BP神經(jīng)網(wǎng)絡基本原理

2.1 BP神經(jīng)網(wǎng)絡基本原理

BP網(wǎng)絡模型處理信息的基本原理是：輸入信號Xi通過中間節(jié)點（隱層點）作用于輸出節(jié)點，經(jīng)過非線形變換，產(chǎn)生輸出信號Yk，網(wǎng)絡訓練的每個樣本包括輸入向量X和期望輸出量t，網(wǎng)絡輸出值Y與期望輸出值t之間的偏差，通過調(diào)整輸入節(jié)點與隱層節(jié)點的聯(lián)接強度取值Wij和隱層節(jié)點與輸出節(jié)點之間的聯(lián)接強度Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過反復學習訓練，確定與最小誤差相對應的網(wǎng)絡參數(shù)（權值和閾值），訓練即告停止。此時經(jīng)過訓練的神經(jīng)網(wǎng)絡即能對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息。

2.2 BP神經(jīng)網(wǎng)絡模型

BP網(wǎng)絡模型包括其輸入輸出模型、作用函數(shù)模型、誤差計算模型和自學習模型。

（1）節(jié)點輸出模型

隱節(jié)點輸出模型：Oj=f(∑Wij×Xi-qj)    (1)

輸出節(jié)點輸出模型：Yk=f(∑Tjk×Oj-qk) (2)

f-非線形作用函數(shù)；q-神經(jīng)單元閾值。
 

圖1 典型BP網(wǎng)絡結構模型

（2）作用函數(shù)模型

作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，一般取為(0,1)內(nèi)連續(xù)取值Sigmoid函數(shù)：                        f(x)=1/(1+e-x)                  （3）

（3）誤差計算模型

誤差計算模型是反映神經(jīng)網(wǎng)絡期望輸出與計算輸出之間誤差大小的函數(shù)：

Ep=1/2×∑(tpi-Opi)2                (4)

tpi- i節(jié)點的期望輸出值；Opi-i節(jié)點計算輸出值。

（4）自學習模型

神經(jīng)網(wǎng)絡的學習過程，即連接下層節(jié)點和上層節(jié)點之間的權重拒陣Wij的設定和誤差修正過程。BP網(wǎng)絡有師學習方式-需要設定期望值和無師學習方式-只需輸入模式之分。自學習模型為

△Wij(n+1)=h×Фi×Oj+a×△Wij(n)（5）

h-學習因子；Фi-輸出節(jié)點i的計算誤差；Oj-輸出節(jié)點j的計算輸出；a-動量因子。

2.3 BP網(wǎng)絡模型的缺陷分析及優(yōu)化策略

（1）學習因子h的優(yōu)化

采用變步長法根據(jù)輸出誤差大小自動調(diào)整學習因子，來減少迭代次數(shù)和加快收斂速度。

h=h+a×(Ep(n)- Ep(n-1))/ Ep(n)a為調(diào)整步長，0~1之間取值（6）

（2）隱層節(jié)點數(shù)的優(yōu)化

隱節(jié)點數(shù)的多少對網(wǎng)絡性能的影響較大，當隱節(jié)點數(shù)太多時，會導致網(wǎng)絡學習時間過長，甚至不能收斂；而當隱節(jié)點數(shù)過小時，網(wǎng)絡的容錯能力差。利用逐步回歸分析法并進行參數(shù)的顯著性檢驗來動態(tài)刪除一些線形相關的隱節(jié)點，節(jié)點刪除標準：當由該節(jié)點出發(fā)指向下一層節(jié)點的所有權值和閾值均落于死區(qū)（通常取±0.1、±0.05等區(qū)間）之中，則該節(jié)點可刪除。最佳隱節(jié)點數(shù)L可參考下面公式計算：

L=(m+n)1/2+c (7)

m-輸入節(jié)點數(shù)；n-輸出節(jié)點數(shù)；c-介于1～10的常數(shù)。

（3）輸入和輸出神經(jīng)元的確定

利用多元回歸分析法對神經(jīng)網(wǎng)絡的輸入?yún)?shù)進行處理，刪除相關性強的輸入?yún)?shù)，來減少輸入節(jié)點數(shù)。

（4）算法優(yōu)化

由于BP算法采用的是剃度下降法，因而易陷于局部最小并且訓練時間較長。用基于生物免疫機制地既能全局搜索又能避免未成熟收斂的免疫遺傳算法IGA取代傳統(tǒng)BP算法來克服此缺點。

3.優(yōu)化BP神經(jīng)網(wǎng)絡在系統(tǒng)安全評價中的應用

系統(tǒng)安全評價包括系統(tǒng)固有危險性評價、系統(tǒng)安全管理現(xiàn)狀評價和系統(tǒng)現(xiàn)實危險性評價三方面內(nèi)容。其中固有危險性評價指標有物質(zhì)火災爆炸危險性、工藝危險性、設備裝置危險性、環(huán)境危險性以及人的不可靠性。

3.1 基于優(yōu)化BP神經(jīng)網(wǎng)絡的系統(tǒng)安全評價模型

圖-2基于優(yōu)化BP神經(jīng)網(wǎng)絡的系統(tǒng)安全評價模型

3.2 BP神經(jīng)網(wǎng)絡在系統(tǒng)安全評價中的應用實現(xiàn)

（1）確定網(wǎng)絡的拓撲結構，包括中間隱層的層數(shù)，輸入層、輸出層和隱層的節(jié)點數(shù)。

（2）確定被評價系統(tǒng)的指標體系包括特征參數(shù)和狀態(tài)參數(shù)

運用神經(jīng)網(wǎng)絡進行安全評價時，首先必須確定評價系統(tǒng)的內(nèi)部構成和外部環(huán)境，確定能夠正確反映被評價對象安全狀態(tài)的主要特征參數(shù)（輸入節(jié)點數(shù)，各節(jié)點實際含義及其表達形式等），以及這些參數(shù)下系統(tǒng)的狀態(tài)（輸出節(jié)點數(shù)，各節(jié)點實際含義及其表達方式等）。

（3）選擇學習樣本，供神經(jīng)網(wǎng)絡學習

選取多組對應系統(tǒng)不同狀態(tài)參數(shù)值時的特征參數(shù)值作為學習樣本，供網(wǎng)絡系統(tǒng)學習。這些樣本應盡可能地反映各種安全狀態(tài)。其中對系統(tǒng)特征參數(shù)進行(-∞,∞)區(qū)間地預處理，對系統(tǒng)參數(shù)應進行(0,1)區(qū)間地預處理。神經(jīng)網(wǎng)絡的學習過程即根據(jù)樣本確定網(wǎng)絡的聯(lián)接權值和誤差反復修正的過程。

（4）確定作用函數(shù)，通常選擇非線形S型函數(shù)

(5)建立系統(tǒng)安全評價知識庫

通過網(wǎng)絡學習確認的網(wǎng)絡結構包括：輸入、輸出和隱節(jié)點數(shù)以及反映其間關聯(lián)度的網(wǎng)絡權值的組合；即為具有推理機制的被評價系統(tǒng)的安全評價知識庫。

(6)進行實際系統(tǒng)的安全評價

經(jīng)過訓練的神經(jīng)網(wǎng)絡將實際評價系統(tǒng)的特征值轉(zhuǎn)換后輸入到已具有推理功能的神經(jīng)網(wǎng)絡中，運用系統(tǒng)安全評價知識庫處理后得到評價實際系統(tǒng)的安全狀態(tài)的評價結果。實際系統(tǒng)的評價結果又作為新的學習樣本輸入神經(jīng)網(wǎng)絡，使系統(tǒng)安全評價知識庫進一步充實。

3.3 BP神經(jīng)網(wǎng)絡理論應用于系統(tǒng)安全評價中的優(yōu)點

（1）利用神經(jīng)網(wǎng)絡并行結構和并行處理的特征，通過適當選擇評價項目，能克服安全評價的片面性，可以全面評價系統(tǒng)的安全狀況和多因數(shù)共同作用下的安全狀態(tài)。

（2）運用神經(jīng)網(wǎng)絡知識存儲和自適應特征，通過適應補充學習樣本，可以實現(xiàn)歷史經(jīng)驗與新知識完滿結合，在發(fā)展過程中動態(tài)地評價系統(tǒng)的安全狀態(tài)。

（3）利用神經(jīng)網(wǎng)絡理論的容錯特征，通過選取適當?shù)淖饔煤瘮?shù)和數(shù)據(jù)結構，可以處理各種非數(shù)值性指標，實現(xiàn)對系統(tǒng)安全狀態(tài)的模糊評價。