时间：2023-09-10 14:48:03
引言：易发表网凭借丰富的文秘实践，为您精心挑选了九篇网络行为审计范例。如需获取更多原创内容，可随时联系我们的客服老师。
【关键词】 神经网络； 财务危机； 预警模型
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】
［1］ 卢雁影.财务分析［M］.湖北:武汉大学出版社，2002:296-303.
关键词：无拖曳卫星；自适应控制；RBF神经网络；反步法
中图分类号：TP273文献标识码：A
Design of Adaptive Neural Network Controllers for LEO Dragfree Satellite
LI Ji,FAN Huijin
(School of Automation, Huazhong University of Science and Technology, Wuhan,Hubei 430074, China)
Abstract:Lowdisturbance environment can be achieved by the LEO(LowEarth Orbit) dragfree satellite, which benefits the validation of relativity, detection of gravitational waves and measurement of gravity field. For dragfree control purpose, most researches proposed controllers with linearized model and ignoring the nonlinear characteristics, which lower the accuracy of controllers. In this paper, by taking into account of the nonlinear characteristics, an adaptive neural network controller is established based on Lyapunov methods and adaptive backstepping control theory. For nonlinear characteristics and unmodeled dynamics, RBF neural network is employed for approximation. At the same time, we introduce the update laws of adaptive neural network weights, which guarantee the stability of the closedloop system and satisfy requirements of the dragfree satellite control system. The simulation results indicate that the controller is effective and the accuracy of the dragfree satellite can be satisfied．
Key words:Dragfree satellite;adaptive control;RBF neural network;backstepping
1 引 言
低轨卫星在太空飞行的过程中，承受着来自星际空间的各种扰动［1］，例如，地球、太阳、月亮引力的影响，以及大气阻力、太阳辐射和地面反射等非惯性力的影响。然而相对论的验证、引力波探测以及地球重力场的测量等都需要低干扰试验环境。为了消除非惯性力的影响，文献［1］提出无拖曳(drag-free)技术，设计了无拖曳卫星：用一个质量块置于卫星本体内部，质量块将不受大气阻力等外部干扰力的影响，因为质量块不与卫星本体接触，所以几乎处于自由漂移状态，成为理想的宁静参考源。卫星本体保持与质量块之间相互隔离的状态，在适当传感器和控制算法条件下，从而保证卫星本体实现较高的宁静性［1］。
无拖曳卫星控制器不但可以使卫星保持稳定，而且良好的控制效果有助于航天任务的完成以及降低对硬件的要求，所以无拖曳卫星控制器设计一直是无拖曳卫星研究的重点。Stephan Theil［2-3］等人考虑了无拖曳卫星控制系统的不确定性，利用分散控制策略设计了系统的鲁棒控制器。E.Canuto［4-5］等人针对GOCE卫星，建立离散时间状态方程，利用嵌入式模型控制策略设计了可调控制器。文献［6］基于干扰观测模型，设计了混合H2/H
SymboleB@
最优控制器，并以LMI形式给出了求解控制器的条件并证明了控制器的稳定性。文献［7］针对卫星本体与质量块相对轨道动力学模型，采用卡尔曼滤波方法对状态和干扰进行了估计，并基于状态估计设计了最优控制器，有效地抑制了干扰对系统的影响。文献［8］基于H2优化理论设计了最优控制器，通过传递函数法及数值法双重分析表明所设计的控制器符合控制要求。
在这些已有的控制器设计中，大多未考虑系统的非线性环节或采用线性化方法，将系统简化为线性模型，从而降低了控制器的精度。由于无拖曳卫星控制系统本质上是一个复杂的非线性系统，本文将直接针对非线性模型，考虑到系统的非线性特征及未建模动态，利用神经网络对函数的有效逼近能力，对系统模型中的非线性部分进行拟合。首先，本文将无拖曳卫星控制系统根据控制目标划分为三个子系统：卫星本体与质量块相对位移子系统，即drag-free子系统；卫星本体姿态子系统；以及卫星本体与质量块相对姿态子系统。接着，针对每个二阶子系统，利用径向基函数(Radial Basis Function)神经网络对系统的非线性部分进行拟合，通过对基函数中心和方差进行学习，并采用自适应反步控制方法，设计相应控制器，建立神经网络权值自适应律以及分散自适应控制律。仿真结果验证了所设计的控制器的有效性。
计算技术与自动化2014年6月
第33卷第2期李 季等：低轨无拖曳卫星的自适应神经网络控制器设计
本文下面内容安排如下：第2节问题描述，建立无拖曳卫星的动力学模型；第3节针对drag-free控制回路、卫星本体姿态控制回路以及卫星本体与质量块相对姿态控制回路，分别设计控制器，同时给出了稳定性分析；第4节通过仿真证明所设计的控制器的有效性；第5节给出结论与进一步的工作。
2 问题描述
本文所考虑的低轨无拖曳卫星结构设计如下：无拖曳卫星只包含一个质量块，且形状为立方体，卫星内腔壁上的位置敏感器能够测量卫星本体和质量块的相对位置。这里采用静电位置悬浮及测量系统EPS(Electrostatic Positioning/Measurement System) 来测量质量块相对移动并对其施加静电力和力矩，根据EPS的测量结果，命令推进器输出相应的推力，使卫星本体跟踪质量块。推进器可以选择场发射推进器和微胶体推进器，它们具有极低的噪声干扰，而且可以实现极小的推力，非常适合无拖曳控制。但在近地环境中，大气阻力有时比较大，尤其在卫星的迎风面，此时需要采用推力较大的推进器，如离子推进器。所以在近地环境中，无拖曳控制往往采用了多种推进器组合的方式［1,8］。本文将无拖曳卫星控制系统根据控制目标划分为三个控制回路：卫星本体与质量块相对位移控制回路，即dragfree控制回路，卫星本体姿态控制回路以及卫星本体与质量块相对姿态控制回路，相关动力学方程如下［9］：
卫星本体与质量块相对位移动力学方程：
rel=1mtm(FGtm+FDtm+FSCtm)－
1msc(FGsc+FCsc+FDsc+FTMsc)－
2ωsc×rel－ωsc×(ωsc×(rh+rrel))－
sc×(rh+rrel)(1)
其中，rrel表示卫星本体和质量块的相对位移，rh表示敏感器空腔中心与卫星质心的距离，mtm表示质量块的质量，msc代表卫星本体的质量，ωsc表示卫星本体姿态角速度，FGtm、FGsc分别表示卫星本体和质量块受到的重力，FDtm、FDsc分别表示卫星本体和质量块受到的非惯性力，FCsc表示卫星本体受到的控制力，FSCtm、FTMsc表示卫星本体和质量块之间的耦合力。
卫星本体姿态动力学方程：
sc=I－1sc［TCsc+TDsc+TTMsc－ωsc×(Iscωsc)］(2)
其中，ωsc表示卫星本体姿态角速度，Isc表示卫星本体的转动惯量，TCsc，TDsc，TTMsc分别表示卫星本体受到的控制力矩、干扰力矩和耦合力矩。
卫星本体和质量块的相对姿态动力学方程：
rel=tm－ATSsc+ωtm×ATSωsc=
I－1tm［TCtm+TDtm+TSCtm－
(ωrel+ωsc)×(Itm(ωrel+ωsc))］－
ATSsc－ATSωsc×ωrel(3)
其中，ωrel表示卫星本体和质量块的相对姿态角速度，ωtm表示质量块的姿态角速度，ωsc表示卫星本体姿态角速度，TCtm，TDtm，TSCtm分别表示质量块受到的控制力矩、干扰力矩和耦合力矩，ATS表示从卫星本体坐标系到质量块本体坐标系的旋转矩阵。
通常将质量块和卫星间的静电耦合基本模型看作一个弹簧―阻尼系统，以质量块为例，在敏感器坐标系下受到的耦合力和力矩形式如下：
FSCtm=－Ktransrrel－Dtransrel(4)
TSCtm=－Krotθrel－Drotrel (5)
其中，Ktrans为卫星本体和质量块之间的耦合水平弹性系数，Dtrans为水平阻尼系数，Krot为卫星本体和质量块之间的耦合旋转弹性系数，Drot为旋转阻尼系数。
通过线性化处理后，得到低轨无拖曳卫星控制系统的动力学简化模型如下：
rel=vrel
rel=-Ktransmtmrrel-Dtransmtmvrel-1mscFCsc+
f1(rrel,vrel
sc=ωsc
sc=I-1scTCsc+f2(φsc,ωsc)
rel=ωrel
rel=I-1tmKrotφrel+I-1tmDrotωrel+
I-1tmTCtm-I-1scTCsc+f3(φrel,ωrel)(6)
系统(6)中，φsc、ωsc分别表示卫星本体的姿态角和姿态角速度，rrel、vrel分别表示卫星本体和质量块的相对位移和相对运动速度，φrel、ωrel分别表示卫星本体和质量块的相对姿态角和相对姿态角速度。本文以欧拉角的形式给出了卫星本体和质量块的姿态。
f1(rrel,vrel)，f2(φsc,ωsc)，f3(φrel,ωrel)为未知光滑函数，代表系统的非线性特征、未建模动态及未知扰动。
注2.1与文献［9］相比，本文将扰动项1mscFDsc包含在了f1中，I－1scTDsc包含在了f2中，I－1tmTDtm、I－1scTDsc包含在了f3中，因此，文献［9］中所研究的模型是本文系统(6)的特例。
上述系统中所涉及的变量均为3维：包含x、y、z三个坐标轴方向。为了清晰地阐述本文的主要思想，以下将仅考虑单个坐标轴方向，并且假设变量之间以及坐标轴之间的交叉耦合量足够小。
定义x=［x11,x12,x21,x22,x31,x32］T，其中状态变量依次代表rrel、vrel、φsc、ωsc、φrel、ωrel。
系统(6)可写成如下三个子系统：
卫星本体与质量块相对位移子系统，即dragfree子系统：
Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)(7)
卫星本体姿态子系统：
Σ2:21=x2222=c2u2+f2(x21,x22)(8)
卫星本体与质量块相对姿态子系统：
Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32) (9)
其中，a1=－Ktransmtm，a2=I－1tmKrot，b1=－Dtransmtm，b2=I－1tmDrot，c1=－1msc，c2=I－1sc，c3=I－1tm，u1=FCsc，u2=TCsc，u3=TCtm。f1(x11,x12)，f2(x21,x22)，f3(x31,x32)代表系统的不确定性、未建模动态及未知扰动。
3 控制器设计
3.1 RBF神经网络
本文的目的是基于Lyapunov稳定性理论和自适应反步控制，对无拖曳卫星控制系统的非线性模型进行分析，设计一种自适应神经网络控制器。
人工神经网络形式多种多样，RBF神经网络是其中应用较为广泛的一种，表达形式如下［10-11］：
Ψ(X)=WTΦ(X) (10)
其中，W=［w1,w2,...,wl］T∈Rl为权重向量，Φ(x)=［φ1(X),φ2(X),...,φl(X)］T为基函数向量，l为隐含层神经元的个数，X=［x1,x2,...,xn］代表系统中的状态变量，并作为网络的训练样本输入。基函数i(X)选择高斯函数，表达式如下：
φi(X)=exp －X－ci22σ2i(11)
其中，ci=［ci1,ci2,...,cin］T是隐含层第i个径向基函数的中心点，n为输入层向量的维数，σi是径向基函数的宽度。
3.2 dragfree控制回路
3.2.1 控制器设计
系统Σ1表示dragfree控制回路：
Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)
f1(x11,x12)为未知光滑函数，由于RBF神经网络对于光滑函数的有效逼近能力，此时我们采用RBF神经网络对其进行拟合，表达式如下：
f1(x11,x12)=WT1Φ1(x11,x12) (12)
定义1为权值的估计值，1为权值的估计误差。即：
1=W1－1(13)
本节将采用RBF神经网络来对f1进行拟合，结合自适应反步控制，建立权重W1的自适应律，通过调节权重，可以达到系统自适应控制的目的。
第一步：考虑x11子系统，选择Lyapunov函数：
V11(x11)=12x211 (14)
对V11求导，得：
11=x1111=
x11x12(15)
将x12看成x11子系统的虚拟控制，令：
x12=z12+α11(x11)(16)
其中，z12为引入的新的虚拟控制，α11(x11)满足α11(0)=0，并选取为：
α11(x11)=－k11x11 (17)
其中，k11＞0为可调参数。所以
11=x11(z12+α11(x11))=
－k11x211+x11z12(18)
第二步：考虑系统(x11,x12)，选择Lyapunov函数：
V12(x12,x12)=V11(x11)+
12z212+12T1Γ11(19)
其中，Γ1为正定矩阵。
对V12求导，得：
12=－k11x211+x11z12+z1212+•T1Γ11=
－k11x211+z12(x11+12－α11x1111)+•T1Γ11=
－k11x211+z12(x11+a1x11+b1x12+
c1u1+WT1Φ1+k11x12)+•T1Γ11=
－k11x211+z12(x11+a1x11+b1x12+
c1u1+T1Φ1+k11x12)+z12T1Φ1+
•T1Γ11=
－k11x211+z12(x11+a1x11+b1x12+
c1u1+T1Φ1+k11x12)+(z12ΦT1+•T1Γ1)1 (20)
选取控制量为
u1=1c1(－x11－a1x11－b1x12－T1Φ1－
k11x12－k12z12) (21)
其中，k11＞0，k12＞0为可调参数。
权值自适应律1为
•1=z12Γ－T1Φ1=
(x12+k11x11)Γ－T1Φ1(22)
3.2.2 稳定性分析
定理 1［12］ 考虑如下非线性系统
=f(x)
且
f(0)0 (23)
若存在具有连续1阶偏导数的标量函数V(x)，满足以下条件：
1)V(x)是正定的；
2)(x)=dV(x)/dt是负定的；
3)当x
SymboleB@
时，V(x)
SymboleB@
。
则在系统原点处的平衡状态是大范围渐近稳定的。
通过上述控制器设计，由式(19)，显然V12是正定的，又12=－k11x211－k12z212，由于k11，k12为大于零的可调参数，所以12是负定的，当x11
SymboleB@
，z12
SymboleB@
时，V12
SymboleB@
，所以x11，z12在平衡状态是大范围渐近稳定的。又由式(16)和式(17)可知，当t
SymboleB@
，x110，z120时，有x120，所以x11，x12在平衡状态是大范围渐近稳定的。
3.3 姿态控制回路
3.3.1 卫星本体姿态控制回路
卫星本体姿态状态方程如下：
Σ2:21=x2222=c2u2+f2(x21,x22)
f2(x21,x22)为未知光滑函数，我们采用RBF神经网络对其进行拟合，表达式如下：
f2(x21,x22)=WT2Φ2(x21,x22)(24)
定义2为权值的估计值，2为权值的估计误差。即：
2=W2－2(25)
本节将采用RBF神经网络来对f2进行拟合，结合自适应反步控制，建立权重W2的自适应律，通过调节权重，可以达到系统自适应控制的目的。
第一步：考虑x21子系统，选择Lyapunov函数：
V21(x21)=12x221(26)
对V21求导，得：
21=x2121=x21x22(27)
将x22看成x21子系统的虚拟控制，令：
x22=z22+α21(x21)(28)
其中，z22为引入的新的虚拟控制，α21(x21)满足α21(0)=0，并选取为：
α21(x21)=－k21x21(29)
其中，k21＞0为可调参数。所以
21=x21(z22+α21(x21))=－k21x221+x21z22(30)
第二步：考虑系统(x21,x22)，选择Lyapunov函数：
V22(x21,x22)=V21(x21)+
12z222+12T2Γ22(31)
其中，Γ2为正定矩阵。
对V22求导，得：
22=－k21x221+x21z22+z2222+•T2Γ22=
－k21x221+z22(x21+22－α21x2121)+•T2Γ22=
－k21x221+z22(x21+c2u2+WT2Φ2+
k21x22)+•T2Γ22=
－k21x221+z22(x21+c2u2+T2Φ2+
k21x22)+z22T2Φ2+•T2Γ22=
－k21x221+z22(x21+c2u2+T2Φ2+
k21x22)+(z22ΦT2+•T2Γ2)2 (32)
选取控制量为
u2=1c2(－x21－T2Φ2－
k21x22－k22z22) (33)
其中，k21＞0，k22＞0为可调参数。
权值自适应律2为
•2=z22Γ－T2Φ2=(x22+k21x21)Γ－T2Φ2 (34)
3.3.2 卫星本体与质量块相对姿态控制回路
卫星本体与质量块相对姿态状态方程如下：
Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32)
f3(x31,x32)为未知光滑函数，我们采用RBF神经网络对其进行拟合，表达式如下：
f3(x31,x32)=WT3Φ3(x31,x32) (35)
定义3为权值的估计值，3为权值的估计误差。即：
3=W3－3(36)
本节将采用RBF神经网络来对f3进行拟合，结合自适应反步控制，建立权重W3的自适应律，通过调节权重，可以达到系统自适应控制的目的。
第一步：考虑x31子系统，选择Lyapunov函数：
V31(x31)=12x231 (37)
对V31求导，得：
31=x3131=x31x32(38)
将x32看成x31子系统的虚拟控制，令：
x32=z32+α31(x31)(39)
其中，z32为引入的新的虚拟控制，α31(x31)满足α31(0)=0，并选取为：
α31(x31)=－k31x31 (40)
其中，k31＞0为可调参数。所以
31=x31(z32+α31(x31))=－k31x231+x31z32(41)
第二步：考虑系统(x31,x32)，选择Lyapunov函数：
V32(x31,x32)=V31(x31)+
12z232+12T3Γ33(42)
其中，Γ3为正定矩阵。
对V32求导，得：
32=－k31x231+x31z32+z3232+•T3Γ33=
－k31x231+z32(x31+32－α31x3131)+•T3Γ33=
－k31x231+z32(x31+a2x31+b2x32－c2u2+
c3u3+WT3Φ3+k31x32)+•T3Γ33=
－k31x231+z32(x31+a2x31+b2x32－c2u2+
c3u3+T3Φ3+k31x32)+z32T3Φ3+
•T3Γ33=
－k31x231+z32(x31+a2x31+b2x32－c2u2+
c3u3+T3Φ3+k31x32)+(z32ΦT3+•T3Γ3)3 (43)
选取控制量为
u3=1c3(－x31－a2x31－b2x32+c2u2－
T3Φ3－k31x32－k32z32)(44)
其中，k31＞0，k32＞0为可调参数。
权值自适应律3为
•3=z32Γ－T3Φ3=(x32+k31x31)Γ－T3Φ3(45)
3.3.3 稳定性分析
由定理1，对于子系统Σ2，由式(31)，显然V22是正定的，又22=－k21x221－k22z222，由于k21，k22为大于零的可调参数，所以22是负定的，当x21
SymboleB@
，z22
SymboleB@
时，V22
SymboleB@
，所以x21，z22在平衡状态是大范围渐近稳定的。又由式(28)和式(29)可知，当t
SymboleB@
，x210，z220时，有x220，所以x21，x22在平衡状态是大范围渐近稳定的。同理可得，x31，x32在平衡状态是大范围渐近稳定的。
4 仿真分析
本节为了证实所提出的控制器的有效性，在matlab/simulink环境下进行了仿真验证。
仿真参数如下［9］：卫星本体质量为1050 kg，质量块质量为1 kg，卫星本体和质量块之间的初始相对距离为rrel=1×10－3m，卫星本体和质量块之间的初始相对姿态为φrel=1•π/180rad，卫星本体和质量块之间的耦合水平弹性系数Ktrans=1×10－6N/m，水平阻尼系数Dtrans=1.4×10－11N/m2，卫星本体和质量块之间的耦合旋转弹性系数Krot=1×10－9N•m/rad，旋转阻尼系数Drot=3.3×10－14N/rad，卫星本体的转动惯量Isc=200kg•m2，质量块的转动惯量Itm=2.667×10－4kg•m2。
仿真结果如图1―图3所示。
图1 卫星本体与质量块的相对位移
图2 卫星本体的姿态
从图1中可以看出，在含有不确定的情况下，通过设计的控制器，卫星本体与质量块的相对位移最终趋于零，说明卫星本体能够很好的跟踪质量块，达到dragfree控制的要求，并且精度在10－6数量级，满足dragfree控制的精度需求。图2~图3给出了卫星本体的姿态以及卫星本体与质量块的相对姿态及其控制精度，仿真结果很好的满足了卫星本体与质量块姿态的一致性。
图3 卫星本体与质量块的相对姿态
5 结 论
本文针对无拖曳卫星控制系统，考虑到系统的不确定性、未建模动态以及外界的未知扰动，采用神经网络的方法进行补偿，基于Lyapunov 稳定性理论，结合自适应反步控制，得到权值的更新律以及相应的控制器。仿真结果表明，所设计的控制器有效地抑制了不确定对控制系统的影响。
与传统卫星控制系统相比，无拖曳卫星对控制系统提出了极高的性能指标要求，下一步将考虑存在耦合时，卫星模型的建立和控制器的设计。
参考文献
［1］ 施梨，曹喜滨，张锦绣，等. 无阻力卫星发展现状［J］. 宇航学报, 2010,31(6):1511-1520.
［2］ PETTAZZI L, LANZON A,THEILS. Design of Robust Decentralized Controllers for Dragfree Satellite［C］.Proc.47th IEEE conf. Decision and Control, 2008:602-607.
［3］ PETTAZZI A,LANZON A,THEIL S. Design of Robust Drag-Free Controllers with Given Structure［J］. GUIDANCE, CONTROL, AND DYNAMICS, 2009,32(5):1609=1620.
［4］ ANDREIS D,CANUTO E. DragFree and Attitude Control for the GOCE satellite［C］.Proc.44th IEEE conf. Decision and Control, 2005:4041-4046.
［5］ CANUTO E,BONA B,CALAFIORE BM. Indri. Dragfree control for the European satellite GOCE. Part I:modelling［C］.Proc.41th IEEE conf. Decision andControl, 2002:1269-1274.
［6］ 曹喜滨，施梨，董晓光，等. 基于干扰观测的无阻力卫星控制器设计［J］.宇航学报, 2012,33(4):411-418.
［7］ 李传江，王玉爽，马广富，等. 带卡尔曼估计器的无拖曳卫星干扰补偿控制［J］.哈尔滨工业大学学报, 2012,44(7):8-13.
［8］ 李洪银，胡明. 单测试质量无拖曳卫星无拖曳及姿态系统仿真及其控制研究［J］.天文学报, 2011,52(6):525-536.
［9］ 王玉爽. 无拖曳卫星控制方法研究［D］. 哈尔滨：哈尔滨工业大学, 2011.
［10］宋申民，于志刚，段广仁. BTT导弹自适应神经网络控制［J］.宇航学报, 2007,28(5):1224-1230.
关键词：成都中小微企业 人工神经网络 预测
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、分规模企业运行态势预测模型
3.1中型企业运行态势预测模型
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0.099973%。
表1运行监测指标按规模（中型）ANN预测模型实际值与预测值对比表
3.2小型企业运行态势预警模型
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0.099974%。
表2运行监测指标按规模（小型）ANN预测模型实际值与预测值对比表
3.3微型企业运行态势预警模型
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0.098246%。
表3 运行监测指标按规模（微型）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：
[1]张乃尧，阎平凡.神经网络与模糊控制[M].北京： 清华大学出版社，1998.
关键词：卷积神经网络 人体行为识别 Dropout
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
[1] 其它计算机理论与技术[J].电子科技文摘，2002（6）.
关键词：BP神经网络；三维加速度；特征值提取
中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2016）51-0197-02
随着物联网的高速发展，智慧医疗的应用也越来越广泛，人体行为识别作为智能监测中一个重要的研究方向，也逐渐受到各国学者的广泛关注。随着我国人口老龄化不断加剧，老年人意外摔倒问题受到人们关注，而人体行为识别方法的研究将推进更有效更准确的跌倒检测算法研究。按照信号的获取方式，可将现有的人体行为识别方法分为以下两种：基于计算机视觉的方法和基于传感器的方法。基于三轴加速度信号的识别方法属于第二种，第二种方法相较于第一种具有低功耗、高精度、携带方便等优点。目前BP神经网络是目前人工神经网络中研究最深入、应用最广泛的一种。本文选用已有的三轴加速度信号数据集，在MATLAB仿真环境下，基于BP神经网络设计并实现人体行为识别算法。
一、数据预处理
本文选用的三轴加速度数据来源于南加州大学人体行为数据集，这个数据集包括了对14名受测者的12种动作的三轴加速度信号采集。采集过程中，三轴加速度传感器位于受测者右前臂；采样频率为100Hz；12种动作每种动作由每名受测者做5次，即对每种动作采集70个样本，每个样本采集时长不定但是足够捕获动作的所有信息。考虑实际意义，本文只选取上述14名受测者的7类动作，共计490个加速度数据样本。在特征值提取前需要对滤波得到的加速度数据再进行加窗处理。选用窗口长度N为512的矩形窗，则结合采样频率可得窗口时间跨度为5.12秒，足够包含单个完整动作。经过预处理后的数据才可以用于后续的特征值的提取，并用来训练和测试所建立的BP神经网络。
二、BP神经网络的建立
BP神经网络由输入层、输出层和隐含层组成，其中输入层与输出层各为一层，隐含层可以有多层。在网络中，相邻两层间实现全连接，而处于同一层的神经元之间无连接。BP学习算法需要提供教师信号。BP网络的学习过程包括工作信号的正向传播和误差信号的反向传播，并通过修改连接两个神经元的边的权值来使得误差函数达到最小。①工作信号的正向传播。设X■■表示第k层神经元i的输入总和，Y■■为输出，第k-1层神经元j到第k层神经元i的权值为Wij，则有如下函数关系：Y■■=f（X■■）X■■=■W■Y■■ （1）
称f激励函数，通常取f为非对称Sigmoid函数，即 f（X■■）=■ （2）
②误差信号的反向传播。设输出层为第m层，则输出层第i个神经元的实际输出为Y■■，设对应的教师信号为Yi，定义误差函数e为 e=■■（Y■■-Y■）■ （3）
定义d■■表示误差函数e关于U■■的偏导数，可推得 当k=m时，有d■■=Y■■（1-Y■■）（Y■■-Y■）（4）
k
③权值的修正。设某一次学习权值的修改量为ΔWij，考虑两次学习的相关性，可定义权值修改量如下：
ΔWij（t+1）=-μ・d■■・Y■■+γ・ΔWij（t）（6）
其中，γ为表示两次修正间的相关程度的系数， μ为学习速率。综上，BP神经网络的学习目标就是：找一组最合适的边的权值Wij，使得误差函数满足 e=min■■（Y■■-Y■）■ （7）
三、BP神经网络结构设计
1.输入层。BP神经网络的输入即为各种行为的特征向量，因此首先需要选取合适的特征值构建特征向量。根据统计学原理和所选加速度信号数据集的特征，选取5个特征值：均值、方差、相关系数、偏度和峰度。5个特征值均以窗长N为提取单位，特征值的计算直接使用MATLAB已有的函数。以窗长为单位，分别计算三个轴的加速度信号的上述5种特征值，一次特征值提取可得到一个15维的特征向量，将此向量作为BP神经网络的输入，则输入层可有15个神经元。
2.隐含层。隐含层待定的系数包括隐含层的层数和每个隐含层包含的神经元个数。为提高学习速率，通常选用单隐层的神经网络，但为获得更好的学习效果，本文考虑单隐层以及双隐层的BP神经网络。
关于隐含层神经元的个数n1选取，本文参考公式如下：n■=■+p （13）
其中，n0为输入层神经元个数，nm为输出层神经元个数，p为[1，10]之间的一个常数。在利用上述公式估算的基础上，根据网络学习的结果对隐含层神经元个数再做调整，以达到最好的学习效果。
3.输出层。神经网络的输出层表示人体行为识别的结果，即判断该动作属于哪一类。根据所研究的7类动作，可以构造一个7维的输出向量。每一个输出向量对应每一次输出，向量的每一维对应每一类动作。若输入特征值来源于第Z类动作，则期望的输出向量为第Z维置“1”，其余维置“0”，而实际的输出向量的7个维度的数值分别代表属于7种动作的可能性大小，取数值最大的维度为分类结果。
关键词：人工神经网络模型；卫生人力；人力资源测算
卫生人力是指经过专业培训、在卫生系统工作、提供卫生服务的人员，包括直接从事医疗、卫生、保健服务的卫生技术人员以及管理、工勤等其他人员。由于卫生系统本身具有复杂性和时变性的双重特性，因此卫生人力受许多因素影响，如人口、经济、社会与文化、资源利用效率、健康状况等等，而且多个因素间相互作用、相互影响。
我国的卫生事业虽然取得了很大的发展，但却存在明显的卫生人力资源失衡现象，突出表现在：卫生人员总量过剩、人员地区分布不均衡尤其是城乡差距较大、卫生人员总体素质不高。因而迫切需要加强卫生人力预测研究，使其更合理地从数量上、质量上和分布上调整现有存量、优化增量，以推动整个卫生事业的发展进程[1，2]。
人工神经网络作为一种综合信息处理和模拟技术，其特有的非线性适应性信息处理能力，克服了传统方法的局限性，而且还具有学习预测精度高、容错能力强和预测速度快的特点[3]。本研究基于人工神经网络方法，构建出一套合理、有效的测算卫生人力需求量的指标体系。
1人工神经网络简介
人工神经网络基本组成单位是神经元（节点），神经元之间按一定的方式相互连接，构成神经网络系统，可以通过预先提供的一批相互对应的输入--输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果[4，5]。
迄今为止，已有多种人工神经网络模型被开发和应用。本文应用较为成熟的误差反向传播学习算法人工神经网络（BP-ANN）。BP神经网络从模拟生物的神经网络出发[6]，其最基本的结构是3层前馈网络，即输入层、隐含层、输出层（见图1），层与层之间多采用全互连方式，同一层单元间不存在相互连接。
图1 人工神经网络结构
BP网络模型的应用过程包括训练和预测两个过程。训练时，输入信息从输入层经隐含层逐层处理，并传向输出层。如果输出层得不到期望的输出，则将误差信号沿原来的连接通道返回，通过修改各层神经元的连接权值，使得误差最小。网络重复以上过程进行迭代计算，直至收敛，由此构成了非线性映射模型，掌握了隐含在样本内部各元素间的特殊关系[7]。经训练后的人工神经网络不仅对拟合过的样本有效，而且对未经拟合的样本也可以较准确地预测。人工神经网络以其独特的信息储存方式、良好的容错性、大规模的非线性并行处理方式[8]以及强大的自组织自拟合和自适应能力，已应用于信号处理、模式识别、综合评价、预测分析等领域。
2指标筛选
本文的研究对象是卫生人力的数量。人工神经网络要求选择那些影响输出的主要因素作为输入层，选定的输入变量数必须足够且具有代表性[9，10]，基于这一点，经过文献评阅分析及专家小组讨论，本研究对于输入变量，即测算指标的选择主要从以下几方面进行：
2.1人口数量变化 人口数量的变化是影响卫生人力需求量的最重要的因素。人口的增减会引起卫生服务需求量的增减，从而引起卫生人力需求量的波动。对应的变量选择了总人口数、就诊人次数、住院人次数。
2.2经济发展水平 随着社会经济迅猛发展，居民的生活水平不断提高，人们对生活质量要求也逐步提高，而健康是衡量生活质量的重要指标之一，所以随着居民对健康意识的增强，卫生服务需求量将会加大，卫生人力的需求量也随之增加[11，12]。对应的变量选择了卫生总费用、人均卫生费用、人均国民生产总值。
2.3医院发展规模 医院规模直接影响整个卫生人力需求量和卫生人力内部构成。医院规模的大小通常是以病床数来衡量的，而病床数又是人员编配的重要标准[13]。对应的变量选择了医院机构数、总床位数。
2.4卫生人力供给 每年都有大量的医学生走向工作岗位，为医疗系统注入新的血液。对应的变量选择了高等医学院校毕业生数、中等医学院校毕业生数[14]。
3结果与讨论
得到卫生人力的测算指标包括总人口数（万人）、就诊人次数（亿次）、住院人次数（万人）、卫生总费用（亿元）、人均卫生费用（元）、人均国民生产总值（元）、医院机构数、总床位数（万张）、高等医学院校毕业生数、中等医学院校毕业生数10项指标。鉴于年鉴收录自国家及各省市地方统计局的历年统计资料，具有资料翔实，信息密集的特点，所有数据均从统计年鉴中获取，按照年份顺序进行整理，过滤缺失的数据，建立起从1990～2008年的有关卫生人力资源的数据库。
参考文献：
[1]薛娅，高歌，沈月平.常州市卫生人力需要量统计预测研究[J].中国卫生统计，2007，24（3）：287.
[2]Francis Omaswa. Human resources for global health： time for action is now[J].The Lancet.2008，371：625.
[3]蒋宗礼.人工神经网络导论[M].北京：高等教育出版社，2002.
[4]任宏，姜庆五.人工神经网络及其在预防医学领域的应用[J].上海预防医学，2003，15（1）：22.
[5]黎衍云，李锐，张胜年.人工神经网络及其在疾病筛查中的应用前景[J].环境与职业医学，2006，23（1）：71.
[6]钱玲，施侣元，程茂金.应用人工神经网络预测糖尿病/糖耐量异常[J].中国公共卫生，2003，19（10）：1272.
[7]Qian AI，Shrestha GB.An ANN based load model for fast transient stability calculations[J].Elec Power Syst Res，2006，76：217.
[8]RiccardoB，DarioG，LauroC，works and robust Bayesian classfiers for risk stratification following uncomplicated myocardial infarction[J].Int J Cardiol，2005，101：481.
[9]薛娅，高歌. 卫生人力需求量预测研究综述[J].上海预防医学杂志，2005，17（12）：589.
[10]钟珞，饶文碧，邹承明.人工神经网络及其融合应用技术[M].北京：科学出版社，2007：12.
[11]陈力凌.江苏省卫生人力资源现状及需要量预测研究[D].硕士学位论文，2006：23.
[12]左延莉.广西卫生人力资源配置现状与预测研究[D].硕士学位论文，2002：12.
关键词：成都中小微企业 人工神经网络 预测
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：
[1]张乃尧，阎平凡.神经网络与模糊控制[M].北京： 清华大学出版社，1998.
关键词：安全审计；监控系统；系统设计；系统应用；信息网络
中图分类号：TP39；F239文献标识码：A文章编号：1003-5168（2015）08-0006-3
随着计算机技术、信息技术不断推陈出新，各类威胁到网络信息安全的因素越来越多，虽然防火墙与外部检测技术等能够在某种程度上防止网络的外部入侵，保护数据信息不受侵犯［1］。但也会因入侵技术的更新和漏洞的长期存在而无法彻底保障网络处于安全状态。因此，在现有技术的基础上，通过引入安全审计系统对用户的网络行为加以记录，对网络安全隐患给出评判具有重要的现实意义。
1网络安全审计的必要性
1.1提高企业数据安全管理绩效
近年来，我国信息化程度不断加深，尤其新媒体技术和自媒体技术的出现，企业信息的网络化、无边界化趋势越来越明显，也使得网络信息安全问题不断突显。在这种情况下，无论是企业本身还是参与网络信息提供和维护的第三方，在端口和信息通道内都加强了对信息安全策略的部署，无论是信息的控制还是数据的授权，都在大量管理制度和规则下运行。即便如此，与网络信息安全相关的各类故障还是不断出现，甚至会给企业的网络运营和实际经营都造成了消极影响。但是，当我们对信息安全漏洞进行分析和查验时发现，一些严重的信息安全问题之所以会由于不合规、不合法而给利益相关者造成经济损失，其中一个重要原因便是一些内部“合法”用户的“非法”操作。这是因为，对于一般的网络信息或者数据，借助防火墙、防病毒软件、反入侵系统等都能够解决，在一定程度上能够保证信息安全。可是一旦内部人员在缺乏监管的情况下进行违规操作，就会使在信息外部建立起来的防线无能为力［2］。一项最新的调查显示，企业内部人员是对企业网络信息进行攻击最为严重也最难防范的。在这种情况下，亟须提高企业的内部审计能力，对内部用户的误用、滥用信息行为进行审计和监管，对那些可能或者已经造成各种安全事故的人员，在要求其协助网管人员找出原因外，还对其按照相关法律法规进行严肃处理，以杜绝此类事件再次发生。
1.2提高网络运维绩效
当前，在网络环境中构建统一的安全审计平台，提高网络运维绩效，是十分必要的。在这一平台之上，能够对重要设备系统的安全信息进行统一监管，以便能够在海量数据中挖掘出有价值的信息，使信息的获取和使用更加有效。可见，提高网络信息的可靠性和真实性，借助网络信息安全审计提供网络运维管理绩效，是网络化运营需要认真思考的问题［3］。实际上，信息的安全防御是信息安全审计的一种，都是要在信息生产的源头对其进行管理和监控，并对可能对信息安全造成威胁的因素加以防范。而即便在信息源头未能做到完全的安全防范，在事后也可以借助各种技术手段及时分析安全防御系统中可能存在的各类漏洞。甚至能够在安全防御的过程中，对非法操作行为和动作进行还原，使违法、违规用户的不当操作暴露出来，为认定其非法行为提供真实有效的客观证据。因此，对网络信息进行安全审计是一项复杂的系统工程，不但要规范网络、主机以及数据库的访问行为，还要对用户的使用习惯、信息内容形成和改变进行监控和审计，以便有效地完成对各类信息的监管，提高信息质量，为企事业单位的信息运用和网络运营提供安全保障。
1.3提高网络信息安全性
在网络空间中，有以下安全问题值得用户关注并予以重视：①通过访问控制机制强化对网络信息进行安全审计和信息监控是十分必要的，这种做法不但能提高网络信息的安全性，还能在访问控制的作用下，限制外来用户对关键资源的访问，以保证非法用户对信息或数据的入侵，同时也能对合法用户的行为进行规范，防止因操作不当而造成破坏［4］。需要注意的，访问控制系统不但界定了访问主体还界定了访问，其目的在于检测与防止系统中的非法访问。而借助对访问控制机制的管理和设计，能在很大程度上实现对网络信息的安全审计，使网络信息处在安全状态；②虽然网络是开放的，但网络数据却具有私有性，只有在被授权的情况下才能让非用户或者原始使用者访问，否则将被控制在不可见的范围。为了实现这一点，就需要进行网络安全管理，包括网络安全审计，通过信息加密，比如加密关键字或者授权机制、访问控制等。为了提高网络信息安全水平，还要维护与检查安全日志；③提高网络信息安全性，为社会组织的网络化行为提供安全保障，除了要对现实中传输的信息进行安全审查外，对网络中传输的信息也要进行安全审计，通过对网络操作行为的监控，评判信息的安全等级，有针对性地对网络加以控制。
2信息时代网络安全审计的关键技术与监控范畴
在网络信息安全审计的过程中，为了最大限度地提高审计效果，不但需要借助多种信息、网络和计算机技术，还应进一步界定网络审计的监控范围，使网络信息安全审计能够在更为广阔的领域得到应用。
2.1网络安全审计的关键技术
在前文的分析中可知，在当前网络环境中，网络信息安全的直接威胁主要来自网络内部，要建立切实有效的监督体制，对有破坏信息安全倾向的员工进行监督，以保障信息安全。为了实现这个目标，除了要在制度上加以制约外，还应借助以下网络安全审计技术：①基于的网络安全审计技术。借助该技术构建起来的信息安全系统以网络主机为载体，以分布式方式运行。这一技术虽然能够很好地防范信息安全威胁，但是由于监视器是这一信息系统的核心模块，需要高度保护，一旦出现故障，就会引发其他转发器都陷入被动境地，无法正常提交结果；②基于数据挖掘的网络安全审计技术。数据挖掘是近几年被广泛采用的信息安全技术，以此为基础建立起来的网络安全审计系统能够借助数据挖掘技术或者大数据技术，以大量日志行为为样本，对数据中体现出来的行为进行描述、判断与比较，特征模型，并最终对用户行为特征和行为结果进行界定；③基于神经网络的审计技术。神经网络是计算机应用领域中广泛采用的技术，该关键技术的使用能够改变网络单元状态，使连接权值处在动态之中，一旦加入一个连接或者移去一个连接，就能够向管理者指示出现了事件异常，需要果断采取行动保证信息安全。单纯使用该技术所产生的作用是十分有限的。一般情况下，要将多种技术配合使用，以便能对出现的异常情况做出解释，这对确认用户或者事故责任人是有明显帮助的；④借助专家系统构建的网络安全审计技术。该技术较于其他技术能够将信息系统的控制推理独立出来，使问题的解决能够借助输入的信息。为了评估这些事实，在运行审计系统之前，需要编写规则代码，而这也恰是能够有效防范网络信息安全威胁的有效手段。
2.2网络信息安全审计的监控范畴
2.2.1信息安全审计方法。经验表明，一些网络信息安全审计系统可以借助远程登录完成对服务器的管理和对应用系统、数据库系统的记录等，用户的操作行为和操作习惯会在服务器上留下痕迹。该类安全审计一般要按照以下步骤进行：采集对被审计单位的相关信息数据，以保证数据的全面性与完整性；对采集到的数据信息进行综合分析与处理，使之能够转换成对于审计工作对应的数据形式；借助计算机审计软件完成对审计数据的复核。按照业内的经验，在网络信息安全审计的设计过程中，需要将数据采集环节作为整个审计工作的前提与基础，是其中的核心环节，否则，将无法保证数据的完整性、全面性和准确性以及及时性，后面的审计工作也就无法正常开展。一般而言，借助互联网进行审计数据的采集主要有直接读取数据和记住数据库连接件读取两种方式，它们之间具有相似性。按照这两种方式完成数据采集，一旦其中一方数据的存储格式改变，就应及时对数据采集全部存储格式进行调整。这样就会导致数据采集效率和效果受到影响，降低信息安全审计的灵活性。因此，在实际操作中，要保证数据存储格式的一致性，防止审计低效。
2.2.2信息安全审计设备。在网络信息安全审计中，只要将需要管理的网络设备（比如出口路由器、核心交换机、汇聚交换机与接入交换机等）添加到相关安全审计系统之中，就能够获得发送过来的SNMP数据包。随后，信息安全审计系统就会对数据包依据事件的等级和重要性予以分类，以便在后续的查询和使用中更加方便。实际上，网络的信息安全设备种类繁多，具体操作方法也大同小异。只要按照不同厂商设备的设置步骤和原则，开启对应的SNMP功能之后，将相关设备添加到网络中安全审计系统之后，就能够进行相关操作。当然，在这一过程中，要对串联在网络中的设备予以重点关注，要保证甚至能够允许SNMP数据包通过。由此可以看出，借助安全设备实现对网络信息的监控和审计，能够为网络信息安全提供必要保障。当然，由于监控信息会不断更新，加之由于海量数据造成的压力，要依照实际需求确定监控信息可以被记录，以便能够缩小记录范围，为信息安全审计提供更有价值、更具针对性的数据。
2.2.3信息安全审计流程。通过指派权限，设备管理员能够更为直观和真实地了解对应设备的操作过程。如果在这一过程中出现了故障，可以对应地分析和查找问题，找到解决问题的途径。此外，网络信息系统的类别较多，以不同平台或者中间件定制开发的系统也不尽相同。在这种情况下，就需要以信息手册为蓝本，在与开发人员进行沟通之后，确定开放日志接口，并将其纳入到网络信息安全审计的范畴。
3网络信息安全审计监控系统的设计与应用
3.1网络信息安全审计系统的运行设计
当前，网络信息安全审计系统经常使用两个端口，其主要任务便是对联入局域网系统的核心部位交换机与服务器进行数据和信息交换。而为了更好地收集与存放信息安全审计数据，无论是系统日志还是安全审计系统的安全管控中心，都要设在同一服务器之上。这样一来，基于网络的信息安全审计系统就能够在搜集安全审计系统内部数据的同时，按照要求从相关子系统模块中获取数据，以保证各个系统内的信息实现共享，提高信息安全审计的效率。
3.2网络信息安全审计系统的实现
网络信息安全审计系统不但是一个能够帮助企业完成内部经济管理与效益控制的系统，社会组织还能借助网络安全监控体系，实现对网络操作对象的实时监控，保证网络操作中相关文件与数据的安全。这一审计系统的工作原理为：①借助网络文件监控能够实现消息的安全传递，借助标签维护可实现对安全标签的及时、正确处理；②借助多线程技术，构建网络信息安全监控系统的驱动程序消息控制模块，实现对驱动程序的全程监视，并保证信息接收与发送过程处在安全保护之中；③借助系统程序中的文件对用户进程中的相关文件操作予以过滤、监视和拦截，以保证网络数据访问处在全面审核与严格控制之中，使网络环境中文件的安全得到保障。
3.3网络信息安全审计系统的实际应用
通常而言，网络信息安全审计系统的实际应用需要在动态管理的状态下进行。只有这样，才能在投入使用之后，完全、精准地记录用户的网上操作行为，也能对数据库服务器的运行予以全面监控。比如，一旦企业员工通过“合法手段”对业务系统的安全性造成了威胁，那么这类“非法操作”等网络行为就会被记录和禁止。这是因为用户的相关行为能够映射到网络信息安全审计系统之中，管理者能够借此对用户信息和相关操作进行快速定位，在极短的时间内就能够查出事故责任人，为信息安全运行和非法行为的处置都提供极大便利。此外，基于先进技术建立起来的网络信息安全审计系统，还可以在全局层面上监视网络安全状况，对出现的任何问题都能够予以有效把控，对那些可能造成企业重大变故或者机密、核心信息的外泄行为，能够借助网络信息实时动态监控系统做出积极反应。
参考文献：
［1］付晓坤.网络安全审计技术的运用［J］.中国水运，2013（9）：50-51.
［2］张文颖.探讨网络安全中安全审计与监控系统的设计与实现［J］.电脑知识与技术，2013（16）：37-38.
［3］伍闽敏.建设企业计算机网络安全审计系统的必要性及其技术要求［J］.信息安全与技术，2011（12）：34-36.
模式。
关键词： 网络安全 数据库 审计技术
随着科技信息化技术的迅速发展，各类网络应用系统也融入日常工作生活中，网络作为各项网络应用的基础凸显出其重要性，网络安全管理是保障网络正常运行的重要工作，在网络安全管理中除了通过设备和配置实现安全防护，对于各种操作行为的安全审计不可忽视，合理运用网络安全审计技术相当于为网络开启“监视系统”，不仅能实现实时监控，对出现的高风险行为及时警示提醒，同时完成设定时间段内的操作行为存档以备分析取证，更重要的是系统中积累的历史数据通过统计和分析，能够为管理者提供真实准确的网络健康报告，为未来建设规划提供依据，在长航局网络建设中运用到网络安全审计技术。
网络安全审计技术概况
在国家出台的信息安全等级保护标准中对网络安全审计提出明确要求，包括对网络设备、安全设备、服务器、应用系统、数据库系统以及相关设备进行安全审计。网络安全审计技术主要可分为日志审计、网络审计和主机审计，通过启用硬件设备和软件系统的日志接口，获取系统广播的日志信息；对于核心网络设备，通过旁路模式开启数据镜像端口或直接串联在网络中，获取网络数据包进行解析；对于用户行为审计可通过安装客户端，直接获取用户行为信息。
在实际使用中，根据网络管理需要运用相应手段获取必要的审计信息，在长航局网络管理中对网络设备、安全设备、重要服务器、重要应用系统、重要数据库系统的安全审计是重点，未采取安装客户端方式获取用户行为信息。
网络安全审计技术实际运用
在长航局网络中网络安全审计主要包括：网络设备日志和操作过程记录、安全设备日志和操作过程记录、重要服务器日志、重要应用系统日志及操作痕迹、重要数据库系统日志及操作痕迹。
1、网络设备和安全设备安全审计
网络设备主要包括出口路由器、核心交换机、汇聚交换机和接入交换机，除部分接入交换机外，大部分网络设备属于可管理网络设备，进入网络设备配置模式，配置只读权限用户，启用SNMP功能，不同厂商设备略有不同。将需要管理的网络设备添加到网络中安全审计系统中，就可以获取到网络设备发送的SNMP数据包，安全审计系统会对收到的数据包按照事件等级进行分类，以便查询。
网络安全设备种类较多，如防火墙、入侵防护设备、防病毒网关、VPN设备、行为管理设备、流量控制设备等，根据各个厂商设备的设置，开启对应的SNMP功能，添加到网络中安全审计系统中操作和网络设备类似，需要注意的是串联在网络中的设备应设置允许SNMP数据包通过。安全设备通过安全策略和监控功能实现对网络安全保障，其监控信息实时更新，数据量较大，应根据需求确定需要记录的监控信息。
部分安全审计系统能够通过其登录管理网络设备和安全设备，并且记录下用户的操作痕迹，通过指派权限，设备管理员对对应设备的操作能够直观的展现出现，以便出现故障时分析查找问题。
2、服务器、应用系统及数据库安全审计
服务器由于硬件类别不同（如小型机、PC服务器、刀片服务器），安装的操作系统不同（如Windows、Linux），用途不同（如单机、集群、服务器虚拟化），开启SNMP功能方式有所不同，应根据具体情况进行操作。开启SNMP功能的服务器按照安全审计系统对于类别登记并纳入管理。
应用系统类别也比较多，基于不同平台、中间件定制开发的系统各不相同，应按照其提供的手册或通过开发人员沟通，开放日志接口，纳入安全审计系统管理。
数据库主要分为Orcale、MSSQL、DB2等几类，有统一规范的操作方法，按照对应数据库类别的操作方法，将其纳入安全审计系统，实现对数据库查询、读写、会话情况的记录和审计。
对服务器、应用系统、数据库的操作行为安全审计一般通过设置所在网络设备数据镜像接口方式实现。同样，部分安全审计系统能够通过远程登录方式去管理服务器及应用系统、数据库系统，记录下用户的操作痕迹，通过指派权限，设备管理员对对应被管理对象的操作能够直观的展现出现，以便出现故障时分析查找问题。
3、安全审计设备管理
按照网络结构特点，安全审计设备（系统）部署到合适的位置，数量有可能是一台或多台，超过一台时应根据其特点进行功能分工，接入方式以旁路为主。配置好网络后，登录管理安全审计设备，除添加各个被管理对象外，应对各类事件按照重要程度定义好级别或阀值，设置报警相关配置，定义好报表模板和报送方式，形成周期性报表以便保存和分析用。对于审计设备自身管理也应严格权限，按照管理需要分配不同类别管理权限，同时按照设备存储空间设置合理记录保存周期，或定期导出存储的记录。
网络安全审计参考模式
综合网络安全审计技术在实际中的运用方式方法，可以列出网络安全审计的使用参考模式，如图1所示。
对网络设备、安全设备、服务器、应用系统、数据库系统等相关对象可以通过开启日志功能管理。
通过获取网络数据包，可以深入记录分析更多行为操作。
对网络安全设备的分权限管理实现事件定级、分类、报警、形成统计分析报表。
图1
