引論：我們為您整理了13篇網絡的概率范文，供您借鑒以豐富您的創作。它們是您寫作時的寶貴資源，期望它們能夠激發您的創作靈感，讓您的文章更具深度。
篇1
在一定的網絡區域內，以節點隨機移動為例，理論上經過足夠長的時間，節點會遍歷網絡，經歷網絡的各種負載狀態，我們稱之為節點的網絡各態歷經性。也就是在經過足夠的時間后，節點能夠掌握足夠豐富的網絡負載信息，而這些信息與當前時刻其他節點的負載高度相關。節點之間沒有任何的負載信息交互。因此節點對網絡狀態感知的準確性就成為負載均衡的關鍵之一。基于歷史信息的負載映射利用節點的歷史負載信息來映射網絡的負載狀態，為節點的路由準入提供有效的參考。研究發現節點負載強度與節點在網絡中的位置有很大的關系，當節點處在網絡的中心區域時，由于經過的路由數比較多，所以節點負載一般較高；相反，當節點處在網絡邊緣時，負載較低。又由于節點的移動，節點在網絡中的位置不斷發生變化，從而節點的負載狀態也在不斷改變。所以，節點在歷經各種網絡負載狀態時，記錄下相應時刻的負載描述值，作為路由準入時的橫向比較參考，使路由準入更準確。四個相隔不遠時刻的網絡拓撲，圖中著色的節點為同一個節點A。從圖中可以看到，從t1時刻到t4時刻這段時間內，節點A由網絡的中心運動到了網絡的邊緣(其它節點也會移動，只是我們并不關心)，而節點移動之后的位置被其它節點取代。2(b)中的t2時刻，節點B運動到了節點A在t1時刻的位置，其它幾個圖同理。節點在網絡中位置的變化導致節點的負載狀態改變，在t1、t2、t3、t4四個時刻，節點A的負載描述值分別為9、7、5和3，可見節點的負載在逐漸降低。而在這個過程中，節點不斷記錄負載信息，包括變化過程中負載的最大值、最小值以及整個過程中的負載平均值等。節點A記錄的負載最大值是t1時刻，其負載描述值為9，負載的最小值是在t4時刻，其負載描述值為3，整個過程負載的平均值為（9+7+5+3）/4=6。節點利用這些歷史負載信息來映射網絡的負載狀態。比如節點記錄的歷史最大負載描述值為9，那么很可能此時網絡中的其它某個節點的負載值為9。通過當前的負載值與歷史負載值比較，節點很容易判斷出自己的負載輕重，從而決定是否準入路由，達到負載均衡的目的。
3.H&P算法
篇2
文獻標志碼：A
Node energy-aware probabilistic routing algorithm for delay/disruption tolerant network
FU Kai*，XIA Jing-bo，LI Ming-hui
Institute of Information and Navigation， Air Force Engineering University， Xi’an Shaanxi 710077， China
Abstract：
Considering the problem of limited energy in Delay/Disruption Tolerant Network （DTN）， a node energy-aware probabilistic routing algorithm was proposed. Nodes in network were distinguished according to energy situation， and different message delivery mechanism and energy-efficient buffer management strategy were adopted in order to achieve the balance between delivery ratio and energy consumption. Simulations indicate that the algorithm improves delivery ratio and reduces overhead ratio on low energy consumption， and has better performance on network lifetime compared with other algorithms.
英文關鍵詞 Key words：
Delay/Disruption Tolerant Network（DTN）； routing algorithm； energy-aware； message delivery； buffer management
0 引言
容遲/容斷網絡（Delay/Disruption Tolerant Network， DTN）[1-2]是一類采用“存儲—攜帶—轉發”機制的新型網絡，主要應用于深空通信、戰爭網絡、移動自組網，以及無線傳感器網絡等。在DTN中，由于節點的移動性通常不存在一條完整的端到端路徑，而且節點的緩存資源和能量有限，存在較大且可變的時延，因此傳統的Internet路由協議不能獲得理想的性能。
為了在鏈路間歇中斷的情況下提高消息傳輸的效率，研究人員提出了幾種典型的DTN路由算法[3-4]。Epidemic算法[5]采用傳染機制盡可能地增加消息副本數量來提高傳輸成功的概率，但對于節點能量和緩存資源的消耗很大。PROPHET算法[6]基于歷史信息計算轉發效用，有效克服了消息的盲目轉發，減少了消息副本數量和節點能量消耗。First Contact算法[7]是一種不需要先驗知識的單副本路由算法，只選擇首先接觸到的節點為轉發節點，對于網絡資源的要求較低，但不能保證消息成功傳輸到目的節點。
隨著研究的深入和DTN應用的推廣，節點的能耗問題越來越值得關注，尤其對于一些小型移動設備更為突出，因此在路由算法設計中節能也是必須考慮的。文獻[8]提出基于能量約束和歷史信息的容遲網絡路由算法，節點依據歷史記錄和剩余能量進行層次編碼，提高了節點將數據傳輸到基站的可能性。文獻[9]提出基于節點優先級的數據轉發策略，考慮了節點剩余能量對傳輸優先級的影響，有效地控制了消息平均副本數，并降低了能量消耗。為合理利用網絡中的能量傳輸消息，本文提出一種節點能量敏感的概率路由算法，在消息轉發和緩存管理上體現了節能的理念，延長了網絡壽命。
1 網絡模型和問題描述
1.1 基于節點能量的網絡模型
在網絡中，每個節點都被賦予一個初始能量Einit，節點實時剩余能量為Eres。為了方便研究節點能量對路由選擇的影響，本文依據節點能量剩余率RE（RE=Eres/Einit）設置能量狀態門限Estate和能量告警門限Ewarn，并將網絡中的節點劃分為高能節點（RE≥Estate）、低能節點（EwarnEs。另外，在所研究的網絡中具有以下假設條件：
1）維持節點移動性等所需的能量消耗不在考慮范圍之內，如車載、機載等通信設備的運動能耗由車輛或飛行器提供。
2）Et和Er依據每次接收或發送一個數據包計算，Es為每分鐘的掃描能耗，并認為以上均為固定值，當能量耗盡時不再進行掃描和收發消息。
篇3
1 背景資料
流行音樂（Popular Music）于19世紀末20世紀初起源于美國，從音樂體系看，流行音樂是在布魯斯、爵士樂、搖滾樂、等美國大眾音樂架構基礎上發展起來的音樂。中國流行音樂的風格與形態主要受歐美影響，在此基礎上逐漸形成本土風格。近年來流行音樂中刮起了一股“中國風”，音樂風格不同的音樂人借助這一元素共同表達了一種向中國傳統元素靠攏的趨勢，使得流行音樂具有獨特的中國風格。中國流行音樂中中國元素有逐漸增多的趨勢，如流行音樂出現了戲曲元素、古典元素等，使得我國流行音樂得到了更大的發展，我國的流行音樂中的音樂元素也開始呈現多樣性發展景象。像我國最近幾年流行的Pop（流行）、Country（鄉村）、Jazz（爵士）、Rock（搖滾）、R&B（節奏布魯斯）、NewAge（新世紀）、經典（classic）等。
隨著經濟的快速發展，我國信息化速度的加快，互聯網的不斷發展，流行音樂的傳播媒介從傳統的電臺和唱片逐漸過渡到網絡下載和網絡電臺等。流行音樂的結構短小、內容通俗、形式活潑、情感真摯，并被廣大群眾所喜愛，廣泛傳唱或欣賞，流行一時的甚至流傳后世的器樂曲和歌曲。這些樂曲和歌曲，植根于大眾生活的豐厚土壤之中。在近幾十年里，流行音樂慢慢的被作為商業性的音樂消遣娛樂，以及與此相關的一切“工業”現象許多的網絡電臺都會搜集上符合大部分人喜好的音樂，以供收聽者的下載和播放。由于每個人喜好的音樂可能橫跨若干種風格，各種網絡電臺需要搜集大部分人對不同音樂的喜好程度，需要根據流行音樂的風格分成各種類別的音樂。
2 模型的建立與求解
2.1 數據處理
我們選取中國流行音樂中的六大類風格音樂作為訓練樣本，選取的七個音符在樂譜中的數目百分比可以反應歌曲的風格。根據數據源分別計算出主要音符在樂譜中出現的頻率。從計算的數據中，我們可以看出歌曲樂譜中的音符數頻率滿足一定的均勻分布，基本分布在0到1之間，我們的樣本數據可以作為訓練樣本，在神經網絡系統中試驗，我們希望我們的試驗可以達到一定的準確率。
2.2 概率神經網絡模型
概率神經網絡（PNN）是一種基于Bayes分類規則與Parzen窗的概率密度函數估計方法發展而來的并行算法。[1]在實際應用中，尤其是在解決分類問題的應用中，它的優勢在于用線性學習算法來完成非線性學習算法所做的工作，同時保持非線性算法的高精度等特性。PNN網絡可以用來進行更多樣本的預測，訓練樣本較大時且要求精度較高時，網絡常常不收斂且往往陷入局部最優。
概率神經網絡由徑向基神經元和競爭神經元組成，經常用來解決分類問題。概率神經網絡的拓撲機構如圖2所示，共分4層，分別為輸入層、模式層、求和層和輸出層。[2]
（1）輸入層接受來自訓練樣本的值，將特征向量傳遞給網絡，其神經元數目和樣本矢量的維數相等；
（2）模式層計算輸入特征向量與訓練集中各個模式的匹配關系；
（3）模式層神經元的個數等于各個類別樣本數之和，給曾每個模式的輸出為
式中，；為輸入層到模式層連接的權值，為平滑因子，它對分類的起著至關重要的作用。
（4）求和層，是將屬于某類的概率統計，按①式計算，從而得到故障模式的估計概率密度函數。因此求和層單元簡單地將自己類的模式層單元的輸出相加，而與屬于其他類別的模式層單元的輸出無關。[3]求和層單元的輸出與各類基于內核的概率密度的估計成比例，通過輸出層的歸一化處理，就能得到各類的概率估計。
（5）基于PNN故障診斷方法。
假設有兩種已知的故障模式、，對于要判斷的故障特征樣本：若，則；
式中，先驗概率（，）；我們可以根據現有的故障特征樣本求其統計值。
2.3 模型的求解
用訓練好的PNN神經網絡對訓練數據進行迭代，得到60個樣本的判定結果，如圖2，可見只有6個樣本判斷錯誤，準確率達到90%，之后我們仍然用的是MATLAB軟件做出誤差圖，能更清晰地發現該模型的準確性，其中出錯的6個樣本是因為這些樣本不僅只有一種風格屬性，還有其它風格的屬性，因為該模型的決策屬性是音符、高八度、低八度、空拍、節拍減半、節拍延長、浮點音符在樂譜中的出現頻率所組成，難免會出現前幾個屬性服從一種風格，而其余幾個屬性卻服從另外一種風格，所以判斷會有誤差，因此可以判定，該模型確實可以對現有的音樂分類做出相對準確的判斷。
2.4 模型的預測檢驗
將測試數據的代入，由圖3，我們用測試的樣本數據通過神經網絡試驗，我們得到預測的錯誤率是21%，預測的效果還是可以說明了該模型的可行性以及有效性。
3 模型的推廣
3.1 對流行音樂市場的分析
隨著互聯網的發展，在利用概率神經網絡模型的分類，我們通過MATLAB對其實現，可以看出我們的分類準確度較高，達到將近95%以上，這表明該分類方法合理。利用此方法對音樂的分類詳細，搜索靈敏度高，比如對網絡電臺對音樂的推薦會有很大幫助。在音樂電臺中經常要滿足聽眾的需求而搜索好多不同類型的歌曲，其歌曲因人的喜好而具有不同風格的歌曲，按照我們的模型概率神經網絡（PNN）來模擬的分類方法可以將各種不同類型的歌曲進行詳細準確無誤的分類，從而能在音樂電臺時間可以找到聽眾所需求的歌曲，而且迅速及時剛好符合短時間內的多需求量的特點。使得其音樂電臺更加受聽眾的喜愛。
3.2 基于流行音樂的大眾審美研究等
通過對音樂細致精確地分類，我們從內心直覺感受出發通過音響激發想象和聯想，去審美音樂，并且視聽聯覺形象思維和創造性思維[4]等能力培養與審美音樂有密切關系，所以我們可以充分調動視聽聯覺通過音樂審美可以鍛煉自己的想象思維，掌握審美音樂的特征和方法，可以了解審美音樂的心理要素及其活動過程，從而更容易引導和鍛煉人的思維和想象能力。
參考文獻
[1]Specht D.F.probabilistic neural networks[J].cural Ncural Networks，1990.3（1）：109—118.
篇4
Key words： PPP project；Bayesian network；risk probabilistic assessment；characteristics of Gansu
中圖分類號：F283 文獻標識碼：A 文章編號：1006-4311（2015）36-0087-03
1 研究背景
PPP模式，也稱公私合營模式，是一種新型的項目融資方式，它是由政府或公共部門與私人部門基于特定項目進行合作的模式，常應用于公共基礎設施建設項目中[1]。首先，PPP模式可以避免政府因為對基礎設施建設投入過多的資金而產生的債務危機；其次，可以充分利用私人企業的商業高效率，擺脫了由政府主導的基礎設施建設的低效率困擾；最后，PPP模式的引進，促進了政府和地方企業的技術交流，可以使雙方都獲益[2]。
隨著經濟的全球化，我國應用PPP模式進行基礎設施建設取得了很大的進展，如20世紀80年代的深圳沙角B電廠，20世紀90年代成都的自來水廠，廣西來賓B電廠等。甘肅省地處西北，基礎設施明顯建設滯后于經濟建設和社會發展的要求且建設資金短缺，PPP模式為改善這種現狀提供了一個很好的途徑[3]。但是，由于甘肅省自身具有很多方面的不足，導致開展PPP項目的建設存在一些難以避免的風險，目前甘肅省與其他發達省份相比PPP項目的開展還相對滯后，故對甘肅省政府開展PPP項目進行風險研究并采取合理的方式規避或解決，對于加強PPP項目的推廣具有很重要的實際意義。
本研究基于貝葉斯網絡方法，對PPP項目全過程中可能對項目成敗產生影響的主要風險因素進行歸納分類，并對各類風險發生的概率進行排序，并針對發生概率較高的風險提出合理建議。
2 研究方法
研究方法實施步驟如下所示：
整體來講，貝葉斯網絡是先研究某一般事件的風險概率情況，再通過結合特殊環境下的各風險因素發生的條件概率，通過貝葉斯概率計算出特殊環境下該事件的風險概率情況。即通過先驗概率，結合后期調查計算出后驗概率的過程。
首先，通過查閱相關文獻，找到在一般情況下的某事件存在的風險因素，進行整理分類，根據風險事件和風險因素之間的“父子”關系構件貝葉斯網絡圖。設計調查問卷，問卷采取模糊綜分析法描述的形式，如表1所示，向專家咨詢各風險因素發生的概率，對答卷者選擇的選項所代表的概率范圍取中值，明確各節點之間的邏輯關系，構建各子節點的CPT。將調查所得的數據導入貝葉斯網絡圖，得到各風險狀態下風險事件發生的概率，并將結果反饋給專家檢驗其合理性和準確性，并根據專家意見做出修正，此時得到的結果為先驗概率。
其次，分析在特殊環境下該事件面臨的特殊情況，構件條件概率表，如表2所示，該表描述在第一列的特殊情況下第一行的風險因素發生的可能性。假設有k種特殊環境ak（k=1，2，…），由于a1，a2，…，ak之間相互獨立，則風險因素b1發生的概率為
P（b1）即為一般情況下風險因素b1發生的概率，將計算得出的根節點發生的概率導入貝葉斯網絡，分別計算出各風險狀態下風險事件發生的概率，此時得到的概率為后驗概率。
最后，將在該特殊環境下的風險狀態對風險事件影響的大小進行排序，找出概率最大的風險狀態，并根據實際情況提出合理建議，減少風險事件發生的概率。
3 研究方法實際運用
本文將該研究方法應用于對甘肅省政府開展PPP項目進行風險評估，希望可以使推進甘肅省PPP項目的建設更加順利的進行。
3.1 構建PPP項目的貝葉斯網絡
通過閱讀大量PPP項目風險類相關文獻[7-11]，總結了14種影響項目成敗的主要風險因素，如表2所示，本文要站在政府的角度研究10種非政府因素對項目成敗的影響。然后通過與5位相關專業老師的討論，構建PPP項目的風險貝葉斯網絡圖。
3.2 構建各子節點的CPT和各風險因素發生的平均概率表
經過分析，子節點“市場和社會環境方面”，“開發商方面”，“國家宏觀調控方面”，“不可抗力”均為“或”節點，而“項目失敗”為“綜合”節點。對于“項目失敗”節點需要通過對專家進行調查問卷。調查對象是至少有3年以上的PPP相關研究經驗的在校工程管理專業大學本科教師。此次問卷共有5人參與，答卷有效率為100%，得到如表3所示的條件概率表。
為了得到一般情況下的PPP項目主要風險因素發生的概率，本研究總結了大量相關文獻的數據[7-11]，并未發現爭議較大的風險因素，故歷史數據可以作為本研究使用，具體見表4。
3.3 通過貝葉斯網絡進行平均風險概率水平評估
將表3和表4中的數據輸入貝葉斯網絡中，通過Netica軟件的計算分別得到市場和社會環境方面、開發商方面、國家宏觀調控方面、不可抗力方面這四種類型的風險事件導致項目失敗的概率，如圖1至圖4所示。這里得到的先驗概率不針對特定省份，是一個平均值。
將四種類型的風險事件導致項目失敗的概率進行排序，得到結果如表5所示，可以得出結論，在一般情況下，最有可能導致項目失敗的是市場和社會環境，其次是開發商和國家宏觀調控最后才是不可抗力。
3.4 特定省份PPP項目風險概率水平評估
本研究針對的是甘肅省這個特殊省份，通過對以往研究[12-13]的分析與總結，得出甘肅省與其他發達省份相比，政府擔保和制定政策方面的缺失、法律體系和金融體系方面的不足、收入保證與收費的批準存在問題、審批體系存在問題和專業機構和專業人員力量不足，對風險因素的發生概率具有一定的影響。因此在進行風險評估時需要把這五個特點考慮進去，對專家進行問卷調查的結果如表6所示，調查對象同表3。該條件概率表描述在第一列條件的影響下各風險因素發生的可能性。
根據表4和表6計算出甘肅省PPP項目各風險因素發生的概率，如表7所示。
將表7中數據導入貝葉斯網絡，計算可得出甘肅省除政府外各風險事件導致PPP項目失敗的概率，此為后驗概率。結果如表8所示。
通過評估結果可以看出，市場和社會環境對項目的失敗影響最大，其次是開發商和國家宏觀調控，最后是不可抗力。
4 結論與建議
首先，從甘肅省自身出發，政府固有的缺陷給PPP項目的開展創造了不利條件。要從根源入手，加強政府信用，斷絕內部腐敗，提高辦事效率，為PPP項目的開展創造一個良好的前提條件。其次，市場和社會環境對項目的成敗影響最大，在進行PPP項目融資前必須要對市場和社會環境做一個全面的調查，盡量做到準確的預測市場未來的發展趨勢和社會公眾對項目的支持度，減少不利因素的發生。政府在選擇合作的開發商前也應該反復對比，選擇信譽高，技術先進，資金力量雄厚的開發商，盡量避免在開發商方面出現風險。最后，也是最重要的是要合理分配風險，政府和承包商應共同分擔風險，分配原則遵循“哪一方能夠最好地控制該風險，且能產生最大的整體效益，則將風險分配給誰”[14]。這樣才能實現項目的效益最大化，風險最小化。
參考文獻：
[1]劉繼才，王穎林，唐絲絲.我國PPP項目關鍵風險實證研究[J].生產力研究，2012，4：93-96.
[2]liujicai. Real Option’s Application in Risk Management of PPP/PFI Projects[M].北京：科學出版社，2010.
[3]羅旭.BOT模式及其對甘肅省鐵路融資的思考[J].中小企業管理與科技，2009.
[4]郭波，龔時雨，譚云濤.項目風險管理[M].北京：電子工業出版社，2007.
[5]魏彩荷，王恩茂.基于貝葉斯網絡節能住宅的投資決策[J].節能，2013（11）：9-11.
[6]汪濤，廖彬超，馬昕，方東平.基于貝葉斯網絡的施工安全風險概率評估方法[J].土木工程學報，2010，43（增刊）：384-391.
[7]牛學峰.PPP項目融資風險指標體系及模糊綜合分析方法研究[D].重慶：重慶大學，2008.
[8]張曉兵，張小富.基于ISM的國際PPP項目風險因素相互影響分析[J].建筑經濟，2013（2）：38-41.
[9]晁岱壯.基于PPP的公共基礎設施項目融資風險管理研究[D].湖南：中南大學，2011.
[10]亓霞，柯永建，王守清.基于案例的中國PPP項目的主要風險因素分析[J].中國軟科學，2009（5）：107-113.
[11]王昕，徐友全，高妍芳.基于貝葉斯網絡的大型建設工程項目風險評估[J].工程管理學報，2011，25（5）：544-547.
篇5
Keywords: structural damage; Damage identification; Cantilever version; The probability of wavelet neural network (WPNN); Data fusion
中圖分類號：TU973+.1 文獻標識碼：A文章編號：
1引言
當前，世界范圍內建筑工業的重心正在從大規模新建轉向新建與維修加固并舉[1]。土木工程結構如房屋建筑、橋梁、海洋平臺等在投入使用之后，由于地震、火災、咫風等自然災害或一長期作用的疲勞、腐蝕等原因而產生不同程度的損傷，結構損傷經過長期的累積必然會導致結構發生破壞或使用性能降低[2]。結構的損傷檢測、診斷是土木工程結構經歷自然災害、長期作用后進行維修、加固的基礎，是一項復雜的系統工程，其核心的問題是基于什么理論進行損傷的檢測[3]。
在損傷識別以及其它的信息獲取及處理過程中，信息的確定程度主要取決于選用傳感器的種類、所選擇的方法以及信息源本身[4]。進一步說，單一傳感器獲得的信息通常是不完整、不精確的。多傳感器數據融合技術從多源信號中獲取信息，減小了信息的不確定度，助于幫助制定決策。無損檢測數據融合近幾年發展很快。來自不同國家的很多人對它表現出極大的興趣，他們已經提出了多種適用于無損檢測數據融合的模型[5]。本文給出了一種新的基于小波概率神經網絡（wavelet probabilistic neural network , WPNN）和數據融合的結構損傷檢測方法模型，并給出了該模型在結構損傷識別中的應用。
2基于頻率的結構損傷識別原理
運用試驗測試的數據來確定結構系統運動方程中的參數叫做參數識別。參數識別的典型過程包括在結構系統的模態試驗中測量由于外部激勵作用下的結構響應;從響應的數據中直接地或通過數據處理技術確定系統的動力特性，諸如自振動頻率和振型。結構的頻率相對振型來說更容易較準確測量，而且能夠反映結構整體特征，使其成為結構損傷識別中的重要特征參數。由于系統的自振動頻率和振型是系統參數如質量和剛度的函數，所以可以將實驗得到的結構動力特性與數學模型預測的結構動力特性進行比較從而確定系統參數[6]。結構損傷探測的基本方法正是基于以上的基本概念而產生的。
當不考慮阻尼時，結構振動的特征值方程為
（1）
其中矩陣 、 分別表示離散的質量矩陣、剛度分布， 與 分別是結構第i階固有頻率和正則化振型向量。設損傷使結構剛度矩陣、質量矩陣、頻率及振型向量的變化分別為 、 、 和 則有
（2）
由于結構定部分的質量和剛度損失而引起的 、 的任何變化，都將在自振頻率和振型的測量值中有所反應。當系統自振頻率和振型的測量與原始未損傷系統自振頻率和振型之間出現了差異時，就是表示系統中出現了損傷。一般來說，建筑結構的損傷對結構質量的影響很小，即可取 。將上式左乘 然后展開并忽略二階項，則有
（3）
P.Cawley研究表明兩階頻率的變化比值只與損傷位置有關，而與損傷程度無關。通常采用歸一化的頻率變化率，設第i頻率的變化率為：
(4)
式中fui和fdi分別是結構損傷前后的第i階頻率。FCRi與損傷程度和損傷程度有關，假定損傷不引起質量變化，則有
(5)
將（9）式關于 級數展開并忽略高階項，可得：
(6)
將頻率變化按下式歸一化，得
(7)
可見，歸一化的頻率變化也只與損傷位置有關。
3小波概率神經網絡與多傳感數據融合技術原理
目前，基于動力響應的各種智能損傷診斷技術得到研究，但這些技術存在著識別精度不高或適用條件等缺陷。迅速發展的數據融合技術具有充分利用各個數據源包含的冗余和互補信息的優點，可以提高系統決策的準確性和魯棒性。基于小波概率神經網絡（wavelet probabilistic neural network , WPNN）和數據融合的結構損傷檢測方法將兩者有機結合，揚長避短在損傷識別中顯示出獨有的優越性。
為了充分發揮數據融合與 WPNN 的優點，提出了基于 WPNN 與數據融合的損傷檢測模型見圖1，它首先將來自傳感器 1 的結構響應進行數據預處理、特征提取，采用小波理論，獲得該傳感器的小波能量特征向量；依次類推，獲得其他傳感器的小波能量特征向量;然后將這些小波能量特征向量放入WPNN中，進行神經網絡訓練及融合計算；最后根據最大的概率密度函數值得到融合損傷識別結果及損傷類型。
圖1基于WPNN與數據融合技術的損傷識別模型
可見，基于 WPNN 與數據融合技術的損傷識別與診斷過程是根據從目標的檢測量得到損傷特征向量（模式），經過數據融合分析計算與處理，進行損傷識別及損傷定位的過程。
4結構損傷在線檢測原理
結構損傷檢測的核心技術是模式識別，而模式識別就是將理論分析得到的損傷模式特征庫與實測的模式進行匹配。一般先通過分析各種不同的損傷序列或破壞模態來建立模式庫，然后觀察實測振動信號的變化，并將它與可能發生損傷的模式數據庫進行比較，選擇最相似的模式。神經網絡本身具有模式匹配與記憶的能力，而且對于具有一定噪聲的模式，識別效果更好。運用模式識別進行損傷檢測與用神經網絡進行損傷檢測是兩種不同的診斷方法，但二者密切相關，可以用神經網絡來實現模式識別的損傷檢測。結構損傷的在線檢測原理如圖2所示。
5數值模擬實驗分析
為了驗證神經網絡技術在結構損傷檢測中的有效性，利用ANSYS有限元程序模擬鋼筋混凝土懸臂板，物理參數為:板長lm，寬度0.5 m，密度為7.85 ×103 kg/m3，楊氏模量2.02 ×105 MPa，泊松比0.3。數值模擬試驗模型圖如圖3所示。以單元剛度折減15%來模擬結構的損傷，并忽略結構損傷引起的結構質量的改變。
懸臂板無損傷時前三階頻率為： =8.3206Hz,=35.6900Hz,=51.7780Hz。（理論值為 =8.5620Hz,=36.8200 Hz,=53.2900Hz）,用16個位置剛度分別降低5%來模擬單元的損傷情況。
圖2 結構損傷在線檢測原理
圖3 數值試驗單元網格劃分圖
由于結構中某類損傷的發生可能只與幾個監測參數相關聯，即只跟損傷狀態樣本中與該損傷狀態模式對應的非零特征量相關；同樣，某一傳感器的輸出數據也可能與幾類損傷狀態模式有關。為了充分利用各傳感器的輸出數據進行損傷檢測，采用1、3、4、5、6、8、9、10、12、13、14、15、16單元所得到的訓練樣本進行損傷檢測與識別模型的訓練，基于 WPNN 與數據融合的損傷識別模型的訓練樣本數可以確定出來，檢驗樣本數為2、7、10、11單元的數據。WPNN模型的拓撲結構為20-165-5-5，即輸入層神經元個數為 20，模式層神經元個數為 165，求和層和決策層中的神經元均為5 個。模型配置訓練好后，用另外2、7、10、11這4個檢驗樣本進行檢驗，基于 WPNN 與數據融合損傷檢測方法的識別正確率較好。
6結論
多傳感器數據融合損傷識別性能較好，使用基于 WPNN 與數據融合的損傷識別方法能夠提高損傷識別與診斷的準確性與可靠性。多傳感器所采集的信息具有冗余性，當其中有一個甚至幾個傳感器信息不可靠時，經過數據融合處理后會使基于 WPNN 與數據融合的損傷識別方法在利用這些信息時具有良好的容錯性。總之，利用神經網絡進行特征級數據融合對結構損傷進行診斷與識別，具有很大的潛力，值得進一步在理論與實際應用上開展深入研究，這種方法也必定將成為結構損傷診斷研究領域的新方法。
參考文獻
[1] 李國強，李杰.工程結構動力檢測理論與應用[M].北京：科學出版社, 2-4
[2] Tsou P., Shen M. H. Structural damage detection and identification using neural networks [J]. AIAA Journal, 1994,32: 176-183
[3] 楊英杰，虞和濟.結構損傷狀態識別的神經網絡方法[J].東北大學學報，1994，15 (2)：210-214.
篇6
當然，實踐中的情況總是那么復雜。筆者曾經遇到過一些這方面比較有意思的案例。比如，金庸先生寫過一本膾炙人口的武俠小說《笑傲江湖》，該小說的名稱有沒有原創性？單就這四個字而言，如果是金庸原創應該是有著作權的。而據筆者了解，《西游記》中就有一首詞的最后一句為“得來烹煮味偏濃，笑傲江湖打哄。“《西游記》創作于明朝，并且包含了”笑傲江湖“四個字。即便金庸先生原創了這個詞，但因為《西游記》里有那就可以證明此詞更早時另有出處，則單以名稱侵犯著作權作為訴訟理由就不充分了。
其次，小說的作者如果有法律意識，可能把小說名稱申請為商標，如果游戲開發者以此命名的，則存在商標侵權法律風險。筆者的建議是，網游團隊在游戲命名前，先委托專業的知識產權保護機構進行商標檢索，以避免風險。可能有朋友會問，如果該名稱沒有申請商標，我們可以申請嗎？筆者的答案是，可以申請，但小說的版權人也有權以惡意搶注為由申請撤銷該商標，同時，即便申請了商標，如果有其他侵權行為，比如在游戲中使用了小說的人物、地域名稱等元素，還是有侵犯原作者版權的法律風險。
第三，如果游戲和小說的名稱相同或者相似，同時又使用了小說中的一些元素，則面臨版權侵權和不正當競爭的法律風險，這個在《著作權法》和《反不正當競爭法》中都有明確的規定。當然，這種侵權風險并不是絕對的，就筆者個人的經驗而言，很多時候，游戲使用的內容雖然在某部小說中有，但這個內容并非該小說原創，而是一類網絡文學中通用的，就未必構成侵權。
篇7
Keywords: fine coverage new technology
中圖分類號： C35 文獻標識碼： A 文章編號：
前言：
3G時代，數據應用成為運營商提高市場競爭力的重要手段。3G網絡覆蓋是電信運營商面臨的最大難題。隨著數據業務浪潮的到來，滿足為用戶提供優質穩定的數據業務與服務，作為通信網絡的神經元，站點更需要精細化覆蓋到最小的角落，應對多場景變化，并實現站址獲取、快速交付、綠色環保、TCO節省等目標。
一、精細化網絡覆蓋下的綠色基站演進
2G時代，基站建設基本采用室內站方式，隨著分布式基站的應用，室外站開始大量增加，并逐漸成為3G時代建站的主流模式。
一個典型的通信站點包括八個子系統：供電系統、制冷系統、綜合布線系統、集成管理系統、消防系統、防雷接地系統、機柜系統、土建和裝修系統。
網絡建設早期的投資收益率（ROI）較低，運營商往往不太關注通信站點的建設和維護，只要能滿足網絡的正常運營就可以了。隨著市場的發展，在低成本網絡需求的驅動下，運營商對通信站點的“兩難兩高一長”痛點感受越來越強烈。“兩難”是指站點獲取和保留難，“兩高”是指CAPEX 和OPEX高，“一長”是指建設周期長；
“兩難兩高一長”為通信站點解決方案的評估和改進提供了依據，它包含CAPEX、OPEX、站址獲取／保留、建站周期等因素。
三代通信站點的演進：
第一代站點（G1）是室內站點，適合通信網絡發展的初期。它的缺點是占地面積極大、功耗高、建設周期長；第二代站點（G2）的演進方向是室外站點，適合通信網絡建設中期。它的不足之處是室外附屬設備多、維護麻煩。第三代站點（G3）是綠色集成的移動微型站點，具有體積小、結構緊湊、綠色節能、智能管理、TCO低、與環境協調、建設周期短等特點。
二、精細化網絡覆蓋下的基站覆蓋場景
2.1、城市場景覆蓋：與環境融合是重點
城市中需要覆蓋的場景眾多且復雜，所面臨的困難也大。例如，無法獲取足夠大的站點空間，不能滿足傳統站點的建設需求。目前，隨著新技術的開發應用，Mini-shelter一體化設備內部收容了電源、配電、監控、走線、基站、傳輸、備電等，占地卻僅有1㎡∕機柜，讓運營商建站尋址變得非常容易。
在居民環保意識逐漸增強的今天，特別是在城市中一些人文景區，由于傳統站點與周邊環境不協調，導致站點獲取困難，而經過諸多園景設計師和城市規劃設計師設計的美化站點，能夠以各種形態完美融入人文環境。
城市覆蓋中還有一個重要場景，舊城區改造帶來的原有站點被取消而新站點尚未獲取的問題。如果使用應急通訊車，資源站用大、使用時間長；若新建一個永久站點，則投資大、耗時長。針對這種情況，第三代站點充分體現出它的優勢,它可以在2天內快速完成基站基本設施的建設，且后期可以對整套站點進行搬遷，移到其它地方繼續使用。造價遠遠低于應急通訊車，具有可移動、開通迅速的特點，很好地滿足了舊城區改造臨時建站的需求；此外，還能滿足室內覆蓋及WLAN熱點覆蓋的需求。
2.2、農村場景覆蓋：建設成本是重點
鄉鎮∕農村的無線網絡和覆蓋情況要比城市簡單很多，在站點的獲取上不存在很大困難，運營商一般比較關心建站成本，同時希望有足夠的空間來支持站點演進和升級。
隨著通信設備的環境適應性提高及外形尺寸的減小，室內站點逐步向室外移動站點演進。傳統室內站點需要電源柜、電池柜、設備柜等諸多設備，室外站則可以將所有設備收容進一個機柜中，減少站地、降低成本，并確保部署快速。
目前，一體化戶外站解決方案中，電源模塊僅有1U高，且能輸出將近97%的轉換效率；分布式基站BBU單元只需要2U的空間高度，同時環境適應性強，可在40-50℃的溫度下工作；傳輸設備只有1-2U高度；而整個基站的備電電池在150Ah／300Ah條件下就可以滿足4小時以上備電。
2.3、偏遠覆蓋：方便管理是重點
偏遠地區，尤其是經濟不發達地區，辦公基礎設施較差，沒有道路、缺乏電力，使得站點初期建設和后期維護困難且費用高昂；而由于經濟落后和人口稀少，ARPU值低，給運營商帶來的回報有限。因此運營商最希望的是低成本，易管理地為當地居民提供通信服務。
“綠色、一體化、小容量” Easysite站點解決方案在太陽能資源豐富的地區使用太陽能供電，徹底解決了基站供電和維護難題，實現節能環保。一體化的站點設計，大大減少了站點的土建工程，加快了施工速度，降低了建站初期的投資成本。
2.4、公路鐵路覆蓋：供電穩定是關鍵
高速鐵路移動通信覆蓋是一個世界性難題，在鐵路／高速公路的場景中，小區的頻繁切換導致掉話率大大升高，用戶體驗很差。RRU拉遠共小區方案可以擴大小區覆蓋距離，降低切換頻率和掉話率，因此成為首選方案，而這種方案的關鍵是就地取電和備電。
為了更好應用這種方案，小容量、帶備電的壁掛式電源應運而生。其安裝靈活，可以抱桿安裝，也可以和RRU一起直接掛在鐵塔上，幫助RRU拉得更遠，使網絡質量更好，同時還提高了防盜性能；壁掛式電源還可以配備小容量電池保證2-4小時備電，很好地解決了電網不穩定的難題。
2.5、特殊覆蓋：溫控精準是關鍵
室外站的應用，意味著電源設備的工作環境溫度遠高于或低于室內站時代的22℃-25℃，電源的奈高、低溫特性，防塵、防雷等能力備受挑戰。目前，通信基站溫控能耗占了整個通信基站能耗的45%，因此基站溫控改造成了基站節能減排的重中之重；精準送風、直通風、智能通風、機房溫度等是基站溫控改造的重要措施。
三、精細化網絡覆蓋下的基站綠色供電技術
篇8
WCDMA 無線覆蓋 功率資源
中圖分類號：TN929.5 文獻標識碼：A 文章編號：1006-1010（2013）-18-0021-04
Analysis of WCDMA Power Resource in Township Coverage
LUO Zhe
（China United Network Communications Co.， Ltd.， Guangdong Branch， Guangzhou 510700， China）
[Abstract]
Through the analysis of propagation loss and diffraction characteristics for 2100MHz frequency and 900MHz frequency， this paper demonstrated the relation between coverage and power of WCDMA network and the constraints of the relation， by the analysis and comparison between the data of Zhanjiang and of Meizhou.
[Key words]
WCDMA wireless coverage power resources
收稿日期：2013-08-23
1 前言
目前，WCDMA網絡正在向鄉鎮區域發展。由于WCDMA系統工作在2 100MHz，頻率比較高，導致空間傳播損耗較大、繞射能力較弱，嚴重制約了WCDMA網絡的覆蓋能力。面對鄉鎮等廣域覆蓋場景，網絡管理人員需要摸清WCDMA的覆蓋能力，科學設置站點、合理配置參數，既要節省項目投資，又要保障網絡的容量和質量，最終達到提升通信用戶感受的目的。
2 WCDMA覆蓋問題
（1）WCDMA系統使用2 100MHz頻率，空間傳播損耗較高。
根據自由空間傳播損耗公式：
PL=32.4+20lgD+20lgf （1）
當距離相同時，2 100MHz頻率比900MHz頻率的空間傳播損耗約大7.36dB。具體計算如下：
當f=2100MHz時，PL2100=32.4+20lgD+20lg （2100*106）；
當f=900MHz時，PL900=32.4+20lgD+20lg（900*106）。
其中，D為空間距離，單位為km；f為工作頻率，單位為MHz。則：
PL2100-PL900=20lg（2100*106）-20lg（900*106）≈7.36dB
（2）WCDMA系統使用2 100MHz頻率，繞射能力較弱，受地理環境、障礙物的影響更明顯。
信號在傳輸過程中，在發射天線和接收天線之間連一條線，以這條線為軸心、R為半徑的一個類似于管道的區域內沒有障礙物的完全阻擋，這個管道稱為菲涅爾區（Fresnel Zone）。菲涅爾區是一個橢球體，收發天線位于橢球體的兩個焦點上。如圖1所示：
圖1 菲涅爾半徑（繞射半徑）示意圖
菲涅爾半徑（繞射半徑）的計算公式如下：
R=0.5（λD）0.5 （2）
其中，D為發射天線和接收天線之間的距離；λ為波長，單位為m，計算公式為：
λ=3*108/f （3）
當無線信號的頻率為2 100MHz時，若D為1 000m，則：
λ=3*108/f=3*108/（2100*106）≈0.143m
R=0.5（λD）0.5=0.5（0.143*1000）0.5≈6m
當無線信號的頻率為900MHz時，若D為1 000m，則：
λ=3*108/f=3*108/（900*106）≈0.333m
R=0.5（λD）0.5=0.5（0.333*1000）0.5≈9.13m
由以上計算結果可知，若發射天線和接收天線之間的距離為1 000m，則2 100MHz的無線信號可繞射過約6m半徑的障礙物，900MHz的無線信號可繞射過約9.13m半徑的障礙物。
同理可計算得出：若發射天線和接收天線之間的距離為4 000m，則2 100MHz的無線信號可繞射過約12m半徑的障礙物，900MHz的無線信號可繞射過約18.26m半徑的障礙物。
3 WCDMA功率資源特點
（1）資源池概念
在一個WCDMA載扇的范圍內，下行發射功率是一個資源池的概念：一方面導頻、信令、業務共享功率資源；另一方面全部用戶都共享功率資源。
（2）功率控制
WCDMA有先進的功率控制功能，通過1 600Hz的快速調整發射功率，解決遠近效應，以減少網絡干擾，克服陰影衰落和快衰落，從而提高系統容量和服務質量。
（3）現網配置
根據合同采購的標準模型，WCDMA單載扇的下行發射功率為20W（43dBm）。
現網一般將導頻設置為2W功率（33dBm），信令約占2W功率，剩余16W功率供全部用戶的業務使用。
4 測試驗證和數據分析
4.1 測試場景
在湛江市白沙陳家橋基站測試了中興WCDMA基站設備（RRU上塔），功率分別設置為20W/30dBm、20W/33dBm、40W/36dBm、40W/39dBm共四種情況，GSM和WCDMA同車做語音路測。
在梅州市蕉嶺商業城基站測試了愛立信WCDMA基站設備（宏基站，但設置饋損參數為2dB，實際上增大了基站發射功率2dB，彌補了RRU未上塔的劣勢），功率分別設置為20W/33dBm、20W/36dBm、40W/36dBm、40W/39dBm共四種情況，GSM和WCDMA同車做語音路測。
4.2 數據分析
（1）提高功率后，中興WCDMA基站的語音覆蓋半徑有一定提高，愛立信WCDMA基站的語音覆蓋半徑基本沒有提高。
（2）中興WCDMA基站的語音覆蓋半徑明顯低于GSM，愛立信WCDMA基站的語音覆蓋半徑和GSM基本相當。詳見表1所示。
（3）當功率配置為小區最大發射總功率為40W、導頻功率為36dBm時，WCDMA系統達到了（略超過）上/下行覆蓋的平衡點。詳見表2所示。
表2 掉話次數統計表
中興 WCDMA
20W/30dBm WCDMA
20W/33dBm WCDMA
40W/36dBm WCDMA
40W/39dBm
上/下行掉話次數 0/5 0/2 3/2 5/0
（4）WCDMA基站的功率設置為40W/36dBm，GSM基站的功率設置為43dBm，此時GSM信號強度仍明顯超過WCDMA信號強度。詳見表3所示：
表3 信號強度統計表
從起呼到WCDMA掉話前相同時間段內GSM網絡RxLev平均值 從起呼到WCDMA掉話前相同時間段內WCDMA網絡RSCP平均值 差距
平均強度（中興）/dBm -90.31 -114.00 23.69
平均強度（愛立信）/dBm -83.76 -111.05 27.29
5 結論
（1）從現網平均站距看，功率不是覆蓋的最大瓶頸。
WCDMA基站提高下行發射功率對覆蓋半徑有一定效果，但不同廠家有一定區別。
在充分考慮不同廠家設備存在一定區別的前提下，WCDMA基站的語音覆蓋半徑仍然大于5 000m，遠遠超出了目前其覆蓋區域的平均站距（500～2 000m）。
（2）由于WCDMA工作頻率高，覆蓋主要受制于障礙物和地理環境。
根據自由空間傳播損耗公式，當距離相同時，2 100MHz頻率比900MHz頻率的空間傳播損耗約大7.36dB。但從實際測試結果看，當距離相同時，2 100MHz頻率比900MHz頻率的傳播損耗大23.69～27.29dB。這說明在現網情況下，除了空間傳播損耗，還有其它因素明顯影響傳播損耗。
根據菲涅爾半徑（繞射半徑）的計算公式可知，WCDMA系統使用2 100MHz頻率，直射能力較強、繞射能力較弱，受地理環境、障礙物的影響更明顯。在很多場景下，GSM信號能夠繞射到覆蓋區域，但WCDMA信號就繞射不到覆蓋區域，只能通過強行穿透到覆蓋區域，導致傳播損耗明顯變大，覆蓋效果比GSM差。
（3）上、下行功率要平衡。
單純加大基站的下行發射功率能減少下行功率受限類的掉話，但對上行功率受限類的掉話沒有作用。
從測試情況來看，當導頻功率設置為35～36dBm時，WCDMA系統基本達到了上、下行覆蓋的平衡點。
（4）WCDMA基站是否擴容功率資源主要參考功率利用率。
1）WCDMA下行發射功率是一個資源池的概念，導頻、信令、業務共享功率資源，要結合功率利用率（和業務量的關系緊密）合理地設置導頻功率，在覆蓋和業務量中找平衡；
2）對于業務量較高的站點，一般將導頻設置為33dB，加上信令開銷，大約占用了4W功率，還剩16W功率給業務使用；
3）對于業務量較低的站點，可以將導頻設置為36dB，加上信令開銷，大約占用了8W功率，還剩12W功率給業務使用（從湛江、梅州的測試結果看，20W/36dB和40W/36dB的覆蓋效果基本一致，導頻設置為36dB，不一定要將功率升至40W）；
4）當載扇（小區）的忙時功率利用率達到60%～70%時，需要結合覆蓋、業務量、站距、鄰區等綜合情況來解決，例如單載扇從20W擴容至40W、擴容雙載扇和新增基站等。
參考文獻：
[1] 張傳福，彭燦，苑聞京，等. WCDMA通信網絡規劃與設計[M]. 北京： 人民郵電出版社， 2007.
[2] 郭東亮. WCDMA規劃設計手冊[M]. 北京： 人民郵電出版社， 2005.
[3] 姜波. WCDMA關鍵技術詳解[M]. 北京： 人民郵電出版社， 2008.
[4] William Stallings. 無線通信與網絡[M]. 何軍，譯. 北京： 清華大學出版社， 2005.
篇9
0引言
能源是支撐人類文明進步的物質基礎，是現代社會發展不可或缺的基本條件。在中國實現現代化和全體人民共同富裕的進程中，能源始終是一個重大戰略問題。大力發展新能源和可再生能源，是推進能源多元清潔發展、培育戰略性新興產業的重要戰略舉措，也是保護生態環境、應對氣候變化、實現可持續發展的迫切需要， 到“十二五”末，非化石能源消費占一次能源消費比重將達到11.4%，非化石能源發電裝機比重達到30%＼[1＼]。
風電作為可再生能源中最具開發價值的能源，在世界范圍內得到了廣泛的開發利用。但是由于風速的隨機性，導致風電功率具有很大的波動性和不確定性，這給電力系統的穩定運行帶來了影響，從而限制了電力系統對風電功率的吸納。據國家能源局最新統計報告中指出：內蒙古風電裝機容量占該地區所有能源總量的30%左右，但是并到電網上的風電機組容量份額不到總風電裝機容量的2%。要提高對風電的開發利用，需要進一步提高風電功率預測的準確性。文獻＼[2，3＼]介紹了利用傳統BP神經網絡來對風電場短時功率進行預測，在預測過程中考慮了風速的季節性變化，預測結果滿足應用要求；文獻＼[4＼]給出利用歷史功率信息進行預測和利用歷史氣象信息與功率信息進行預測的不同，并指出利用歷史氣象信息和功率信息的預測結果要高；文獻＼[57＼]介紹由多種預測算法組合而成的風電場功率預測算法，并指出這些組合預測算法的預測精度比單一預測算法的精度有所提高，但是計算時間比單一預測算法要長。
本文首先對傳統BP神經網絡進行了改進，然后利用過去10天的NWP數據和功率數據，作為改進后BP神經網絡的輸入數據對神經網絡進行訓練。以未來3小時的NWP數據作為改進后BP神經網絡的輸入數據對輸出功率進行預測，預測結果既確保了較低的預測誤差，又提高了系統的穩定性和收斂速度。
1BP神經網絡算法改進
1.1BP神經網絡理論
BP網絡又稱為誤差逆傳播算法，典型的BP網絡由輸入層、隱含層和輸出層組成，各層之間實行全連結。BP網絡的學習過程，由模式順傳播、誤差逆傳播、記憶訓練、學習收斂4個過程組成。
1.1.1模式順傳播
模式順傳播是由輸入模式提供給網絡的輸入層開始，輸入層各單元對應于輸入模式向量的各個元素。設輸入模式向量Xz=（x1，x2，…，xn）（z=1，2，…，m），其中，z為學習模式對，n為輸入層單元個數。對應輸入模式的希望輸出向量Yz=（y1，y2，…，yq），其中，q為輸出層單元個數。根據BP網絡的計算原理，隱含層各單元的輸入為：
sj=∑n[]i=1wijai-θj（1）
式（1）中：s＼-j為隱含層輸入值；θ＼-j為隱含層閾值，j=1，2，…，p；p為隱含層單元個數；w＼-＼{ij＼}為輸入層和隱含層的連接權值；a＼-i為輸入層的第i個神經元，i=1，2，…，n。
為模擬生物神經元的非線性特性，以s＼-j為S函數的自變量，計算隱含層各單元的輸出，S函數的數學表達式為：
bj=f（sj）=1[]1+e-sj（2）
式（2）中：b＼-j為隱含層第j個神經單元的輸出值。
單元輸出閾值θ＼-j為模擬生物神經元的閾值電位而設置，它在訓練過程中不斷被修改。輸出層各單元的輸入為：
Lt=∑p[]j=1vjt-γ＼-t（3）
Ct=f（Lt）（4）
式（3）、（4）中：v＼-＼{jt＼}為隱含層神經元j至輸出層神經元t的連結權值；γ＼-t為輸出層神經元的閾值，t為輸出層神經元個數，t=1，2，…，q；f為S函數；L＼-t為輸出層神經的輸入值。
1.1.2誤差逆傳播
誤差逆傳播的第一步是進行誤差計算，誤差逆傳播過程是由輸出層的誤差d＼-j向隱含層的誤差e＼-j傳遞的過程，輸出層的校正誤差為：
dkt=（ykt-Ckt）f′（Lt）（5）
式（5）中：（y＼+k＼-t-c＼+k＼-t）表示網絡希望輸出與實際輸出的絕對誤差，k=1，2，…，m；f′（L＼-t）是根據每個單元的實際響應調整偏差量。
為完成誤差向隱含層傳遞，需要計算隱含層各單元的校正誤差，隱含層校正誤差為：
ekj=∑q[]t=1vjtdktf′（sj）（6）
式（6）的物理意義與（5）相似，只不過每一個中間隱含層單元的校正誤差都由q個輸出層單元校正誤差傳遞而產生。
得到了校正誤差d＼+k＼-t與e＼+k＼-j之后，沿逆方向調整整個輸出層至隱含層、隱含層至輸入層之間的連接權以及各單元的輸出閾值，其調整公式為：
Δvjt=dktbkj（7）
Δγt=dkt（8）
Δwij=βekjaki（9）
Δθj=βekj（10）
式（7）～式（10）中：、β為學習速率，0
1.2BP神經網絡算法改進
由于傳統BP網絡算法收斂速度慢，容易陷入局部最小點，實際使用效果較差。本文采用慣性校正算法來對傳統BP網絡算法進行改進。所謂慣性校正算法，就是在每一次對連接權或輸出閾值進行校正時，按一定的比例加上前一次學習時的校正量，即慣性項，加速網絡學習的收斂。
ΔW（N）=d+ηΔW（N-1）（11）
式（11）中：ΔW（N）為本次應得校正量；ΔW（N-1）為前一次校正量；d為本次誤差計算得到的校正量；η為慣性系數（0
上面提到的學習速率、β在標準BP算法中是常數，如果學習系數選擇不當，將會導致網絡收斂速度較慢，運算時間較長，在訓練時如何選擇最佳的學習系數是一件困難的事情，本文采用一種自適應調整學習速率的方法＼[8＼]。在訓練過程中，學習速率根據局部誤差曲面作出不斷調整，學習速率的調節如式（12）所示。
α（n+1）=kincα（n），E（t+1）E（t）α（n） ，E（t+1）=E（t）（12）
其中，學習速率增量k＼-＼{inc＼}大于1，學習速率減量k＼-＼{dec＼}小于1。當E（t+1）E（t）時，表明第t次迭代運算是無效的，應減小學習速率。
2模型建立及數據處理
根據以上BP神經網絡的學習原理，結合風電場數值天氣預報數據和功率數據，構建BP神經網絡的模型。本文的神經網絡模型由輸入層、隱含層和輸出層三層構成，輸入層的輸入數據主要是數值天氣預報的數據，包括風速、風向、溫度、濕度和壓力，其中風向可由角度的正弦值和余弦值來進行表示，從而可確定神經網絡的輸入層神經元數量為6個。按照神經網絡構建經驗，隱含層神經元個數約是輸入層神經元個數的2倍左右，本文中取隱含層神經元個數為13個。輸出層的輸出主要是風電場的功率，所以輸出層神經元個數為1個。圖1是按照本文要求設計的神經網絡結構。
數據樣本為某風電場2月1日-10日之間的天氣預報數據和風電場的輸出功率數據，每15min采集一次數據樣本，共960組訓練數據。該風電場風機類型為GE公司1.5WM風機，切入風速為3m/s，額定風速為13m/s，整個風電場裝有風機122臺，風電場裝機總容量183WM。
3網絡訓練及數據分析
將10天采集的960組數值天氣預報數據作為數據，對神經網絡進行訓練，訓練次數為1 000次，訓練誤差為0.03，誤差訓練結果如圖2所示。通過圖2可知，當訓練到達98次時，均方誤差已經達到訓練要求。
圖3是訓練樣本中風電場實際輸出功率與網絡計算功率的比較圖，實線表示風電場實際輸出功率，虛線表示神經網絡計算功率。從圖中可知，風電場實際功率與神經網絡輸出功率的變化趨勢相同，證明利用改進的BP神經網絡對未來數據進行預測具有實際可行性。
本文以2月11號3h的風電場數值天氣預報數據作為輸入，利用訓練好的改進后的BP神經網絡對未來3h的風電場可能輸出功率進行預測，預測誤差在12%左右，滿足國家電網公司對風電場功率預測的要求＼[9＼]。
4結語
對常規BP神經網絡進行了改進，加快了BP神經網絡的收斂速度，克服了BP神經網絡容易陷入局部最小點的缺點，增加了BP神經網絡的實用價值。
以某一風電場2月1-10日共10天的風電場數值天氣預報數據和風電場輸出功率數據為訓練樣本，對改進后的BP神經網絡進行訓練，訓練過程收斂速度快，訓練結果理想。利用訓練后的BP神經網絡對2月11號3h內的風電場輸出功率進行預測，預測結果滿足能源局要求。
參考文獻：
＼[1＼]國務院新聞辦公室.《中國的能源政策（2012）》白皮書＼[R＼].北京：新華社，2012.
＼[2＼]袁鐵江，晁勤，李義巖，等.大規模風電并網電力系統經濟調度中風電場出力的短期預測模型＼[J＼].中國電機工程學報，2010（13）.
＼[3＼]ZHENHAI GUO， JIE WUB， HAIYAN LU， et al. A case study on a hybrid wind speed forecasting method using BP neural network＼[J＼].KnowledgeBased Systems，2011（24）.
＼[4＼]MARIA GRAZIA DE GIORGI， ANTONIO FICARELLA， MARCO TARANTINO. Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods＼[J＼].Energy，2011（36）.
＼[5＼]J P S CATAL O， H M I POUSINHO. Hybrid waveletpsoanfis approach for shortterm wind power forecasting in portugal＼[J＼].IEEE Transactions on Sustainable Energy，2011（1）.
＼[6＼]方江曉，周暉，黃梅，等.基于統計聚類分析的短期風電功率預測＼[J＼].電力系統保護與控制，2011（11）.
篇10
文獻標識碼：A
文章編號：16727800（2017）004019704
0引言
隨著互聯網的迅猛發展，網絡規模及其應用的復雜性日益加大，網絡及電腦設備的負荷不斷增長，導致網絡性能不斷降低，運行緩慢、系統崩潰等現象時有發生，給用戶帶來了許多風險。網絡風險評估是指對網絡中已知或潛在的安全風險進行探測、識別、計算、評價的過程。通過對網絡風險進行評估，可以了解潛在的危害，有針對性地加以安全防范，從而保障網絡的安全運行。 近年來，風險評估相關研究受到國內外學者的廣泛關注，提出了許多研究方法。孫鵬程、陳吉寧[1]通過貝葉斯網絡直觀地表示事故風險源和河流水質之間的相關性，并用時序蒙特卡洛算法將風險源狀態模擬、水質模擬和貝葉斯網絡推理過程結合，對多個風險源進行量化評估。吳欣[2]提出了一種新的基于貝葉斯網絡的方法有效地處理故障診斷中存在的問題，同時根據提出方法的特點設計了基于多系統（MAS）的故障診斷體系結構。閆峰[3]提出基于攻擊圖的網絡安全風險評估方法，將攻擊圖技術應用到網絡安全風險評估中，通過攻擊圖展示攻擊者利用網絡中脆弱性及脆弱性間依賴關系綜合入侵目標網絡的攻擊場景，并在此基礎上計算網絡的安全風險并尋找最小代價的網絡加固措施。由于貝葉斯網絡本質上是一個有序無環圖，基于貝葉斯網絡的概率計算方法也只能m用于無環的攻擊圖，且計算繁雜度為指數級，不適合大規模網絡使用。 國外學者S Kondakci[4]提出了一種基于貝葉斯信念網絡的因果關系評價模型，用來分析和量化由各種威脅源造成的信息安全風險。TT Chen和SS Leu[5]建立了一種基于故障樹轉換的貝葉斯網絡，對橋梁建設項目進行下跌風險評估。S Barua，X Gao[6]等提出了一種基于貝葉斯網絡的動態系統風險評估方法，建立了一個化工過程系統動態故障樹，將它映射到貝葉斯網絡，通過動態貝葉斯網絡來演示動態操作風險評估方法。傳統推理方法不適合確定風險因素的后驗概率，不同專家提供的數據會直接影響精確度和評估質量。 貝葉斯網絡分析方法是一種新的定量分析方法，通過使用概率理論來描述不同因素之間的關系，這種概率推理方法本質上是基于一個有向無環圖，它代表著節點間的概率相關性。并且，它能夠有效地處理現實生活中的不確定性問題。許多專家都使用貝葉斯網絡分析方法來進行風險評估，并應用于交通事故、水污染事故、電力故障和信息安全等。貝葉斯網絡能夠有效地處理不確定性問題，它提供了強大的計算能力，能夠通過已知信息計算未知信息，進而進行有效推理。由于在網絡風險評估方面也有許多不確定性因素，且存在著一定的相似性，故本文使用貝葉斯網絡方法對網絡運行過程中的風險進行評估。
1貝葉斯網絡
1.1貝葉斯網絡的描述
作為描述不確定性信息和推理的最有效理論模型之一，貝葉斯網絡應用于人工智能的幾大分領域包括因果推理、不確定性知識表示、模式識別和分類等，它結合了人工智能、概率理論以及圖形理論，是一種將因果知識和概率知識相結合的信息表示框架。它可以直觀地表達出各風險因素之間的相互關系，便于從不完整或不確定的信息中進行推理。貝葉斯網絡包含2個部分：一個是網絡拓撲結構，另一個是條件概率表。網絡拓撲結構是模型的定性描述部分，是一個有向無環圖，其中每個節點代表論域中的隨機變量，變量之間存在一條有向弧連接相鄰節點，有向弧代表變量間的依賴關系，如果兩個節點之間沒有邊連接，那么它們沒有直接依賴關系相互獨立；節點與其父節點之間的條件概率表用來描述變量之間的關系強度。節點與父節點之間存在一種因果聯系，這種因果聯系可以準確地反映出它們之間的依賴關系。在貝葉斯網絡中，定性信息主要通過網絡的拓撲結構表達，而定量信息主要通過節點的聯合概率密度表示。 貝葉斯網絡的條件獨立性假設是一個非常重要的特性，它顯著地減少了使用先驗概率進行網絡推測的計算難度。對于任何一個節點，當給定它所有父節點的狀態時，該節點與其所有祖先節點條件獨立[7]。
貝葉斯網絡模型構建包括2個步驟：①構建網絡拓撲結構，定性描述各節點之間的因果關系；②構建一個條件概率表，定量描述網絡中各節點的關系強度。
1.2基于貝葉斯網絡模型的網絡風險評估結構
基于貝葉斯網絡的風險評估流程如圖1所示。①風險因素識別，從所有網絡性能指標中，選取適當的幾個指標進行實驗；②構建網絡拓撲結構，通過貝葉斯網絡進行分析，確定各指標之間的依賴關系，畫出貝葉斯網絡拓撲結構圖；③風險因素概率計算，首先，采集數據并進行歸一化處理，得到對應指標某一時間段的時間序列圖，然后進行統計分析，計算出各指標的先驗概率，最后，通過BNT工具箱計算出各指標的后驗概率；④網絡風險評估。通過上述計算結果，結合給定的評估系數公式，求出各指標的φ（xi）并進行排序，最后，計算網絡風險率p（R），結合風險等級表查看當前時刻的網絡風險等級。
1.2.1風險識別在網絡運行過程中，由于用戶使用不當或者網絡攻擊可能造成網絡性能降低，產生網絡風險，網絡風險可能由多種風險因素的相互作用而引起。本文通過相關文獻查閱、實驗調查和數據采集，選取了流量、CPU和內存3個風險因素，對應的狀態如表1所示。
1.2.2網絡拓撲結構構建通過一個鄰接矩陣LJ=（aij）n×n構建網絡結構，當節點i是節點j的父節點時，aij=1；否則aij=0。然后，通過矩陣對角元素來確定最終矩陣。如果，鄰接矩陣的對角元素不全為0，那么該網絡結構就不符合有向無環圖，反之，則適合。由于在網絡運行過程中，流量、CPU、內存的超標都可能引起網絡風險，所以網絡風險與流量、CPU、內存之間存在直接依賴關系。而流量的超標也有可能導致CPU、內存超標，所以CPU、內存與流量之間也存在直接依賴關系。因此，可得到如下鄰接矩陣：
由式（4）可知，鄰接矩陣LJ中所有對角元素均為0，所以該結構是一個有向無環圖，滿足模型需求。因此，圖2中的網絡拓撲結構是一個合理的貝葉斯網絡結構。
其中，節點1代表流量，節點2代表CPU，節點3代表內存，節點4代表網絡風險。
1.2.3風險因素概率計算通過實驗，分別監測一段時間內看視頻、看網頁、下載以及網絡攻擊情況下的網絡性能指標情況，得到流量、CPU、內存的時間序列圖，經過歸一化后如圖3-圖5所示。
現假定流量、CPU、內存超標的臨界值分別為0.7、0.6、0.6[810]，從2 000個數據中分別進行統計，得到各指標的條件概率表（見表2-表5）。
由表2、表3、表4、表5可獲得先驗概率分布，如圖6所示。接下來通過BNT工具箱，輸入流量、CPU、內存的條件概率，得到各指標的后驗概率，如圖7所示。圖6是根據實驗數據統計得出的流量、CPU、內存各狀態發生風險的先驗概率，而圖7是通過BNT工具箱計算得到的當風險發生情況下流量、CPU、內存各狀態發生風險的后驗概率。通過比較圖6和圖7可知，當確定有網絡風險發生時，流量、CPU、內存為True狀態時的概率都增加了，其中流量變化最明顯。通過BNT工具箱還可以得出，當只有流量超標情況下，發生風險的概率為0.018 8，而當增加一個風險因素，即流量、CPU都超標的情況下，發生風險的概率為0.026 0。由此可見，當更多的不利因素呈現時，網絡風險的概率就會增加。
1.2.4網絡風險評估通過對造成網絡風險主要因素的討論，給定一個參考系數，作為某個風險因素的概率變化的最大允許量[11]，表達如下：
其中，Xi是某個風險因素，i=1，2，3；RT表示發生網絡風險，RF表示沒有發生網絡風險，S是風險因素的狀態，u取T（True）或者F（False）。根據上文計算結果結合式（5）可以得到φ（X1）=76.07，φ（X2）=14.87，φ（X3）=21.56，即φ（X1）>φ（X3）>φ（X2） 。其中，X1、X2、X3分別代表流量、CPU、內存，φ越高則它造成網絡風險的可能性就越大。因此，由上述排序可知，在該段時間內，流量造成網絡風險的可能性最大，其次是內存，最后是CPU。得到流量、CPU、內存的后驗概率后，給定一個網絡風險率公式[11]如下：P（R）=P（L）×P（C）×P（M）〖JY〗（6）其中，P（L）、P（C）、P（M）分別表示在風險發生的情況下，是由流量引起的概率、是由CPU引起的概率以及是由內存引起的概率。將上文計算結果代入式（6）可得，P（R）=0.042 1。文獻[12]給出了風險頻率范圍的分類標準，如表6所示。由此可知：①網絡風險率結果顯示，該段時間的概率為0.042 1，屬于略高風險級別，需要加以重視；②由各網絡風險因素的影響程度可知，該時刻流量對網絡的影響程度最大，因此，需要對流量進行重點監控，必要時可進行限制。
2結語
本文主要研究了基于貝葉斯網絡方法的網絡風險評估問題，提出了相應的計算模型，并進行了實例計算。風險評估的過程主要包括風險識別、模型構造、定量計算。本文利用貝葉斯的條件獨立性假設這一特性，簡化了模型的計算復雜度，具有一定的應用價值。
參考文獻：
[1]孫鵬程，陳吉寧.基于貝葉斯網絡的河流突發性水質污染事故風險評估[J].環境科學，2009，30（1）：4751.
[2]吳欣.基于改進貝葉斯網絡方法的電力系統故障診斷研究[D].杭州：浙江大學，2005.
[3]閆峰.基于攻擊圖的網絡安全風險評估技術研究[D].長春：吉林大學，2014.
[4]S work security risk assessment using bayesian belief networks[C].IEEE Second International Conference on Social Computing，2010：952960.
[5]TT CHEN，SS LEU.Fall risk assessment of cantilever bridge projects using Bayesian network[J].Safety Science，2014，70（70）：161171.
[6]S BARUA，X GAO，H PASMAN，et al.Bayesian network based dynamic operational risk assessment[J].Journal of Loss Prevention in the Process Industries，2015（41）：399410.
[7]WANG L，WANG B，PENG Y.Research the information security risk assessment technique based on Bayesian network[C].International Conference on Advanced Computer Theory and Engineering，2010：600604.
[8]楊嶸，張國清，韋衛，等.基于NetFlow流量分析的網絡攻擊行為發現[J].計算機工程， 2005，31（13）：137139.
[9]孫知信，唐益慰，張偉，等.基于特征聚類的路由器異常流量過濾算法[J].軟件學報，2006，17（2）：295304.
篇11
Ad Hoc網絡是一種最初被開發出來用于軍事領域的特殊的無線移動網絡。隨著移動設備和無線網絡的普及，Ad Hoc網絡將擁有越來越廣闊的應用前景。但由于其自身無中心、自組織、多跳、節點能源及計算能力有限等特點，使得Ad Hoc網絡更容易受到安全威脅。
建立一套行之有效的Ad Hoc網絡安全評價與分析方法可以為Ad Hoc網絡安全機制的建立提供方向。因此國內外有不少學者對此進行了研究。劉建軍等[1]提出了一種基于不確定性理論的Ad Hoc網絡可信性評價模型，該模型采用不確定變量來描述網絡的評價因子的權重系數，最后用實驗結果表明了模型方法的可行性和有效性。何明等[2]提出了一種可以有效評估自然失效和能量束縛條件下的無線傳感器網絡的網絡可靠性。針對同一時刻有多種拓撲結構且每種拓撲結構以一定概率出現的Ad Hoc網絡，肖坤等[3]提出了一種基于韌性度的Ad Hoc網絡可生存性度量方法。馬濤等[4]提出了一種針對Ad Hoc網絡攻擊的改進攻擊樹建模方法，該方法可以有效地對節點的屬性參數進行量化分析。
以上針對Ad Hoc網絡的安全性評價方法都在一定程度上對Ad Hoc網絡的某一項安全屬性進行了分析，但在模型的動態描述能力上存在著不足。針對這一問題，提出了一種基于隨機博弈網（Stochastic Game Nets，SGN）[5]的Ad Hoc網絡安全分析方法。該方法將隨機博弈思想與隨機Petri網相結合，用隨機博弈中的行為強度和選擇概率給隨機Petri網中的變遷賦值，然后通過求解隨機Petri中位置的穩態概率和變遷的吞吐量等數值對網絡安全進行定量分析的一種方法。最后，在該模型基礎上用仿真實驗對Ad Hoc網絡的攻擊行為成功概率進行了分析。
1 基于SGN的Ad Hoc網絡模型
1.1 Ad Hoc網絡SGN的模型定義
對于Ad Hoc網絡，考慮博弈雙方為網絡攻擊者與網絡系統自身。由于網絡攻擊者的收益會成為網絡系統的損失，因此博弈類型為雙人隨機零和博弈。
定義1 Ad Hoc網絡的SGN模型為一個9元組，SGN（Ad Hoc）=（N，P，T，F，π，λ，R，U，M），其中：
（1）N={N1，N2}，N1表示Ad Hoc網絡攻擊者，N2表示Ad Hoc網絡自身；
（2）P=P1∪P2∪…∪Pn為位置集合，表示系統可能處于的狀態；
（3）T=A∪D為行為集合，A（a1，a2，…，an）表示Ad Hoc攻擊者的攻擊行為集合，D（d1，d2，…，dn）表示Ad Hoc網絡的防御行為集合；
（4）F為弧的選擇概率；
（5）π：T[0，1]，表示某條弧（攻擊或防御行為）的選擇概率；
（6）λ=（λ1，λ2，…，λn），表示Ad Hoc網絡攻防行為強度；
（7）R：T（r1，r2，…rn）表示Ad Hoc網絡攻擊和防御行為被選擇后帶來的收益或損失；
（8）Uk（pi）（k=1，2）表示Ad Hoc網絡攻擊者與Ad Hoc網絡自身在位置pi處的收益函數；
（9）M為標識集合。
1.2 Ad Hoc網絡攻擊行為與防御策略描述
選用Ad Hoc網絡典型的攻防策略構建Ad Hoc網絡攻防行為集合。其中Ad Hoc網絡攻擊者的攻擊行為描述為：
（1）蟲洞攻擊[6]（wormhole）：一種由兩個惡意結點合謀針對Ad Hoc路由協議的嚴重攻擊；
（2）Sybil攻擊[7]：攻擊者假冒多個節點，造成虛假的節點冗余信息，使得依賴于節點冗余特性的路由算法以及其它算法無法正常工作；
（3）自私性攻擊[8]（selfish attack）：攻擊者節點只接受數據包和路由包，而不轉發數據包和路由包，從而對網絡的通信流量和延遲造成較大的影響；
（4）RREQ flooding攻擊：攻擊者大量、連續地發送RREQ報文，使整個網絡充滿RREQ報文，占用大量無線通信帶寬，導致網絡擁塞，正常通信無法進行，網絡性能嚴重下降；
（5）無攻擊行為。
針對網絡攻擊者的攻擊行為Ad Hoc網絡自身的防御措施描述如下：
（1）“數據包限制”[11]（packet leashes）：采用一種有效的認證協議TIK檢測并防御蟲洞攻擊，即匹配每個數據包的時間戳和位置戳，以檢測系統中是否有蟲洞入侵；
（2）身份認證技術：使用惟一對稱密鑰，即通過此密鑰每個節點能夠證明其鄰節點的身份，防止身份的假扮以此來防御Sybil攻擊；
（3）強制合作：采用基于令牌的強制合作機制來盡可能地降低自私性攻擊帶來的影響；
（4）設定RREQ的發送優先級：如果節點發送過多的RREQ包，則降低對它的處理優先級，以此來防御RREQ flooding攻擊；
（5）無防御行為。
1.3 SGN分角色模型
根據前一節給出的Ad Hoc網絡攻擊行為，可以構建基于攻擊者視角的SGN模型，如圖1所示。其中，圓形表示位置，代表系統所處于的狀態；矩形表示變遷，代表攻擊者或防御者所采取的行為；圓形中帶有黑點的位置表示模型的初始狀態。同理，可以構建網絡防御者視角的SGN模型，如圖2所示。
1.4 Ad Hoc網絡的SGN攻防組合模型
根據圖1，圖2構建的分角色SGN模型，通過將相同含義的位置進行合并可以得到Ad Hoc網絡的SGN攻防組合模型，如圖3所示。其中，黑色的變遷表示攻擊者的攻擊行為，白色的變遷表示Ad Hoc網絡的防御策略。由于空行為對模型的計算沒有任何影響，因此省略該位置。表1給出了各個位置的具體含義。
2 Ad Hoc網絡SGN模型的穩態概率
2.1 SGN組合模型參數設置及攻擊行為均衡策略計算
Ad Hoc網絡攻擊者的目標是破壞Ad Hoc網絡，使其無法正常健康地運行。其中Ad Hoc網絡攻擊者的收益即為Ad Hoc網絡系統自身的損失。由于Ad Hoc網絡攻擊者并不知道Ad Hoc網絡自身會采取怎樣的防御措施，因此Ad Hoc網絡攻擊者不能按純策略來選取攻擊行為，而應是一種混合策略。
定義2 對于Ad Hoc網絡SGN模型中的位置P0，給出以下收益描述矩陣：
其中，收益矩陣中的元素rij表示Ad Hoc網絡攻擊者和防御者在位置P0處采用行為對（ai，dj）時網絡攻擊者可以獲得的收益。
由于攻擊行為只會被相對應的防御行為影響，因此收益矩陣的參數可以設置為r11=2，r12=r13=r14=8，r22=3，r21=r23=r24=5，r33=1，r31=r32=r34=4，r44=1，r41=r42=r4=6。根據隨機博弈均衡策略的標準計算方法[12]，可以計算得到Ad Hoc網絡攻擊行為的均衡策略。其中攻防行為強度λ及計算得到的均衡策略概率π如表2所示。
2.2 同構的連續時間馬爾科夫鏈
已經證明，一個隨機Petri網同構于一個連續時間馬爾科夫鏈（CTMC）。由于SGN是一種特殊的隨機Petri網，同理可得一個SGN同構于一個CTMC，根據標準技術，求出可達標識集如表3所示，同構馬爾科夫鏈如圖4所示。
圖4中，可達標識集Mi（i=1，2，3，4，5）表示位置集（P1，P2，P3，P4，P5）擁有的標識情況。弧上的標記表示同構CTMC的變遷實施速率，其值為πi1λi1，πi2λi2（i=1，2，3，4）。其中πi1，λi1表示Ad Hoc網絡攻擊者某一攻擊行為的選擇概率與行為強度，πi2，λi2表示Ad Hoc網絡自身防御行為的選擇概率與行為強度，具體數值表2已經給出。
根據變遷實施速率和CTMC的標準計算方法，可以得到同構CTMC的狀態轉移矩陣Q，如表4所示。
3 Ad Hoc網絡攻擊成功概率分析
3.1 Ad Hoc網絡攻擊成功概率計算方法
基于已經求得的同構CTMC的可達標識的穩態概率，系統的很多安全性評價指標就可以被量化分析，如：首次安全事件的平均時間，安全事件的平均間隔時間，網絡系統的機密性、完整性，攻擊的成功概率與響應時間等。
以下給出系統單位時間內攻擊成功概率的計算公式：
pattack（ai）=P[M（pr）≠0]=1-P[M（pr）=0] （3）
式（3）中，pattack（ai）表示系統單位時間內的Ad Hoc網絡攻擊者的攻擊成功概率，P[M（pr）=0]表示攻擊行為的結果位置標識為空的概率。
隨著系統時間的發展，攻擊成功概率可以理解為攻擊者在系統時間t內至少有一次攻擊成功的概率，根據公式（4）可以給出攻擊成功概率隨著系統時間發展的計算公式：
ptattack（ai）=1-Pt[M（pr）=0] （4）
式（4）中，t（t=1，2，3，……）表示系統時間，ptattack（ai）表示系統時間t內Ad Hoc網絡攻擊者的攻擊成功概率，Pt[M（pr）=0]表示單位時間內攻擊行為的結果位置標識為空的概率的t次方。
3.2 Ad Hoc網絡攻擊成功概率Matlab仿真分析
根據公式（4），使用Matlab對Ad Hoc網絡攻擊概率進行仿真分析，得到的結果如圖5和圖6所示。
圖5和圖6中，曲線表示蟲洞攻擊的成功概率隨系統時間發展的變化情況，曲線表示Sybil攻擊的成功概率隨系統時間發展的變化情況，曲線表示自私性攻擊的成功概率隨系統時間發展的變化情況，+曲線表示RREQ flooding攻擊的成功概率隨系統時間發展的變化情況。
從圖5，圖6可以看出各種攻擊行為的成功概率都隨著系統時間的發展而增加。其中，Sybil攻擊的成功概率最大，蟲洞攻擊的成功概率第二，RREQ flooding攻擊的成功概率次之，自私性攻擊的成功概率最低。
通過比較圖5，圖6可以看出攻擊成功概率與攻擊的速率無關，而只與Ad Hoc網絡攻擊者的攻擊行為強度以及其預期收益有關。這是一個很重要的結論，這意味著Ad Hoc網絡防御機制的設計者將不需要關心攻擊行為的頻率，而只需要關心攻擊行為的強度和預期收益即可。
Ad Hoc防御機制的設計者可以根據不同的實際情況對模型的初始行為強度和預期收益進行設定，從而得到滿足自己需求的安全數據。
4 結語
行之有效的Ad Hoc網絡安全分析方法將會為Ad Hoc網絡安全機制的設計提供方向和借鑒。針對這一問題，本文提出了一種基于隨機博弈思想和隨機Petri網相結合的隨機博弈網模型方法，通過建立Ad Hoc網絡攻防隨機博弈網模型，求解與模型同構的馬爾科夫鏈可達標識的穩態概率，可以為Ad Hoc網絡安全性指標進行定量分析。通過仿真分析可知：攻擊行為的成功概率與攻擊頻率無關。
下一步的工作將會把Ad Hoc網絡攻擊行為的相互影響考慮進去，構建更加完善的Ad Hoc網絡攻防隨機博弈網模型。
參考文獻：
[1]劉建軍.不確定環境下的Ad Hoc網絡可信性評價模型研究[J].計算機科學，2011，38（8）：101-105.
[2]何明，董強，袁黎苗.無線傳感器網絡的可靠性評估模型[J].理工大學學報（自然科學版），2010（4）：392-396.
[3]肖坤，古天龍，常亮.一種Ad Hoc網絡可生存性度量方法[J].桂林電子科技大學學報，2011（3）：213-216.
[4]馬濤，單洪.移動Ad Hoc網絡的改進攻擊樹建模方法研究[J].計算機應用與軟件，2009，26（4）：271-273.
[5]王元卓，林闖，程學旗.基于隨機博弈模型的網絡攻防量化分析方法[J].計算機學報，2010（9）：1748-1762.
[6]黃成兵.基于Ad Hoc的蟲洞攻擊與防御研究綜述[J].網絡安全技術與應用，2012（6）：17-19.
[7]王峰，李平，朱海.一種基于社交網絡的Sybil攻擊防御[J].計算機應用與軟件，2013，30（6）：38-39，59.
[8]李慶城，任開，宮曉利，叢躍進.結合結點信任度的Ad Hoc地址配置協議研究[J].計算機應用與軟件，2013，30（2）：270-276.
[9]Yih-chun Hu，Adrian Perrig， David B Johnson.Packer leashes： A Defense against Wormhole Attacks in Wireless Ad Hoc Networks. Proceedings of the Twenty-Second Annual Joint Conference of the IEEE Computer and Communiciton Societies （IN-FOCOM 2003），IEEE[C].San Francisco，CA，April 2003（3）：1976-1986.
[10]Sallhammar K，Helvik B E，Knapskog S J.On stochastic modeling for integrated security and dependability evaluation[J].The Journal of Networks，2006，1（5）：31-42.
[11]Zuberek W M. Performance evaluation using unbound timed Petri nets.In：Proceedings of the Third International Workshop on Petri Nets and Performance Models[C].Kyoto Japan，1989，180-186.
[12]Molloy M K.Structurally bounded stochastic Petri nets. In： Proceedings International Workshop on Petri Nets and Performance Models[C].Wisconsin，USA 1987.
篇12
文章編號：1004-373X(2008)09-031-04オ
Arbitration Probability-based Access Selection Algorithm
CHEN Jie,YU Kai,ZHANG Ping
(Wireless Technology Institute,Beijing University of Posts and Telecommunications,Beijing,100876,China)
オ
Abstract：In order to direct subscribers to select the most suitable radio access network in B3G heterogeneous network environment,a network selection algorithm based on arbitration probability is proposed.Arbitration probability takes network provided Quality of Service(QoS) satisfaction level,monetary cost,and relative link quality into account.The heterogeneous network environment consisting of UMTS and 802.11e is established under NS2 platform.Simulation results exhibit the behavior of users′ network selection.The simulation results show that terminals access the most satisfactory network based on the proposed access selection algorithm.
Keywords：access selection;arbitration probability;heterogeneous wireless data network;NS2 simulation
在異構的無線網絡系統中，使用多模或變模終端的用戶更傾向于選擇最合適的接入技術來承載業務。但如何在眾多無線接入技術中選擇一個最合適的接入技術是一個有待研究的問題。現有文獻提出的相關解決方法，如隨機選擇算法、高帶寬優先選擇算法、基于模糊邏輯的算法[1]以及基于層次分析法和灰度關聯法[2]等，都忽略了用戶對網絡所提供業務質量的滿意度。此外，實際中的用戶將考慮服務質量和價格雙方面因素。基于上述原因，在綜合考慮用戶對服務質量滿意度、價格、相對鏈路質量等因素的基礎上提出了決策概率的概念。決策概率從數學上描述了用戶愿意選擇某網絡的程度。
1 決策概率
為了能用數學方法描述用戶對無線網絡提供的QoS的滿意程度，首先引入滿意度函數概念。用函數S(b)表示用戶的滿意度，他實際上是將服務質量相關的參數映射到實數域。在一個由M個異構無線網絡組成的系統中，用向量[WTHX]b[WTBX]=(b1,…,bM)表示這M個網絡為用戶提供服務的QoS參數。б虼耍若用戶使用不同網絡的服務，將會有不同的QoS體驗，而這種不同的QoS體驗則會對應不同QoS滿意度。不失一般性地，以網絡j為例，用戶對該網絡提供的服務的滿意度應滿足下列條件：
И
sj(b)bj≥0, sj(b)bi≤0 (i≠j),
┆limbj∞sj(b)=l
(1)
И
其中l是正的常數。上式中的最后一個條件反映了QoS參數超出一定范圍后，用戶對QoS參數的提升將不再敏感，進而用戶不會再因為網絡服務質量的提升而增加其滿意度。
在本文中，服務質量以網絡接入帶寬為例，但所提出的滿意度概念可廣泛應用于網絡所提供的其他QoS參數，而不僅限于接入帶寬。
事實上，用戶的滿意度行為與用戶所使用的業務類型有關。對最簡單的業務，如話音業務，一般認為用戶滿意度只有兩個值，分別是完全滿意和完全不滿意。而對于下一代基于分組的多媒體業務而言，這種僅考慮兩個離散值的滿意度將不再適用。出于對這類業務的考慮，采用連續函數對用戶滿意度進行建模。
其次，如果價格變化，用戶對業務的感知情況不可能不發生變化。
前文中，用戶滿意度是QoS的函數。這里，價格同樣表示為QoS的函數。根據上下文的內容，這里所說的QoS參數是網絡提供的接入帶寬。一般而言，網絡j提供的服務的價格pj(bj)，只與網絡j分配給用戶的接入帶寬有關。與滿意度函數類似，價格函數應滿足下面這個條件：
И
dpj(bj)dbj≥0
(2)
И
此外，除了滿意度和價格，用戶在選擇網絡時還應考慮與網絡間相對通信鏈路質量。в忙j表示終端與網絡j的接入點間的相對通信鏈路質量值。該參數值由用戶與網絡j間通信鏈路質量和用戶與其他網絡間通信鏈路質量共同決定。δjвβ足下列條件：
И
鄲jqj>0, 鄲jqi
(3)
И
其中，qi表示用戶與網絡i間的通信鏈路質量。值得注意的是，不同的用戶將檢測到不同的相對鏈路質量（δj）值。從δj的定義可知，該值越大，則用戶與網絡j間的相對通信鏈路質量越好。И
實際上，只有當服務質量和價格都是在可接受的情況下，用戶才可能對網絡所提供的業務表示滿意。只有當終端與網絡接入點間的相對通信鏈路質量較好時，用戶才可能與網絡建立連接。綜合考慮這三個因素，提出決策概率的概念。用決策概率表示用戶接受網絡服務的或然率。д攵醞絡j，定義決策概率為：Aj(sj,pj,δj)，該值反映用戶決策使用網絡j的服務的概率值。事實上，該值隨QoS滿意度和相對鏈路質量的增加而增加、隨價格的增加而減小，即Aj(sj,pj,δj)滿足：
(8)И
其中，C，μ，ε，是正值常數，而p┆max是價格的最大值。實際上，由于系統容量等的限制，網絡為用戶提供的接入帶寬不是無限大，因此，網絡的收費也不會是無限大。所以存在價格的最大值，且滿足p┆max
2 網絡選擇算法
如前文所述，下一代網絡系統中，多個異構網絡覆蓋同一地區將是一個很普遍的現象。不同的網絡為用戶提供不同的接入帶寬以滿足用戶各種需求。而對于那些位于多網絡重疊覆蓋區域的用戶，有理由相信他們能夠且需要在這眾多網絡中選擇最適宜的網絡進行接入。多模、變模技術使移動終端有能力進行異構網絡的接入選擇，而提出的接入網絡選擇算法則用于移動終端選擇一個最合適的無線接入網絡。多個異構網絡通過廣播消息，向用戶廣播其接入帶寬。移動終端在收到該廣播消息的基礎上通過計算所提出的決策概率的值，從而決定哪個網絡最適宜接入。
進一步，在描述用戶對QoS的感知時一般比較通用的函數形式是S形曲線函數[4]。因此，本文提出的滿意度函數也同樣采用S形曲線。在綜合考慮所有網絡提供的QoS參數后，用戶對網絡j提供服務的滿意度可表示為如下形式：
И
sj(b)=bj1M－1•∑i≠jbi+Kυ
1+bj1M－1•∑i≠jbi+Kυ
(9)
И
其中，Е ≥ 2；K是可調整的參數，通過他區分不同用戶的滿意度；M表示用戶可收集到M個網絡的信息。這里假設用戶的滿意度對其上限做了歸一化處理，即隨著bj的增大，滿意度漸進于1。И
對于價格的考慮，有很多文獻提出了不同的定價方案[5,6]，但到目前為止，這些定價策略的可行性有待進一步研究。因此，為了使本文中所提出的接入網絡選擇算法在實現時更易操作，本文采用價格與接入帶寬呈線性關系的定價策略，依據此策略網絡j的定價為：
И
pj(bj)k•bj
(10)
И
其中k是一正值常數，bj為網絡j為用戶提供的接入帶寬。
對于相對鏈路質量，反映的是用戶與各網絡間通信條件的好壞情況。這里的通信條件應該是各異構網絡間可相互比較的參數。在異構網絡系統中，由于使用的物理層的技術各不相同，因此在同構網絡中經常使用的信號強度不再適用于做通信條件的衡量標準。為此，采用相對公平的誤碼率（BER）或誤幀率（FER）做相對鏈路質量的衡量參數。定義用戶與網絡j間相對鏈路質量為：
И
δj1－BERj∑Mi=1(1－BERi)
(11)
И
其中M表示終端可采集到M個網絡的誤碼率（誤幀率）信息，而BERj表示終端檢測到的來自于網絡j的數據的誤碼率（誤幀率）。由式(11)可知相對鏈路質量δj的取值范圍為［0,1］。
值得注意的是，式(9)和式(10)所定義的滿意度和價格可在終端接收到網絡廣播的接入帶寬信息后計算而得，而公式定義的第三個參數相對鏈路質量δj，則可由終端對收到的廣播信息進行測量而得。由此，根據式(8)的定義，終端可以計算出是否接受網絡j提供服務的決策概率Aj(sj,pj,δj)。綜上所述，提出終端進行網絡選擇的算法：當終端在選擇要使用哪個無線網絡的資源時，首先計算接受各無線網絡服務的決策概率，之后選擇具有最大決策概率值的網絡接入。具體而言，終端的網絡選擇算法可用下列偽碼描述：
(1) Set the initial candidate network list listcandidate = null,and initial arbitration probability Aaccept = 0.Let M be the maximum number of networks whose information are collected by the user.Also let k=1.
(2) For all k such that k≤NИ
(a) Given bk and measured relative link quality of network k,compute the arbitration probability for network k Ak = Ak(sk,pk,δk)
(b) IF (Aaccept
(i) Set Aaccept =Ak,
(ii) Set listcandidate=k
ELSE IF (Aaccept==Ak) THEN
(i) Append candidate list (i.e.listcandidate) with k
(3) At this time,the index of network should be selected randomly in the list listcandidate.
3 系統實現與仿真結果
本節給出基于決策概率的網絡選擇算法實現方案框圖和基于此方案在NS2[7]環境下完成的仿真結果。
圖1是針對多模終端所設計的可以完成基于決策概率的網絡選擇算法的體系結構。
圖1 基于決策概率的網絡接入選擇系統體系結構
在該體系結構中，網絡選擇模塊負責通過網絡驅動接口規范（NIDS）設備接口采集網絡信息并進行存儲。NIDS設備用于操作所有網絡驅動。當需要建立業務時，網絡選擇模塊根據存儲的各網絡信息按本文提出的算法選擇最合適的網絡進行接入，同時設置位于NIDS中的用戶數據網絡接口轉發模塊，使用戶業務數據從選定的網絡接口中發送。
為驗證所提出的網絡選擇算法，基于圖1的系統體系結構在NS2平臺下搭建了異構仿真環境。仿真環境如┩2所示，包括一個UMTS網絡和一個802.11e的WLAN網絡。用戶位于UMTS網絡與WLAN網絡的重疊覆蓋區域。
圖2 仿真場景
這里所采用的WLAN技術是提供QoS保證并可以進行速率控制。同時，UMTS網絡和WLAN網絡都有足夠容量為有限的用戶提供數據服務，且這兩個網絡為用戶提供的數據服務的接入帶寬分別為2個單位和6個單位。在該仿真場景中UMTS的Node B和WLAN的AP負責周期廣播其接入帶寬，而用戶隨機的發起數據業務并在兩個網絡中選擇最優的一個網絡建立業務連接。具體仿真參數如表1所示。
表1 網絡選擇算法仿真參數列表
在圖2的仿真場景中，安排用戶在10 s開始從遠離WLAN的AP位置緩慢向WLAN的AP移動；在100 s附近開始從接近WLAN AP的位置開始以相同速度遠離該AP。圖3是根據以上設置完成的仿真結果。該圖反映用戶在接入網絡時決策概率值的變化情況。最初，由于移動臺距離WLAN的AP較遠導致信號比較弱，相對鏈路質量差，因而選擇UMTS的決策概率較大。隨著移動臺的移動，WLAN的信號逐漸增強使得UMTS網絡的相對鏈路質量變差。在綜合考慮WLAN提供的接入帶寬、價格、相對鏈路質量后，用戶選擇WLAN的決策概率大于選擇UMTS的決策概率，因此WLAN覆蓋的絕大多數地區，移動終端總會選擇WLAN做接入。當移動臺離WLAN的AP較遠時，選擇UMTS的決策概率才會逐漸回升。
圖3 移動終端選擇網絡時決策概率仿真結果
值得注意的是，盡管仿真中僅涉及到兩個異構網絡，但所提出的接入網選擇算法并不限于兩個網絡。
4 結 語
下一代無線系統的特點是各種異構的無線接入網絡相互合作、補充，共同為用戶提供數據服務。隨著技術的發展，首先將是多模終端的出現，使終端擺脫了只能與一個接入網絡建立連接的束縛。繼而SDR技術、端到端重配置技術使移動終端終將發展為可變模的智能設備。在這種情況下，終端有能力而且有必要從眾多的服務網絡中挑選最合適的一個網絡與之建立數據連接。本文正是基于此，提出決策概率的概念，使用戶能挑選出最合適的接入網絡。決策概率同時考慮了用戶對網絡提供的QoS的滿意程度、價格因素和用戶與網絡間相對鏈路質量三個方
面因素。基于此決策概率，提出了移動終端側的異構網絡選擇的算法。通過在NS2平臺上建立仿真場景并執行一系列的試驗，驗證了提出的用戶接入網絡選擇算法。同時，文中也給出了移動終端在面對UMTS和WLAN兩個網絡時的決策概率變化情況。
目前，我們也正在對基于決策概率的用戶網絡選擇算法進行擴展，增加網絡調控部分，使網絡動態調整其QoS參數，通過影響用戶網絡選擇行為而同時達到網絡收益最大和負載均衡的目的。
參 考 文 獻
［1］Tripathi N D,Reed J H,Vanlandinghum H F.Adaptive Handoff Algorithm for Cellular Overlay Systems Using Fuzzy Logic［A］.IEEE 49th VTC,1999.
［2］Song Qingyang,Jamalipour work Selection in an Integrated Wireless LAN and UMTS Environment using Mathematical Modeling and Computing Techniques［J］.IEEE Wireless Communications,2005,12(3):42-48.
［3］Varian H R.Intermediate Microeconomics:A Modern Approach［M］.Morton,New York,1999.
［4］Siris V.Resource Control for Elastic Traffic in CDMA Networks［A］.Proceedings of ACM MobiCom［C］.2002:193-204.
［5］Shenker S,Clark D D,Estrin D S Herzog.Pricing in Computer Networks:Reshaping the Research Agenda［A］.ACM Computer Communication Review,1996,26:19-43.
［6］Courcoubetis C,Kelly F P,Siris V A,et al.A Study of Simple Usage-based Charging Schemes for Broadband Networks［A］.Telecommunications Systems,2000,15:323-343.
篇13
火災的發生是一個綜合現象，包括溫升、煙霧和氣體濃度變化等等，單一類型傳感器火災監測已不能滿足人們的需求，所以數據融合理論就應用在火災監測領域。數據融合理論不是把表示火災特征的幾個參數（溫度、煙霧、CO）進行隨機組合，而是把這些參數的模擬量轉換為數字信號送到火災控制系統中利用數據融合理論算法進行判斷是否發生火災。本文將采用BP神經網絡算法用于多傳感器信息的融合，應用更新迭代校正不同傳感元件的網絡權值系數，獲得經過的融合計算后的判定結論，可以快速、及時、準確預警火災是否發生，進而減少了因火災引起的經濟損失，具有十分重要的現實意義。
1 火災監測技術
1.1 火災監測系統的組成
火災監測系統是由火災探測器和火災報警控制系統兩部分組成。火災探測器主要作用是多傳感器信息采集及數據處理。火災報警控制系統的主要作用是接收火災探測器處理后的信息，并判斷火災是否發生，反饋給工作人員。
1.2 火災監測技術的工作原理
火災發生發展的過程與周邊的環境密切相關，在火災發展的過程中火災特征參數（溫度、煙霧和CO濃度等）產生不同程度的變化，火災監測技術就是根據這些特征參數的變化利用相關的傳感器將表征這些參數的物理量（模擬信號）轉化為電信號（數字信號），再通過火災監測算法（本文采用BP神經網絡數據融合算法）對數據進行處理，得出結論并判斷火災是否發生。
2 BP神經網絡模型
本文所采用的BP神經網絡模型，通過網絡模型綜合運算以及歸一化運算過的3個檢測參數數值（溫度、煙霧、CO濃度）當作數據融合中心的3個輸入變量；把火災劃分成明火、陰燃以及無火3類情形，它們各自發生的概率值作為數據融合中心的3個輸出變量。具體結構如圖1所示。
BP神經網絡算法本質就是計算誤差函數的最小數。它使用非線性計劃中的梯度下降學習規則，依據誤差函數的反梯度方向校正網絡層的權系數。
3 結果與仿真對比
對所研究算法進行仿真測試，采用的火災探測器，是使用現場檢測裝置，通過使用溫度傳感元件、煙霧濃度傳感元件和CO濃度傳感元件各自檢測收集監測對象火災現場的溫度值、煙霧濃度和CO濃度信息。把這些收集的數據信息通過多傳感器信息融合算法計算得到實際火災發生的概率，判定監測對象是否存在火災產生，再向火災預警控制系統發出指令，控制系統的屏幕上將出現經算法判斷后的結論，工作人員依據此結論進行下一步工作。
在模擬監測對象明火環境中，溫度在3個火災特征參數中數值最大并變化程度比較小，數據變動較小并趨于平穩，溫度參數為驗證是否產生明火的最核心參數；煙霧濃度數據值比較低并變動程度小，數據變動很小并趨向平穩；CO濃度數據變化程度比較大。在模擬監測對象火災陰燃環境下，溫度是這3種火災特征參數中的數值比較小并變化很小；煙霧濃度參數變動波動比較大，表現出快速地上升的走向，煙霧濃度參數是檢驗是否是陰燃火災的主要參考參數；CO濃度參數在這3種火災特征參數中數值最大，數據變動幅度相對平穩，CO濃度參數是判斷陰燃火災的根本性參考參數。在模擬監測對象沒有發生火災的環境下，溫度、煙霧、CO濃度的數值都相對較低，而且參數數據變化比較緩慢，相較于火災的明火環境與陰燃環境下的火災特征參數，在火災的無火環境下火災特征參數數據變動較為平穩。
在模擬監測對象火災環境下取得的仿真y試數據樣本，將測試樣本數據通過火災預警網絡算法計算出火災發生實際概率數值，再與火災試驗期望概率數值進行對比，判斷基于多傳感器數據融合的火災預警算法的有效性與準確性。利用BP神經網絡模型，計算出實際火災發生的概率。結果如圖2～圖4所示。
圖2為監測對象的明火環境下火災產生期望概率輸出值與計算得出的火災產生實際概率輸出值的比較圖，依據圖2可知，監測對象處于火災的明火環境，火災產生的概率輸出值較高，火災預警網絡算法的火災產生期望概率輸出值與火災產生實際概率輸出值十分近似相等，系統誤差值很小，精確度高，可以精確有效地判定明火火災。
圖3為陰燃環境中火災發生期望概率值與計算得出的火災發生實際概率值的比較圖，依據圖3可以看出，火災預警網絡算法的火災產生期望概率輸出值與火災發生實際概率輸出值十分近似相等。它說明了在監測對象火災的陰燃環境下，火災預警網絡算法的火災產生期望概率輸出值與火災產生實際概率輸出值的曲線近似重合，誤差值很小，效果明顯，火災預警網絡算法能夠快速富有成效地判別監測對象是否產生的是陰燃火災，達到火災初期預警的目標。
圖4表示在監測對象的沒有發生火災環境下火災產生期望概率輸出值和計算得出的火災產生實際概率輸出值的對比圖，依據圖3可以了解，在監測對象的沒有發生火災環境下，火災預警網絡算法的火災產生期望概率輸出值與火災產生實際概率輸出值的曲線近似重合，兩條曲線基本重合，火災預警網絡算法的實際概率輸出值和期望概率輸出值之間的誤差值很小，說明了火災預警網絡算法有非常高的監測準確度，可以有效辨別監測對象沒有發生火災情形。
4 結論
火災預警網絡算法將在3種火災環境下傳感器系統收集到的測試樣本數據做了記憶和處理并進行了歸一化計算，然后用仿真曲線圖直觀地分析了這些參數數據（溫度、煙霧、CO）在火災不同階段環境的變化趨勢。經過基于BP神經網絡融合算法進行運算，獲得了在模擬火災的3類環境下火災的實際發生概率輸出值，然后和對應的火災的期望輸出概率輸出值進行對比和解析，仿真出火災實際概率輸出值與期望概率輸出值的曲線對比圖。曲線對比圖說明火災預警網絡模型的實際概率輸出值與期望概率輸出值之間的誤差值很小，此算法的準確性高，對監測對象發生火災狀況可以實時迅速地預警及報告，提升了火災預警的精確度，有效地降低了漏報率及誤報率。
參考文獻
