神經(jīng)網(wǎng)絡(luò)技術(shù)全文(5篇)

摘要：隨著計算機網(wǎng)絡(luò)、信息技術(shù)、自動化技術(shù)的進步，極大的改變了我們的生活。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是一種全新的控制技術(shù)，通過互聯(lián)網(wǎng)進行動態(tài)模擬，從而建立一種新的控制互聯(lián)網(wǎng)的系統(tǒng)。經(jīng)過十幾年的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)研究取得了巨大的進步，已經(jīng)廣泛應(yīng)用在社會各個領(lǐng)域，使現(xiàn)代計算機中的難題得到了解決。本文主要從人工神經(jīng)網(wǎng)絡(luò)技術(shù)的概念出發(fā)，探討了它在現(xiàn)代社會領(lǐng)域的具體應(yīng)用。

【關(guān)鍵詞】人工神經(jīng)網(wǎng)絡(luò) 信息技術(shù) 發(fā)展趨勢

人工神經(jīng)網(wǎng)絡(luò)技術(shù)在處理實際問題主要包括兩個過程，一個是學(xué)習(xí)訓(xùn)練過程，另外一個是記憶聯(lián)想過程。近年來隨著人工網(wǎng)絡(luò)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在信號處理、圖像處理、智能識別等領(lǐng)域已經(jīng)取得了巨大的改變，為人們研究各類科學(xué)問題提供了一種新的方法和手段，使人們在交通運輸、人工智能、軍事、信息領(lǐng)域的工作更加便捷，近年來隨著AI的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)得到了快速的發(fā)展階段。

1人工神經(jīng)網(wǎng)絡(luò)技術(shù)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)也稱ANN，是隨著上個世紀八十年代人工智能發(fā)展興起的一個研究熱點，它的主要工作原理對人腦神經(jīng)網(wǎng)絡(luò)進行抽象處理，并仿造人腦神經(jīng)網(wǎng)絡(luò)建立簡單的模型，按照不同的連接方式組成一個完整的網(wǎng)絡(luò)，因此學(xué)術(shù)界也直接將它成為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)其實就是一種運算模型，它是通過大量的節(jié)點——神經(jīng)元連接起來的，其中不同的節(jié)點所代表的輸出函數(shù)也不同，也就是所謂的激勵函數(shù)；當(dāng)有兩個節(jié)點連接起來時稱之為通過該連接信號的加權(quán)值，也稱為權(quán)重，這就相當(dāng)人腦神經(jīng)網(wǎng)絡(luò)記憶。人工神經(jīng)網(wǎng)絡(luò)技術(shù)是采用并行分布式系統(tǒng)，這種工作機理與傳統(tǒng)的信息處理技術(shù)和人工智能技術(shù)完全不同，是一種全新的技術(shù)，它克服了傳統(tǒng)基于邏輯符號的人工智能處理非結(jié)構(gòu)信息化和直覺方面的缺陷，具有實時學(xué)習(xí)、自適應(yīng)性和自組織性等特點。

2人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用分析

隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，它在模式識別、知識工程、信號處理、專家系統(tǒng)、機器人控制等方面的應(yīng)用較廣。

［摘要］波動率是對特定證券或市場指數(shù)收益分散度的統(tǒng)計量度，可以通過使用證券或市場指數(shù)收益率之間的標準偏差或方差來衡量。通常，波動率越高，風(fēng)險越高。文章運用神經(jīng)網(wǎng)絡(luò)模型對美國標普500指數(shù)2016年的波動率進行了預(yù)測，并得到了優(yōu)于傳統(tǒng)模型的預(yù)測結(jié)果。

［關(guān)鍵詞］神經(jīng)網(wǎng)絡(luò)技術(shù);標普500指數(shù);波動率;預(yù)測

波動率是對特定證券或市場指數(shù)的收益分散度的統(tǒng)計量度，可以通過使用證券或市場指數(shù)收益率之間的標準偏差或方差來衡量。通常，波動率越高，風(fēng)險越高。用來計算波動率的傳統(tǒng)方法包括Black－Scholes模型和GARCH族模型。這些傳統(tǒng)方法難以捕捉金融市場時間序列數(shù)據(jù)等數(shù)據(jù)集的不連續(xù)性，非線性和高度復(fù)雜性。隨著計算機科學(xué)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)技術(shù)提供了足夠的學(xué)習(xí)能力，更有可能捕捉到金融市場中復(fù)雜的非線性模型。該技術(shù)已經(jīng)在金融預(yù)測研究中取得了一些成果。Baba和Kozaki(1992)開發(fā)了一個神經(jīng)網(wǎng)絡(luò)系統(tǒng)用于預(yù)測日本股市的價格，并將改進BP算法與隨機優(yōu)化方法相結(jié)合的混合算法用于神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練。

1建模

本文使用神經(jīng)網(wǎng)絡(luò)技術(shù)建立了一個可以預(yù)測標普500指數(shù)波動率的模型?？紤]到較長時間的交易包含了更多的信息以及實證研究的需要，本文選取的樣本范圍從2005年1月到2016年12月。為了比較不同模型的預(yù)測精度，以均方誤差(MSE)作為評價標準，即預(yù)測波動率與實際波動率之間的偏差平方的平均值。反向傳播(BP)算法也稱為誤差反向傳播算法，是人工神經(jīng)網(wǎng)絡(luò)中的監(jiān)督學(xué)習(xí)算法。BP神經(jīng)網(wǎng)絡(luò)算法理論上可以近似于任何函數(shù)。其基本結(jié)構(gòu)由非線性變元組成，具有較強的非線性映射能力。而且，網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)量、網(wǎng)絡(luò)學(xué)習(xí)系數(shù)可根據(jù)具體情況進行設(shè)置，靈活性大。輸入變量的選擇是一個建模決策，可以大大影響網(wǎng)絡(luò)性能。本文的變量選擇思路如下:波動率有聚集現(xiàn)象，可以證明波動存在自相關(guān)，所以歷史波動率可以作為輸入變量來預(yù)測t+1的波動率。Boller-slev(2011)從幾個宏觀金融變量(市場波動率本身和市場的市盈率等)中發(fā)現(xiàn)了波動率風(fēng)險溢價的顯著影響。因此，市盈率將被用作預(yù)測t+1波動率的輸入變量。Fama和French(1988)發(fā)現(xiàn)，股票價格的一個緩慢的均值回歸的趨勢往往會導(dǎo)致回報的負相關(guān)性。Darrat和Zhong(2003)根據(jù)順序信息得到假設(shè)，發(fā)現(xiàn)了道瓊斯指數(shù)中的股票交易量和波動率之間存在顯著的關(guān)系?；谏鲜鲈?，2005年至2015年標普500指數(shù)的歷史波動率(滯后項)、市盈率、30日均價、交易量和一些基本信息(包括日收益率和收盤價)被選擇作為輸入變量。從這些數(shù)據(jù)中學(xué)習(xí)訓(xùn)練之后，BP神經(jīng)網(wǎng)絡(luò)將用于預(yù)測2016年標普500指數(shù)的波動率。我們使用MATLAB來建立這個BP神經(jīng)網(wǎng)絡(luò)。將2736個樣本隨機分為3組:有70%的樣本用于訓(xùn)練網(wǎng)絡(luò)。這些樣本在訓(xùn)練期間提交給網(wǎng)絡(luò)。然后根據(jù)誤差對神經(jīng)網(wǎng)絡(luò)進行調(diào)整以優(yōu)化自身。有15%的樣本用于驗證并停止訓(xùn)練。有15%的樣本用于測試，提供了訓(xùn)練期間和訓(xùn)練后的網(wǎng)絡(luò)性能的獨立測量。這種方法被稱為交叉驗證，這是一種模型驗證技術(shù)，用于評估統(tǒng)計分析結(jié)果和模型的過擬合程度。對于網(wǎng)絡(luò)的層數(shù)，很多學(xué)者做了理論研究。Lippmann(1987)提出具有兩個隱層的神經(jīng)網(wǎng)絡(luò)可以解決任何形式的分類問題。之后，Hetcht－Nielsen(1989)從理論上證明，任何閉區(qū)間的連續(xù)函數(shù)都可以用一個帶有隱含層的BP網(wǎng)絡(luò)來逼近。該理論可以作為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計的基本原則。實際上，增加層數(shù)的目的是找到輸入、輸出變量之間的關(guān)系，以減少誤差，提高學(xué)習(xí)的準確性;另外，層數(shù)增加使得網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，從而增加了網(wǎng)絡(luò)訓(xùn)練時間。因此，通常的做法是通過設(shè)置隱藏的神經(jīng)元的數(shù)量來調(diào)整誤差。隱藏層神經(jīng)元的數(shù)量對解決問題有很大的影響。有些書籍和文章提供了選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的“經(jīng)驗法則”。例如，Blum(1992)提供的經(jīng)驗法則是隱藏層的大小應(yīng)該在輸入層和輸出層之間。Berry和Linoff(1997)給出的另一個經(jīng)驗法則是，它不能超過輸入層的兩倍。王小川等人(2013)提出了以下公式來幫助選擇隱藏神經(jīng)元的數(shù)量:Nhid＜Nin－1Nhid＜Nin+N槡out+a(0＜a＜10)Nhid=log2Nin我們測試了具有不同數(shù)目隱藏層的神經(jīng)網(wǎng)絡(luò)，從3到10。樣本內(nèi)的測試結(jié)果表明，有4個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)具有最好的結(jié)果。而通過對樣本外數(shù)據(jù)即2016年標普500指數(shù)波動率的驗證可以發(fā)現(xiàn)，4神經(jīng)元網(wǎng)絡(luò)在MSE和R評估標準中優(yōu)于其他模型，這進一步證實了本文的實驗結(jié)果。

2預(yù)測結(jié)果分析

使用BP神經(jīng)網(wǎng)絡(luò)進行波動率預(yù)測得到的均方誤差(MSE)為4.291E－5，遠小于同期數(shù)據(jù)計算得到的隱含波動率和GARCH模型計算得到的波動率的均方誤差。將其與已實現(xiàn)的波動率進行比較可以發(fā)現(xiàn)，即使市場出現(xiàn)一些突然的變化或沖擊，神經(jīng)網(wǎng)絡(luò)的波動率仍然接近實現(xiàn)的波動率，這表明神經(jīng)網(wǎng)絡(luò)在t+1波動率預(yù)測方面具有優(yōu)越性。但是，這項研究還有一些局限性可以進一步改進。首先，本研究的波動率預(yù)測是基于每日數(shù)據(jù)來預(yù)測t+1的波動率。神經(jīng)網(wǎng)絡(luò)模型在不同時期的波動率預(yù)測中是否存在優(yōu)勢還有待研究。其次，需要優(yōu)化神經(jīng)網(wǎng)絡(luò)的輸入變量。在這項研究中，選擇市盈率、交易量、歷史波動率、30天平均價格，收盤價格和每日收益率作為輸入變量。事實上，還有很多其他的與市場波動有關(guān)的變量，比如投資者情緒，利率變化等，所以輸入變量的優(yōu)化可以提高神經(jīng)網(wǎng)絡(luò)的預(yù)測能力。最后，本研究的對象是2005年至2016年標普500指數(shù)的數(shù)據(jù)，因此，其他市場或其他時間的波動率還有待進一步研究。但可以預(yù)見，不同市場的情況會有很大的不同，甚至根本不同。如果標的資產(chǎn)流動性差或交易量過小，神經(jīng)網(wǎng)絡(luò)模型很難獲得足夠的數(shù)據(jù)進行訓(xùn)練。它的預(yù)測能力可能會被嚴重降低。

1神經(jīng)網(wǎng)絡(luò)損傷診斷的兩級識別策略

基神經(jīng)于網(wǎng)絡(luò)判別指標過濾方法的兩級識別策略，具有物理意義清晰，定量、定性的特點。應(yīng)用于結(jié)構(gòu)的損傷診斷，可以有效解決結(jié)構(gòu)不適定性、非線性帶來的評估誤差及精度問題。

1.1自適應(yīng)神經(jīng)網(wǎng)絡(luò)(Auto2associateNeuralNetwork)

自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法基于無損傷結(jié)構(gòu)在正常服役條件下的實測響應(yīng)數(shù)據(jù)（某個動力特性參數(shù)、或多個動力特性參數(shù)）作為訓(xùn)練對象（人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)X、Y），依次構(gòu)造一個自相關(guān)的神經(jīng)網(wǎng)絡(luò)Net=T(X→Y)。訓(xùn)練完成后，循環(huán)迭代輸入數(shù)據(jù)X進入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net，獲得輸出數(shù)據(jù)Yn。通過選取合適的殘差判斷函數(shù)，通過對比數(shù)據(jù)Y和網(wǎng)絡(luò)輸出數(shù)據(jù)Yn的差值向量,采用某種距離測度函數(shù)加以測量形成健康結(jié)構(gòu)的判別指標Vi。當(dāng)結(jié)構(gòu)發(fā)生損傷，實測響應(yīng)數(shù)據(jù)Xd被作為輸入數(shù)據(jù)通過已經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net，由輸入數(shù)據(jù)Xd和輸出數(shù)據(jù)Yd可以計算得到的新的判別指標Vd，并與Vi相比較計算差值構(gòu)建損傷指標Di來判定損傷。當(dāng)Di大于既定殘差函數(shù)時，即判定結(jié)構(gòu)已經(jīng)發(fā)生損傷。

1.2概率神經(jīng)網(wǎng)絡(luò)(ProbabilisticNeuralNetwork,PNN)

自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法構(gòu)建自相關(guān)網(wǎng)絡(luò)Net，將實測響應(yīng)信息迭代計算Di，可以定性判定是否存在損傷，在損傷確定的條件下，可通過概率神經(jīng)網(wǎng)絡(luò)PNN判定損傷的位置、類型。PNN是通過具有無參估計量的已知數(shù)據(jù)集的概率密度函數(shù)來實現(xiàn)貝葉斯決策，將其加在人工神經(jīng)網(wǎng)絡(luò)框架中,接著進行判別未知數(shù)據(jù)最大可能屬于哪個已知數(shù)集，構(gòu)建一個包含損傷類別θ1、θ2….θq…θn集合,基于p維試驗向量X的貝葉斯決策d(X)為d（X）∈θq(hqlqfq（X）)>hklkfk（X），k≠q

（1）hj———分類指標θj的先驗概率。lj———與錯誤分類d(X)埸θj的相關(guān)損失。fj(X)———采用多變量高斯(Gauss)分布函數(shù)的概率密度函數(shù)：fq（X）∈1nq(2π)p/2σpnqi=1Σexp-（X-Xai)T（X-Xai)2σ222

摘要：從闡述中國食品安全監(jiān)管模式經(jīng)歷的幾個重要時期著手，分析了當(dāng)前中國食品安全監(jiān)管存在的不足，指出應(yīng)借鑒美國等發(fā)達國家較為成熟的監(jiān)管策略，將大數(shù)據(jù)相關(guān)技術(shù)應(yīng)用于食品安全監(jiān)管中，使數(shù)據(jù)信息更具時效性和公開性；提出了將BP神經(jīng)網(wǎng)絡(luò)運用于食品檢測數(shù)據(jù)分析中，實現(xiàn)預(yù)測某類食品在之后多個監(jiān)管周期內(nèi)的風(fēng)險系數(shù)，提高對食品安全事故的預(yù)警能力。

關(guān)鍵詞：大數(shù)據(jù)；BP神經(jīng)網(wǎng)絡(luò)；食品安全；監(jiān)管

近年來中國的食品行業(yè)運行狀況得到了空前發(fā)展。2019年上半年，全國規(guī)模以上食品企業(yè)工業(yè)增加值保持穩(wěn)定增長，其中農(nóng)副食品加工業(yè)累計同比增長4．7％，食品制造業(yè)累計同比增長5．5％；全國規(guī)模以上食品工業(yè)企業(yè)營業(yè)收入39311．4億元，同比增長5．0％；利潤總額2710．1億元，同比增長10．0％。在經(jīng)濟效益增長的同時，存在的食品安全問題也逐漸凸顯，受到了公眾的廣泛關(guān)注，國家對于食品安全的監(jiān)管也愈發(fā)深入［1］。中國對于食品安全問題的監(jiān)管一直處于不斷發(fā)展階段，近幾十年來從監(jiān)管模式上也有了一定的革新和突破。但是在如今大數(shù)據(jù)時代背景下，食品信息數(shù)據(jù)越來越龐大，也越來越復(fù)雜，有必要順應(yīng)時代、結(jié)合新型技術(shù)對傳統(tǒng)的食品安全監(jiān)管模式進行優(yōu)化［2］。對于由不同地區(qū)、機構(gòu)采集到的食品信息數(shù)據(jù)，如何進行系統(tǒng)化的匯總和整理，并從數(shù)據(jù)中發(fā)現(xiàn)潛在的安全隱患問題，及時向公眾預(yù)警已非常迫切。目前，在中國乳制品質(zhì)量安全評價中已應(yīng)用了BP神經(jīng)網(wǎng)絡(luò)評價模型，通過訓(xùn)練設(shè)置相應(yīng)的參數(shù)，更客觀地反映中國乳制品質(zhì)量的實際情況［3］。而通過數(shù)據(jù)挖掘和神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行整理和分析，進一步實現(xiàn)信息共享，發(fā)揮計算機的高速運算能力和信息處理能力，對于食品安全的監(jiān)管來說是一個新的突破。因此，文章擬對大數(shù)據(jù)環(huán)境下的食品安全監(jiān)管問題進行分析，旨在為推進中國大數(shù)據(jù)食品安全監(jiān)管模式的理論完善及實踐應(yīng)用提供依據(jù)。

1食品安全監(jiān)管

1．1傳統(tǒng)食品安全監(jiān)管模式

目前對食品安全監(jiān)管最確切的定義是一項國家政府等職能部門對食品生產(chǎn)、加工、流通企業(yè)的食品安全進行監(jiān)督和管理的干預(yù)控制活動，包括對食品生產(chǎn)加工及流通環(huán)節(jié)的日常監(jiān)管、食品質(zhì)量安全市場準入制度的規(guī)范管理，以及對食品生產(chǎn)質(zhì)量不達標等違法行為的查處［4］。隨著時代的變遷，食品安全問題也在不斷更新和演變，中國在食品安全的監(jiān)管方面也經(jīng)歷了幾個典型時期。由圖1可知，中國的食品安全監(jiān)管經(jīng)歷了從無到有、從單一部門到多部門再到單一部門的演變。20世紀90年代，中國進入了多部門同時監(jiān)管食品安全的“九龍治水”時期，此時的監(jiān)管模式較為混亂；2009—2013年，新增了國務(wù)院食品安全委員會，被稱為“九加一”時期；2013—2018年，食品安全監(jiān)管的主要機構(gòu)確定為國家食品藥品監(jiān)督管理總局，與之前相比監(jiān)管力度更強；2018年3月之后，市場監(jiān)督管理局正式成立并由其負責(zé)食品安全的監(jiān)管，消除了以往監(jiān)管模式中各個環(huán)節(jié)存在壁壘的問題。雖然中國食品安全監(jiān)管模式經(jīng)過不斷的完善，在一定程度上控制了中國食品安全事故的發(fā)生狀況，但并未從根本上有效解決食品安全問題。尤其是在信息化的大數(shù)據(jù)時代，食品安全相關(guān)的社會主體數(shù)量大、分布廣，食品安全信息碎片化，這也給傳統(tǒng)的監(jiān)管模式帶來了巨大的困難。目前中國食品安全的監(jiān)管主要依靠政府部門來完成，存在監(jiān)管手段傳統(tǒng)單一的問題，通常是采取人工監(jiān)管和以罰代管的手段，并且人工監(jiān)管成本高、監(jiān)管效率低。

1．2大數(shù)據(jù)下的食品安全監(jiān)管

在社會的不斷發(fā)展過程中，計算機網(wǎng)絡(luò)等發(fā)展迅速，且在實際的工作和生活中得到廣泛的應(yīng)用，網(wǎng)絡(luò)技術(shù)給人們帶來了較大的生活便利，但是也帶來了較大的網(wǎng)絡(luò)安全風(fēng)險，所以在計算機技術(shù)發(fā)展的過程中，計算機網(wǎng)絡(luò)安全受到的風(fēng)險越來越大。當(dāng)前你造成網(wǎng)絡(luò)安全受到威脅的因素有很多，例如漏洞、病毒等等，為了保證計算機網(wǎng)絡(luò)的安全，需要對其網(wǎng)絡(luò)安全進行評價，神經(jīng)網(wǎng)絡(luò)是現(xiàn)階段評估計算機網(wǎng)絡(luò)安全的一種主要方法，為確保計算機網(wǎng)絡(luò)安全性，本研究基于神經(jīng)互聯(lián)網(wǎng)在計算機網(wǎng)絡(luò)安全評價仿真模型中的應(yīng)用等相關(guān)的內(nèi)容進行分析。

1神經(jīng)網(wǎng)絡(luò)與計算機網(wǎng)絡(luò)安全評價分析

隨著科學(xué)技術(shù)的發(fā)展，當(dāng)前計算機技術(shù)和網(wǎng)絡(luò)技術(shù)被廣泛地應(yīng)用，而計算機網(wǎng)絡(luò)安全評價對計算機網(wǎng)絡(luò)管理有重要的作用。而信息化技術(shù)的不斷推廣和應(yīng)用，以及信息技術(shù)在各個領(lǐng)域中的應(yīng)用，使得互聯(lián)網(wǎng)、計算機得到普及，并使得人們的生活方式和工作方式發(fā)生變化。但是在當(dāng)前的社會發(fā)展中，計算機互聯(lián)網(wǎng)等的廣泛應(yīng)用，為人們帶來便利的同時，也為人們帶來了網(wǎng)絡(luò)安全風(fēng)險，而影響計算機安全的因素有很多，為了更好地促進計算機和互聯(lián)網(wǎng)的發(fā)生，需要對計算機網(wǎng)絡(luò)安全進行評價，而對計算機網(wǎng)絡(luò)安全評價的方法，最為廣泛的為神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)技術(shù)的產(chǎn)生，其主要是針對人腦信息處理方式進行研究，利用數(shù)學(xué)知識，對生物神經(jīng)特性進行揭示。將其應(yīng)用在計算機網(wǎng)絡(luò)安全性的評價中，神經(jīng)網(wǎng)絡(luò)可以充分的發(fā)揮其作用，準確地對計算機網(wǎng)絡(luò)安全進行評價，確定計算機網(wǎng)絡(luò)安全隱患的位置和來源等。隨著信息技術(shù)的發(fā)展，以及科技水平的提升，神經(jīng)網(wǎng)絡(luò)技術(shù)不斷的擴展，不斷的深入，其在計算機網(wǎng)絡(luò)安全中的應(yīng)用，有重要的意義和作用，為此受到人們的重視。神經(jīng)網(wǎng)絡(luò)屬于智能系統(tǒng)技術(shù)，在其研究和發(fā)展，模擬動物的神經(jīng)系統(tǒng)，實現(xiàn)對接收到的信息進行處理和分析，并通過神經(jīng)網(wǎng)絡(luò)系統(tǒng)，構(gòu)建各種模型，將神經(jīng)網(wǎng)絡(luò)中的各個節(jié)點之間的關(guān)系模型模擬。同時在神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，還具有自動識別、自學(xué)等功能，可以在對接收的信息完成分析處理之后，自動的在之后的工作中進行應(yīng)用。除此之外，神經(jīng)網(wǎng)絡(luò)還具有儲存功能、自我排憂功能等等，可以幫助使用者迅速地找到解決的方案。計算機網(wǎng)絡(luò)等技術(shù)在使用的過程中，存在著較大的網(wǎng)絡(luò)安全隱患和風(fēng)險，為了確保證計算機、互聯(lián)網(wǎng)使用安全，必須通過互聯(lián)網(wǎng)安全評價系統(tǒng)或技術(shù)，對計算機網(wǎng)絡(luò)的安全等級和存在的風(fēng)險隱患等進行評價，神經(jīng)網(wǎng)絡(luò)就是計算機網(wǎng)絡(luò)安全評價中最常使用的方法之一。通過神經(jīng)網(wǎng)絡(luò)建立計算機網(wǎng)絡(luò)安全評價體系以及模型，實現(xiàn)對其進行的評價。

2計算機網(wǎng)絡(luò)安全評價體系的建立原則以及安全評價原理

2.1計算機網(wǎng)絡(luò)安全評價體系的建立原則

在計算機技術(shù)、網(wǎng)絡(luò)技術(shù)應(yīng)用的過程中，運行的安全性起著關(guān)鍵性的作用，為了保證計算機網(wǎng)絡(luò)運行的安全性，需要對其安全進行監(jiān)測和分析，準確、及時的反饋出計算機網(wǎng)絡(luò)的運行狀態(tài)，便于技術(shù)人員對計算機網(wǎng)絡(luò)運行產(chǎn)生的問題作出正確及時的判斷。建立計算機網(wǎng)絡(luò)安全評價體系，是計算機網(wǎng)絡(luò)安全評價的一個保障，其需要遵守一定的原則，這些原則主要有：第一，準確性。在計算機網(wǎng)絡(luò)安全評價體系建立的過程中，保證安全評價體系具有準確性，進而保證其可以準確、真實地將計算機網(wǎng)絡(luò)安全評價信息呈現(xiàn)出來。第二，簡要性。計算機網(wǎng)絡(luò)系統(tǒng)本身具有復(fù)雜性，為其增加了計算機網(wǎng)絡(luò)安全防護的難度，也增加了計算機網(wǎng)絡(luò)安全風(fēng)險，在實際的工作中，提高計算機網(wǎng)絡(luò)的工作效率和工作質(zhì)量，需要保證計算機網(wǎng)絡(luò)安全評價指標和體系具有象征性和代表性，可以保證評價結(jié)果準確可靠，同時將其工作量減少。第三，完備性。在神經(jīng)網(wǎng)絡(luò)對計算機網(wǎng)絡(luò)的安全性進行評價的過程中，建立的安全評價體系，需要保證其各項監(jiān)測指標的完備，保證安全評價體系的各項指標，對計算機網(wǎng)絡(luò)的各種運行行為都有反應(yīng)，進而保證計算機網(wǎng)絡(luò)安全評價存在可靠性與真實性。在計算機網(wǎng)絡(luò)安全評價期間，可以科學(xué)、有效地進行相關(guān)的評價和選擇。第四，獨立性。計算機網(wǎng)絡(luò)本身是一個復(fù)雜的系統(tǒng)，在對其進行安全評價的過程中，需要保證各項指標的獨立性，減少重復(fù)選擇，進而有效的控制安全評價的工作量。為了保證安全評價的真實性和工作效率，需要選擇具有獨立性和代表性的評價指標進行檢測，最大限度地降低各個指標之間的關(guān)聯(lián)，準確、客觀地將計算機網(wǎng)絡(luò)系統(tǒng)的運行狀態(tài)表現(xiàn)出來。在計算機網(wǎng)絡(luò)的安全評價中，神經(jīng)網(wǎng)絡(luò)發(fā)揮著重要的作用，其較強的適應(yīng)性為計算機網(wǎng)絡(luò)安全評價提供了保障，所以通過神經(jīng)網(wǎng)絡(luò)技術(shù)，創(chuàng)建計算機互聯(lián)網(wǎng)安全評價機制與仿真模型，從而評估計算機網(wǎng)絡(luò)安全性。

2.2評價原理