现一灰色图像,该图像尺寸被设定成28×28的PNG格式,这里我们以图像框架图得到双线性差值,用来处理图像及原视频中的影像,将框架图的卷积核设定为5×5的尺寸,子采样系数控制值为0.25,采用SGD迭代200次,样本数量50个进行设定,一次误差反向传播实现批量处理,进行权值调整。实验采用交叉验证留一法,前四层为特征提取层,C1-S1-C2-S2按顺序排列,6-6-12-12个数是相应特征,通过下阶段加入随机Dropout,这阶段为双层也就是两层,进行连接,连接层为全体,从而可知结果由分类得出,又从输出层输出。
2.2 实验结果分析
识别错误率可通过卷积神经网络模型,及训练过程与检测过程中可查看到的。在训练阶段中,我们可以将Dropout的网络中融入200次训练,在将没有使用该方法的网络进行相互比较分析,我可以得知,后者训练时的识别错误率稍高于前者,前者与后的相比较所得的差异不是很大,进而我们可知使用Dropout方法,对卷积神经网络在泛化能力上得到有效的提升,从而有效的防止拟合。
3 结语
笔者基于Dropout卷积神经网络,人体行为识别在视频中进行, 通过Weizmann数据集检测实验结果,随机Dropout在分类器中加入。通过实验可以得知:随机Dropout的加入,使卷积神经构建了完美网络模型,并且使其在人体行为识别中的效率赢得了大幅度的提升,近而使泛化能力可以通过此类方法得到提高,可以防止拟合。
参考文献
摘 要:
针对无线传感器网络(WSN)开放性和资源受限导致易受外部和内部攻击以及节点失效等问题,提出了一种高效、安全的可信节点间身份认证方案。方案采用基于身份和双线性对理论实现认证密钥协商与更新,通过基于Beta分布的节点行为信誉的管理计算其信任度,利用信任度识别节点是否可信并采用对称密码体制结合信息认证码实现可信节点间认证。方案不仅能防范窃听、注入、重放、拒绝服务等多种外部攻击,而且能够抵御选择性转发、Wormhole攻击、Sinkhole攻击和女巫攻击等内部威胁。与SPINS方案相比,所提方案在同一网络环境下有较长的网络生命期、较小的认证时延、更高的安全性及可扩展性,在无人值守安全性要求较高的WSN领域具有较好的应用价值。
关键词: 无线传感器网络;可信认证;节点行为;基于身份;Beta分布;双线性对
中图分类号:TP309文献标志码:A
英文标题
Node behavior and identitybased trusted authentication in wireless sensor networks
英文作者名
LIU Tao1,2*, XIONG Yan1, HUANG Wenchao1, LU Qiwei1, GONG Xudong1
英文地址(
1. College of Computer Science and Technology, University of Science and Technology of China, Hefei Anhui 230027, China;
2. School of Computer and Information, Anhui Polytechic University, Wuhu Anhui 241000, China英文摘要)
(2)高度的非线性全局作用。
(3)良好的容错性与联想记忆功能。
(4)十分强的自适应、自学习能力。[2]
近年来,人工神经网络已经在制冷空调方面有了一些应用。[5]、[7]
1 微型冷热电联供系统实验装置设计 1.1 系统描述
上海交通大学制冷与低温工程研究所孔祥强[1]等建立了制冷功率在10 kW左右的微型冷热电联供系统试验台,整个系统采用了一台小型燃气发电机组和一台研究所自己研制的余热型吸附式制冷机,其系统图见图1。系统设计参数见表1。
1.2 实验参数仪器
系统的测试参数包括
(1)热水循环、冷却塔冷却水循环、冷冻水循环的状态参数(主要有温度和流量);
(2)液化气供应的状态参数(主要有压力、温度和流量);
(3)空气供应的状态参数(主要是温度和流量)
(4)小型燃气内燃机排烟的状态参数;
1、人工神经网络
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)和之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。
2、基于人工神经网络的预测模型的构建
在运用ANN预测模型预测这两个指标时,我们采取下面的预测步骤:
(1)首先将1-6月份的数据标准化,及转化为0-1之间的标准化数据;
(2)我们将输入设为1月份、2月份、3月份、4月份的数据,输出设为5月份的数据;
(3)在matlab中调用newff函数,建立一个5个输入节点、10个隐含层节点、一个输出节点的BP神经网络,隐含层和输出层转移函数分别采用tansig(tansig(n) = 2/(1+exp(-2*n))-1)和purelin(y=x),训练函数选择贝叶斯正则化算法trainbr,得到网络仿真数据;
(4)通过得到的网络仿真数据与实际的数据进行比较,我们可以发现该预测模型的精度很高。从而我们可以利用该预测模型预测未来月份的数据,作为决策者进行决策的依据。
3、分圈层企业运行态势预测模型
3.1一圈层企业运行态势预测模型
一圈层主要包括成华区、高新区、金牛区、锦江区、青羊区和武侯区。
我们按照上述步骤,得到最终的预测值,如表1所示,可见,预测值与实际值之间相差并不大,误差为0.099933%。
表1运行监测指标按圈层(一圈层)ANN预测模型实际值与预测值对比表
3.2二圈层企业运行态势预警模型
二圈层主要包括龙泉、郫县、青白江、双流、温江和新都。
我们按照上述步骤,得到最终的预测值,如表2所示,可见,预测值与实际值之间相差并不大,误差为0.09995%。
表2运行监测指标按圈层(二圈层)ANN预测模型实际值与预测值对比表
3.3三圈层企业运行态势预警模型
三圈层包括崇州、大邑、都江堰、金堂、蒲江、邛崃和新津。
我们按照上述步骤,得到最终的预测值,如表3所示,可见,预测值与实际值之间相差并不大,误差为0.1%。
表3 运行监测指标按圈层(三圈层)ANN预测模型实际值与预测值对比表
4、结束语
运行监测指数和信心指数能很好的反映成都市中小企业的发展运营情况,本报告运用人工神经网络这种高精度的预测方法,对这两种指数进行了预测,预测结果精确,经济意义显著。能很好预测未来月份的中小企业的指标值,从而为决策者的决策提供有力的支持和依据。
参考文献:
信息内网终端用户行为是信息网安全的重要组成部分,目前电力公司尤其是地市公司对内网终端网络行为监管能力不足,尤其是邮件发送、网页访问等异常行为缺乏可靠实时的检测工具,为此多数信息网运维单位开展了内网行为审计系统的建设[1]。通常内网行为审计系统主要运用“包捕获”采集技术[2],在核心交换机上采用端口镜像技术,将上联口的流量镜像到某个端口并进行数据包的抓取、分析,并基于数据包分析结果实现内网用户网络行为的审计,典型审计场景包括用户数据量排名、用户兴趣点分布、网络实时流量、不同类型数据包流量统计等。另外系统建立异常信息告警机制,根据设定的监控关键字,对捕捉到的内网网页查看行为和邮件行为进行筛查,对包含关键字信息的数据进行报警[3]。
在面对地市电力公司,具有较大规模的信息内网时,内网行为审计系统建设的建设范围、关键技术成为系统成功应用的基础,本文就地市电力公司内网行为审计系统的建设功能及核心技术进行探讨。
1 内网行为审计系统实现
1.1 功能设计
如图1所示,内网行为审计系统主要包括数据处理、行为审计统计查询及系统管理三部分,分别实现网络包抓取、分析,行为审计分析及系统基础管理工作。
数据处理包括网络流量采集及基于包的网络流量分析功能,网络流量主要利用交换机的端口镜像功能实现,在核心交换机上通过将上联口的流量镜像到某个端口,再通过与该端口连接的主机设备接收镜像流量。主机设备上通过将网卡设置成混杂模式接收所有的传输层数据包,并对接收到的数据包根据传输层的源地址、目的地址及端口信息进行过滤,保留源地址或目的地址为目标系统或网址IP的数据包;再利用应用层的HTTP协议特征对数据包进行二次过滤,保留通过HTTP协议进行网络访问行为;最终针对特定WEB应用利用关键字对访问行为中的发件人地址、收件人地址、邮件标题等字段进行抓取并存储。
根据阜阳公司信息网安全管理要求,开展了内网邮件行为审计和内网WEB系统访问行为审计两种场景的应用,其中邮件审计针对邮件头的关键字段,包括发件人、收件人等进行审计,对于不合规的邮件题目或附件标题进行告警;内网WEB系统访问行为主要用于判断用户的WEB系统访问习惯,根据WEB系统访问的页面、访问频率及访问部门进行统计分析,判断WEB系统的应用情况。
1.2 多线程数据包处理方式
高效的数据包处理技术是解决地市公司高流量的关键技术,如何实现数据包的完整抓取、解析可有效避免行为检测的漏检、错检。本文采用高效的多线程数据包处理方式实现数据包处理,处理流程见图2。
doi:10.3969/j.issn.1673-0194.2020.22.028
[中图分类号]TP393.08;F239.4[文献标识码]A[文章编号]1673-0194(2020)22-00-02
1智能油田信息安全风险
在数字化转型发展背景下,智能油田建设与应用进程逐渐加快,网络与信息系统的基础性、全局性作用不断增强,而保证核心数据资产的安全对油田业务的高质量发展至关重要。当前国内外网络安全形势严峻,境内外恶意分子以及被政治、经济利益裹挟的黑客组织,对能源行业加剧进行网络渗透,攻击关键信息基础设施、窃取商业机密等敏感信息,对油田信息安全构成了极大的外部威胁。此外,内部员工违规访问不良网站内容,使智能系统面临着严重法律风险,加上员工有意识或无意识的网络泄密事件与系统运维人员违规操作事件频发,严重威胁了智能油田发展。目前,我国油田信息安全建设思路已经从防外为主,逐步转为以内外兼顾的策略,信息安全审计成为纵深安全防御延伸和安全体系建设的重要环节。为遵循国家网络强国战略、达到网络安全合规要求,有效避免黑客攻击、网络泄密、违规上网、数据窃取等安全风险,我国急需建立智能油田信息安全综合审计平台,实现信息内容实时检查、网络行为全面监测、安全事件追溯取证,为油田高质量发展保驾护航。
2信息安全综合审计关键技术
信息安全综合审计是企业内控管理、安全风险治理不可或缺的保障措施,主要指对网络运行过程中与安全有关的活动、数据、日志以及人员行为等关键要素进行识别、记录及分析,发现并评估安全风险。针对智能油田业务需求场景,重点解决3项技术难题:一是如何基于纵深防御理论通过大数据、云计算等技术,对油田不同防御层级的日志、流量等信息进行关联分析建模,有效预防黑客隐蔽型攻击;二是如何通过建立面向油田具体业务场景的敏感信息指纹库、安全策略库、行为特征库,构建覆盖敏感文件信息处理、存储、外发等关键环节的纵深防护与事件溯源取证机制;三是如何通过深度网络业务流量识别与数据建模分析技术,建立面向油田具体业务场景的员工上网行为监管审计机制,实現对员工违规网络行为的全面管控。
2.1多源异构网络日志信息统一标准化方法与关联分析模型
设计多源异构网络日志信息格式标准化方法,利用基于大数据处理的日志过滤与关联分析建模技术,整合网络泄密、违规上网、黑客攻击等网络风险事件日志信息,建立油田信息安全风险关联分析模型。
2.2信息安全审计敏感信息指纹库、行为特征库、审计策略库
结合油田具体业务需求场景,运用数据分类分级与指纹识别技术、深度业务流量识别与建模方法,建立满足国家合规要求及油田特有应用场景需求的敏感信息指纹库、网络行为特征库及安全审计策略库。
2.3数据防泄露与敏感信息内容检查机制
基于操作系统底层驱动过滤的数据通道防护技术、基于智能语义分析的敏感信息内容审计技术,实现对员工通过云盘、邮件、即时通信、移动介质等方式外发涉密信息的实时检测与控制,彻底解决员工有意识或无意识地违规存储、处理、外发涉密信息问题。
3智能油田信息安全综合审计平台建设及应用
信息安全综合审计平台是一个综合利用云计算、大数据、人工智能、数据指纹、异构数据采集等技术,实现网络行为监控、信息内容审计、数据库操作审计、网络异常流量监测预警的审计溯源系统,在满足网络合规性要求的同时,为信息安全管理与系统运维人员提供了网络安全监测、事件追溯取证的基本手段,提升了油田对敏感数据的监测预警和传输阻断能力,防止了敏感信息泄露,增强了对外部黑客隐蔽性网络攻击行为与内部运维人员违规业务操作的防御能力。其中,图1是智能油田信息安全综合审计平台总体架构。
基于信息安全综合审计关键技术研究与集成创新,相关单位研发建立了智能油田信息安全综合审计平台,以纵深防御理论为指导,通过网络层面的行为和流量审计、信息系统层面日志和数据库审计、终端层面的信息内容审计等,实现对网络风险事件的事前防范、事中告警、事后追溯,形成上网行为全面管控、网络保密实时防护、网络攻击深度发现的主动治理新模式。贯穿数据信息的产生、存储、传输、应用全生命周期的关键过程,自主建立油田敏感信息指纹库,构建基于涉密违规存储远程检查、终端违规外发自动阻断、网络敏感信息识别告警功能的数据安全纵深防护与事件追溯取证机制,为网络保密主动治理提供技术手段。通过设计跨平台、多协议网络信息采集接口机制与多源异构日志标准化数据模型,结合云计算与大数据处理技术,建立适应油田海量非结构化日志信息的存储云中心,且基于深度学习算法建立关联模型,通过日志信息纵向聚合与横向关联实现网络行为与信息内容全面审计。
解决方案:国都兴业为北京市电子政务网络的网络安全监测审计需求提供了先进的、完善的解决方案。在电子政务骨干网上部署了四套“网络一体化监控审计系统Egilance II”,分别安装在四个骨干节点上。“网络一体化监控审计系统Egilance II”是基于网络会话级的安全监测审计产品,它通过对网络会话的行为和内容的实时监测、报警、记录和审计,提高用户的网络应用和信息安全。