時(shí)間：2024-02-28 14:46:00
序論：在您撰寫(xiě)網(wǎng)絡(luò)的概率時(shí)，參考他人的優(yōu)秀作品可以開(kāi)闊視野，小編為您整理的7篇范文，希望這些建議能夠激發(fā)您的創(chuàng)作熱情，引導(dǎo)您走向新的創(chuàng)作高度。
目前，門(mén)限準(zhǔn)則模糊了所有負(fù)載描述值低于門(mén)限的節(jié)點(diǎn)之間的差別，也模糊了所有負(fù)載描述值高于門(mén)限的節(jié)點(diǎn)之間的差別，這勢(shì)必對(duì)負(fù)載均衡的效果產(chǎn)生不利的影響。負(fù)載均衡中的路由準(zhǔn)入算法大部分基于門(mén)限準(zhǔn)則來(lái)實(shí)現(xiàn)。門(mén)限準(zhǔn)則通過(guò)設(shè)置一個(gè)門(mén)限值來(lái)判斷路由準(zhǔn)入，低于(或高于)門(mén)限值則準(zhǔn)入(或禁止)路由。但是可相比基于門(mén)限的路由準(zhǔn)入機(jī)制，基于概率的算法并不直接決定是否準(zhǔn)入路由，而是綜合各種信息得到一個(gè)準(zhǔn)入的概率，節(jié)點(diǎn)以這個(gè)概率進(jìn)行路由準(zhǔn)入。節(jié)點(diǎn)B、C和D都收到了來(lái)自源節(jié)點(diǎn)A的路由請(qǐng)求，在t1時(shí)刻節(jié)點(diǎn)B、C和D的負(fù)載描述值分別為8，10和12。如果門(mén)限值為7，那么三個(gè)節(jié)點(diǎn)的負(fù)載都高于門(mén)限值，則此門(mén)限值的設(shè)定就無(wú)法區(qū)別出節(jié)點(diǎn)B、C和D之間的負(fù)載差異；同樣，在t2時(shí)刻B、C、D3個(gè)節(jié)點(diǎn)的負(fù)載描述值分別為4、6、8時(shí)，如果門(mén)限值為10，那么此門(mén)限值也無(wú)法區(qū)別出3個(gè)節(jié)點(diǎn)之間的差異，而實(shí)際上3個(gè)節(jié)點(diǎn)的負(fù)載有較大的差異。概率算法針對(duì)不同的負(fù)載描述值得到不同的路由準(zhǔn)入概率。例如對(duì)于負(fù)載描述值8、10和12，概率算法分別給予80%、60%和30%的準(zhǔn)入概率，那么B、C和D三個(gè)節(jié)點(diǎn)路由準(zhǔn)入的結(jié)果必然不同，節(jié)點(diǎn)D轉(zhuǎn)發(fā)RREQ將多于其它兩個(gè)節(jié)點(diǎn)?；诟怕实乃惴軌驕?zhǔn)確區(qū)別節(jié)點(diǎn)之間的負(fù)載差異，對(duì)不同負(fù)載予不同的策略。對(duì)于一個(gè)既定的負(fù)載量，要求得到一個(gè)對(duì)應(yīng)的準(zhǔn)入概率。如果把給定的負(fù)載量L作為自變量，而對(duì)應(yīng)的準(zhǔn)入概率P作為函數(shù)值，那么就可以確定負(fù)載量和準(zhǔn)入概率之間的函數(shù)對(duì)應(yīng)關(guān)系：PF(L)其中P是準(zhǔn)入概率，L是節(jié)點(diǎn)的負(fù)載量，F(xiàn)是概率函數(shù)。給定一個(gè)負(fù)載L就可以通過(guò)上式算出路由準(zhǔn)入的概率P。概率函數(shù)F可以用多條曲線來(lái)擬合，理論上講，只要是單調(diào)下降的函數(shù)曲線都合適，使大的負(fù)載描述值對(duì)應(yīng)小的準(zhǔn)入概率(負(fù)載描述值越大，負(fù)載越重)，但是不同曲線對(duì)應(yīng)不同的協(xié)議性能。
2.基于歷史信息的負(fù)載映射
在一定的網(wǎng)絡(luò)區(qū)域內(nèi)，以節(jié)點(diǎn)隨機(jī)移動(dòng)為例，理論上經(jīng)過(guò)足夠長(zhǎng)的時(shí)間，節(jié)點(diǎn)會(huì)遍歷網(wǎng)絡(luò)，經(jīng)歷網(wǎng)絡(luò)的各種負(fù)載狀態(tài)，我們稱之為節(jié)點(diǎn)的網(wǎng)絡(luò)各態(tài)歷經(jīng)性。也就是在經(jīng)過(guò)足夠的時(shí)間后，節(jié)點(diǎn)能夠掌握足夠豐富的網(wǎng)絡(luò)負(fù)載信息，而這些信息與當(dāng)前時(shí)刻其他節(jié)點(diǎn)的負(fù)載高度相關(guān)。節(jié)點(diǎn)之間沒(méi)有任何的負(fù)載信息交互。因此節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)狀態(tài)感知的準(zhǔn)確性就成為負(fù)載均衡的關(guān)鍵之一?；跉v史信息的負(fù)載映射利用節(jié)點(diǎn)的歷史負(fù)載信息來(lái)映射網(wǎng)絡(luò)的負(fù)載狀態(tài)，為節(jié)點(diǎn)的路由準(zhǔn)入提供有效的參考。研究發(fā)現(xiàn)節(jié)點(diǎn)負(fù)載強(qiáng)度與節(jié)點(diǎn)在網(wǎng)絡(luò)中的位置有很大的關(guān)系，當(dāng)節(jié)點(diǎn)處在網(wǎng)絡(luò)的中心區(qū)域時(shí)，由于經(jīng)過(guò)的路由數(shù)比較多，所以節(jié)點(diǎn)負(fù)載一般較高；相反，當(dāng)節(jié)點(diǎn)處在網(wǎng)絡(luò)邊緣時(shí)，負(fù)載較低。又由于節(jié)點(diǎn)的移動(dòng)，節(jié)點(diǎn)在網(wǎng)絡(luò)中的位置不斷發(fā)生變化，從而節(jié)點(diǎn)的負(fù)載狀態(tài)也在不斷改變。所以，節(jié)點(diǎn)在歷經(jīng)各種網(wǎng)絡(luò)負(fù)載狀態(tài)時(shí)，記錄下相應(yīng)時(shí)刻的負(fù)載描述值，作為路由準(zhǔn)入時(shí)的橫向比較參考，使路由準(zhǔn)入更準(zhǔn)確。四個(gè)相隔不遠(yuǎn)時(shí)刻的網(wǎng)絡(luò)拓?fù)洌瑘D中著色的節(jié)點(diǎn)為同一個(gè)節(jié)點(diǎn)A。從圖中可以看到，從t1時(shí)刻到t4時(shí)刻這段時(shí)間內(nèi)，節(jié)點(diǎn)A由網(wǎng)絡(luò)的中心運(yùn)動(dòng)到了網(wǎng)絡(luò)的邊緣(其它節(jié)點(diǎn)也會(huì)移動(dòng)，只是我們并不關(guān)心)，而節(jié)點(diǎn)移動(dòng)之后的位置被其它節(jié)點(diǎn)取代。2(b)中的t2時(shí)刻，節(jié)點(diǎn)B運(yùn)動(dòng)到了節(jié)點(diǎn)A在t1時(shí)刻的位置，其它幾個(gè)圖同理。節(jié)點(diǎn)在網(wǎng)絡(luò)中位置的變化導(dǎo)致節(jié)點(diǎn)的負(fù)載狀態(tài)改變，在t1、t2、t3、t4四個(gè)時(shí)刻，節(jié)點(diǎn)A的負(fù)載描述值分別為9、7、5和3，可見(jiàn)節(jié)點(diǎn)的負(fù)載在逐漸降低。而在這個(gè)過(guò)程中，節(jié)點(diǎn)不斷記錄負(fù)載信息，包括變化過(guò)程中負(fù)載的最大值、最小值以及整個(gè)過(guò)程中的負(fù)載平均值等。節(jié)點(diǎn)A記錄的負(fù)載最大值是t1時(shí)刻，其負(fù)載描述值為9，負(fù)載的最小值是在t4時(shí)刻，其負(fù)載描述值為3，整個(gè)過(guò)程負(fù)載的平均值為（9+7+5+3）/4=6。節(jié)點(diǎn)利用這些歷史負(fù)載信息來(lái)映射網(wǎng)絡(luò)的負(fù)載狀態(tài)。比如節(jié)點(diǎn)記錄的歷史最大負(fù)載描述值為9，那么很可能此時(shí)網(wǎng)絡(luò)中的其它某個(gè)節(jié)點(diǎn)的負(fù)載值為9。通過(guò)當(dāng)前的負(fù)載值與歷史負(fù)載值比較，節(jié)點(diǎn)很容易判斷出自己的負(fù)載輕重，從而決定是否準(zhǔn)入路由，達(dá)到負(fù)載均衡的目的。
3.H&P算法
能夠描述網(wǎng)絡(luò)負(fù)載的表征量有很多，主要的有時(shí)延、信道占用時(shí)間、路由數(shù)和緩沖區(qū)隊(duì)列長(zhǎng)度等。時(shí)延表征量是選擇一條時(shí)延最短的路徑；信道占用時(shí)間是以節(jié)點(diǎn)感知到的信道被占用的時(shí)間作為負(fù)載的度量；路由數(shù)是以經(jīng)過(guò)節(jié)點(diǎn)的路由數(shù)目作為負(fù)載的度量；緩沖區(qū)隊(duì)列長(zhǎng)度是以節(jié)點(diǎn)接口隊(duì)列緩沖區(qū)長(zhǎng)度作為負(fù)載度量。不同的表征量各有特點(diǎn)，操作也不相同。時(shí)延和路由數(shù)表征量需要在節(jié)點(diǎn)之間交換表征量信息，增加了額外開(kāi)銷(xiāo)，且對(duì)負(fù)載的描述不全面；信道占用時(shí)間是一個(gè)有效的負(fù)載度量，但是需要MAC協(xié)議支持，即需要跨層設(shè)計(jì)，這增加了協(xié)議的復(fù)雜性，也破壞了負(fù)載均衡算法與協(xié)議的松散耦合；緩沖區(qū)隊(duì)列長(zhǎng)度對(duì)負(fù)載的描述簡(jiǎn)單有效，而且具有獨(dú)立分布式運(yùn)算、易于操作等特點(diǎn)。所以在H&P_DSR協(xié)議中選擇緩沖區(qū)隊(duì)列長(zhǎng)度作為負(fù)載表征量。規(guī)則二：負(fù)載信息的學(xué)習(xí)與搜集。H&P算法中對(duì)網(wǎng)絡(luò)負(fù)載狀態(tài)的判讀依賴節(jié)點(diǎn)運(yùn)行時(shí)搜集的信息。節(jié)點(diǎn)搜集到的負(fù)載信息越多，對(duì)網(wǎng)絡(luò)負(fù)載的分布情況判斷越準(zhǔn)確，負(fù)載均衡的效果就越好。由于開(kāi)始時(shí)節(jié)點(diǎn)沒(méi)有搜集到足夠的負(fù)載信息，所以前幾個(gè)周期并不進(jìn)行路由準(zhǔn)入的判斷，而是正常路由，只對(duì)網(wǎng)絡(luò)的負(fù)載情況進(jìn)行采樣和記錄，其中包括節(jié)點(diǎn)運(yùn)行過(guò)程中負(fù)載表增量的最大值(記為MaxL)、最小值(記為MinL)以及平均值記為AveL)。可以靈活的設(shè)置路由準(zhǔn)入介入的時(shí)間，理論上此時(shí)間越長(zhǎng)節(jié)點(diǎn)搜集到的信息越豐富，路由準(zhǔn)入判斷越準(zhǔn)確。實(shí)際中可根據(jù)具體的應(yīng)用來(lái)設(shè)計(jì)，其與節(jié)點(diǎn)的移動(dòng)速度、通信距離等有關(guān)。在當(dāng)前仿真場(chǎng)景下，在2000*2000m2范圍內(nèi)的區(qū)域內(nèi)，節(jié)點(diǎn)的平均速度為20m/s，通信距離為400m，理論上節(jié)點(diǎn)從網(wǎng)絡(luò)邊緣進(jìn)入到中心所用的時(shí)間大約30s。
關(guān)鍵詞： 概率神經(jīng)網(wǎng)絡(luò)（PNN）； 顏色識(shí)別； 生化分析
中圖分類號(hào)： TP 391.4文獻(xiàn)標(biāo)識(shí)碼： Adoi： 10.3969/j.issn.10055630.2012.05.005
引言顏色識(shí)別在遙感技術(shù)、工業(yè)過(guò)程控制、材料分揀識(shí)別、圖像處理、產(chǎn)品質(zhì)檢、機(jī)器人視覺(jué)系統(tǒng)等領(lǐng)域已得到廣泛應(yīng)用。利用已有的彩色圖像處理設(shè)備，如彩色掃描儀、彩色數(shù)碼相機(jī)、攝像頭等，可以進(jìn)行尿液的醫(yī)學(xué)生化分析[1]。但是，由于系統(tǒng)信號(hào)傳輸?shù)姆蔷€性、硬件設(shè)備本身的局限性及其它各種外在因素的影響，不同設(shè)備間顏色信息的傳遞也不是線性的，而是非常復(fù)雜的。即使是同一彩色圖像，經(jīng)不同的彩色圖像處理設(shè)備掃描或拍攝后再輸入到計(jì)算機(jī)中所得到的RGB數(shù)據(jù)文件在比例關(guān)系上和數(shù)量大小方面也會(huì)呈現(xiàn)明顯的失調(diào)和不一致[2]。概率神經(jīng)網(wǎng)絡(luò)（PNN）是一種基于概率密度函數(shù)理論且泛化能力很強(qiáng)的神經(jīng)網(wǎng)絡(luò)，并且能夠廣泛地應(yīng)用于模式識(shí)別等領(lǐng)域?？梢岳镁€性學(xué)習(xí)算法完成以往非線性算法的工作，又可以保持非線性算法的高精度特性[34]?，F(xiàn)基于PNN，提出一種與尿液反應(yīng)后尿試紙的顏色識(shí)別方法。針對(duì)顏空間轉(zhuǎn)換的非線性復(fù)雜關(guān)系，在獲取標(biāo)準(zhǔn)閾值顏度值后，進(jìn)行歸一化處理，建立PNN，用于尿樣顏色的識(shí)別，并與顏差評(píng)價(jià)方法進(jìn)行比對(duì)。1概率神經(jīng)網(wǎng)絡(luò)（PNN）
1.1PNN特點(diǎn)PNN是統(tǒng)計(jì)方法與前饋神經(jīng)網(wǎng)絡(luò)相結(jié)合的一種神經(jīng)網(wǎng)絡(luò)模型。與多層前饋神經(jīng)網(wǎng)絡(luò)（back propagation，BP）相比較，PNN的主要優(yōu)勢(shì)為：（1）網(wǎng)絡(luò)收斂速度快。網(wǎng)絡(luò)結(jié)構(gòu)僅有兩層，并且運(yùn)算時(shí)不需要返回網(wǎng)絡(luò)再對(duì)權(quán)值進(jìn)行修改；（2）無(wú)論多么復(fù)雜的分類問(wèn)題，只要有足夠的訓(xùn)練數(shù)據(jù)，PNN可以保證獲得貝葉斯準(zhǔn)則下的最優(yōu)解；（3）允許減少或增加訓(xùn)練數(shù)據(jù)而無(wú)需進(jìn)行長(zhǎng)時(shí)間的訓(xùn)練。
光學(xué)儀器第34卷
第5期王春紅，等：基于概率神經(jīng)網(wǎng)絡(luò)的尿樣顏色識(shí)別
圖1概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
Fig.1Schematic diagram of PNN structure1.2PNN結(jié)構(gòu)PNN是一種能夠用于模式分類的徑向基神經(jīng)網(wǎng)絡(luò)，實(shí)質(zhì)是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則的一種并行算法[5]。PNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，共三層：輸入層、隱含層和輸出層。第一層為輸入層，網(wǎng)絡(luò)第二層為隱含層，用徑向基函數(shù)作為激勵(lì)函數(shù)，一般為高斯函數(shù)（即exp（-n2），n為徑向基函數(shù)神經(jīng)元輸入值）；第三層為輸出層，即競(jìng)爭(zhēng)層。圖1中Q為輸入向量的個(gè)數(shù)，R為輸入向量的維數(shù)，LW1，1為輸入權(quán)值向量，LW2，1為隱層權(quán)值向量，K為輸出神經(jīng)元個(gè)數(shù)，C為擴(kuò)展常數(shù)。C值越大，隱含層神經(jīng)元對(duì)輸入向量的響應(yīng)也越大。PNN分類方法：徑向基層計(jì)算輸入向量同樣本輸入向量間的距離dist，輸出一個(gè)距離向量。競(jìng)爭(zhēng)層接受距離向量，計(jì)算各個(gè)模式出現(xiàn)的概率，通過(guò)競(jìng)爭(zhēng)傳遞函數(shù)compet尋找輸入向量中的最大元素，把響應(yīng)的神經(jīng)元輸出設(shè)置為1，其余輸出設(shè)置為0。2樣本體系結(jié)構(gòu)
2.1標(biāo)準(zhǔn)閾值尿液生化分析中每一具體項(xiàng)目分為正常（-）、臨界正常（-+）和非正常情況（+，++，+++）。將尿試紙與標(biāo)準(zhǔn)閾值實(shí)驗(yàn)液作用，在規(guī)定的時(shí)間內(nèi)，檢測(cè)尿試紙可見(jiàn)光譜反射率或用色度儀器測(cè)試顏色三刺激值XYZ。CIE1931顏色三刺激值XYZ計(jì)算公式為X=k∑λS（λ）R（λ）x―（λ）Δλ
Y=k∑λS（λ）R（λ）y―（λ）Δλ
Z=k∑λS（λ）R（λ）z―（λ）Δλ（1）式（1）中，S（λ）為照明光源相對(duì)光譜功率分布、R（λ）為物體可見(jiàn)光譜反射率、x―（λ）、y―（λ）和z―（λ）為CIE標(biāo)準(zhǔn)觀察者的光譜三刺激值函數(shù)，Δλ為采樣間隔，一般Δλ=10 nm。在Lambda 9紫外可見(jiàn)近紅外分光光度計(jì)上測(cè)試獲得光譜反射率數(shù)據(jù)，即可由式（1）得到光源下的顏色三刺激值XYZ。實(shí)驗(yàn)中比對(duì)實(shí)驗(yàn)所用光源和測(cè)試標(biāo)準(zhǔn)閾值顏色所用光源相同。為能更好地反映兩個(gè)顏色間色差大小與人眼感知程度的一致性，通常將物體顏色三刺激值XYZ轉(zhuǎn)換成CIE Lab勻色空間色度值[6]，依據(jù)下式進(jìn)行計(jì)算。L*=116×fYYn-16
a*=500×fXXn-fYYn
b*=200×fYYn-fZZn（2）式（2）中，L*為米制明度；a*、b*為米制色度。Xn，Yn，Zn為標(biāo)準(zhǔn)照明體的三刺激值。fXXn、fYYn、fZZn的計(jì)算公式為f（I）=I13I>0.008 856
f（I）=7.787×I+16116I≤0.008 856（3）實(shí)驗(yàn)在A標(biāo)準(zhǔn)光源、D65標(biāo)準(zhǔn)光源下分別進(jìn)行，尿膽素原（URO）標(biāo)準(zhǔn)閾值色度數(shù)據(jù)如表1所示。表2為標(biāo)準(zhǔn)光源A和標(biāo)準(zhǔn)光源D65下的相鄰標(biāo)準(zhǔn)閾值間的色差。由表1和表2中的色度數(shù)據(jù)可以看出，標(biāo)準(zhǔn)閾值間的色差遠(yuǎn)遠(yuǎn)超出了人眼分辨顏色差別的閾值。標(biāo)準(zhǔn)光源A和標(biāo)準(zhǔn)光源D65下的色差值較接近。D65標(biāo)準(zhǔn)光源下，對(duì)于尿膽素原測(cè)試，RGB空間色度值如表3所示。
2.2指標(biāo)數(shù)據(jù)的量化、規(guī)范化處理為減少網(wǎng)絡(luò)的訓(xùn)練難度，需要對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理[7]。利用計(jì)算公式將輸入數(shù)據(jù)量化為閉區(qū)間[0.05，0.95]上的無(wú)量綱指標(biāo)屬性值。當(dāng)輸出越大分析結(jié)果越高時(shí)，效應(yīng)系數(shù)計(jì)算公式為：Fj=0.9×（Xj-Xjmin）/（Xjmax-Xjmin）+0.05（4）當(dāng)輸出越小分析結(jié)果越高時(shí)，效應(yīng)系數(shù)計(jì)算公式為：Fj=1-[0.9×（Xj-Xjmin）/（Xjmax-Xjmin）+0.05]（5）其中，F(xiàn)j為目標(biāo)值Xj的效應(yīng)系數(shù)，Xjmin為第j個(gè)指標(biāo)的最小值，Xjmax為第j個(gè)指標(biāo)的最大值，j是評(píng)價(jià)指標(biāo)數(shù)。將D65標(biāo)準(zhǔn)光源下標(biāo)準(zhǔn)閾值的RGB值經(jīng)過(guò)上述處理后，便得到樣本數(shù)據(jù)。3用PNN進(jìn)行尿液生化分析
3.1PNN的建立每項(xiàng)檢測(cè)項(xiàng)目中均有5個(gè)閾值，即共有5個(gè)訓(xùn)練樣本，與待測(cè)尿液反應(yīng)后的尿試紙顏色的RGB值為測(cè)試樣本。（1）輸入層神經(jīng)元數(shù)的確定。輸入層神經(jīng)元數(shù)的多少與評(píng)價(jià)指標(biāo)數(shù)相對(duì)應(yīng)。采用顏色RGB值對(duì)尿液生化分析結(jié)果進(jìn)行模擬評(píng)價(jià)，因此，網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為3。（2）隱含層神經(jīng)元數(shù)與訓(xùn)練樣本數(shù)相同。共計(jì)5個(gè)，傳遞函數(shù)為高斯函數(shù)（radbas），加權(quán)函數(shù)設(shè)為歐氏距離加權(quán)函數(shù)（dist）。編程中設(shè)計(jì)輸人函數(shù)為netprod，輸出函數(shù)為compet，加權(quán)函數(shù)為dotprod。（3）輸出層神經(jīng)元數(shù)的確定。網(wǎng)絡(luò)輸出結(jié)果共分5個(gè)等級(jí)，即-、-+、+、++、+++，因此輸出神經(jīng)元個(gè)數(shù)取為5。
3.2PNN的訓(xùn)練和預(yù)測(cè)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中newprm（）函數(shù)設(shè)計(jì)PNN網(wǎng)絡(luò)，代碼：net=newpnn（P，t，spread），其中P為歸一化樣本向量，t為輸出目標(biāo)向量，即評(píng)價(jià)等級(jí)，分別用1、2、3、4、5代表-、-+、+、++、+++五個(gè)等級(jí)，net為產(chǎn)生的PNN，spread為徑向基函數(shù)分布密度，設(shè)為0.1[8]。利用vec2ind函數(shù)可將分類結(jié)果轉(zhuǎn)換為容易識(shí)別的類別向量，亦可用ind2vec函數(shù)將類別向量轉(zhuǎn)化為PNN可以使用的目標(biāo)向量。將驗(yàn)證樣本數(shù)據(jù)輸入已訓(xùn)練完成的PNN進(jìn)行預(yù)測(cè)，測(cè)試函數(shù)Y=sim（net，X），Y為預(yù)測(cè)結(jié)果，X為歸一化驗(yàn)證樣本矢量。網(wǎng)絡(luò)輸出：Y=1354212歸一化后的尿膽素原驗(yàn)證樣本數(shù)據(jù)和網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果如表4所示。
表4尿樣顏色分類結(jié)果
Tab.4The classification results of urine color
驗(yàn)證樣本1234567R0.049 00.601 70.152 60.567 20.843 60.152 60.567 2G0.092 20.505 20.939 30.748 70.229 80.187 50.304 0B0.083 60.627 10.847 80.813 90.321 40.134 50.389 3期望輸出-++++++-+--+預(yù)測(cè)結(jié)果-++++++-+--+
4結(jié)論（1）與尿液生化分析顏差方法[1]進(jìn)行了比對(duì)，預(yù)測(cè)值Y與計(jì)算顏差方法結(jié)果完全一致，說(shuō)明網(wǎng)絡(luò)有較好的預(yù)測(cè)精度，概率神經(jīng)網(wǎng)絡(luò)用于尿液生化分析中的尿樣顏色識(shí)別是完全有效的。（2）該方法無(wú)須進(jìn)行色空間轉(zhuǎn)換，只利用設(shè)備原有RGB顏色空間RGB值即可實(shí)現(xiàn)，用MATLAB語(yǔ)言編程，結(jié)果直觀，具有良好的圖像界面支持，易于操作，具有一定的使用價(jià)值。（3）由于照明光源直接影響物體的顏色，因此尿樣檢測(cè)的照明光源要和提供檢測(cè)項(xiàng)目標(biāo)準(zhǔn)閾值的照明光源相同或相近。參考文獻(xiàn)：
[1]王春紅，周越，趙紅霞.基于色差評(píng)定理論的尿液生化分析方法研究[J].生物醫(yī)學(xué)工程學(xué)雜志，2008，25（1）：77-82.
[2]蔡明杰，賈宏志，畢波，等.基于黑白攝像系統(tǒng)的偽彩色處理[J].光學(xué)儀器，2011，33（3）：33-36.
[3]YOUNES C，SURANJAN P，RONALD M.Conjugate gradient and approximate newton methods for an optimal probabilistic neural network for food color classification[J].Optical Engineering.1998，37（11）：3015-3023.
[4]LIU G.Remote sensing image segmentation with probabilistic neural networks[J].Geospatial Information Science，2005，8（1）：28-32.
[5]柳松，王展.基于徑向基概率神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法[J].計(jì)算機(jī)工程與科學(xué)，2006，28（2）：57-60.
[6]荊其誠(chéng)，焦書(shū)蘭，俞柏林.色度學(xué)[M].北京：科學(xué)出版社，1979.
關(guān)鍵詞：群垂直切換 阻塞概率 傳輸時(shí)延 丟包率
中圖分類號(hào)：TN929.5 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2017）02（b）-0214-02
1 系統(tǒng)模型及問(wèn)題
群垂直切換場(chǎng)景是由多個(gè)不同的無(wú)線接入網(wǎng)絡(luò)和多個(gè)移動(dòng)終端組成，假設(shè)共有N個(gè)可用的無(wú)線網(wǎng)絡(luò)，移動(dòng)終端可以選擇這些網(wǎng)絡(luò)進(jìn)行垂直切換。對(duì)于每一個(gè)網(wǎng)絡(luò)i∈N （i=1，2...N），可用資源是ARi Mbps，往返時(shí)間是RTTi ms，兩個(gè)網(wǎng)絡(luò)參數(shù)隨時(shí)間不斷變化。假設(shè)共有M個(gè)用戶進(jìn)行群垂直切換，對(duì)于每一個(gè)用戶j∈M （j =1，2...M），該用戶所需的傳輸比特率表示為Rj Mbps。移動(dòng)終端在向網(wǎng)絡(luò)發(fā)出的切換請(qǐng)求時(shí)分為兩種業(yè)務(wù)類型：一種是實(shí)時(shí)業(yè)務(wù)，另一種是非實(shí)時(shí)業(yè)務(wù)。實(shí)時(shí)業(yè)務(wù)對(duì)時(shí)延較為敏感，延時(shí)的大小對(duì)于該業(yè)務(wù)的性能的影響較大。對(duì)于非實(shí)時(shí)業(yè)務(wù)而言，丟包率的大小對(duì)于該業(yè)務(wù)的影響較大。因此，對(duì)于不同類型的切換，優(yōu)化目標(biāo)是不同的。對(duì)于實(shí)時(shí)業(yè)務(wù)，目標(biāo)是盡量使得整個(gè)網(wǎng)絡(luò)的平均傳輸延遲最小，而非實(shí)時(shí)業(yè)務(wù)的目標(biāo)是盡量使得整個(gè)網(wǎng)絡(luò)的平均丟包率最小。
2 群切換方案
群切換一般發(fā)生在多個(gè)用戶之間離得很近，當(dāng)多個(gè)用戶檢測(cè)到一個(gè)熱點(diǎn)信號(hào)時(shí)，同時(shí)或幾乎同時(shí)向目標(biāo)網(wǎng)絡(luò)發(fā)出切換請(qǐng)求。因此，該文將多個(gè)用戶之間看成是無(wú)差別的，忽略用戶所用信道的差異性，即用戶享有同樣的信道條件，所有的用戶都符合垂直切換的條件或標(biāo)準(zhǔn)。同時(shí)，我們假設(shè)任意用戶都可以知道其他用戶的信息和所有網(wǎng)絡(luò)的信息。即當(dāng)用戶向目標(biāo)網(wǎng)絡(luò)發(fā)出切換請(qǐng)求時(shí)，目標(biāo)網(wǎng)絡(luò)獲取到請(qǐng)求切換用戶的總個(gè)數(shù)，然后通過(guò)廣播的形式將該信息通知給所有的用戶，使得任意一個(gè)用戶都能夠了解當(dāng)前切換用戶的總個(gè)數(shù)。同時(shí)，從網(wǎng)絡(luò)的廣播信息中所有用戶都會(huì)知道每個(gè)目標(biāo)網(wǎng)絡(luò)在當(dāng)前時(shí)隙所剩下的可用資源。
在群切換中，當(dāng)用戶個(gè)數(shù)很少，無(wú)線網(wǎng)絡(luò)可以提供足夠的無(wú)線資源給請(qǐng)求切換的用戶時(shí)，將不會(huì)產(chǎn)生網(wǎng)絡(luò)擁堵和切換阻塞。然而，隨著用戶個(gè)數(shù)的增長(zhǎng)，網(wǎng)絡(luò)資源不斷減少，至少會(huì)有一個(gè)網(wǎng)絡(luò)將被不能提供足夠的資源給用戶，在這種情況下，會(huì)產(chǎn)生網(wǎng)絡(luò)阻塞。
2.1 確定最多的切換用戶
當(dāng)多個(gè)用戶選擇同一個(gè)目標(biāo)網(wǎng)絡(luò)進(jìn)行切換時(shí)，用戶所需的資源總和超過(guò)目標(biāo)網(wǎng)絡(luò)的可用資源時(shí)就會(huì)發(fā)生沖突和阻塞。設(shè)P b 表示群切換時(shí)網(wǎng)絡(luò)中用戶發(fā)生阻塞的概率，阻塞概率越小越好。因此，我們的目標(biāo)就是在網(wǎng)絡(luò)阻塞概率在小于最大阻塞概率的基礎(chǔ)上，得出在同一時(shí)隙網(wǎng)絡(luò)最多能滿足用戶的切換請(qǐng)求個(gè)數(shù)，保證在阻塞最小的情況下，最大程度上利用網(wǎng)絡(luò)的資源給用戶提供服務(wù)。可以表示為式（1）：
（1）
其中k代表同一時(shí)隙進(jìn)行切換的用戶個(gè)數(shù)。而k的最大值又依賴于Pb ，因此，應(yīng)該首先確定的表達(dá)式Pb。
設(shè)用戶向目標(biāo)網(wǎng)絡(luò)i 發(fā)出切換請(qǐng)求概率表示為Pi，向量P=[P1，P2，...PN]表示向所有目標(biāo)網(wǎng)絡(luò)發(fā)出切換請(qǐng)求的概率。因此，，且滿足P ≥0。
設(shè)當(dāng)一個(gè)用戶選擇了i 網(wǎng)絡(luò)進(jìn)行切換接入時(shí)，還有其他s個(gè)用戶也選擇了該網(wǎng)絡(luò)，即剩余的k-1個(gè)用戶中有s個(gè)用戶選擇同一個(gè)網(wǎng)絡(luò)i 進(jìn)行切換，這種事件發(fā)生的概率可用式（2）表示：
3 結(jié)論
該文提出了一種基于最大阻塞概率的群切換算法的群切換方案，首先確定在同一時(shí)隙最多能夠進(jìn)行切換的用戶個(gè)數(shù)，避免網(wǎng)絡(luò)負(fù)載過(guò)重和切換阻塞，然后在切換判決階段選取使得整個(gè)系統(tǒng)平均傳輸延遲和丟包率最小的結(jié)果。仿真表明，與之前的方案相比該問(wèn)提出的方案具有更好的切換效果，提高了系統(tǒng)性能。
參考文獻(xiàn)
[1] S. K. Lee， K.Sriram， et al. Vertical Handoff Decision Algorithms for Providing Optimized Performance in Heterogeneous Wireless Networks [J].IEEE Transactions on Vehicular Technology，2009，58（2）：865-881.
[2] A. Mehbodniya， F.Kaleem， et al. Wireless network access selection scheme for heterogeneous multimedia traffic[J].IET Networks， 2013，2（4）：214-223.
[3] T. M. Ali， M. Saquib. Analytical Framework for WLAN-Cellular Voice Handover Evaluation[J].IEEE Transactions on Mobile Computing，2013，12（3）：447-460.
【關(guān)鍵詞】概率統(tǒng)計(jì)；網(wǎng)絡(luò)BB平臺(tái)；教學(xué)模式
概率論與數(shù)理統(tǒng)計(jì)是研究隨機(jī)現(xiàn)象統(tǒng)計(jì)規(guī)律的一門(mén)學(xué)科，其理論嚴(yán)謹(jǐn)，應(yīng)用廣泛，發(fā)展迅速，目前是全國(guó)高校理工科類必修的一門(mén)基礎(chǔ)公共課，而且在20世紀(jì)末，此課程被教育部認(rèn)定為碩士研究生入學(xué)考試的數(shù)學(xué)課程之一，由此可見(jiàn)其重要性.但是，傳統(tǒng)的概率統(tǒng)計(jì)課堂教學(xué)模式存在著很大的不足，需要提高與改善，為此，提出了基于網(wǎng)絡(luò)BB平臺(tái)的課堂教學(xué)模式.
一、課堂教學(xué)模式下存在的問(wèn)題
概率統(tǒng)計(jì)課程是我校大面積的公共基礎(chǔ)課，各專業(yè)都把這門(mén)課開(kāi)設(shè)在專業(yè)課之前，是理工科類學(xué)生學(xué)好專業(yè)的基礎(chǔ)，其重要性不言而喻.但目前，由于各方面的原因，使得這門(mén)課的教學(xué)現(xiàn)狀存在著多方面的不足.主要有如下幾點(diǎn)：
1.大班教學(xué)，課堂學(xué)習(xí)效果差
我校的概率統(tǒng)計(jì)課程是由理學(xué)院公共部的老師承擔(dān)教學(xué)任務(wù)，由于師資有限，每學(xué)期基本上都是以4個(gè)班級(jí)合在一起為一個(gè)教學(xué)班，大概120名學(xué)生左右，安排在一個(gè)大教室里上課，這樣會(huì)使坐在后面的學(xué)生由于距離太遠(yuǎn)看不清老師的板書(shū)或者聽(tīng)不清老師講的話而大大影響了學(xué)習(xí)，有些甚至因此失去了學(xué)習(xí)的興趣.而另一方面，老師也更難掌控整個(gè)課堂的教學(xué)，其一，學(xué)生多了，課堂紀(jì)律就會(huì)下降，這就影響了課堂的教學(xué)質(zhì)量；其二，學(xué)生間的差異也會(huì)增大，這樣，教師在課堂上就會(huì)顧此失彼，很難進(jìn)行合理的課堂教學(xué)過(guò)程的設(shè)計(jì).
2.內(nèi)容多，課時(shí)少
我校概率統(tǒng)計(jì)課，隨著教學(xué)計(jì)劃的多次調(diào)整，從原來(lái)的51學(xué)時(shí)現(xiàn)被壓縮到了42學(xué)時(shí)，這點(diǎn)學(xué)時(shí)根本講不完原來(lái)教學(xué)大綱上規(guī)定的內(nèi)容，所以只有修改大綱，刪減教學(xué)內(nèi)容，考慮到現(xiàn)在的學(xué)生質(zhì)量的下降，就刪減了相應(yīng)的學(xué)生感覺(jué)比較困難的章節(jié)，比如概率中的大數(shù)定律，這章的內(nèi)容在概率論中的地位是相當(dāng)重要的，是整個(gè)概率論的一大支撐，但很遺憾，只能舍棄不講.再比如統(tǒng)計(jì)中的回歸分析，它的應(yīng)用是相當(dāng)廣泛的，學(xué)生以后很可能經(jīng)常會(huì)用到這個(gè)方法，但考慮到學(xué)時(shí)也只能刪除不講.這樣會(huì)對(duì)學(xué)生的知識(shí)面產(chǎn)生影響，勢(shì)必會(huì)影響專業(yè)課的學(xué)習(xí)以及今后的考研內(nèi)容的復(fù)習(xí).從長(zhǎng)遠(yuǎn)看，是很不利于學(xué)生的發(fā)展的.
3.課堂教學(xué)內(nèi)容死板，教法單調(diào)
課堂上的教學(xué)，受課時(shí)的影響，為了及時(shí)完成教學(xué)內(nèi)容，教師只能是以講解為主，甚至很少有時(shí)間提問(wèn)，再讓學(xué)生思考，這樣，教師的教法就很單調(diào)，這種“滿堂灌”的教學(xué)方式早已被證明是不利于學(xué)生的創(chuàng)新意識(shí)的培養(yǎng)的，甚至是抹殺了學(xué)生的探索性思維，這樣很難調(diào)動(dòng)學(xué)生的積極性，造成學(xué)生的學(xué)習(xí)主動(dòng)性不高，甚至出現(xiàn)學(xué)生課堂玩手機(jī)、看報(bào)紙等不良的學(xué)習(xí)風(fēng)氣.
二、BB平臺(tái)的教學(xué)模式的優(yōu)勢(shì)
為了解決上述傳統(tǒng)課堂教學(xué)所存在的這些問(wèn)題，我們近期在校網(wǎng)絡(luò)BB平臺(tái)上創(chuàng)建了概率統(tǒng)計(jì)課程.從使用的效果看，很好地填補(bǔ)了以上課堂教學(xué)的不足之處.具體表現(xiàn)為以下幾個(gè)優(yōu)勢(shì)：
1.充實(shí)了課堂教學(xué)內(nèi)容
在BB平臺(tái)上，開(kāi)辟了很多的學(xué)習(xí)內(nèi)容板塊，比如：習(xí)題解答，在這板塊中，放置了課后習(xí)題的詳細(xì)解答，這樣可以方便學(xué)生進(jìn)行自學(xué)，以前，學(xué)生經(jīng)常抱怨習(xí)題課太少，老感覺(jué)自己不會(huì)做題，有了這個(gè)詳細(xì)解答后，學(xué)生的疑問(wèn)就少了，不懂的可以自己去看解答，這樣就非常的方便.對(duì)學(xué)生的學(xué)習(xí)起到了很大的幫助作用.再如課堂錄像，我在網(wǎng)絡(luò)上放了完整的課程錄像，這樣，學(xué)生如果對(duì)哪一章哪一節(jié)的內(nèi)容在課堂上還沒(méi)有完全消化理解，他就能夠自己課后上網(wǎng)看這節(jié)課的錄像，尤其是課堂上的一些難點(diǎn)，學(xué)生很可能一下子理解有困難，那么通過(guò)再次聆聽(tīng)老師的講解，就能使學(xué)生很好地理解知識(shí)、掌握知識(shí).另外，對(duì)于那些即將參加考研的同學(xué)，在復(fù)習(xí)中如果哪一部分的內(nèi)容忘記了，就可以上網(wǎng)找到錄像來(lái)進(jìn)行復(fù)習(xí).我在這次的考研輔導(dǎo)班上就向?qū)W生公布了網(wǎng)絡(luò)課程的地址，讓學(xué)生自己看視頻復(fù)習(xí)，學(xué)生反映效果很好，非常方便，想什么時(shí)間看都行，想看哪章內(nèi)容可以很方便地挑，充分發(fā)揮了學(xué)生的學(xué)習(xí)主動(dòng)性.
2.激發(fā)了學(xué)生的學(xué)習(xí)興趣
傳統(tǒng)的課堂教學(xué)一味地填鴨式的教學(xué)法，讓學(xué)生感覺(jué)很沉悶，久而久之，學(xué)生就會(huì)失去對(duì)這門(mén)課程的興趣，而利用網(wǎng)絡(luò)平臺(tái)，可以很好地激發(fā)學(xué)生的學(xué)習(xí)興趣.比如，在問(wèn)題討論區(qū)，在每節(jié)課后，都會(huì)有相應(yīng)的一些問(wèn)題，讓學(xué)生在這里交流探討，教師也積極地在網(wǎng)上進(jìn)行答疑，讓學(xué)生在討論中明知，在爭(zhēng)論中解惑，在思考中提升，充分發(fā)揮學(xué)生的主體地位.再如，在網(wǎng)絡(luò)平臺(tái)上，放置了很多的概率小實(shí)驗(yàn)，需要在計(jì)算機(jī)上操作完成，這些都是些小程序，每名學(xué)生都可以進(jìn)行自主的實(shí)驗(yàn)，這樣可以更好地理解和掌握知識(shí)，而這在課堂是不可能辦到的.又比如案例分析，這一塊內(nèi)容放了很多的概率統(tǒng)計(jì)的經(jīng)典案例，這些平時(shí)在課堂上很難有時(shí)間講，學(xué)生在學(xué)習(xí)的過(guò)程中也老對(duì)這門(mén)課程產(chǎn)生疑惑，學(xué)了到底有什么用、哪里有用等類似問(wèn)題，而通過(guò)查看這里的內(nèi)容，學(xué)生就能了解這門(mén)課程在實(shí)際生活、生產(chǎn)中的重要應(yīng)用，這樣也從另一方面大大地激發(fā)了學(xué)生的學(xué)習(xí)興趣.
三、結(jié)束語(yǔ)
最后，認(rèn)識(shí)到基于BB平臺(tái)下的概率統(tǒng)計(jì)課程教學(xué)改革，是一項(xiàng)比較繁重的任務(wù)，可能會(huì)出現(xiàn)很多新的挑戰(zhàn)，很多新的問(wèn)題需要思考，我們也將不斷地進(jìn)行探索實(shí)踐，讓學(xué)生能有一個(gè)更完整、有效的學(xué)習(xí)模式.
【參考文獻(xiàn)】
[1]曹飛龍. 概率論與數(shù)理統(tǒng)計(jì)[M].北京：高等教育出版社，2012.
關(guān)鍵詞：容遲/容斷網(wǎng)絡(luò)；路由算法；能量敏感；消息轉(zhuǎn)發(fā)；緩存管理
中圖分類號(hào)： TP393.01
文獻(xiàn)標(biāo)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(guān)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(wǎng)絡(luò)（Delay/Disruption Tolerant Network， DTN）[1-2]是一類采用“存儲(chǔ)—攜帶—轉(zhuǎn)發(fā)”機(jī)制的新型網(wǎng)絡(luò)，主要應(yīng)用于深空通信、戰(zhàn)爭(zhēng)網(wǎng)絡(luò)、移動(dòng)自組網(wǎng)，以及無(wú)線傳感器網(wǎng)絡(luò)等。在DTN中，由于節(jié)點(diǎn)的移動(dòng)性通常不存在一條完整的端到端路徑，而且節(jié)點(diǎn)的緩存資源和能量有限，存在較大且可變的時(shí)延，因此傳統(tǒng)的Internet路由協(xié)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?shù)男剩芯咳藛T提出了幾種典型的DTN路由算法[3-4]。Epidemic算法[5]采用傳染機(jī)制盡可能地增加消息副本數(shù)量來(lái)提高傳輸成功的概率，但對(duì)于節(jié)點(diǎn)能量和緩存資源的消耗很大。PROPHET算法[6]基于歷史信息計(jì)算轉(zhuǎn)發(fā)效用，有效克服了消息的盲目轉(zhuǎn)發(fā)，減少了消息副本數(shù)量和節(jié)點(diǎn)能量消耗。First Contact算法[7]是一種不需要先驗(yàn)知識(shí)的單副本路由算法，只選擇首先接觸到的節(jié)點(diǎn)為轉(zhuǎn)發(fā)節(jié)點(diǎn)，對(duì)于網(wǎng)絡(luò)資源的要求較低，但不能保證消息成功傳輸?shù)侥康墓?jié)點(diǎn)。
隨著研究的深入和DTN應(yīng)用的推廣，節(jié)點(diǎn)的能耗問(wèn)題越來(lái)越值得關(guān)注，尤其對(duì)于一些小型移動(dòng)設(shè)備更為突出，因此在路由算法設(shè)計(jì)中節(jié)能也是必須考慮的。文獻(xiàn)[8]提出基于能量約束和歷史信息的容遲網(wǎng)絡(luò)路由算法，節(jié)點(diǎn)依據(jù)歷史記錄和剩余能量進(jìn)行層次編碼，提高了節(jié)點(diǎn)將數(shù)據(jù)傳輸?shù)交镜目赡苄?。文獻(xiàn)[9]提出基于節(jié)點(diǎn)優(yōu)先級(jí)的數(shù)據(jù)轉(zhuǎn)發(fā)策略，考慮了節(jié)點(diǎn)剩余能量對(duì)傳輸優(yōu)先級(jí)的影響，有效地控制了消息平均副本數(shù)，并降低了能量消耗。為合理利用網(wǎng)絡(luò)中的能量傳輸消息，本文提出一種節(jié)點(diǎn)能量敏感的概率路由算法，在消息轉(zhuǎn)發(fā)和緩存管理上體現(xiàn)了節(jié)能的理念，延長(zhǎng)了網(wǎng)絡(luò)壽命。
1 網(wǎng)絡(luò)模型和問(wèn)題描述
1.1 基于節(jié)點(diǎn)能量的網(wǎng)絡(luò)模型
在網(wǎng)絡(luò)中，每個(gè)節(jié)點(diǎn)都被賦予一個(gè)初始能量Einit，節(jié)點(diǎn)實(shí)時(shí)剩余能量為Eres。為了方便研究節(jié)點(diǎn)能量對(duì)路由選擇的影響，本文依據(jù)節(jié)點(diǎn)能量剩余率RE（RE=Eres/Einit）設(shè)置能量狀態(tài)門(mén)限Estate和能量告警門(mén)限Ewarn，并將網(wǎng)絡(luò)中的節(jié)點(diǎn)劃分為高能節(jié)點(diǎn)（RE≥Estate）、低能節(jié)點(diǎn)（EwarnEs。另外，在所研究的網(wǎng)絡(luò)中具有以下假設(shè)條件：
1）維持節(jié)點(diǎn)移動(dòng)性等所需的能量消耗不在考慮范圍之內(nèi)，如車(chē)載、機(jī)載等通信設(shè)備的運(yùn)動(dòng)能耗由車(chē)輛或飛行器提供。
2）Et和Er依據(jù)每次接收或發(fā)送一個(gè)數(shù)據(jù)包計(jì)算，Es為每分鐘的掃描能耗，并認(rèn)為以上均為固定值，當(dāng)能量耗盡時(shí)不再進(jìn)行掃描和收發(fā)消息。
3）節(jié)點(diǎn)充能時(shí)補(bǔ)充至初始能量，充能所需時(shí)間忽略不計(jì)。
關(guān)鍵詞：概率神經(jīng)網(wǎng)絡(luò)；核保風(fēng)險(xiǎn)；模型
就我國(guó)目前的醫(yī)療保險(xiǎn)體制來(lái)說(shuō)，其還不夠健全，單單是社會(huì)保險(xiǎn)并不足以構(gòu)建較為完善的醫(yī)療保險(xiǎn)制度，因此，還需要商業(yè)醫(yī)療保險(xiǎn)的支持，通過(guò)采用商業(yè)醫(yī)療保險(xiǎn)可以構(gòu)建出一個(gè)多層次和多格局的醫(yī)療保障體系。但是，商業(yè)醫(yī)療保險(xiǎn)具有較高的風(fēng)險(xiǎn)，針對(duì)其進(jìn)行風(fēng)險(xiǎn)管理也具有較大的難度，我國(guó)的相應(yīng)體制也不夠健全，這樣就使得商業(yè)醫(yī)療保險(xiǎn)的發(fā)展相對(duì)緩慢，為了解決這一問(wèn)題，相關(guān)的工作人員也做了大量的工作，不斷的提升對(duì)投保人患病的可行性預(yù)測(cè)，工作人員將概率神經(jīng)網(wǎng)絡(luò)的患病分析模型應(yīng)用到該工作中，在很大程度上提升了預(yù)測(cè)的精確度，使得投保人患病的可行性預(yù)測(cè)更加的可靠。
1 概率神經(jīng)網(wǎng)絡(luò)的構(gòu)成
就概率神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，其主要是由隱層以及輸出層所構(gòu)成的，其中，隱層為第一層，在這一層中，主要包括徑向基神經(jīng)元，而輸出層則屬于第二層，所謂的輸出層也就是競(jìng)爭(zhēng)層。概率神經(jīng)網(wǎng)絡(luò)從根本上來(lái)說(shuō)，其可以表示為前饋型神經(jīng)網(wǎng)絡(luò)。而在概率神經(jīng)網(wǎng)絡(luò)中的徑向基神經(jīng)元?jiǎng)t主要是以凈輸入為主，從這一點(diǎn)來(lái)對(duì)輸入向量與權(quán)值向量之間的距離進(jìn)行有效的測(cè)量，另外，也可以依據(jù)這一點(diǎn)來(lái)對(duì)隱層的傳遞函數(shù)進(jìn)行概率密度的有效反映。
2 實(shí)際項(xiàng)目中的風(fēng)險(xiǎn)分析
2.1 相關(guān)性檢驗(yàn)
應(yīng)用相關(guān)的分析軟件，計(jì)算得出相應(yīng)的分子變量，對(duì)所計(jì)算得出的分子變量進(jìn)行有效的統(tǒng)計(jì)。依據(jù)相關(guān)的醫(yī)學(xué)專業(yè)理論知識(shí)可以了解到，統(tǒng)計(jì)值的分界線為0.1，以這一分界線為依據(jù)，將患有不同疾病的患者進(jìn)行患病程度的劃分，而劃分所要依據(jù)的變量主要分為年齡、家族病史等。
2.2 概率神經(jīng)網(wǎng)絡(luò)的建立以及學(xué)習(xí)
就相關(guān)性分析可以了解到，將劃分依據(jù)的變量作為相應(yīng)的輸入神經(jīng)元，針對(duì)患者所患疾病的程度的輕重，來(lái)對(duì)患者的病情進(jìn)行等級(jí)的劃分，其中0則代表沒(méi)有患病，1則說(shuō)明鎖環(huán)疾病的程度較輕，2說(shuō)明所患疾病的程度屬于中等，而3則說(shuō)明患者所患疾病的程度較重。針對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，主要的步驟包含如下：
首先，要對(duì)輸入向量以及權(quán)值向量之間的距離進(jìn)行有效的計(jì)算，所計(jì)算出的距離結(jié)果就可以表示為兩向量之間的相似程度。
其次，將閾值向量與距離輸出向量各自的元素進(jìn)行一一的對(duì)應(yīng)，并將對(duì)應(yīng)的元素進(jìn)行有效的相乘，在徑向基函數(shù)非線性映射作用的影響下，對(duì)輸出的向量進(jìn)行獲取。
在最后，要注意分析出競(jìng)爭(zhēng)輸出層中的權(quán)值向量的點(diǎn)，并將其與上一層的輸出向量進(jìn)行有效的相乘，從而可以的出具體的加權(quán)和向量值，選出加權(quán)和向量值中最大的一個(gè)值，將其確定為輸出的最終值。
3 模型檢驗(yàn)及結(jié)果分析
本文主要依據(jù)實(shí)例來(lái)進(jìn)行分析，并選取了17000條相關(guān)的數(shù)據(jù)作為實(shí)際的訓(xùn)練集，其中100條為測(cè)試集。依據(jù)這1000條測(cè)試集來(lái)對(duì)所構(gòu)建的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行分析，檢驗(yàn)改網(wǎng)絡(luò)在檢測(cè)疾病上所具有的能力和準(zhǔn)確度，在檢驗(yàn)樣本相同的情況下，所采用的訓(xùn)練數(shù)據(jù)樣本不同，則網(wǎng)絡(luò)檢測(cè)的精確度也會(huì)有所不同。具體可見(jiàn)表1。
就上述表中可以了解到，在訓(xùn)練樣本的數(shù)目增加的過(guò)程中，其n能夠得到的模型精確度也會(huì)更高，然而，雖然精確度會(huì)有所提高，但是提高的速度則相對(duì)較慢?？梢哉f(shuō)，這種方式具有一定的優(yōu)勢(shì)也有一定的弱點(diǎn)，但是總體來(lái)說(shuō)，其優(yōu)勢(shì)較為明顯。
4 針對(duì)概率神經(jīng)網(wǎng)絡(luò)核保風(fēng)險(xiǎn)分析模型的探討
在目前的各個(gè)領(lǐng)域中，概率神經(jīng)網(wǎng)絡(luò)都得到了廣泛的應(yīng)用。而在概率神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上鎖構(gòu)建的核保分析模型，具有學(xué)習(xí)簡(jiǎn)單以及模式分類能力強(qiáng)等特點(diǎn)，這就使得其在實(shí)際的應(yīng)用中，具有良好的效果。在該網(wǎng)絡(luò)結(jié)構(gòu)中，只有兩層結(jié)構(gòu)，其中一層為隱層，另外一層就是輸出層。在進(jìn)行計(jì)算的過(guò)程中，可以忽略對(duì)網(wǎng)絡(luò)權(quán)值的更改，這就使得其計(jì)算執(zhí)行的速度相對(duì)較快，就本文的實(shí)驗(yàn)結(jié)果可以看出，該網(wǎng)絡(luò)結(jié)構(gòu)的建立相對(duì)用時(shí)較短，能夠在最短的時(shí)間內(nèi)構(gòu)建出已經(jīng)成型的網(wǎng)絡(luò)結(jié)構(gòu)，利用該網(wǎng)絡(luò)結(jié)構(gòu)對(duì)所選取的1000條測(cè)試集進(jìn)行分析的時(shí)候，所耗費(fèi)的時(shí)間相對(duì)較長(zhǎng)，而在實(shí)際的應(yīng)用中，其分析的精確度則相對(duì)較高，判定的疾病與實(shí)際的情況符合率能夠高達(dá)80%，這就使得風(fēng)險(xiǎn)分析的模型得到了有效的充實(shí)，這對(duì)于全球性的疾病預(yù)測(cè)和治療都有著重要的影響意義。
此外，從保險(xiǎn)角度來(lái)看，保險(xiǎn)公司可以依據(jù)模型建立智能化系統(tǒng)，要求投保人在投保時(shí)填寫(xiě)個(gè)人信息，然后把同疾病相關(guān)的信息輸入該智能系統(tǒng)，計(jì)算出被保險(xiǎn)人患病的概率，并將他們進(jìn)行不同程度的風(fēng)險(xiǎn)分類，對(duì)于不同的風(fēng)險(xiǎn)類別制定不同的費(fèi)率，對(duì)投保人收取不同的保費(fèi)，或者做出拒保的決定。經(jīng)過(guò)一定時(shí)期的運(yùn)營(yíng)，保險(xiǎn)公司將不斷積累大量的業(yè)務(wù)數(shù)據(jù)和反饋信息.從這些信息中選取數(shù)據(jù)加入訓(xùn)練集，使訓(xùn)練集樣本數(shù)更大，覆蓋面更廣，并減少訓(xùn)練集的錯(cuò)誤率，從而完善模型，使得模型對(duì)于患病判別的準(zhǔn)確性更高。本模型運(yùn)用Kendall檢驗(yàn)選取同疾病相關(guān)性較大的6個(gè)因素作為輸入神經(jīng)元，但是未給出這些因素對(duì)于高血壓的具體貢獻(xiàn)度，我們可以通過(guò)主成分分析和logistic回歸給出因素的具體貢獻(xiàn)度。
結(jié)束語(yǔ)
在任何的國(guó)家當(dāng)中，醫(yī)療保險(xiǎn)都占有重要的地位。我國(guó)目前為了能夠?qū)⑨t(yī)療保險(xiǎn)體系發(fā)展健全，開(kāi)始將商業(yè)醫(yī)療結(jié)合到社會(huì)醫(yī)療保險(xiǎn)體系中，從而使得我國(guó)建構(gòu)出了一個(gè)較為多層次以及覆蓋面較廣的醫(yī)療保障體系，但是，商業(yè)醫(yī)療保險(xiǎn)本身就有較高的風(fēng)險(xiǎn)性，因此，要想能夠使得醫(yī)療保險(xiǎn)事業(yè)可以得到長(zhǎng)足的發(fā)展，就需要有效的保障投保人患病可能性預(yù)測(cè)的真實(shí)性和可靠性，盡可能的提升預(yù)測(cè)的可行性，并且積極的構(gòu)建概率神經(jīng)網(wǎng)絡(luò)，利用該網(wǎng)絡(luò)進(jìn)行投保人所患疾病的檢測(cè)，其檢測(cè)的準(zhǔn)確率可高達(dá)80%，具有實(shí)際可操作性。
參考文獻(xiàn)
[1]陳永燦，陳燕，鄭敬云，高千紅.概率神經(jīng)網(wǎng)絡(luò)水質(zhì)評(píng)價(jià)模型及其對(duì)三峽近壩水域的水質(zhì)評(píng)價(jià)分析[J].水力發(fā)電學(xué)報(bào)，2014（3）.
[2]莫?jiǎng)Χ?，徐章遂，米東.應(yīng)用概率神經(jīng)網(wǎng)絡(luò)診斷自行火炮發(fā)動(dòng)機(jī)的故障[J].測(cè)試技術(shù)學(xué)報(bào)，2010（1）.
[3]阮炯等.神經(jīng)動(dòng)力學(xué)模型方法和應(yīng)用[M].北京：科學(xué)出版社，2012.
摘要：本文利用神經(jīng)網(wǎng)絡(luò)的強(qiáng)大的自學(xué)習(xí)能力和自適應(yīng)性來(lái)提高安全審計(jì)系統(tǒng)的性能。在眾多神經(jīng)網(wǎng)絡(luò)中，PNN概率神經(jīng)網(wǎng)絡(luò)尤為適合運(yùn)用到入侵行為模式的誤用檢測(cè)方面。因此本文將PNN概率神經(jīng)網(wǎng)絡(luò)和入侵檢測(cè)技術(shù)結(jié)合起來(lái)，研究保護(hù)企業(yè)數(shù)據(jù)庫(kù)的安全技術(shù)，并構(gòu)造出一套企業(yè)數(shù)據(jù)庫(kù)入侵誤用檢測(cè)模型。該模型主要用于檢測(cè)已知的入侵行為模式，并給系統(tǒng)及時(shí)處理入侵行為提供依據(jù)。
關(guān)鍵詞：數(shù)據(jù)庫(kù)安全 PNN概率神經(jīng)網(wǎng)絡(luò) 入侵檢測(cè)
Abstract：The thesis uses the neural network's powerful self-learning and self-adaptive to improve the performance of the security audit system. In many neural networks， the Probabilistic Neural Network is particularly suitable for the misuse detection of intrusion mode. The thesis combines the method of the Probabilistic Neural Network with the technique of intrusion detection， and constructs a model of intrusion detection system applied to the corporation database. The mode can detect the known intrusion modes， in the same time， provides the basis for system to deal with the intrusions in time.
Key words： Database security Probabilistic Neural Network Intrusion detection
數(shù)據(jù)庫(kù)作為企業(yè)和部門(mén)信息系統(tǒng)的重要組成部分，存儲(chǔ)著大量的數(shù)據(jù)，其中某些數(shù)據(jù)可能是機(jī)密的重要數(shù)據(jù)，這些數(shù)據(jù)一旦遭到破壞，會(huì)給企業(yè)和部門(mén)造成不可挽回的損失，所以，這些數(shù)據(jù)的安全性在信息系統(tǒng)的安全中起著至關(guān)重要的作用。當(dāng)前，數(shù)據(jù)庫(kù)安全技術(shù)的研究已經(jīng)成為信息安全的重要課題，入侵檢測(cè)技術(shù)是新一代的動(dòng)態(tài)安全保障技術(shù)，它用來(lái)檢測(cè)內(nèi)部用戶的不合法操作和外部非法入侵者的惡意攻擊。檢測(cè)系統(tǒng)在檢測(cè)到攻擊的同時(shí)，還會(huì)采取適當(dāng)?shù)奶幚砼c保護(hù)措施，對(duì)有效保護(hù)數(shù)據(jù)庫(kù)安全提供了一種很好的解決思路，被稱為防火墻之后的第二道安全閘門(mén)。其本身也成為當(dāng)今信息安全領(lǐng)域的一個(gè)研究熱點(diǎn)。
入侵檢測(cè)ID（Intrusion Detection）是近十年發(fā)展起來(lái)的一種預(yù)防、動(dòng)態(tài)監(jiān)測(cè)和抵御系統(tǒng)入侵行為的安全機(jī)制，彌補(bǔ)了傳統(tǒng)安全技術(shù)的不足。入侵檢測(cè)系統(tǒng)IDS（Intrusion Detection System）可以實(shí)時(shí)監(jiān)控網(wǎng)絡(luò)和計(jì)算機(jī)主機(jī)，發(fā)現(xiàn)可疑事件，入侵行為一旦被檢測(cè)出來(lái)，系統(tǒng)就會(huì)采取報(bào)警、記錄和切斷連接等措施，在對(duì)系統(tǒng)安全產(chǎn)生的危害之前及時(shí)消除風(fēng)險(xiǎn)。
神經(jīng)網(wǎng)絡(luò)技術(shù)具有自適應(yīng)和自學(xué)習(xí)的能力，只要給系統(tǒng)提供所需的網(wǎng)絡(luò)數(shù)據(jù)包和審計(jì)數(shù)據(jù)，它就可以通過(guò)自學(xué)習(xí)構(gòu)造出相對(duì)正常的用戶或系統(tǒng)活動(dòng)模型，從而檢測(cè)出異?；顒?dòng)的攻擊模式，因此在檢測(cè)方法上，將神經(jīng)網(wǎng)絡(luò)引入到入侵檢測(cè)的研究中，使得入侵檢測(cè)的智能性研究逐漸成為熱點(diǎn)。
PNN概率神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)庫(kù)入侵的誤用檢測(cè)中，能夠?qū)θ肭中袨槟Ｊ竭M(jìn)行快速準(zhǔn)確的檢測(cè)及判斷，為系統(tǒng)及時(shí)采取相應(yīng)的措施提供依據(jù)。誤用檢測(cè)是指運(yùn)用已知的攻擊方法，根據(jù)定義好的異常模式，通過(guò)判斷這些異常模式是否出現(xiàn)來(lái)檢測(cè)。本文圍繞PNN神經(jīng)網(wǎng)絡(luò)的運(yùn)用，對(duì)整個(gè)數(shù)據(jù)處理過(guò)程進(jìn)行了介紹，從數(shù)據(jù)采集，到網(wǎng)絡(luò)訓(xùn)練，以及測(cè)試網(wǎng)絡(luò)性能，提出利用PNN概率神經(jīng)網(wǎng)絡(luò)進(jìn)行入侵行為模式判斷的優(yōu)勢(shì)，進(jìn)而總結(jié)出一種新型的企業(yè)數(shù)據(jù)庫(kù)入侵的誤用檢測(cè)模型。
一、PNN神經(jīng)網(wǎng)絡(luò)算法模型
概率神經(jīng)網(wǎng)絡(luò)PNN（Probabilistic Neural Network）是根據(jù)徑向基函數(shù)網(wǎng)絡(luò)發(fā)展而來(lái)的一種前饋型神經(jīng)網(wǎng)絡(luò)，是徑向基網(wǎng)絡(luò)的一種變化形式，其理論依據(jù)是貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則。PNN具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練快捷等優(yōu)點(diǎn)，在分類問(wèn)題中，它的優(yōu)勢(shì)在于可以利用線性學(xué)習(xí)算法來(lái)完成非線性算法所做的工作，同時(shí)又可以保持非線性算法高精度的特點(diǎn)。其結(jié)構(gòu)如圖1所示。
輸入層測(cè)試向量X（X1…Xn）通過(guò)傳遞機(jī)制傳遞到模式層，經(jīng)過(guò)模式層的相應(yīng)處理產(chǎn)生新的信息量依次經(jīng)過(guò)該網(wǎng)絡(luò)的所有層，其神經(jīng)元的數(shù)目由訓(xùn)練數(shù)據(jù)的維數(shù)決定。模式層中各個(gè)類別組的輸出為：
其中Wi表示連接輸入層與模式層的權(quán)值，δ表示平滑因子。
求和層具有線性求和的功能，估計(jì)分類模式的各個(gè)類別的累計(jì)概率。概率密度函數(shù)為：
其中m為屬于類別A的訓(xùn)練樣本數(shù)，XAi為樣本中屬于類別A的第i個(gè)訓(xùn)練樣本，σ為平滑因子。訓(xùn)練過(guò)程可以表示如下：首先通過(guò)輸入層輸入訓(xùn)練樣本向量，然后在模式層中分別計(jì)算該向量與代表不同類別組的神經(jīng)元之間的距離，再在求和層中求出每個(gè)類別模式的概率，最后在輸出層計(jì)算各個(gè)類別的概率估計(jì)，由閾值辨別器從中選擇并傳遞出后驗(yàn)概率密度最大的神經(jīng)元的輸出即1，而其他的輸出0。
二、數(shù)據(jù)采集
入侵檢測(cè)的數(shù)據(jù)采集可以收集系統(tǒng)、網(wǎng)絡(luò)、數(shù)據(jù)及用戶活動(dòng)的狀態(tài)和行為，一般可以利用的信息主要來(lái)自以下三個(gè)方面。
1、系統(tǒng)和網(wǎng)絡(luò)日志文件
2、非正常的程序執(zhí)行
3、非正常的目錄和文件改變
入侵檢測(cè)的準(zhǔn)確性很大程度上依賴于收集信息的可靠性和正確性，因此很有必要只利用精確的軟件來(lái)報(bào)告這些信息。本文利用SQL Server的事件探查器（SQL Server Profiler）跟蹤各客戶端的數(shù)據(jù)庫(kù)調(diào)用。首先建立跟蹤文件，使用SQL Profile標(biāo)準(zhǔn)模板，將跟蹤的結(jié)果存儲(chǔ)到表。表1為SQL事件探查器監(jiān)控的事件分類。
本文主要跟蹤企業(yè)數(shù)據(jù)庫(kù)，相應(yīng)數(shù)據(jù)庫(kù)事件類主要為
1、TSQL分類中的SQL：BatchCompleted、SQL：StmtCompleted和SQL：StmtStarting
2、安全審核分類中的Audit Login和Audit LogOut
3、存儲(chǔ)過(guò)程中的RPC：Output Paramete、RPC：Completed、RPC：Starting、SP：CacheHit、SP：CacheInsert、SP：CacheMiss、SP：Cac-
heRemove、SP：Completed、SP：ExecContextHit和SP：Recompile
4、會(huì)話分類中的Existing Connection事件類。
相應(yīng)的事件類數(shù)據(jù)為EventClass（捕獲的事件類類型）、LoginName（客戶數(shù)據(jù)庫(kù)登錄名）、CPU（CPU占用時(shí)間）、Reads（服務(wù)器代表事件執(zhí)行的邏輯磁盤(pán)讀取數(shù)）、Writes（服務(wù)器代表事件執(zhí)行的物理磁盤(pán)寫(xiě)入數(shù)）、ClientProcessID（客戶端進(jìn)程號(hào)）、SPID（SQL Server指派的與客戶端相關(guān)的服務(wù)器進(jìn)程ID）和objectID（系統(tǒng)分配對(duì)象）。
SQL探查器將采集到的數(shù)據(jù)存儲(chǔ)在表中，為后續(xù)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試提供直接的數(shù)據(jù)源。
三、實(shí)驗(yàn)
（一）實(shí)驗(yàn)數(shù)據(jù)
本文選取實(shí)驗(yàn)數(shù)據(jù)為從SQL事件探查器中采集到的具有入侵行為模式分類的入侵?jǐn)?shù)據(jù)，有5類入侵模式，所以用1、2、3、4、5分別代表各類入侵模式。本文所采用的入侵?jǐn)?shù)據(jù)的特征向量為上節(jié)所采集的各個(gè)數(shù)據(jù)列，在上述監(jiān)控的八個(gè)數(shù)據(jù)列里面去掉LoginName數(shù)據(jù)列，選取EventClass、LoginName、CPU、Reads、Write、ClientProcessID、SPID和objectID七個(gè)數(shù)據(jù)列作為神經(jīng)網(wǎng)絡(luò)的七個(gè)特征向量。一共有4500個(gè)入侵?jǐn)?shù)據(jù)樣本，隨機(jī)選取其中的4000個(gè)入侵?jǐn)?shù)據(jù)樣本作為PNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，其余的500個(gè)數(shù)據(jù)樣本作為測(cè)試集以測(cè)試PNN神經(jīng)網(wǎng)絡(luò)的性能。此入侵?jǐn)?shù)據(jù)集為4500×8維的矩陣，1到7列為七個(gè)特征向量，第8列為分類的輸出，也就是入侵類別。實(shí)驗(yàn)采用MATLAB2012B軟件及其神經(jīng)網(wǎng)絡(luò)工具箱。
（二）入侵檢測(cè)的實(shí)現(xiàn)
如圖1，在對(duì)入侵?jǐn)?shù)據(jù)進(jìn)行測(cè)試時(shí)，輸入層接收具有分類號(hào)的數(shù)據(jù)樣本（訓(xùn)練樣本向量）的值，即1、2、3、4、5，將入侵?jǐn)?shù)據(jù)樣本的屬性傳遞給網(wǎng)絡(luò)。模式層計(jì)算輸入特征向量（樣本屬性）與訓(xùn)練集中各個(gè)模式的匹配關(guān)系，求和層將屬于某類的概率累計(jì)，按式（1）計(jì)算，從而得到各類的估計(jì)概率密度函數(shù)。模式層由5類入侵類型的數(shù)據(jù)樣本構(gòu)成，將分類好的樣本向量填充到模式層，即可完成該P(yáng)NN的構(gòu)建。
測(cè)試時(shí)，輸入層把未分類的需要測(cè)試的入侵?jǐn)?shù)據(jù)樣本向量Xn送至所有的模式層單元。每個(gè)模式層單元計(jì)算測(cè)試入侵?jǐn)?shù)據(jù)樣本向量Xn和該單元訓(xùn)練向量之間的距離，求和層各單元把模式層單元的輸出按類別號(hào)相加求和，獲得各分類對(duì)應(yīng)的分布密度。輸出層從求和層中求得輸入測(cè)試數(shù)據(jù)相對(duì)于各類別號(hào)的分布密度最大值，并將其對(duì)應(yīng)的類別號(hào)1、2、3、4、5作為PNN的輸出。
（三）PNN神經(jīng)網(wǎng)絡(luò)性能分析
選取1530到1580這50個(gè)樣本來(lái)分析，在這50個(gè)樣本中有2個(gè)樣本判斷錯(cuò)誤，如圖2所示。實(shí)際上在此次PNN網(wǎng)絡(luò)訓(xùn)練過(guò)程中，4000個(gè)樣本只有5個(gè)樣本判斷錯(cuò)誤，如圖3所示。并且，用預(yù)測(cè)樣本進(jìn)行驗(yàn)證的時(shí)候，選取150到200個(gè)這50個(gè)樣本，其中有1個(gè)樣本的入侵模式類別判斷錯(cuò)誤，如圖4所示。而實(shí)際在此次PNN網(wǎng)絡(luò)檢測(cè)過(guò)程中，500個(gè)樣本只有2個(gè)樣本的入侵模式類別判斷錯(cuò)誤，精度高達(dá)99.6%。將網(wǎng)絡(luò)重復(fù)運(yùn)行10次，其平均精度為99.64%。
（四）PNN神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)
1、PNN過(guò)程簡(jiǎn)單，收斂速度快。PNN神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，需要調(diào)節(jié)的參數(shù)很少，其處理數(shù)據(jù)的時(shí)間與其他神經(jīng)網(wǎng)絡(luò)相比有較大優(yōu)勢(shì)。
2、PNN網(wǎng)絡(luò)基于貝葉斯最小風(fēng)險(xiǎn)分類準(zhǔn)則，能夠最大限度地考慮樣本數(shù)據(jù)的先驗(yàn)信息，即使分類問(wèn)題異常復(fù)雜，只要用于學(xué)習(xí)的樣本向量足夠多，就能夠得到Bayes判別準(zhǔn)則下的最優(yōu)解。
3、樣本的追加能力強(qiáng)，且可以容忍個(gè)別錯(cuò)誤樣本，即使訓(xùn)練樣本改變也不需要花費(fèi)較多時(shí)間重新訓(xùn)練網(wǎng)絡(luò)。由于PNN神經(jīng)網(wǎng)絡(luò)考慮的是訓(xùn)練樣本屬于各個(gè)類別的概率，在估計(jì)出各個(gè)類別的概率密度函數(shù)（PDF， Probability Density Function）之后，即使根據(jù)實(shí)際問(wèn)題有新的入侵行為模式的加入，只需要相應(yīng)改變模式層神經(jīng)元數(shù)目，而無(wú)需重新訓(xùn)練網(wǎng)絡(luò)。
4、PNN在異常與否分類問(wèn)題應(yīng)用中，通過(guò)線性學(xué)習(xí)算法來(lái)完成非線性學(xué)習(xí)算法所做的工作，同時(shí)能保持非線性算法的高精度等特性。
5、PNN網(wǎng)絡(luò)不需要訓(xùn)練，因而能夠滿足數(shù)據(jù)庫(kù)入侵檢測(cè)實(shí)時(shí)處理的要求。
四、企業(yè)數(shù)據(jù)庫(kù)入侵檢測(cè)的系統(tǒng)模型
該模型主要由以下三個(gè)模塊組成：
1、數(shù)據(jù)采集模塊。該模塊主要利用SQL Server事件探查器采集相關(guān)數(shù)據(jù)。
2、特征數(shù)據(jù)庫(kù)模塊。該模塊為訓(xùn)練好的PNN神經(jīng)網(wǎng)絡(luò)，相當(dāng)于事件數(shù)據(jù)庫(kù)，其征數(shù)據(jù)庫(kù)與被監(jiān)控?cái)?shù)據(jù)庫(kù)分離存儲(chǔ)。
3、報(bào)警單元模塊。該模塊對(duì)檢測(cè)到的異常事件進(jìn)行處理，將數(shù)據(jù)損失降低到最小，提供報(bào)警的可視化界面，將報(bào)警信息反饋給系統(tǒng)管理員并記錄到相關(guān)文件，以便及時(shí)處理或進(jìn)行事后分析。
該模型主要流程為：利用事件探查器實(shí)時(shí)跟蹤各客戶端調(diào)用，采集相關(guān)數(shù)據(jù)并進(jìn)行處理，將數(shù)據(jù)直接導(dǎo)入特征數(shù)據(jù)庫(kù)，利用PNN神經(jīng)網(wǎng)絡(luò)對(duì)誤用檢測(cè)的優(yōu)勢(shì)，實(shí)現(xiàn)快速檢測(cè)及判斷各種數(shù)據(jù)是否為已知的異常調(diào)用，如有匹配則為某種入侵行為模式，將數(shù)據(jù)送入報(bào)警單元，不匹配的數(shù)據(jù)則為正常行為，不作處理。
總結(jié)：
隨著互聯(lián)網(wǎng)迅猛發(fā)展，企業(yè)數(shù)據(jù)庫(kù)的安全顯得非常重要。入侵檢測(cè)作為一種重要的安全保障手段，涉及到廣泛的技術(shù)領(lǐng)域。本文提出一種基于PNN概率神經(jīng)網(wǎng)絡(luò)的算法，實(shí)驗(yàn)結(jié)果表明將PNN概率神經(jīng)網(wǎng)絡(luò)引入到入侵檢測(cè)中的具有快速、精準(zhǔn)的優(yōu)勢(shì)，由此結(jié)合PNN概率神經(jīng)網(wǎng)絡(luò)與入侵檢測(cè)技術(shù)研究了一類企業(yè)數(shù)據(jù)庫(kù)的安全保護(hù)技術(shù)，實(shí)現(xiàn)了企業(yè)數(shù)據(jù)庫(kù)入侵檢測(cè)的系統(tǒng)模型，并詳細(xì)介紹了模型各個(gè)模塊的具體實(shí)現(xiàn)方法及流程。可以有效的防范到來(lái)自內(nèi)部的越權(quán)操作、違規(guī)操作和惡意破壞等，并可以抵制外部的遠(yuǎn)程非法入侵，是運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)解決企業(yè)數(shù)據(jù)庫(kù)安全保障的有效嘗試。基于企業(yè)數(shù)據(jù)庫(kù)的數(shù)據(jù)采集方法和神經(jīng)網(wǎng)絡(luò)檢測(cè)技術(shù)為今后的工作打開(kāi)了思路。
參考文獻(xiàn)：
[1]王小川，史峰等。《MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析》.第一版.北京：北京航空航天大學(xué)出版社，2010：176-182.
[2]張德豐等.《MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)》.第二版.北京：機(jī)械工業(yè)出版社，出版年2011：320-323.
[3]金波.入侵檢測(cè)智能方法的研究.上海：華東理工大學(xué)，2000：29-131.
[4]李鋼.基于神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)研究與實(shí)現(xiàn).南京：南京師范大學(xué).2006.
[5]Sushil Jajodia.Database Security and Privacy.ACM Computing Surveys.1996.
