序論：好文章的創(chuàng)作是一個(gè)不斷探索和完善的過(guò)程，我們?yōu)槟扑]十篇網(wǎng)絡(luò)行為審計(jì)范例，希望它們能助您一臂之力，提升您的閱讀品質(zhì)，帶來(lái)更深刻的閱讀感受。

篇（1）

作者簡(jiǎn)介：鐘陽(yáng)(1982―)，女，滿(mǎn)族，黑龍江哈爾濱人，吉林大學(xué)經(jīng)濟(jì)學(xué)院博士研究生，主要從事國(guó)際金融研究；丁一兵(1973―)，男，湖北武漢人，吉林大學(xué)經(jīng)濟(jì)學(xué)院教授，博士生導(dǎo)師，主要從事世界經(jīng)濟(jì)、國(guó)際金融研究；何彬(1979一)，男，云南昆明人，吉林大學(xué)國(guó)有經(jīng)濟(jì)研究中心博士，主要從事應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)、公共經(jīng)濟(jì)學(xué)研究。

中圖分類(lèi)號(hào)：F821.0

文獻(xiàn)標(biāo)識(shí)碼：A

篇（2）

中圖分類(lèi)號(hào)：TP273文獻(xiàn)標(biāo)識(shí)碼：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

低軌衛(wèi)星在太空飛行的過(guò)程中，承受著來(lái)自星際空間的各種擾動(dòng)［1］，例如，地球、太陽(yáng)、月亮引力的影響，以及大氣阻力、太陽(yáng)輻射和地面反射等非慣性力的影響。然而相對(duì)論的驗(yàn)證、引力波探測(cè)以及地球重力場(chǎng)的測(cè)量等都需要低干擾試驗(yàn)環(huán)境。為了消除非慣性力的影響，文獻(xiàn)［1］提出無(wú)拖曳(drag-free)技術(shù)，設(shè)計(jì)了無(wú)拖曳衛(wèi)星：用一個(gè)質(zhì)量塊置于衛(wèi)星本體內(nèi)部，質(zhì)量塊將不受大氣阻力等外部干擾力的影響，因?yàn)橘|(zhì)量塊不與衛(wèi)星本體接觸，所以幾乎處于自由漂移狀態(tài)，成為理想的寧?kù)o參考源。衛(wèi)星本體保持與質(zhì)量塊之間相互隔離的狀態(tài)，在適當(dāng)傳感器和控制算法條件下，從而保證衛(wèi)星本體實(shí)現(xiàn)較高的寧?kù)o性［1］。

無(wú)拖曳衛(wèi)星控制器不但可以使衛(wèi)星保持穩(wěn)定，而且良好的控制效果有助于航天任務(wù)的完成以及降低對(duì)硬件的要求，所以無(wú)拖曳衛(wèi)星控制器設(shè)計(jì)一直是無(wú)拖曳衛(wèi)星研究的重點(diǎn)。Stephan Theil［2-3］等人考慮了無(wú)拖曳衛(wèi)星控制系統(tǒng)的不確定性，利用分散控制策略設(shè)計(jì)了系統(tǒng)的魯棒控制器。E.Canuto［4-5］等人針對(duì)GOCE衛(wèi)星，建立離散時(shí)間狀態(tài)方程，利用嵌入式模型控制策略設(shè)計(jì)了可調(diào)控制器。文獻(xiàn)［6］基于干擾觀測(cè)模型，設(shè)計(jì)了混合H2/H

SymboleB@

最優(yōu)控制器，并以LMI形式給出了求解控制器的條件并證明了控制器的穩(wěn)定性。文獻(xiàn)［7］針對(duì)衛(wèi)星本體與質(zhì)量塊相對(duì)軌道動(dòng)力學(xué)模型，采用卡爾曼濾波方法對(duì)狀態(tài)和干擾進(jìn)行了估計(jì)，并基于狀態(tài)估計(jì)設(shè)計(jì)了最優(yōu)控制器，有效地抑制了干擾對(duì)系統(tǒng)的影響。文獻(xiàn)［8］基于H2優(yōu)化理論設(shè)計(jì)了最優(yōu)控制器，通過(guò)傳遞函數(shù)法及數(shù)值法雙重分析表明所設(shè)計(jì)的控制器符合控制要求。

在這些已有的控制器設(shè)計(jì)中，大多未考慮系統(tǒng)的非線性環(huán)節(jié)或采用線性化方法，將系統(tǒng)簡(jiǎn)化為線性模型，從而降低了控制器的精度。由于無(wú)拖曳衛(wèi)星控制系統(tǒng)本質(zhì)上是一個(gè)復(fù)雜的非線性系統(tǒng)，本文將直接針對(duì)非線性模型，考慮到系統(tǒng)的非線性特征及未建模動(dòng)態(tài)，利用神經(jīng)網(wǎng)絡(luò)對(duì)函數(shù)的有效逼近能力，對(duì)系統(tǒng)模型中的非線性部分進(jìn)行擬合。首先，本文將無(wú)拖曳衛(wèi)星控制系統(tǒng)根據(jù)控制目標(biāo)劃分為三個(gè)子系統(tǒng)：衛(wèi)星本體與質(zhì)量塊相對(duì)位移子系統(tǒng)，即drag-free子系統(tǒng)；衛(wèi)星本體姿態(tài)子系統(tǒng)；以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)子系統(tǒng)。接著，針對(duì)每個(gè)二階子系統(tǒng)，利用徑向基函數(shù)(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)的非線性部分進(jìn)行擬合，通過(guò)對(duì)基函數(shù)中心和方差進(jìn)行學(xué)習(xí)，并采用自適應(yīng)反步控制方法，設(shè)計(jì)相應(yīng)控制器，建立神經(jīng)網(wǎng)絡(luò)權(quán)值自適應(yīng)律以及分散自適應(yīng)控制律。仿真結(jié)果驗(yàn)證了所設(shè)計(jì)的控制器的有效性。

計(jì)算技術(shù)與自動(dòng)化2014年6月

第33卷第2期李 季等：低軌無(wú)拖曳衛(wèi)星的自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器設(shè)計(jì)

本文下面內(nèi)容安排如下：第2節(jié)問(wèn)題描述，建立無(wú)拖曳衛(wèi)星的動(dòng)力學(xué)模型；第3節(jié)針對(duì)drag-free控制回路、衛(wèi)星本體姿態(tài)控制回路以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路，分別設(shè)計(jì)控制器，同時(shí)給出了穩(wěn)定性分析；第4節(jié)通過(guò)仿真證明所設(shè)計(jì)的控制器的有效性；第5節(jié)給出結(jié)論與進(jìn)一步的工作。

2 問(wèn)題描述

本文所考慮的低軌無(wú)拖曳衛(wèi)星結(jié)構(gòu)設(shè)計(jì)如下：無(wú)拖曳衛(wèi)星只包含一個(gè)質(zhì)量塊，且形狀為立方體，衛(wèi)星內(nèi)腔壁上的位置敏感器能夠測(cè)量衛(wèi)星本體和質(zhì)量塊的相對(duì)位置。這里采用靜電位置懸浮及測(cè)量系統(tǒng)EPS(Electrostatic Positioning/Measurement System) 來(lái)測(cè)量質(zhì)量塊相對(duì)移動(dòng)并對(duì)其施加靜電力和力矩，根據(jù)EPS的測(cè)量結(jié)果，命令推進(jìn)器輸出相應(yīng)的推力，使衛(wèi)星本體跟蹤質(zhì)量塊。推進(jìn)器可以選擇場(chǎng)發(fā)射推進(jìn)器和微膠體推進(jìn)器，它們具有極低的噪聲干擾，而且可以實(shí)現(xiàn)極小的推力，非常適合無(wú)拖曳控制。但在近地環(huán)境中，大氣阻力有時(shí)比較大，尤其在衛(wèi)星的迎風(fēng)面，此時(shí)需要采用推力較大的推進(jìn)器，如離子推進(jìn)器。所以在近地環(huán)境中，無(wú)拖曳控制往往采用了多種推進(jìn)器組合的方式［1,8］。本文將無(wú)拖曳衛(wèi)星控制系統(tǒng)根據(jù)控制目標(biāo)劃分為三個(gè)控制回路：衛(wèi)星本體與質(zhì)量塊相對(duì)位移控制回路，即dragfree控制回路，衛(wèi)星本體姿態(tài)控制回路以及衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路，相關(guān)動(dòng)力學(xué)方程如下［9］：

衛(wèi)星本體與質(zhì)量塊相對(duì)位移動(dòng)力學(xué)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表示衛(wèi)星本體和質(zhì)量塊的相對(duì)位移，rh表示敏感器空腔中心與衛(wèi)星質(zhì)心的距離，mtm表示質(zhì)量塊的質(zhì)量，msc代表衛(wèi)星本體的質(zhì)量，ωsc表示衛(wèi)星本體姿態(tài)角速度，F(xiàn)Gtm、FGsc分別表示衛(wèi)星本體和質(zhì)量塊受到的重力，F(xiàn)Dtm、FDsc分別表示衛(wèi)星本體和質(zhì)量塊受到的非慣性力，F(xiàn)Csc表示衛(wèi)星本體受到的控制力，F(xiàn)SCtm、FTMsc表示衛(wèi)星本體和質(zhì)量塊之間的耦合力。

衛(wèi)星本體姿態(tài)動(dòng)力學(xué)方程：

sc=I－1sc［TCsc+TDsc+TTMsc－ωsc×(Iscωsc)］(2)

其中，ωsc表示衛(wèi)星本體姿態(tài)角速度，Isc表示衛(wèi)星本體的轉(zhuǎn)動(dòng)慣量，TCsc，TDsc，TTMsc分別表示衛(wèi)星本體受到的控制力矩、干擾力矩和耦合力矩。

衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)動(dòng)力學(xué)方程：

rel=tm－ATSsc+ωtm×ATSωsc=

I－1tm［TCtm+TDtm+TSCtm－

(ωrel+ωsc)×(Itm(ωrel+ωsc))］－

ATSsc－ATSωsc×ωrel(3)

其中，ωrel表示衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)角速度，ωtm表示質(zhì)量塊的姿態(tài)角速度，ωsc表示衛(wèi)星本體姿態(tài)角速度，TCtm，TDtm，TSCtm分別表示質(zhì)量塊受到的控制力矩、干擾力矩和耦合力矩，ATS表示從衛(wèi)星本體坐標(biāo)系到質(zhì)量塊本體坐標(biāo)系的旋轉(zhuǎn)矩陣。

通常將質(zhì)量塊和衛(wèi)星間的靜電耦合基本模型看作一個(gè)彈簧―阻尼系統(tǒng)，以質(zhì)量塊為例，在敏感器坐標(biāo)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為衛(wèi)星本體和質(zhì)量塊之間的耦合水平彈性系數(shù)，Dtrans為水平阻尼系數(shù)，Krot為衛(wèi)星本體和質(zhì)量塊之間的耦合旋轉(zhuǎn)彈性系數(shù)，Drot為旋轉(zhuǎn)阻尼系數(shù)。

通過(guò)線性化處理后，得到低軌無(wú)拖曳衛(wèi)星控制系統(tǒng)的動(dòng)力學(xué)簡(jiǎn)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)

系統(tǒng)(6)中，φsc、ωsc分別表示衛(wèi)星本體的姿態(tài)角和姿態(tài)角速度，rrel、vrel分別表示衛(wèi)星本體和質(zhì)量塊的相對(duì)位移和相對(duì)運(yùn)動(dòng)速度，φrel、ωrel分別表示衛(wèi)星本體和質(zhì)量塊的相對(duì)姿態(tài)角和相對(duì)姿態(tài)角速度。本文以歐拉角的形式給出了衛(wèi)星本體和質(zhì)量塊的姿態(tài)。

f1(rrel,vrel)，f2(φsc,ωsc)，f3(φrel,ωrel)為未知光滑函數(shù)，代表系統(tǒng)的非線性特征、未建模動(dòng)態(tài)及未知擾動(dòng)。

注2.1與文獻(xiàn)［9］相比，本文將擾動(dòng)項(xiàng)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，文獻(xiàn)［9］中所研究的模型是本文系統(tǒng)(6)的特例。

上述系統(tǒng)中所涉及的變量均為3維：包含x、y、z三個(gè)坐標(biāo)軸方向。為了清晰地闡述本文的主要思想，以下將僅考慮單個(gè)坐標(biāo)軸方向，并且假設(shè)變量之間以及坐標(biāo)軸之間的交叉耦合量足夠小。

定義x=［x11,x12,x21,x22,x31,x32］T，其中狀態(tài)變量依次代表rrel、vrel、φsc、ωsc、φrel、ωrel。

系統(tǒng)(6)可寫(xiě)成如下三個(gè)子系統(tǒng)：

衛(wèi)星本體與質(zhì)量塊相對(duì)位移子系統(tǒng)，即dragfree子系統(tǒng)：

Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)(7)

衛(wèi)星本體姿態(tài)子系統(tǒng)：

Σ2:21=x2222=c2u2+f2(x21,x22)(8)

衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)子系統(tǒng)：

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)代表系統(tǒng)的不確定性、未建模動(dòng)態(tài)及未知擾動(dòng)。

3 控制器設(shè)計(jì)

3.1 RBF神經(jīng)網(wǎng)絡(luò)

本文的目的是基于Lyapunov穩(wěn)定性理論和自適應(yīng)反步控制，對(duì)無(wú)拖曳衛(wèi)星控制系統(tǒng)的非線性模型進(jìn)行分析，設(shè)計(jì)一種自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器。

人工神經(jīng)網(wǎng)絡(luò)形式多種多樣，RBF神經(jīng)網(wǎng)絡(luò)是其中應(yīng)用較為廣泛的一種，表達(dá)形式如下［10-11］：

Ψ(X)=WTΦ(X) (10)

其中，W=［w1,w2,...,wl］T∈Rl為權(quán)重向量，Φ(x)=［φ1(X),φ2(X),...,φl(shuí)(X)］T為基函數(shù)向量，l為隱含層神經(jīng)元的個(gè)數(shù)，X=［x1,x2,...,xn］代表系統(tǒng)中的狀態(tài)變量，并作為網(wǎng)絡(luò)的訓(xùn)練樣本輸入?；瘮?shù)i(X)選擇高斯函數(shù)，表達(dá)式如下：

φi(X)=exp －X－ci22σ2i(11)

其中，ci=［ci1,ci2,...,cin］T是隱含層第i個(gè)徑向基函數(shù)的中心點(diǎn)，n為輸入層向量的維數(shù)，σi是徑向基函數(shù)的寬度。

3.2 dragfree控制回路

3.2.1 控制器設(shè)計(jì)

系統(tǒng)Σ1表示dragfree控制回路：

Σ1:11=x1212=a1x11+b1x12+c1u1+f1(x11,x12)

f1(x11,x12)為未知光滑函數(shù)，由于RBF神經(jīng)網(wǎng)絡(luò)對(duì)于光滑函數(shù)的有效逼近能力，此時(shí)我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：

f1(x11,x12)=WT1Φ1(x11,x12) (12)

定義1為權(quán)值的估計(jì)值，1為權(quán)值的估計(jì)誤差。即：

1=W1－1(13)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f1進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W1的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x11子系統(tǒng)，選擇Lyapunov函數(shù)：

V11(x11)=12x211 (14)

對(duì)V11求導(dǎo)，得：

11=x1111=

x11x12(15)

將x12看成x11子系統(tǒng)的虛擬控制，令：

x12=z12+α11(x11)(16)

其中，z12為引入的新的虛擬控制，α11(x11)滿(mǎn)足α11(0)=0，并選取為：

α11(x11)=－k11x11 (17)

其中，k11＞0為可調(diào)參數(shù)。所以

11=x11(z12+α11(x11))=

－k11x211+x11z12(18)

第二步：考慮系統(tǒng)(x11,x12)，選擇Lyapunov函數(shù)：

V12(x12,x12)=V11(x11)+

12z212+12T1Γ11(19)

其中，Γ1為正定矩陣。

對(duì)V12求導(dǎo)，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)

選取控制量為

u1=1c1(－x11－a1x11－b1x12－T1Φ1－

k11x12－k12z12) (21)

其中，k11＞0，k12＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律1為

•1=z12Γ－T1Φ1=

(x12+k11x11)Γ－T1Φ1(22)

3.2.2 穩(wěn)定性分析

定理 1［12］ 考慮如下非線性系統(tǒng)

=f(x)

且

f(0)0 (23)

若存在具有連續(xù)1階偏導(dǎo)數(shù)的標(biāo)量函數(shù)V(x)，滿(mǎn)足以下條件：

1)V(x)是正定的；

2)(x)=dV(x)/dt是負(fù)定的；

3)當(dāng)x

SymboleB@

時(shí)，V(x)

SymboleB@

。

則在系統(tǒng)原點(diǎn)處的平衡狀態(tài)是大范圍漸近穩(wěn)定的。

通過(guò)上述控制器設(shè)計(jì)，由式(19)，顯然V12是正定的，又12=－k11x211－k12z212，由于k11，k12為大于零的可調(diào)參數(shù)，所以12是負(fù)定的，當(dāng)x11

SymboleB@

，z12

SymboleB@

時(shí)，V12

SymboleB@

，所以x11，z12在平衡狀態(tài)是大范圍漸近穩(wěn)定的。又由式(16)和式(17)可知，當(dāng)t

SymboleB@

，x110，z120時(shí)，有x120，所以x11，x12在平衡狀態(tài)是大范圍漸近穩(wěn)定的。

3.3 姿態(tài)控制回路

3.3.1 衛(wèi)星本體姿態(tài)控制回路

衛(wèi)星本體姿態(tài)狀態(tài)方程如下：

Σ2:21=x2222=c2u2+f2(x21,x22)

f2(x21,x22)為未知光滑函數(shù)，我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：

f2(x21,x22)=WT2Φ2(x21,x22)(24)

定義2為權(quán)值的估計(jì)值，2為權(quán)值的估計(jì)誤差。即：

2=W2－2(25)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f2進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W2的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x21子系統(tǒng)，選擇Lyapunov函數(shù)：

V21(x21)=12x221(26)

對(duì)V21求導(dǎo)，得：

21=x2121=x21x22(27)

將x22看成x21子系統(tǒng)的虛擬控制，令：

x22=z22+α21(x21)(28)

其中，z22為引入的新的虛擬控制，α21(x21)滿(mǎn)足α21(0)=0，并選取為：

α21(x21)=－k21x21(29)

其中，k21＞0為可調(diào)參數(shù)。所以

21=x21(z22+α21(x21))=－k21x221+x21z22(30)

第二步：考慮系統(tǒng)(x21,x22)，選擇Lyapunov函數(shù)：

V22(x21,x22)=V21(x21)+

12z222+12T2Γ22(31)

其中，Γ2為正定矩陣。

對(duì)V22求導(dǎo)，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)

選取控制量為

u2=1c2(－x21－T2Φ2－

k21x22－k22z22) (33)

其中，k21＞0，k22＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律2為

•2=z22Γ－T2Φ2=(x22+k21x21)Γ－T2Φ2 (34)

3.3.2 衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)控制回路

衛(wèi)星本體與質(zhì)量塊相對(duì)姿態(tài)狀態(tài)方程如下：

Σ3:31=x3232=a2x31+b2x32－c2u2+c3u3+f3(x31,x32)

f3(x31,x32)為未知光滑函數(shù)，我們采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行擬合，表達(dá)式如下：

f3(x31,x32)=WT3Φ3(x31,x32) (35)

定義3為權(quán)值的估計(jì)值，3為權(quán)值的估計(jì)誤差。即：

3=W3－3(36)

本節(jié)將采用RBF神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)f3進(jìn)行擬合，結(jié)合自適應(yīng)反步控制，建立權(quán)重W3的自適應(yīng)律，通過(guò)調(diào)節(jié)權(quán)重，可以達(dá)到系統(tǒng)自適應(yīng)控制的目的。

第一步：考慮x31子系統(tǒng)，選擇Lyapunov函數(shù)：

V31(x31)=12x231 (37)

對(duì)V31求導(dǎo)，得：

31=x3131=x31x32(38)

將x32看成x31子系統(tǒng)的虛擬控制，令：

x32=z32+α31(x31)(39)

其中，z32為引入的新的虛擬控制，α31(x31)滿(mǎn)足α31(0)=0，并選取為：

α31(x31)=－k31x31 (40)

其中，k31＞0為可調(diào)參數(shù)。所以

31=x31(z32+α31(x31))=－k31x231+x31z32(41)

第二步：考慮系統(tǒng)(x31,x32)，選擇Lyapunov函數(shù)：

V32(x31,x32)=V31(x31)+

12z232+12T3Γ33(42)

其中，Γ3為正定矩陣。

對(duì)V32求導(dǎo)，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)

選取控制量為

u3=1c3(－x31－a2x31－b2x32+c2u2－

T3Φ3－k31x32－k32z32)(44)

其中，k31＞0，k32＞0為可調(diào)參數(shù)。

權(quán)值自適應(yīng)律3為

•3=z32Γ－T3Φ3=(x32+k31x31)Γ－T3Φ3(45)

3.3.3 穩(wěn)定性分析

由定理1，對(duì)于子系統(tǒng)Σ2，由式(31)，顯然V22是正定的，又22=－k21x221－k22z222，由于k21，k22為大于零的可調(diào)參數(shù)，所以22是負(fù)定的，當(dāng)x21

SymboleB@

，z22

SymboleB@

時(shí)，V22

SymboleB@

，所以x21，z22在平衡狀態(tài)是大范圍漸近穩(wěn)定的。又由式(28)和式(29)可知，當(dāng)t

SymboleB@

，x210，z220時(shí)，有x220，所以x21，x22在平衡狀態(tài)是大范圍漸近穩(wěn)定的。同理可得，x31，x32在平衡狀態(tài)是大范圍漸近穩(wěn)定的。

4 仿真分析

本節(jié)為了證實(shí)所提出的控制器的有效性，在matlab/simulink環(huán)境下進(jìn)行了仿真驗(yàn)證。

仿真參數(shù)如下［9］：衛(wèi)星本體質(zhì)量為1050 kg，質(zhì)量塊質(zhì)量為1 kg，衛(wèi)星本體和質(zhì)量塊之間的初始相對(duì)距離為rrel=1×10－3m，衛(wèi)星本體和質(zhì)量塊之間的初始相對(duì)姿態(tài)為φrel=1•π/180rad，衛(wèi)星本體和質(zhì)量塊之間的耦合水平彈性系數(shù)Ktrans=1×10－6N/m，水平阻尼系數(shù)Dtrans=1.4×10－11N/m2，衛(wèi)星本體和質(zhì)量塊之間的耦合旋轉(zhuǎn)彈性系數(shù)Krot=1×10－9N•m/rad，旋轉(zhuǎn)阻尼系數(shù)Drot=3.3×10－14N/rad，衛(wèi)星本體的轉(zhuǎn)動(dòng)慣量Isc=200kg•m2，質(zhì)量塊的轉(zhuǎn)動(dòng)慣量Itm=2.667×10－4kg•m2。

仿真結(jié)果如圖1―圖3所示。

圖1 衛(wèi)星本體與質(zhì)量塊的相對(duì)位移

圖2 衛(wèi)星本體的姿態(tài)

從圖1中可以看出，在含有不確定的情況下，通過(guò)設(shè)計(jì)的控制器，衛(wèi)星本體與質(zhì)量塊的相對(duì)位移最終趨于零，說(shuō)明衛(wèi)星本體能夠很好的跟蹤質(zhì)量塊，達(dá)到dragfree控制的要求，并且精度在10－6數(shù)量級(jí)，滿(mǎn)足dragfree控制的精度需求。圖2~圖3給出了衛(wèi)星本體的姿態(tài)以及衛(wèi)星本體與質(zhì)量塊的相對(duì)姿態(tài)及其控制精度，仿真結(jié)果很好的滿(mǎn)足了衛(wèi)星本體與質(zhì)量塊姿態(tài)的一致性。

圖3 衛(wèi)星本體與質(zhì)量塊的相對(duì)姿態(tài)

5 結(jié) 論

本文針對(duì)無(wú)拖曳衛(wèi)星控制系統(tǒng)，考慮到系統(tǒng)的不確定性、未建模動(dòng)態(tài)以及外界的未知擾動(dòng)，采用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行補(bǔ)償，基于Lyapunov 穩(wěn)定性理論，結(jié)合自適應(yīng)反步控制，得到權(quán)值的更新律以及相應(yīng)的控制器。仿真結(jié)果表明，所設(shè)計(jì)的控制器有效地抑制了不確定對(duì)控制系統(tǒng)的影響。

與傳統(tǒng)衛(wèi)星控制系統(tǒng)相比，無(wú)拖曳衛(wèi)星對(duì)控制系統(tǒng)提出了極高的性能指標(biāo)要求，下一步將考慮存在耦合時(shí)，衛(wèi)星模型的建立和控制器的設(shè)計(jì)。

參考文獻(xiàn)

［1］ 施梨，曹喜濱，張錦繡，等. 無(wú)阻力衛(wèi)星發(fā)展現(xiàn)狀［J］. 宇航學(xué)報(bào), 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］ 曹喜濱，施梨，董曉光，等. 基于干擾觀測(cè)的無(wú)阻力衛(wèi)星控制器設(shè)計(jì)［J］.宇航學(xué)報(bào), 2012,33(4):411-418.

［7］ 李傳江，王玉爽，馬廣富，等. 帶卡爾曼估計(jì)器的無(wú)拖曳衛(wèi)星干擾補(bǔ)償控制［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2012,44(7):8-13.

［8］ 李洪銀，胡明. 單測(cè)試質(zhì)量無(wú)拖曳衛(wèi)星無(wú)拖曳及姿態(tài)系統(tǒng)仿真及其控制研究［J］.天文學(xué)報(bào), 2011,52(6):525-536.

［9］ 王玉爽. 無(wú)拖曳衛(wèi)星控制方法研究［D］. 哈爾濱：哈爾濱工業(yè)大學(xué), 2011.

篇（3）

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2014 . 03. 034

[中圖分類(lèi)號(hào)] F272.92 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673 - 0194（2014）03- 0074- 05

人力資源危機(jī)在旅行社行業(yè)吸引人才、培養(yǎng)人才、留住人才的各個(gè)環(huán)節(jié)都有體現(xiàn)，影響旅行社行業(yè)人力資源管理的效果，影響旅行社行業(yè)的穩(wěn)定與發(fā)展。因此，如何對(duì)旅行社行業(yè)人力資源危機(jī)狀況進(jìn)行評(píng)判，進(jìn)而采取應(yīng)對(duì)措施，是當(dāng)前旅行社行業(yè)人力資源管理的一個(gè)迫切任務(wù)。本文引入人工神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)，構(gòu)建河南省旅行社人力資源危機(jī)預(yù)警模型，以期提早應(yīng)對(duì)危機(jī)。

1 BP網(wǎng)絡(luò)簡(jiǎn)介

BP網(wǎng)絡(luò)由一個(gè)輸入層、若干隱含層和一個(gè)輸出層構(gòu)成，是一種具有3層或者3層以上結(jié)構(gòu)的多層神經(jīng)元網(wǎng)絡(luò)，網(wǎng)絡(luò)中的神經(jīng)元分層排列，它的左、右各層之間各個(gè)神經(jīng)元實(shí)現(xiàn)全連接，即左層的每一個(gè)神經(jīng)元與右層的每個(gè)神經(jīng)元都有連接，而上下層各神經(jīng)元之間無(wú)連接。每一層內(nèi)神經(jīng)元的輸出均傳送到下一層，這種傳送由連接權(quán)來(lái)達(dá)到增強(qiáng)、減弱或抑制的作用，除了輸入層的神經(jīng)元以外，隱含層和輸出層神經(jīng)元的凈輸入是前一層神經(jīng)元輸出的加權(quán)和。每個(gè)神經(jīng)元均由它的輸入、活化函數(shù)和閾值來(lái)決定它的活化程度。在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，80%～90%的模型是采用BP網(wǎng)絡(luò)或它的變化形式。BP網(wǎng)絡(luò)可以有多層，但前向三層BP網(wǎng)絡(luò)最具代表性，應(yīng)用也最為廣泛。

2 基于BP網(wǎng)絡(luò)的河南省旅行社人力資源危機(jī)預(yù)警模型的構(gòu)建

2.1 構(gòu)建旅行社人力資源危機(jī)預(yù)警指標(biāo)體系

人力資源危機(jī)預(yù)警指標(biāo)體系由一系列能敏感反映人力資源管理活動(dòng)狀態(tài)和結(jié)果表現(xiàn)的指標(biāo)構(gòu)成。筆者通過(guò)分析河南省旅行社人力資源危機(jī)現(xiàn)狀，遵循靈敏性、科學(xué)性、可測(cè)度性、相對(duì)獨(dú)立性、預(yù)見(jiàn)性和可比性等原則，篩選出獨(dú)立性較強(qiáng)、代表性較強(qiáng)和貢獻(xiàn)性高的最小評(píng)價(jià)指標(biāo)體系，本文借助了專(zhuān)家打分的方法，各指標(biāo)的具體值域范圍見(jiàn)表1。

2.2 建立基于BP網(wǎng)絡(luò)的旅行社人力資源危機(jī)預(yù)警模型

2.2.1 用主成分分析法對(duì)模擬數(shù)據(jù)進(jìn)行預(yù)處理

根據(jù)表1，本文共模擬了8組數(shù)據(jù)（見(jiàn)表2），以建立基于BP網(wǎng)絡(luò)的河南省旅行社人力資源危機(jī)預(yù)警模型。

對(duì)表2中的極小值指標(biāo)（如員工隱性流失率等）先取倒數(shù)，再利用SPSS統(tǒng)計(jì)分析軟件進(jìn)行主成分分析，所得結(jié)果見(jiàn)表3。

本文共提取出6個(gè)公共因子，其特征值的方差貢獻(xiàn)率累積達(dá)到了96.044%（通常情況下，累積貢獻(xiàn)率達(dá)到85%即可）。本文選擇參數(shù)0.65作為劃分主要、次要指標(biāo)的載荷系數(shù)臨界值，以滿(mǎn)足下一步研究的要求。最后得到由10項(xiàng)指標(biāo)構(gòu)成的新的人力資源投資風(fēng)險(xiǎn)預(yù)警評(píng)價(jià)指標(biāo)體系，如表4所示。

2.2.2 BP網(wǎng)絡(luò)模型輸入節(jié)點(diǎn)的選擇

根據(jù) Kolmogorov定理（即映射網(wǎng)絡(luò)存在定理），一個(gè)三層BP網(wǎng)絡(luò)即可在任意希望的精度上實(shí)現(xiàn)任意的連續(xù)函數(shù) 。因此，本研究中采用三層BP網(wǎng)絡(luò)模型。影響旅行社人力資源危機(jī)度的評(píng)價(jià)因子主要有人才引進(jìn)率、招聘引進(jìn)員工勝任度等10個(gè)，因此，可確定BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)為10。

本文選擇上述簡(jiǎn)化后的10項(xiàng)指標(biāo)作為BP模型的輸入節(jié)點(diǎn)。由于BP神經(jīng)網(wǎng)絡(luò)的隱層一般采用Sigmoid轉(zhuǎn)換函數(shù)，為提高訓(xùn)練速度和靈敏性以及有效避開(kāi)Sigmoid函數(shù)的飽和區(qū)，一般要求輸入數(shù)據(jù)的值在0～1之間。因此，需要對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理。

進(jìn)行輸入節(jié)點(diǎn)的輸入時(shí)，需要先對(duì)原始的模擬數(shù)據(jù)進(jìn)行歸一化處理，將它們轉(zhuǎn)化為閉區(qū)間[0，1]上的無(wú)量綱性指標(biāo)值。本著盡可能體現(xiàn)被評(píng)價(jià)對(duì)象之間的差異化原則，即使其離差平方和最大的原則，本文采用了極值處理法進(jìn)行歸一運(yùn)算：

若Mj = max{xij}，mj = min{xij} 則x′ij = ■

式中，xij為原始數(shù)據(jù)，x′ij∈[0，1]為歸一化后的無(wú)量綱性指標(biāo)，其歸一化結(jié)果見(jiàn)表5。

2.2.3 BP網(wǎng)絡(luò)模型隱層節(jié)點(diǎn)的選擇

對(duì)于隱層節(jié)點(diǎn)的選擇是一個(gè)非常復(fù)雜的問(wèn)題，因?yàn)樯窠?jīng)網(wǎng)絡(luò)巨量并行分布的結(jié)構(gòu)和非線性的動(dòng)態(tài)特性決定了從理論上得到一個(gè)簡(jiǎn)單通用的簡(jiǎn)潔解析表達(dá)式或隱層單元確定公式是十分困難的，甚至是不可能的。隱層節(jié)點(diǎn)數(shù)的選擇與問(wèn)題的要求和輸入輸出單元的多少都有直接關(guān)系：如果隱節(jié)點(diǎn)數(shù)過(guò)少，網(wǎng)絡(luò)不強(qiáng)壯，就不能識(shí)別以前沒(méi)有看到的樣本，容錯(cuò)性就差，或由于網(wǎng)絡(luò)太小可能訓(xùn)練不出來(lái)；但隱節(jié)點(diǎn)太多又會(huì)使學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，誤差也不一定最佳。因此，必定存在一個(gè)最佳的隱節(jié)點(diǎn)數(shù)，可用公式q = ■ + a作為參考。其中，q為隱含節(jié)點(diǎn)數(shù)，m為輸入神經(jīng)元數(shù)，n為輸出神經(jīng)元數(shù)，a為1 ～ 10之間的常數(shù)。

為使隱節(jié)點(diǎn)數(shù)更合適，本文將根據(jù)網(wǎng)絡(luò)的實(shí)際輸出與期望輸出矢量的均方誤差大小及訓(xùn)練步數(shù)的多少來(lái)綜合確定，最終隱含節(jié)點(diǎn)選為9，其模型訓(xùn)練精度最佳，訓(xùn)練步數(shù)也最少。

2.2.4 BP網(wǎng)絡(luò)模型輸出節(jié)點(diǎn)的選擇

從表5中選出對(duì)應(yīng)于新預(yù)警評(píng)價(jià)指標(biāo)體系的數(shù)據(jù)再次進(jìn)行主成分分析，步驟同前，所得結(jié)果如表6所示。

本文共提取出4個(gè)公共因子，其特征值的方差貢獻(xiàn)率累積達(dá)到92.232%。它們共同決定旅行社人力資源危機(jī)的狀況。

公因子1上載荷值大于0.65的指標(biāo)有：招聘引進(jìn)員工勝任度、培訓(xùn)與員工需求吻合度、員工對(duì)評(píng)價(jià)制度和使用制度的滿(mǎn)意度，涉及旅行社人力資源危機(jī)的多個(gè)部分，可稱(chēng)之為“綜合因子”；公因子2上的載荷值大于0.65的指標(biāo)有：人力資本投資收益率、病假發(fā)生率，可稱(chēng)之為“員工發(fā)展與保健因子”；公因子3上的載荷值大于0.65的指標(biāo)有：?jiǎn)T工對(duì)激勵(lì)機(jī)制的滿(mǎn)意度、缺勤率，可稱(chēng)之為員工“價(jià)值取向因子”；公因子4上的載荷值大于0.65的指標(biāo)主要有：?jiǎn)T工離職增長(zhǎng)率，主要是對(duì)員工流失指標(biāo)的反映，可稱(chēng)之為“員工流失因子”。

第一，計(jì)算各公因子的得分。由于在查找旅行社人力資源危機(jī)風(fēng)險(xiǎn)因素提出對(duì)策時(shí)，通常只研究各公共因子上的主要載荷指標(biāo)，而不考慮其他冗余指標(biāo)。因此，為使警情分析輸出更精確，從而能更準(zhǔn)確地分析旅行社人力資源危機(jī)風(fēng)險(xiǎn)的內(nèi)容，更有針對(duì)性地提出人力資源危機(jī)預(yù)警對(duì)策，本文忽略各公因子內(nèi)部的冗余指標(biāo)（載荷系數(shù)小于0.65的指標(biāo)），只根據(jù)主要指標(biāo)（載荷系數(shù)大于等于0.65的指標(biāo)）的載荷系數(shù)，通過(guò)下列算式來(lái)計(jì)算各公共因子得分：

FP1 = ■

FP2 = ■

FP3 = ■

FP4 = ■ = t34

式中，tij是表中指標(biāo)Xij均值為0、標(biāo)準(zhǔn)差為1的標(biāo)準(zhǔn)化變量；p為數(shù)組序號(hào)，p = 1，2，…，8。？搖

第二，以各公共因子的方差貢獻(xiàn)率占4個(gè)因子總方差貢獻(xiàn)率的比重作為權(quán)重進(jìn)行加權(quán)匯總，得出各數(shù)組的最終因子綜合得分Fp：

Fp = ■

通過(guò)綜合因子Fp（見(jiàn)表7）來(lái)反映旅行社人力資源危機(jī)程度，據(jù)此制定相應(yīng)的防范策略。BP網(wǎng)絡(luò)最后一層的傳輸函數(shù)Purelin使得網(wǎng)絡(luò)輸出可以是任意值，因此，本文將旅行社人力資源危機(jī)預(yù)警層次設(shè)置為4個(gè)級(jí)別，如表8所示，BP網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)數(shù)為4，代表不同的旅行社人力資源危機(jī)等級(jí)，即安全、基本安全、風(fēng)險(xiǎn)和較大風(fēng)險(xiǎn)，4個(gè)等級(jí)對(duì)應(yīng)的標(biāo)準(zhǔn)輸出分別為[1000]、[0100]、[0010]、[0001]。

依前分析輸出節(jié)點(diǎn)選擇4個(gè)，10組輸出的4個(gè)端子的數(shù)值就對(duì)應(yīng)于10組人力資源危機(jī)預(yù)警指標(biāo)數(shù)據(jù)所反映的旅行社人力資源危機(jī)狀況。

結(jié)合旅行社人力資源危機(jī)的表現(xiàn)形式，本文提出了以下人力資源危機(jī)等級(jí)所對(duì)應(yīng)的標(biāo)準(zhǔn)（見(jiàn)表8）。

Ⅰ級(jí)狀態(tài)：旅行社人力資源各方面管理良好，沒(méi)有明顯危機(jī)跡象，處于安全狀態(tài)，但仍需注意各方面的情況，防止突發(fā)性危機(jī)的出現(xiàn)。

Ⅱ級(jí)狀態(tài)：旅行社人力資源各方面正常，基本看不出什么問(wèn)題，不過(guò)需要提前采取相應(yīng)措施以提防潛在危機(jī)和突發(fā)性危機(jī)的發(fā)生。

Ⅲ級(jí)狀態(tài)：旅行社人力資源出現(xiàn)危機(jī)，會(huì)帶來(lái)一定的損失，但不明顯，會(huì)對(duì)旅行社人力資源各方面造成一定負(fù)面影響。

Ⅳ級(jí)狀態(tài)：旅行社人力資源出現(xiàn)嚴(yán)重危機(jī)，對(duì)人力資源各方面造成非常明顯和嚴(yán)重的影響，甚至導(dǎo)致旅行社倒閉。

綜上所述，本文建立的BP網(wǎng)絡(luò)人力資源危機(jī)預(yù)警模型的構(gòu)造為：10 × 9 × 4（即10個(gè)輸入神經(jīng)元，9個(gè)隱層神經(jīng)元，4個(gè)輸出神經(jīng)元）。

3 基于BP網(wǎng)絡(luò)的旅行社人力資源危機(jī)預(yù)警模型的訓(xùn)練和檢測(cè)

本文采用MATLAB工程計(jì)算軟件的神經(jīng)網(wǎng)絡(luò)工具箱設(shè)計(jì)、訓(xùn)練并檢測(cè)已建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型。

3.1 基于BP網(wǎng)絡(luò)的旅行社人力資源危機(jī)預(yù)警模型的訓(xùn)練

本文將表6歸一化后的前6組指標(biāo)值作為BP網(wǎng)絡(luò)的輸入，由表7確定的風(fēng)險(xiǎn)程度矩陣作為與之相對(duì)應(yīng)的期望輸出，導(dǎo)入MATLAB的圖形用戶(hù)界面――GUI（Graphical User Interfaces），即可創(chuàng)建網(wǎng)絡(luò)進(jìn)行訓(xùn)練。主要訓(xùn)練參數(shù)設(shè)置如下（未提及的參數(shù)均采用默認(rèn)值）。

（1） 訓(xùn)練函數(shù)：TRAINLM函數(shù)，它適用于中、小規(guī)模網(wǎng)絡(luò)的函數(shù)擬合問(wèn)題，收斂快，收斂誤差小。

（2） 權(quán)值調(diào)節(jié)規(guī)則：LEARNGDM函數(shù)，采用動(dòng)量梯度下降方法對(duì)權(quán)值和閾值進(jìn)行調(diào)整。

（3） 網(wǎng)絡(luò)層數(shù)：3層。

（4） 性能函數(shù)：MSE函數(shù)，表示輸出矢量與目標(biāo)矢量之間的均方誤差。

（5） 期望誤差：ε = 0.001。

由圖1可知，當(dāng)網(wǎng)絡(luò)訓(xùn)練至第三步時(shí)，網(wǎng)絡(luò)性能達(dá)標(biāo)。BP網(wǎng)絡(luò)模型的訓(xùn)練輸出見(jiàn)表9，至此，BP網(wǎng)絡(luò)模型訓(xùn)練完畢。

3.2 基于BP網(wǎng)絡(luò)的旅行社人力資源危機(jī)預(yù)警模型的檢測(cè)

同理，用第7、第8組歸一化后的指標(biāo)數(shù)據(jù)及對(duì)應(yīng)的風(fēng)險(xiǎn)程度矩陣作為模型檢測(cè)的輸入和期望輸出，檢測(cè)結(jié)果見(jiàn)表10。檢測(cè)結(jié)果表明，實(shí)際輸出與期望輸出十分接近，誤差滿(mǎn)足要求。

由此可以得出結(jié)論，基于BP網(wǎng)絡(luò)建立的旅行社人力資源危機(jī)預(yù)警模型是有效的，可以用這個(gè)經(jīng)過(guò)訓(xùn)練、檢測(cè)完畢的BP網(wǎng)絡(luò)危機(jī)預(yù)警模型對(duì)旅行社人力資源危機(jī)進(jìn)行預(yù)警實(shí)證研究，以防范人力資源風(fēng)險(xiǎn)，保證旅行社企業(yè)良性運(yùn)行，同時(shí)對(duì)整頓治理旅游市場(chǎng)秩序起到監(jiān)督和促進(jìn)作用。

主要參考文獻(xiàn)

篇（4）

基于現(xiàn)有的各類(lèi)財(cái)務(wù)指標(biāo)，構(gòu)建一個(gè)財(cái)務(wù)危機(jī)預(yù)警的數(shù)學(xué)模型，用于提示企業(yè)發(fā)生財(cái)務(wù)危機(jī)的可能性有很多現(xiàn)實(shí)意義。建立與企業(yè)實(shí)際發(fā)展?fàn)顩r相符的財(cái)務(wù)危機(jī)預(yù)警模型有利于投資者做出更加理智的投資決策，有利于企業(yè)管理者更好地理解企業(yè)財(cái)務(wù)狀況以提高管理水平，有利于銀行和其他債權(quán)人更好地評(píng)估企業(yè)的債務(wù)違約風(fēng)險(xiǎn)，有利于政府監(jiān)管部門(mén)更有針對(duì)性地監(jiān)督上市公司，有利于審計(jì)人員更加高效地審計(jì)上市公司等等。

二、選擇樣本

失敗企業(yè)的篩選：

在第一部分，將“ST”企業(yè)定義為經(jīng)營(yíng)失敗的企業(yè)，數(shù)據(jù)來(lái)自于上海證券交易所和深圳證券交易所網(wǎng)站。由于有些失敗企業(yè)數(shù)據(jù)缺失，最終篩選出2005年的55家“ST”企業(yè)。為了將模型適用于各類(lèi)企業(yè)，這55家“ST”企業(yè)來(lái)自各行各業(yè)，有制造業(yè)、建筑業(yè)、交通運(yùn)輸業(yè)等。資本市場(chǎng)中，大部分企業(yè)使用統(tǒng)一的會(huì)計(jì)制度，但是金融保險(xiǎn)業(yè)上市公司使用其專(zhuān)有的會(huì)計(jì)制度，因此，本文挑選的55家“ST”企業(yè)不包括金融保險(xiǎn)業(yè)上市公司。

非失敗企業(yè)的篩選：

非失敗企業(yè)的篩選按照以下步驟進(jìn)行：（1）查找“ST”公司的行業(yè)類(lèi)別代碼；（2）在該類(lèi)行業(yè)中，篩選出和“ST企業(yè)”資產(chǎn)規(guī)模最接近的企業(yè)；（3）如果篩選出的企業(yè)是非失敗企業(yè)，則采用；（4）重復(fù)以上步驟，直到篩選出與失敗企業(yè)同樣數(shù)量的非失敗企業(yè)。

表 失敗企業(yè)和非失敗企業(yè)的來(lái)源與數(shù)量 單位：家

三、選擇財(cái)務(wù)指標(biāo)

目前，通過(guò)哪些財(cái)務(wù)指標(biāo)來(lái)判斷企業(yè)是否遇到了財(cái)務(wù)危機(jī)沒(méi)有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，而且僅僅通過(guò)若干個(gè)財(cái)務(wù)指標(biāo)來(lái)描述企業(yè)的經(jīng)營(yíng)狀況是很困難的。本文在前人研究經(jīng)驗(yàn)的基礎(chǔ)上，初步篩選出反映企業(yè)總體狀況的六個(gè)方面的15個(gè)財(cái)務(wù)指標(biāo)，這六個(gè)方面分別是短期償債能力，長(zhǎng)期償債能力，盈利能力，資產(chǎn)管理能力，主營(yíng)業(yè)務(wù)盈利能力和增長(zhǎng)能力。篩選的15個(gè)財(cái)務(wù)指標(biāo)來(lái)自2005年12月31日的資產(chǎn)負(fù)債表，主要有流動(dòng)比率，速動(dòng)比率，現(xiàn)金比率，產(chǎn)權(quán)比率，已獲利息倍數(shù)，現(xiàn)金收入比率，總資產(chǎn)收益率，凈資產(chǎn)收益率，存貨周轉(zhuǎn)率，應(yīng)收賬款周轉(zhuǎn)率，總資產(chǎn)周轉(zhuǎn)率，主營(yíng)業(yè)務(wù)利潤(rùn)率，資本保值增值率，凈利潤(rùn)增長(zhǎng)率，總資產(chǎn)增長(zhǎng)率。

在建立預(yù)測(cè)模型之前，首先要在15個(gè)財(cái)務(wù)指標(biāo)中找出與企業(yè)被“ST”最相關(guān)的指標(biāo)。在Rapidminer 6.1中，使用相關(guān)矩陣測(cè)算財(cái)務(wù)指標(biāo)與“ST”之間的關(guān)系。通過(guò)計(jì)算，除去流動(dòng)比率（相關(guān)系數(shù)為0.03

圖1

使用Rapidminer 6.1的相關(guān)矩陣函數(shù)計(jì)算找出與企業(yè)被“ST”最相關(guān)的財(cái)務(wù)指標(biāo)，軟件中使用的模塊和連接如圖中所示。

圖2

展示了13個(gè)財(cái)務(wù)指標(biāo)分別與企業(yè)被“ST”之間的相關(guān)系數(shù)，運(yùn)行結(jié)果顯示，財(cái)務(wù)指標(biāo)X1（流動(dòng)比率）和財(cái)務(wù)指標(biāo)X3（現(xiàn)金比率）與“ST”的相關(guān)系數(shù)小于0.05，表明他們之間的相關(guān)性小，因此剔除這兩個(gè)財(cái)務(wù)指標(biāo)。

四、實(shí)驗(yàn)過(guò)程

神經(jīng)網(wǎng)絡(luò)的建模過(guò)程如圖3、圖4所示，圖5表示的是預(yù)測(cè)的準(zhǔn)確率。

圖3 主要處理過(guò)程

將待處理數(shù)據(jù)和SPLIT函數(shù)模塊拖入主界面，將兩個(gè)模塊連接，SPLIT函數(shù)模塊的作用是將待處理數(shù)據(jù)隨機(jī)分割成兩部分，設(shè)定分隔系數(shù)是0.7，即70%的財(cái)務(wù)數(shù)據(jù)用作訓(xùn)練數(shù)據(jù)，30%的財(cái)務(wù)數(shù)據(jù)用作檢驗(yàn)數(shù)據(jù)。

圖4

將導(dǎo)入主界面的全部數(shù)據(jù)中的70%，即導(dǎo)入77家上市公司的財(cái)務(wù)數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型用于對(duì)剩余30%的數(shù)據(jù)即33家上市公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)這33家上市公司中失敗企業(yè)（即“ST”上市公司）的數(shù)量和非失敗企業(yè)（即正常上市公司）的數(shù)量。

圖5

篇（5）

中圖分類(lèi)號(hào)：G642.0 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-9324（2016）51-0197-02

隨著物聯(lián)網(wǎng)的高速發(fā)展，智慧醫(yī)療的應(yīng)用也越來(lái)越廣泛，人體行為識(shí)別作為智能監(jiān)測(cè)中一個(gè)重要的研究方向，也逐漸受到各國(guó)學(xué)者的廣泛關(guān)注。隨著我國(guó)人口老齡化不斷加劇，老年人意外摔倒問(wèn)題受到人們關(guān)注，而人體行為識(shí)別方法的研究將推進(jìn)更有效更準(zhǔn)確的跌倒檢測(cè)算法研究。按照信號(hào)的獲取方式，可將現(xiàn)有的人體行為識(shí)別方法分為以下兩種：基于計(jì)算機(jī)視覺(jué)的方法和基于傳感器的方法?；谌S加速度信號(hào)的識(shí)別方法屬于第二種，第二種方法相較于第一種具有低功耗、高精度、攜帶方便等優(yōu)點(diǎn)。目前BP神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中研究最深入、應(yīng)用最廣泛的一種。本文選用已有的三軸加速度信號(hào)數(shù)據(jù)集，在MATLAB仿真環(huán)境下，基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)并實(shí)現(xiàn)人體行為識(shí)別算法。

一、數(shù)據(jù)預(yù)處理

本文選用的三軸加速度數(shù)據(jù)來(lái)源于南加州大學(xué)人體行為數(shù)據(jù)集，這個(gè)數(shù)據(jù)集包括了對(duì)14名受測(cè)者的12種動(dòng)作的三軸加速度信號(hào)采集。采集過(guò)程中，三軸加速度傳感器位于受測(cè)者右前臂；采樣頻率為100Hz；12種動(dòng)作每種動(dòng)作由每名受測(cè)者做5次，即對(duì)每種動(dòng)作采集70個(gè)樣本，每個(gè)樣本采集時(shí)長(zhǎng)不定但是足夠捕獲動(dòng)作的所有信息。考慮實(shí)際意義，本文只選取上述14名受測(cè)者的7類(lèi)動(dòng)作，共計(jì)490個(gè)加速度數(shù)據(jù)樣本。在特征值提取前需要對(duì)濾波得到的加速度數(shù)據(jù)再進(jìn)行加窗處理。選用窗口長(zhǎng)度N為512的矩形窗，則結(jié)合采樣頻率可得窗口時(shí)間跨度為5.12秒，足夠包含單個(gè)完整動(dòng)作。經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)才可以用于后續(xù)的特征值的提取，并用來(lái)訓(xùn)練和測(cè)試所建立的BP神經(jīng)網(wǎng)絡(luò)。

二、BP神經(jīng)網(wǎng)絡(luò)的建立

BP神經(jīng)網(wǎng)絡(luò)由輸入層、輸出層和隱含層組成，其中輸入層與輸出層各為一層，隱含層可以有多層。在網(wǎng)絡(luò)中，相鄰兩層間實(shí)現(xiàn)全連接，而處于同一層的神經(jīng)元之間無(wú)連接。BP學(xué)習(xí)算法需要提供教師信號(hào)。BP網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程包括工作信號(hào)的正向傳播和誤差信號(hào)的反向傳播，并通過(guò)修改連接兩個(gè)神經(jīng)元的邊的權(quán)值來(lái)使得誤差函數(shù)達(dá)到最小。①工作信號(hào)的正向傳播。設(shè)X■■表示第k層神經(jīng)元i的輸入總和，Y■■為輸出，第k-1層神經(jīng)元j到第k層神經(jīng)元i的權(quán)值為Wij，則有如下函數(shù)關(guān)系：Y■■=f（X■■）X■■=■W■Y■■ （1）

稱(chēng)f激勵(lì)函數(shù)，通常取f為非對(duì)稱(chēng)Sigmoid函數(shù)，即 f（X■■）=■ （2）

②誤差信號(hào)的反向傳播。設(shè)輸出層為第m層，則輸出層第i個(gè)神經(jīng)元的實(shí)際輸出為Y■■，設(shè)對(duì)應(yīng)的教師信號(hào)為Yi，定義誤差函數(shù)e為 e=■■（Y■■-Y■）■ （3）

定義d■■表示誤差函數(shù)e關(guān)于U■■的偏導(dǎo)數(shù)，可推得 當(dāng)k=m時(shí)，有d■■=Y■■（1-Y■■）（Y■■-Y■）（4）

k

③權(quán)值的修正。設(shè)某一次學(xué)習(xí)權(quán)值的修改量為ΔWij，考慮兩次學(xué)習(xí)的相關(guān)性，可定義權(quán)值修改量如下：

ΔWij（t+1）=-μ?d■■?Y■■+γ?ΔWij（t）（6）

其中，γ為表示兩次修正間的相關(guān)程度的系數(shù)， μ為學(xué)習(xí)速率。綜上，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)就是：找一組最合適的邊的權(quán)值Wij，使得誤差函數(shù)滿(mǎn)足 e=min■■（Y■■-Y■）■ （7）

三、BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

1.輸入層。BP神經(jīng)網(wǎng)絡(luò)的輸入即為各種行為的特征向量，因此首先需要選取合適的特征值構(gòu)建特征向量。根據(jù)統(tǒng)計(jì)學(xué)原理和所選加速度信號(hào)數(shù)據(jù)集的特征，選取5個(gè)特征值：均值、方差、相關(guān)系數(shù)、偏度和峰度。5個(gè)特征值均以窗長(zhǎng)N為提取單位，特征值的計(jì)算直接使用MATLAB已有的函數(shù)。以窗長(zhǎng)為單位，分別計(jì)算三個(gè)軸的加速度信號(hào)的上述5種特征值，一次特征值提取可得到一個(gè)15維的特征向量，將此向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，則輸入層可有15個(gè)神經(jīng)元。

2.隱含層。隱含層待定的系數(shù)包括隱含層的層數(shù)和每個(gè)隱含層包含的神經(jīng)元個(gè)數(shù)。為提高學(xué)習(xí)速率，通常選用單隱層的神經(jīng)網(wǎng)絡(luò)，但為獲得更好的學(xué)習(xí)效果，本文考慮單隱層以及雙隱層的BP神經(jīng)網(wǎng)絡(luò)。

關(guān)于隱含層神經(jīng)元的個(gè)數(shù)n1選取，本文參考公式如下：n■=■+p （13）

其中，n0為輸入層神經(jīng)元個(gè)數(shù)，nm為輸出層神經(jīng)元個(gè)數(shù)，p為[1，10]之間的一個(gè)常數(shù)。在利用上述公式估算的基礎(chǔ)上，根據(jù)網(wǎng)絡(luò)學(xué)習(xí)的結(jié)果對(duì)隱含層神經(jīng)元個(gè)數(shù)再做調(diào)整，以達(dá)到最好的學(xué)習(xí)效果。

篇（6）

（2）高度的非線性全局作用。

（3）良好的容錯(cuò)性與聯(lián)想記憶功能。

（4）十分強(qiáng)的自適應(yīng)、自學(xué)習(xí)能力。[2]

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)在制冷空調(diào)方面有了一些應(yīng)用。[5]、[7]

1 微型冷熱電聯(lián)供系統(tǒng)實(shí)驗(yàn)裝置設(shè)計(jì) 1.1 系統(tǒng)描述

上海交通大學(xué)制冷與低溫工程研究所孔祥強(qiáng)[1]等建立了制冷功率在10 kW左右的微型冷熱電聯(lián)供系統(tǒng)試驗(yàn)臺(tái)，整個(gè)系統(tǒng)采用了一臺(tái)小型燃?xì)獍l(fā)電機(jī)組和一臺(tái)研究所自己研制的余熱型吸附式制冷機(jī)，其系統(tǒng)圖見(jiàn)圖1。系統(tǒng)設(shè)計(jì)參數(shù)見(jiàn)表1。

1.2 實(shí)驗(yàn)參數(shù)儀器

系統(tǒng)的測(cè)試參數(shù)包括

（1）熱水循環(huán)、冷卻塔冷卻水循環(huán)、冷凍水循環(huán)的狀態(tài)參數(shù)（主要有溫度和流量）；

（2）液化氣供應(yīng)的狀態(tài)參數(shù)（主要有壓力、溫度和流量）；

（3）空氣供應(yīng)的狀態(tài)參數(shù)（主要是溫度和流量）

（4）小型燃?xì)鈨?nèi)燃機(jī)排煙的狀態(tài)參數(shù)；

篇（7）

中圖分類(lèi)號(hào)：TP75 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-9944（2016）06-0173-07

1 引言

1.1 研究意義

森林資源狀況及其變化，不僅影響地區(qū)乃至全球環(huán)境的變化，而且還影響社會(huì)經(jīng)濟(jì)的持續(xù)發(fā)展。隨著遙感技術(shù)的發(fā)展，森林植被遙感影像分類(lèi)逐漸成為森林資源調(diào)查和監(jiān)測(cè)不可缺少的內(nèi)容。目前遙感分類(lèi)技術(shù)在林區(qū)的應(yīng)用還處于比較落后的狀態(tài)。如何利用普遍可以得到的遙感數(shù)據(jù)資源和其他林業(yè)數(shù)據(jù)，研究出更適合于我國(guó)東北林區(qū)的遙感圖像計(jì)算機(jī)分類(lèi)的新方法，提高森林植被的分類(lèi)精度，以滿(mǎn)足林業(yè)部門(mén)的需要，是本研究的主要工作。

因此，研究航拍影像中森林植被的自動(dòng)分割、檢測(cè)與識(shí)別方法，對(duì)于智能監(jiān)督分類(lèi)、自動(dòng)劃分森林區(qū)域、采集大數(shù)據(jù)森林信息、智能劃分變化監(jiān)測(cè)區(qū)域監(jiān)督執(zhí)法，節(jié)約人力物力、提高工作效率和質(zhì)量都具有重要的實(shí)用價(jià)值。

1.2 國(guó)內(nèi)外研究現(xiàn)狀綜述

羅曉萍等的基于SVM和模糊免疫網(wǎng)絡(luò)的實(shí)景影像識(shí)別，提出了一種檢測(cè)和識(shí)別方法，根據(jù)顏色和形狀，利用支持向量機(jī)的非線性分類(lèi)能力將其圖像區(qū)域從實(shí)景圖像中檢測(cè)出來(lái)，然后根據(jù)多樣性，高容噪性的模糊免疫網(wǎng)絡(luò)來(lái)識(shí)別。楊修銘等針對(duì)單一波普反射標(biāo)志的檢測(cè)，定義了一個(gè)“紅色”閾值區(qū)域，利用這個(gè)閾值區(qū)域?qū)D像進(jìn)行閾值分割，從而確定顯著類(lèi)型標(biāo)志所在的候選區(qū)域；在RGB顏色空間，利用三個(gè)顏色分量之間的灰度差和所設(shè)置閾值之間的關(guān)系來(lái)進(jìn)行圖像分割和顏色檢測(cè)。蔣剛毅等、黃志勇等提出了一種基于RGB視覺(jué)模型的實(shí)景影像分割算法，其利用歸一化后的顏色分量之間的差值和所設(shè)定閾值的關(guān)系，來(lái)進(jìn)行顏色分割；李寧等同樣采用顏色分量之差的方法來(lái)進(jìn)行圖像分割。

這類(lèi)方法直接在RGB顏色空間對(duì)森林植被的特征顏色進(jìn)行分割，不需要進(jìn)行顏色空間的轉(zhuǎn)換，處理時(shí)間短，有利于實(shí)時(shí)應(yīng)用，但此類(lèi)方法的缺點(diǎn)是受光照條件的影響較大。目前國(guó)外有基于多閾值PCNN的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，通過(guò)多閾值思想，基于混合高斯模型減背景算法的基礎(chǔ)上，在脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)前景和背景的分割過(guò)程中，運(yùn)用多閾值，其迭代次數(shù)由簡(jiǎn)化的最大熵準(zhǔn)則決定，并且提出了一種新型的模型學(xué)習(xí)率。

2 固定閾值圖像分割方法

顏色信息是森林植被航拍影像最重要的視覺(jué)特征，森林植被在夏季時(shí)主要顏色為綠色，在夏季時(shí)候選擇光線好、清晰度高的航拍影像就能很容易引起智能神經(jīng)網(wǎng)絡(luò)的判斷區(qū)劃。由于顏色信息不隨物體的大小和觀察的視角而變化，并具有較強(qiáng)的可分離性，所以，通過(guò)特征顏色分割，可在實(shí)景航拍影像中大致檢測(cè)出森林植被的位置。根據(jù)顏色分割時(shí)所選擇的顏色空間的不同，基于RGB顏色空間的方法通過(guò)編程獲得基于圖像的RGB顏色數(shù)據(jù)，進(jìn)行閾值劃分然后自動(dòng)錄入數(shù)據(jù)庫(kù)，得到神經(jīng)網(wǎng)絡(luò)的大量練習(xí)數(shù)據(jù)，根據(jù)數(shù)據(jù)通過(guò)算法函數(shù)運(yùn)算得到判定值。之后在讀取新圖像時(shí)候通過(guò)判定值以及練習(xí)的數(shù)據(jù)進(jìn)行比對(duì)判定出是否符合要求。

從實(shí)景圖像中快速、自動(dòng)地將森林植被區(qū)域分割出來(lái)，是森林植被變化自動(dòng)檢測(cè)和識(shí)別的前提。由于植被具有特定色域的顏色類(lèi)型，基于顏色信息的圖像分割可以有效地進(jìn)行森林管理監(jiān)測(cè)對(duì)比。

2.1 RGB視覺(jué)模型原理及其數(shù)據(jù)的特點(diǎn)

眼睛通過(guò)3種可見(jiàn)光對(duì)視網(wǎng)膜的椎狀細(xì)胞的刺激來(lái)感受顏色。這些光在波長(zhǎng)為630nm（紅）530nm（綠）450nm（藍(lán)）時(shí)的刺激達(dá)到高峰，通過(guò)對(duì)各刺激強(qiáng)度的比較，感受到光的顏色。這種視覺(jué)理論就是使用紅、綠、藍(lán)3種基色來(lái)顯示彩色的基礎(chǔ)，稱(chēng)之為RGB色彩空間模型。

以R、G、B3個(gè)參數(shù)為坐標(biāo)，可以看到一個(gè)單位立方體來(lái)描述RGB顏色模型，如圖1所示。紅、綠、藍(lán)是互相正交的坐標(biāo)軸，每個(gè)坐標(biāo)軸都量化為0～255，O對(duì)應(yīng)最暗，255對(duì)應(yīng)最亮，彩色立方體中任一點(diǎn)都對(duì)應(yīng)一種顏色，以下都是常見(jiàn)顏色的RGB數(shù)值。

黑色=（0，0，0）；白色=（255，255，255）；灰色=（128，128，128）；青色=（0，255，255）；品紅=（255，0，255）；黃色=（255，255，0）；紅色=（255，0，0）；綠色=（0，255，0）；藍(lán)色=（0，0，255）。

RGB彩色系統(tǒng)是通過(guò)對(duì)顏色進(jìn)行加運(yùn)算來(lái)完成顏色綜合的彩色系統(tǒng)，其遠(yuǎn)點(diǎn)是黑色，通過(guò)在黑色中加入不同分量的紅色，綠色，藍(lán)色來(lái)得到某種彩色。大多數(shù)系統(tǒng)（比如電視機(jī)，顯示器等）都采用RGB模型顯示色彩，Windows內(nèi)部的位圖也采用ROB顏色模型。

2.2 HSI視覺(jué)空間模型

HSI（Hue，Saturation，Intensity）（色度，飽和度，亮度）是適合人類(lèi)視覺(jué)特性的色彩模型。其中H（色度）表示不同的顏色；而S（飽和度）表示顏色的深淺；I（亮度）表示顏色的明暗程度。HIS顏色空間模型的示意圖如圖2所示。

HSI模型的最大特點(diǎn)就是：H、S、I三分量之間的相關(guān)性較小，在HSI空間中，彩色圖像的每一個(gè)均勻彩色區(qū)域都對(duì)應(yīng)一個(gè)相對(duì)一直的色調(diào)H，所以，可以利用色調(diào)H完成獨(dú)立于亮度的彩色區(qū)域分割。

2.3 RGB模型與HSI模型轉(zhuǎn)換

們通過(guò)圖像采集設(shè)備得到的原始圖像一般用RGB空間模型表示，要利用HIS空間對(duì)圖像進(jìn)行分割，前提條件下是將RGB模型轉(zhuǎn)化為HSI模型。（1）（2）（3）

R、G、B對(duì)應(yīng)的是紅、綠、藍(lán)。H、S、I對(duì)應(yīng)的是色度、飽和度、亮度。從轉(zhuǎn)化公式可以看出，由RGB模型向HIS模型轉(zhuǎn)化需要較多的計(jì)算量。所以由以上公式得出結(jié)論，航拍影像色彩分割與識(shí)別在計(jì)算量方面采用RGB模型。

2.4 RGB固定閾值分割算法

這類(lèi)方法直接在RGB顏色空間對(duì)森林植被的特征顏色進(jìn)行分割，不需要進(jìn)行顏色空間的轉(zhuǎn)換，處理時(shí)間短，有利于實(shí)時(shí)應(yīng)用，但此類(lèi)方法的缺點(diǎn)是受光照條件的影響較大。

閾值分割算法公式：（4）

其中T是固定閥值，g（x，y）是圖像的（x，y）處的像素的灰度值。

多閾值分割算法公式：

g（x，y）=k（Tk-1≤f（x，y）

其中Tk為各個(gè)分割閾值，假定共有N個(gè)閾值。

3 基于概率神經(jīng)網(wǎng)絡(luò)的自適應(yīng)圖像分割方法

對(duì)于靜態(tài)圖像的顏色分割問(wèn)題，已經(jīng)有了很多的方法，但是無(wú)人機(jī)數(shù)據(jù)采集系統(tǒng)在移動(dòng)狀態(tài)下獲取的自然場(chǎng)景圖像序列之間存在著很大的差異，如光照變化、幾何失真、背景復(fù)雜且各不相同等等，如果采用固定閾值法對(duì)這些圖像進(jìn)行顏色分割，將會(huì)出現(xiàn)顧此失彼的現(xiàn)象；因此，必須解決無(wú)人機(jī)圖像全局顏色特征的提取和定量表達(dá)方法，并自適應(yīng)地計(jì)算顏色分割的閾值，從而實(shí)現(xiàn)對(duì)自然場(chǎng)景圖像的可靠處理。

3.1 神經(jīng)網(wǎng)絡(luò)分割算法技術(shù)流程

由于照相機(jī)拍攝的圖像采用的是RGB顏色模型，而且計(jì)算機(jī)內(nèi)部圖像的顯示大多也是基于RGB顏色模型，因而本文采用RGB顏色模型進(jìn)行彩色圖像的顏色分割。使用顏色信息的三個(gè)歸一化顏色分量值及其之間的差值來(lái)設(shè)計(jì)像素矢量，并結(jié)合概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)圖像的自動(dòng)顏色分割，從而克服直接使用R、G、B分量進(jìn)行顏色分割容易受光照條件影響的缺陷，并使分割方法對(duì)不同的圖像具有較好的適應(yīng)性。本文方法的主要步驟如下：首先，在RGB顏色空間，利用統(tǒng)計(jì)理論計(jì)算圖像R、G、B三個(gè)通道的灰度歸一化平均值Rr、Gr、Br，及其相互間的差值A(chǔ)RG、ARB、AGB，以此作為全局圖像的整體顏色特征；其次，對(duì)于圖像中的每一個(gè)像素，計(jì)算其歸一化的顏色分量值r、g、b，及其相互間的差值rg、rb、gb，以此作為單個(gè)像素的局部顏色特征，將像素的局部顏色特征和圖像的整體顏色特征值組合而成的向量作為每個(gè)像素的像素矢量；再以此像素矢量輸入到訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)，從而根據(jù)網(wǎng)絡(luò)的輸出結(jié)果來(lái)判斷該像素是否屬于指定的顏色類(lèi)型，以此將彩色圖像自動(dòng)地分割為二值圖像，從而分割出圖像中的森林植被類(lèi)別區(qū)域。本文方法的流程如圖3所示。

3.2 基于RGB的顏色空間的像素矢量計(jì)算

如何對(duì)已知圖像上的RGB像素進(jìn)行矢量計(jì)算。先假設(shè)圖像的整體顏色特征用矢量Vg表示，像素的局部顏色特征用矢量Vp表示，則本文的像素矢量V可表示為[Vp，Vg]。該像素矢量同時(shí)包含了全局圖像的整體顏色特征和單個(gè)像素的局部顏色特征，可有效地作為圖像分割時(shí)的主要特征。為了計(jì)算全局圖像的整體顏色特征（即刻畫(huà)圖像整體顏色特性的數(shù)值），本文在圖像R、G、B三個(gè)通道內(nèi)利用統(tǒng)計(jì)理論按如下的方法計(jì)算：統(tǒng)計(jì)圖像R、G、B三個(gè)通道中的各灰度級(jí)的像素?cái)?shù)目nRi，nGi，nBi（i=0，1，…，255）；計(jì)算圖像R、G、B三個(gè)通道中的各灰度級(jí)的頻數(shù)：

PRi=nRi/N，PGi=nGi/N，PBi=nBi/N （6）

其中，N為圖像中像素的總數(shù)。

計(jì)算圖像R、G、B三個(gè)通道的灰度全局平均值Ra、Ga、Ba：（7）

計(jì)算圖像R、G、B三個(gè)通道的歸一化灰度平均值Rr、Gr、Br，及歸一化平均值之間的差值RG、RB、GB：（8）

因此，圖像的整體顏色特征用矢量Vg可表示為[Rr，Gr，Br，RG，RB，GB]。另外，對(duì)于實(shí)景圖像中的任意一個(gè)像素i，根據(jù)其在R、G、B三個(gè)顏色通道內(nèi)的灰度值Ri、Gi、Bi，本文按如下方式來(lái)計(jì)算單個(gè)像素的局部顏色特征矢量Vp=[r，g，b，rg，rb，agb]：（9）

從而可將像素的局部顏色特征值和圖像的整體顏色特征值組合成本文的像素矢量V=[r，g，b，rg，rb，gb，Rr，Gr，Br，RG，RB，GB]，此矢量作為圖像顏色分割神經(jīng)網(wǎng)絡(luò)的輸入特征向量。后面的實(shí)驗(yàn)結(jié)果表明，利用這樣的特征向量可以很好地對(duì)彩色圖像進(jìn)行分割，并對(duì)光照條件具有較好的適應(yīng)性。

代碼粘貼：附錄第二段

3.3 概率神經(jīng)網(wǎng)絡(luò)的原理

概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Networks，PNN）是由Specht（Specht，1990）首先提出，其是由徑向基函數(shù)網(wǎng)絡(luò)發(fā)展起來(lái)的一種前饋型神經(jīng)網(wǎng)絡(luò)，其采用多變量Parzen窗估計(jì)不同類(lèi)的概率密度函數(shù)，具有訓(xùn)練時(shí)間短、結(jié)構(gòu)固定，能產(chǎn)生貝葉斯后驗(yàn)概率輸出的特點(diǎn)，因此具有強(qiáng)大的非線性識(shí)別能力，特別適合識(shí)別問(wèn)題。概率神經(jīng)網(wǎng)絡(luò)是由徑向基網(wǎng)絡(luò)和競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)共同組成，共分三層，第一層是輸入層，第二層是徑向基層，第三層是競(jìng)爭(zhēng)層（輸出層）。競(jìng)爭(zhēng)層的輸出結(jié)果即是整個(gè)網(wǎng)絡(luò)的分類(lèi)結(jié)果，徑向基層中神經(jīng)元的個(gè)數(shù)與輸入的樣本向量的個(gè)數(shù)相同，輸出層的神經(jīng)元個(gè)數(shù)等于訓(xùn)練樣本數(shù)據(jù)的分類(lèi)數(shù)，徑向基層的神經(jīng)元具有閾值。概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。

圖中，R表示輸入向量的維數(shù)，Q表示輸入/目標(biāo)向量的個(gè)數(shù)，K表示輸入數(shù)據(jù)種類(lèi)的個(gè)數(shù)。IW是徑向基層與輸入層之間的權(quán)值矩陣，其維數(shù)為Q×R，LW是競(jìng)爭(zhēng)層與徑向基層之間的權(quán)值矩陣，其維數(shù)為K×Q，ai1表示第二層輸出向量a1的第i個(gè)元素，IWi表示第二層權(quán)值矩陣IW的第i行元素組成的向量。||ldist||表示輸入P與權(quán)值矩陣IW的歐幾里德距離，符號(hào)“.”表示||dist||的輸出與閾值b1的元素與元素之間的乘積關(guān)系；模塊C表示競(jìng)爭(zhēng)傳遞函數(shù)，其功能是找出輸入向量n2中各元素的最大值，并使其與最大值對(duì)應(yīng)類(lèi)別的神經(jīng)元輸出為1，其它神經(jīng)元的輸出為0。

本文概率神經(jīng)網(wǎng)絡(luò)徑向基層神經(jīng)元的傳遞函數(shù)、及競(jìng)爭(zhēng)層的競(jìng)爭(zhēng)傳遞函數(shù)的形式分別為：（10）

式中，i*為X中最大值的下標(biāo)。概率神經(jīng)網(wǎng)絡(luò)的輸入、輸出的運(yùn)行過(guò)程如下：輸入層接收輸入向量Pj=（P1，P2，…，PR）T，j=1，2，…，Q；對(duì)于徑向基層的第i個(gè)神經(jīng)元（i=1，2，…，Q），首先計(jì)算輸入向量P.與權(quán)陣向量IWi間的向量距離di：

di=sqrt（（Pi-IWTi）T（Pi-IWTi）） （11）

再結(jié)合閾值b1，計(jì)算第i個(gè)神經(jīng)元的輸入ni1與輸出a21。

ai1=e-ni1×ni1，nni11=dni1×bni1 （12）

計(jì)算競(jìng)爭(zhēng)層的輸入向量n2，其第m個(gè)（m=1，2，…，K）元素值為nm2：nm2=LWma1；網(wǎng)絡(luò)最終對(duì)應(yīng)的輸出向量a2j為：a2j=compet（n2）。在輸出向量n2中的元素只有0和1兩種值，1在向量中的序號(hào)就是分類(lèi)的類(lèi)別序號(hào)。

為了從實(shí)景圖像中分割出特定顏色的森林植被區(qū)域，文中設(shè)計(jì)了可識(shí)別特定顏色類(lèi)型的顏色識(shí)別神經(jīng)網(wǎng)絡(luò)，其可將圖像中的像素分為指定顏色和其它顏色兩種類(lèi)型，以達(dá)到從圖像中分割出指定顏色目標(biāo)區(qū)域的目的。由于本文的概率神經(jīng)網(wǎng)絡(luò)主要用于從圖像中分割出黃色土地、綠色森林植被和藍(lán)色水域這三種類(lèi)型的實(shí)景影像顏色，因此，需要設(shè)計(jì)三種結(jié)構(gòu)相同的顏色識(shí)別概率神經(jīng)網(wǎng)絡(luò)，以分別識(shí)別“黃色”、“綠色”、“藍(lán)色”和“其它顏色”四種類(lèi)型的像素，而每一種網(wǎng)絡(luò)只識(shí)別兩種顏色的像素，即指定顏色（黃色、綠色、藍(lán)色中的一種）和其它顏色。每一種顏色識(shí)別網(wǎng)絡(luò)的輸入向量均為像素矢量V=[r，g，b，rg，rb，gb，Rr，Gr，Br，RG，RB，GB]，輸出向量是有2個(gè)元素的二值向量T（其中一個(gè)元素值為1，另一個(gè)元素值為O，元素1對(duì)應(yīng)的向量中的序號(hào)表示顏色類(lèi)型）。所以，文中的PNN的輸入層神經(jīng)元個(gè)數(shù)為12，輸出層神經(jīng)元個(gè)數(shù)為2。輸出向量所表示的顏色類(lèi)型的規(guī)則為：[1；0]表示輸入像素的顏色是訓(xùn)練顏色（黃色或綠色或藍(lán)色）；[0；1]表示輸入像素的顏色是其它顏色。

3.4 PNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練

在針對(duì)3種顏色識(shí)別神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，只需要從圖像上選擇訓(xùn)練區(qū)域，并指定該區(qū)域的顏色類(lèi)型（黃色或綠色或藍(lán)色或其它顏色），然后將該區(qū)域的像素存入到對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本庫(kù)中即可。通過(guò)數(shù)據(jù)庫(kù)保存數(shù)據(jù)，可以進(jìn)行下面的PNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練任務(wù)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目的，PNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練是為了得到神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣IW、LW，閾值向量b。利用顏色分割神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)庫(kù)中的數(shù)據(jù)對(duì)三類(lèi)單顏色分割網(wǎng)絡(luò)（針對(duì)黃色、綠色、藍(lán)色）進(jìn)行訓(xùn)練。需要的數(shù)據(jù)有灰度歸一化的平均值，差值，還有圖像像素RGB值。訓(xùn)練時(shí)進(jìn)行了聚類(lèi)（將一幅圖像中的四種顏色中的每種所對(duì)應(yīng)的所有像素，取平均作為一個(gè)訓(xùn)練數(shù)據(jù)，以減少PNN隱含層神經(jīng)元個(gè)數(shù)），減小數(shù)據(jù)量的運(yùn)算，得到網(wǎng)絡(luò)的相關(guān)權(quán)陣和系數(shù)陣。

由于概率神經(jīng)網(wǎng)絡(luò)的徑向基層中神經(jīng)元的個(gè)數(shù)與輸入的樣本向量的個(gè)數(shù)相同，如果直接使用從多幅圖像中選擇的像素樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，則會(huì)導(dǎo)致網(wǎng)絡(luò)的結(jié)構(gòu)過(guò)于龐大、識(shí)別效率降低。所以，對(duì)訓(xùn)練的樣本數(shù)據(jù)進(jìn)行了聚類(lèi)處理，以減少訓(xùn)練樣本的數(shù)量。具體聚類(lèi)的方法是：從一幅圖像中選擇的相同顏色的訓(xùn)練像素，在進(jìn)入訓(xùn)練樣本庫(kù)之前，對(duì)這些像素的像素矢量取平均，將這個(gè)平均向量作為一個(gè)訓(xùn)練樣本存入樣本庫(kù)。

圖5的這兩幅圖像是黃色神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)和與其不同顏色的神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)，用來(lái)進(jìn)行PNN神經(jīng)網(wǎng)絡(luò)訓(xùn)練。（因黃色不屬于三原色，由綠色和紅色組成，所以特意篩選出紅色）。

代碼在附錄第三段：第一次聚類(lèi)代碼。第二次聚類(lèi)之后將聚類(lèi)的文件進(jìn)行保存，然后進(jìn)行PNN神經(jīng)網(wǎng)絡(luò)計(jì)算。將得到的權(quán)數(shù)矩陣和顏色閾值向量保存早txt文檔中。后面進(jìn)行分割時(shí)候，提取文檔中的相關(guān)數(shù)據(jù)進(jìn)行顏色判定分割。代碼在附錄第四段：第二次聚類(lèi)代碼。

4 實(shí)驗(yàn)結(jié)果分析

4.1 數(shù)據(jù)準(zhǔn)備與平臺(tái)選擇

本次試驗(yàn)所采用的數(shù)據(jù)是北京居民小區(qū)、市區(qū)街道和郊區(qū)實(shí)景圖像以及外面交通道路實(shí)際情況的500萬(wàn)像素圖像進(jìn)行分割，其中包括了各種天氣，光線，還有角度反光程度等等因素包括。平臺(tái)準(zhǔn)備程序設(shè)計(jì)通過(guò)C#語(yǔ)言在VS2005平臺(tái)進(jìn)行編寫(xiě)，程序中包括了RGB閾值二值化分割圖像，PNN神經(jīng)網(wǎng)絡(luò)二值化閾值分割兩種分割方法，用于進(jìn)行效果對(duì)比。通過(guò)效果的對(duì)比可以更好的對(duì)分割效果進(jìn)行分析與對(duì)比，從而通過(guò)最終對(duì)比效果來(lái)說(shuō)明本文算法的優(yōu)勢(shì)以及可行性。圖6為程序界面。

為了保證實(shí)驗(yàn)的數(shù)據(jù)統(tǒng)一性以及可對(duì)比性，采用同一組圖像進(jìn)行分割實(shí)驗(yàn)。以下三幅影像是在不同光照條件下拍攝的，用于測(cè)試圖像分割效果的實(shí)驗(yàn)數(shù)據(jù)。圖7在晴天效果下，陽(yáng)光照射充分。圖8在陰天效果下，陽(yáng)光昏暗。圖9在光照效果強(qiáng)烈下，陽(yáng)光刺眼。

4.2 RGB固定閾值二值分割圖像

對(duì)于圖7～9的實(shí)驗(yàn)圖像，基于固定閾值分割法的分割結(jié)果如圖10、11、12所示。

由此可見(jiàn)，效果并不是很理想，其中在陽(yáng)光強(qiáng)烈的情況下?lián)诫s了很多其他顏色在內(nèi)，對(duì)森林植被的分割添加了很大的難度。在陽(yáng)光昏暗時(shí)候反而使分割的顏色在二值化圖中與其他顏色混雜在一起難以區(qū)分。

4.3 PNN神經(jīng)網(wǎng)絡(luò)的二值閾值分割圖像

對(duì)一幅彩色圖像中的每一個(gè)像素，提取其像素矢量V，并輸入到訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)進(jìn)行顏色識(shí)別，則根據(jù)網(wǎng)K絡(luò)的識(shí)別結(jié)果，可判斷該像素是否屬于指定的顏色類(lèi)型，指定顏色的像素在分割后的二值圖像上的對(duì)應(yīng)位置處的像素值為1，而其它顏色的對(duì)應(yīng)位置處的像素值為0，從而將彩色圖像分割為二值圖像。即圖像（13）

首先我們先把這幅圖像的數(shù)據(jù)進(jìn)行提取與分析對(duì)比上圖第一組圖像，由此可見(jiàn)，在陽(yáng)光充足的情況下，PNN分割更好的區(qū)分光照下顏色混雜的問(wèn)題，容易區(qū)分森林植被的圖形進(jìn)行二次判斷。

對(duì)面第二組圖像在光線暗淡時(shí)候，固定閾值分割很難以分割出林木與道路的區(qū)別，而PNN分割通過(guò)5次的學(xué)習(xí)即可在二值化圖像中區(qū)分出少量植被，當(dāng)學(xué)習(xí)量達(dá)到一定次數(shù)時(shí)即可準(zhǔn)確分割，由此可見(jiàn)，不論天氣光線如何，PNN分割的優(yōu)點(diǎn)和效果都遠(yuǎn)遠(yuǎn)大于固定閾值分割的效果（圖13～圖14）。

5 結(jié)語(yǔ)

隨著神經(jīng)網(wǎng)絡(luò)算法的發(fā)展，還有對(duì)于圖像模型的分割算法的優(yōu)化，將來(lái)在于算法計(jì)算速度上大大提高，還有數(shù)據(jù)提取方面更加完善，有更多的數(shù)據(jù)在數(shù)據(jù)庫(kù)中進(jìn)行分析與解算。通過(guò)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行圖像的顏色分割，在數(shù)據(jù)運(yùn)算上比固定閾值分割的量要大，但是通過(guò)聚類(lèi)之后的數(shù)據(jù)，進(jìn)行分割時(shí)的運(yùn)算量大大減少。對(duì)于難以區(qū)分的顏色和不同天氣下的圖像，有很好的分割效果。遠(yuǎn)遠(yuǎn)比固定閾值分割所產(chǎn)生的二值化圖像要明顯易于區(qū)分。但是神經(jīng)網(wǎng)絡(luò)分割在前期時(shí)需要大量數(shù)據(jù)進(jìn)行訓(xùn)練才可有明顯的分割效果，所以前期數(shù)據(jù)的準(zhǔn)備要充分。今后需要進(jìn)一步開(kāi)展的工作有以下幾點(diǎn)。

篇（8）

中圖分類(lèi)號(hào)：TP39；F239文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5168（2015）08-0006-3

隨著計(jì)算機(jī)技術(shù)、信息技術(shù)不斷推陳出新，各類(lèi)威脅到網(wǎng)絡(luò)信息安全的因素越來(lái)越多，雖然防火墻與外部檢測(cè)技術(shù)等能夠在某種程度上防止網(wǎng)絡(luò)的外部入侵，保護(hù)數(shù)據(jù)信息不受侵犯［1］。但也會(huì)因入侵技術(shù)的更新和漏洞的長(zhǎng)期存在而無(wú)法徹底保障網(wǎng)絡(luò)處于安全狀態(tài)。因此，在現(xiàn)有技術(shù)的基礎(chǔ)上，通過(guò)引入安全審計(jì)系統(tǒng)對(duì)用戶(hù)的網(wǎng)絡(luò)行為加以記錄，對(duì)網(wǎng)絡(luò)安全隱患給出評(píng)判具有重要的現(xiàn)實(shí)意義。

1網(wǎng)絡(luò)安全審計(jì)的必要性

1.1提高企業(yè)數(shù)據(jù)安全管理績(jī)效

近年來(lái)，我國(guó)信息化程度不斷加深，尤其新媒體技術(shù)和自媒體技術(shù)的出現(xiàn)，企業(yè)信息的網(wǎng)絡(luò)化、無(wú)邊界化趨勢(shì)越來(lái)越明顯，也使得網(wǎng)絡(luò)信息安全問(wèn)題不斷突顯。在這種情況下，無(wú)論是企業(yè)本身還是參與網(wǎng)絡(luò)信息提供和維護(hù)的第三方，在端口和信息通道內(nèi)都加強(qiáng)了對(duì)信息安全策略的部署，無(wú)論是信息的控制還是數(shù)據(jù)的授權(quán)，都在大量管理制度和規(guī)則下運(yùn)行。即便如此，與網(wǎng)絡(luò)信息安全相關(guān)的各類(lèi)故障還是不斷出現(xiàn)，甚至?xí)o企業(yè)的網(wǎng)絡(luò)運(yùn)營(yíng)和實(shí)際經(jīng)營(yíng)都造成了消極影響。但是，當(dāng)我們對(duì)信息安全漏洞進(jìn)行分析和查驗(yàn)時(shí)發(fā)現(xiàn)，一些嚴(yán)重的信息安全問(wèn)題之所以會(huì)由于不合規(guī)、不合法而給利益相關(guān)者造成經(jīng)濟(jì)損失，其中一個(gè)重要原因便是一些內(nèi)部“合法”用戶(hù)的“非法”操作。這是因?yàn)?，?duì)于一般的網(wǎng)絡(luò)信息或者數(shù)據(jù)，借助防火墻、防病毒軟件、反入侵系統(tǒng)等都能夠解決，在一定程度上能夠保證信息安全。可是一旦內(nèi)部人員在缺乏監(jiān)管的情況下進(jìn)行違規(guī)操作，就會(huì)使在信息外部建立起來(lái)的防線無(wú)能為力［2］。一項(xiàng)最新的調(diào)查顯示，企業(yè)內(nèi)部人員是對(duì)企業(yè)網(wǎng)絡(luò)信息進(jìn)行攻擊最為嚴(yán)重也最難防范的。在這種情況下，亟須提高企業(yè)的內(nèi)部審計(jì)能力，對(duì)內(nèi)部用戶(hù)的誤用、濫用信息行為進(jìn)行審計(jì)和監(jiān)管，對(duì)那些可能或者已經(jīng)造成各種安全事故的人員，在要求其協(xié)助網(wǎng)管人員找出原因外，還對(duì)其按照相關(guān)法律法規(guī)進(jìn)行嚴(yán)肅處理，以杜絕此類(lèi)事件再次發(fā)生。

1.2提高網(wǎng)絡(luò)運(yùn)維績(jī)效

當(dāng)前，在網(wǎng)絡(luò)環(huán)境中構(gòu)建統(tǒng)一的安全審計(jì)平臺(tái)，提高網(wǎng)絡(luò)運(yùn)維績(jī)效，是十分必要的。在這一平臺(tái)之上，能夠?qū)χ匾O(shè)備系統(tǒng)的安全信息進(jìn)行統(tǒng)一監(jiān)管，以便能夠在海量數(shù)據(jù)中挖掘出有價(jià)值的信息，使信息的獲取和使用更加有效。可見(jiàn)，提高網(wǎng)絡(luò)信息的可靠性和真實(shí)性，借助網(wǎng)絡(luò)信息安全審計(jì)提供網(wǎng)絡(luò)運(yùn)維管理績(jī)效，是網(wǎng)絡(luò)化運(yùn)營(yíng)需要認(rèn)真思考的問(wèn)題［3］。實(shí)際上，信息的安全防御是信息安全審計(jì)的一種，都是要在信息生產(chǎn)的源頭對(duì)其進(jìn)行管理和監(jiān)控，并對(duì)可能對(duì)信息安全造成威脅的因素加以防范。而即便在信息源頭未能做到完全的安全防范，在事后也可以借助各種技術(shù)手段及時(shí)分析安全防御系統(tǒng)中可能存在的各類(lèi)漏洞。甚至能夠在安全防御的過(guò)程中，對(duì)非法操作行為和動(dòng)作進(jìn)行還原，使違法、違規(guī)用戶(hù)的不當(dāng)操作暴露出來(lái)，為認(rèn)定其非法行為提供真實(shí)有效的客觀證據(jù)。因此，對(duì)網(wǎng)絡(luò)信息進(jìn)行安全審計(jì)是一項(xiàng)復(fù)雜的系統(tǒng)工程，不但要規(guī)范網(wǎng)絡(luò)、主機(jī)以及數(shù)據(jù)庫(kù)的訪問(wèn)行為，還要對(duì)用戶(hù)的使用習(xí)慣、信息內(nèi)容形成和改變進(jìn)行監(jiān)控和審計(jì)，以便有效地完成對(duì)各類(lèi)信息的監(jiān)管，提高信息質(zhì)量，為企事業(yè)單位的信息運(yùn)用和網(wǎng)絡(luò)運(yùn)營(yíng)提供安全保障。

1.3提高網(wǎng)絡(luò)信息安全性

在網(wǎng)絡(luò)空間中，有以下安全問(wèn)題值得用戶(hù)關(guān)注并予以重視：①通過(guò)訪問(wèn)控制機(jī)制強(qiáng)化對(duì)網(wǎng)絡(luò)信息進(jìn)行安全審計(jì)和信息監(jiān)控是十分必要的，這種做法不但能提高網(wǎng)絡(luò)信息的安全性，還能在訪問(wèn)控制的作用下，限制外來(lái)用戶(hù)對(duì)關(guān)鍵資源的訪問(wèn)，以保證非法用戶(hù)對(duì)信息或數(shù)據(jù)的入侵，同時(shí)也能對(duì)合法用戶(hù)的行為進(jìn)行規(guī)范，防止因操作不當(dāng)而造成破壞［4］。需要注意的，訪問(wèn)控制系統(tǒng)不但界定了訪問(wèn)主體還界定了訪問(wèn)，其目的在于檢測(cè)與防止系統(tǒng)中的非法訪問(wèn)。而借助對(duì)訪問(wèn)控制機(jī)制的管理和設(shè)計(jì)，能在很大程度上實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)信息的安全審計(jì)，使網(wǎng)絡(luò)信息處在安全狀態(tài)；②雖然網(wǎng)絡(luò)是開(kāi)放的，但網(wǎng)絡(luò)數(shù)據(jù)卻具有私有性，只有在被授權(quán)的情況下才能讓非用戶(hù)或者原始使用者訪問(wèn)，否則將被控制在不可見(jiàn)的范圍。為了實(shí)現(xiàn)這一點(diǎn)，就需要進(jìn)行網(wǎng)絡(luò)安全管理，包括網(wǎng)絡(luò)安全審計(jì)，通過(guò)信息加密，比如加密關(guān)鍵字或者授權(quán)機(jī)制、訪問(wèn)控制等。為了提高網(wǎng)絡(luò)信息安全水平，還要維護(hù)與檢查安全日志；③提高網(wǎng)絡(luò)信息安全性，為社會(huì)組織的網(wǎng)絡(luò)化行為提供安全保障，除了要對(duì)現(xiàn)實(shí)中傳輸?shù)男畔⑦M(jìn)行安全審查外，對(duì)網(wǎng)絡(luò)中傳輸?shù)男畔⒁惨M(jìn)行安全審計(jì)，通過(guò)對(duì)網(wǎng)絡(luò)操作行為的監(jiān)控，評(píng)判信息的安全等級(jí)，有針對(duì)性地對(duì)網(wǎng)絡(luò)加以控制。

2信息時(shí)代網(wǎng)絡(luò)安全審計(jì)的關(guān)鍵技術(shù)與監(jiān)控范疇

在網(wǎng)絡(luò)信息安全審計(jì)的過(guò)程中，為了最大限度地提高審計(jì)效果，不但需要借助多種信息、網(wǎng)絡(luò)和計(jì)算機(jī)技術(shù)，還應(yīng)進(jìn)一步界定網(wǎng)絡(luò)審計(jì)的監(jiān)控范圍，使網(wǎng)絡(luò)信息安全審計(jì)能夠在更為廣闊的領(lǐng)域得到應(yīng)用。

2.1網(wǎng)絡(luò)安全審計(jì)的關(guān)鍵技術(shù)

在前文的分析中可知，在當(dāng)前網(wǎng)絡(luò)環(huán)境中，網(wǎng)絡(luò)信息安全的直接威脅主要來(lái)自網(wǎng)絡(luò)內(nèi)部，要建立切實(shí)有效的監(jiān)督體制，對(duì)有破壞信息安全傾向的員工進(jìn)行監(jiān)督，以保障信息安全。為了實(shí)現(xiàn)這個(gè)目標(biāo)，除了要在制度上加以制約外，還應(yīng)借助以下網(wǎng)絡(luò)安全審計(jì)技術(shù)：①基于的網(wǎng)絡(luò)安全審計(jì)技術(shù)。借助該技術(shù)構(gòu)建起來(lái)的信息安全系統(tǒng)以網(wǎng)絡(luò)主機(jī)為載體，以分布式方式運(yùn)行。這一技術(shù)雖然能夠很好地防范信息安全威脅，但是由于監(jiān)視器是這一信息系統(tǒng)的核心模塊，需要高度保護(hù)，一旦出現(xiàn)故障，就會(huì)引發(fā)其他轉(zhuǎn)發(fā)器都陷入被動(dòng)境地，無(wú)法正常提交結(jié)果；②基于數(shù)據(jù)挖掘的網(wǎng)絡(luò)安全審計(jì)技術(shù)。數(shù)據(jù)挖掘是近幾年被廣泛采用的信息安全技術(shù)，以此為基礎(chǔ)建立起來(lái)的網(wǎng)絡(luò)安全審計(jì)系統(tǒng)能夠借助數(shù)據(jù)挖掘技術(shù)或者大數(shù)據(jù)技術(shù)，以大量日志行為為樣本，對(duì)數(shù)據(jù)中體現(xiàn)出來(lái)的行為進(jìn)行描述、判斷與比較，特征模型，并最終對(duì)用戶(hù)行為特征和行為結(jié)果進(jìn)行界定；③基于神經(jīng)網(wǎng)絡(luò)的審計(jì)技術(shù)。神經(jīng)網(wǎng)絡(luò)是計(jì)算機(jī)應(yīng)用領(lǐng)域中廣泛采用的技術(shù)，該關(guān)鍵技術(shù)的使用能夠改變網(wǎng)絡(luò)單元狀態(tài)，使連接權(quán)值處在動(dòng)態(tài)之中，一旦加入一個(gè)連接或者移去一個(gè)連接，就能夠向管理者指示出現(xiàn)了事件異常，需要果斷采取行動(dòng)保證信息安全。單純使用該技術(shù)所產(chǎn)生的作用是十分有限的。一般情況下，要將多種技術(shù)配合使用，以便能對(duì)出現(xiàn)的異常情況做出解釋?zhuān)@對(duì)確認(rèn)用戶(hù)或者事故責(zé)任人是有明顯幫助的；④借助專(zhuān)家系統(tǒng)構(gòu)建的網(wǎng)絡(luò)安全審計(jì)技術(shù)。該技術(shù)較于其他技術(shù)能夠?qū)⑿畔⑾到y(tǒng)的控制推理獨(dú)立出來(lái)，使問(wèn)題的解決能夠借助輸入的信息。為了評(píng)估這些事實(shí)，在運(yùn)行審計(jì)系統(tǒng)之前，需要編寫(xiě)規(guī)則代碼，而這也恰是能夠有效防范網(wǎng)絡(luò)信息安全威脅的有效手段。

2.2網(wǎng)絡(luò)信息安全審計(jì)的監(jiān)控范疇

2.2.1信息安全審計(jì)方法。經(jīng)驗(yàn)表明，一些網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)可以借助遠(yuǎn)程登錄完成對(duì)服務(wù)器的管理和對(duì)應(yīng)用系統(tǒng)、數(shù)據(jù)庫(kù)系統(tǒng)的記錄等，用戶(hù)的操作行為和操作習(xí)慣會(huì)在服務(wù)器上留下痕跡。該類(lèi)安全審計(jì)一般要按照以下步驟進(jìn)行：采集對(duì)被審計(jì)單位的相關(guān)信息數(shù)據(jù)，以保證數(shù)據(jù)的全面性與完整性；對(duì)采集到的數(shù)據(jù)信息進(jìn)行綜合分析與處理，使之能夠轉(zhuǎn)換成對(duì)于審計(jì)工作對(duì)應(yīng)的數(shù)據(jù)形式；借助計(jì)算機(jī)審計(jì)軟件完成對(duì)審計(jì)數(shù)據(jù)的復(fù)核。按照業(yè)內(nèi)的經(jīng)驗(yàn)，在網(wǎng)絡(luò)信息安全審計(jì)的設(shè)計(jì)過(guò)程中，需要將數(shù)據(jù)采集環(huán)節(jié)作為整個(gè)審計(jì)工作的前提與基礎(chǔ)，是其中的核心環(huán)節(jié)，否則，將無(wú)法保證數(shù)據(jù)的完整性、全面性和準(zhǔn)確性以及及時(shí)性，后面的審計(jì)工作也就無(wú)法正常開(kāi)展。一般而言，借助互聯(lián)網(wǎng)進(jìn)行審計(jì)數(shù)據(jù)的采集主要有直接讀取數(shù)據(jù)和記住數(shù)據(jù)庫(kù)連接件讀取兩種方式，它們之間具有相似性。按照這兩種方式完成數(shù)據(jù)采集，一旦其中一方數(shù)據(jù)的存儲(chǔ)格式改變，就應(yīng)及時(shí)對(duì)數(shù)據(jù)采集全部存儲(chǔ)格式進(jìn)行調(diào)整。這樣就會(huì)導(dǎo)致數(shù)據(jù)采集效率和效果受到影響，降低信息安全審計(jì)的靈活性。因此，在實(shí)際操作中，要保證數(shù)據(jù)存儲(chǔ)格式的一致性，防止審計(jì)低效。

2.2.2信息安全審計(jì)設(shè)備。在網(wǎng)絡(luò)信息安全審計(jì)中，只要將需要管理的網(wǎng)絡(luò)設(shè)備（比如出口路由器、核心交換機(jī)、匯聚交換機(jī)與接入交換機(jī)等）添加到相關(guān)安全審計(jì)系統(tǒng)之中，就能夠獲得發(fā)送過(guò)來(lái)的SNMP數(shù)據(jù)包。隨后，信息安全審計(jì)系統(tǒng)就會(huì)對(duì)數(shù)據(jù)包依據(jù)事件的等級(jí)和重要性予以分類(lèi)，以便在后續(xù)的查詢(xún)和使用中更加方便。實(shí)際上，網(wǎng)絡(luò)的信息安全設(shè)備種類(lèi)繁多，具體操作方法也大同小異。只要按照不同廠商設(shè)備的設(shè)置步驟和原則，開(kāi)啟對(duì)應(yīng)的SNMP功能之后，將相關(guān)設(shè)備添加到網(wǎng)絡(luò)中安全審計(jì)系統(tǒng)之后，就能夠進(jìn)行相關(guān)操作。當(dāng)然，在這一過(guò)程中，要對(duì)串聯(lián)在網(wǎng)絡(luò)中的設(shè)備予以重點(diǎn)關(guān)注，要保證甚至能夠允許SNMP數(shù)據(jù)包通過(guò)。由此可以看出，借助安全設(shè)備實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)信息的監(jiān)控和審計(jì)，能夠?yàn)榫W(wǎng)絡(luò)信息安全提供必要保障。當(dāng)然，由于監(jiān)控信息會(huì)不斷更新，加之由于海量數(shù)據(jù)造成的壓力，要依照實(shí)際需求確定監(jiān)控信息可以被記錄，以便能夠縮小記錄范圍，為信息安全審計(jì)提供更有價(jià)值、更具針對(duì)性的數(shù)據(jù)。

2.2.3信息安全審計(jì)流程。通過(guò)指派權(quán)限，設(shè)備管理員能夠更為直觀和真實(shí)地了解對(duì)應(yīng)設(shè)備的操作過(guò)程。如果在這一過(guò)程中出現(xiàn)了故障，可以對(duì)應(yīng)地分析和查找問(wèn)題，找到解決問(wèn)題的途徑。此外，網(wǎng)絡(luò)信息系統(tǒng)的類(lèi)別較多，以不同平臺(tái)或者中間件定制開(kāi)發(fā)的系統(tǒng)也不盡相同。在這種情況下，就需要以信息手冊(cè)為藍(lán)本，在與開(kāi)發(fā)人員進(jìn)行溝通之后，確定開(kāi)放日志接口，并將其納入到網(wǎng)絡(luò)信息安全審計(jì)的范疇。

3網(wǎng)絡(luò)信息安全審計(jì)監(jiān)控系統(tǒng)的設(shè)計(jì)與應(yīng)用

3.1網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)的運(yùn)行設(shè)計(jì)

當(dāng)前，網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)經(jīng)常使用兩個(gè)端口，其主要任務(wù)便是對(duì)聯(lián)入局域網(wǎng)系統(tǒng)的核心部位交換機(jī)與服務(wù)器進(jìn)行數(shù)據(jù)和信息交換。而為了更好地收集與存放信息安全審計(jì)數(shù)據(jù)，無(wú)論是系統(tǒng)日志還是安全審計(jì)系統(tǒng)的安全管控中心，都要設(shè)在同一服務(wù)器之上。這樣一來(lái)，基于網(wǎng)絡(luò)的信息安全審計(jì)系統(tǒng)就能夠在搜集安全審計(jì)系統(tǒng)內(nèi)部數(shù)據(jù)的同時(shí)，按照要求從相關(guān)子系統(tǒng)模塊中獲取數(shù)據(jù)，以保證各個(gè)系統(tǒng)內(nèi)的信息實(shí)現(xiàn)共享，提高信息安全審計(jì)的效率。

3.2網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)的實(shí)現(xiàn)

網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)不但是一個(gè)能夠幫助企業(yè)完成內(nèi)部經(jīng)濟(jì)管理與效益控制的系統(tǒng)，社會(huì)組織還能借助網(wǎng)絡(luò)安全監(jiān)控體系，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)操作對(duì)象的實(shí)時(shí)監(jiān)控，保證網(wǎng)絡(luò)操作中相關(guān)文件與數(shù)據(jù)的安全。這一審計(jì)系統(tǒng)的工作原理為：①借助網(wǎng)絡(luò)文件監(jiān)控能夠?qū)崿F(xiàn)消息的安全傳遞，借助標(biāo)簽維護(hù)可實(shí)現(xiàn)對(duì)安全標(biāo)簽的及時(shí)、正確處理；②借助多線程技術(shù)，構(gòu)建網(wǎng)絡(luò)信息安全監(jiān)控系統(tǒng)的驅(qū)動(dòng)程序消息控制模塊，實(shí)現(xiàn)對(duì)驅(qū)動(dòng)程序的全程監(jiān)視，并保證信息接收與發(fā)送過(guò)程處在安全保護(hù)之中；③借助系統(tǒng)程序中的文件對(duì)用戶(hù)進(jìn)程中的相關(guān)文件操作予以過(guò)濾、監(jiān)視和攔截，以保證網(wǎng)絡(luò)數(shù)據(jù)訪問(wèn)處在全面審核與嚴(yán)格控制之中，使網(wǎng)絡(luò)環(huán)境中文件的安全得到保障。

3.3網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)的實(shí)際應(yīng)用

通常而言，網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)的實(shí)際應(yīng)用需要在動(dòng)態(tài)管理的狀態(tài)下進(jìn)行。只有這樣，才能在投入使用之后，完全、精準(zhǔn)地記錄用戶(hù)的網(wǎng)上操作行為，也能對(duì)數(shù)據(jù)庫(kù)服務(wù)器的運(yùn)行予以全面監(jiān)控。比如，一旦企業(yè)員工通過(guò)“合法手段”對(duì)業(yè)務(wù)系統(tǒng)的安全性造成了威脅，那么這類(lèi)“非法操作”等網(wǎng)絡(luò)行為就會(huì)被記錄和禁止。這是因?yàn)橛脩?hù)的相關(guān)行為能夠映射到網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)之中，管理者能夠借此對(duì)用戶(hù)信息和相關(guān)操作進(jìn)行快速定位，在極短的時(shí)間內(nèi)就能夠查出事故責(zé)任人，為信息安全運(yùn)行和非法行為的處置都提供極大便利。此外，基于先進(jìn)技術(shù)建立起來(lái)的網(wǎng)絡(luò)信息安全審計(jì)系統(tǒng)，還可以在全局層面上監(jiān)視網(wǎng)絡(luò)安全狀況，對(duì)出現(xiàn)的任何問(wèn)題都能夠予以有效把控，對(duì)那些可能造成企業(yè)重大變故或者機(jī)密、核心信息的外泄行為，能夠借助網(wǎng)絡(luò)信息實(shí)時(shí)動(dòng)態(tài)監(jiān)控系統(tǒng)做出積極反應(yīng)。

參考文獻(xiàn)：

［1］付曉坤.網(wǎng)絡(luò)安全審計(jì)技術(shù)的運(yùn)用［J］.中國(guó)水運(yùn)，2013（9）：50-51.

［2］張文穎.探討網(wǎng)絡(luò)安全中安全審計(jì)與監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.電腦知識(shí)與技術(shù)，2013（16）：37-38.

篇（9）

doi：10.3969/j.issn.1673-0194.2020.22.028

[中圖分類(lèi)號(hào)]TP393.08；F239.4[文獻(xiàn)標(biāo)識(shí)碼]A[文章編號(hào)]1673-0194（2020）22-00-02

1智能油田信息安全風(fēng)險(xiǎn)

在數(shù)字化轉(zhuǎn)型發(fā)展背景下，智能油田建設(shè)與應(yīng)用進(jìn)程逐漸加快，網(wǎng)絡(luò)與信息系統(tǒng)的基礎(chǔ)性、全局性作用不斷增強(qiáng)，而保證核心數(shù)據(jù)資產(chǎn)的安全對(duì)油田業(yè)務(wù)的高質(zhì)量發(fā)展至關(guān)重要。當(dāng)前國(guó)內(nèi)外網(wǎng)絡(luò)安全形勢(shì)嚴(yán)峻，境內(nèi)外惡意分子以及被政治、經(jīng)濟(jì)利益裹挾的黑客組織，對(duì)能源行業(yè)加劇進(jìn)行網(wǎng)絡(luò)滲透，攻擊關(guān)鍵信息基礎(chǔ)設(shè)施、竊取商業(yè)機(jī)密等敏感信息，對(duì)油田信息安全構(gòu)成了極大的外部威脅。此外，內(nèi)部員工違規(guī)訪問(wèn)不良網(wǎng)站內(nèi)容，使智能系統(tǒng)面臨著嚴(yán)重法律風(fēng)險(xiǎn)，加上員工有意識(shí)或無(wú)意識(shí)的網(wǎng)絡(luò)泄密事件與系統(tǒng)運(yùn)維人員違規(guī)操作事件頻發(fā)，嚴(yán)重威脅了智能油田發(fā)展。目前，我國(guó)油田信息安全建設(shè)思路已經(jīng)從防外為主，逐步轉(zhuǎn)為以?xún)?nèi)外兼顧的策略，信息安全審計(jì)成為縱深安全防御延伸和安全體系建設(shè)的重要環(huán)節(jié)。為遵循國(guó)家網(wǎng)絡(luò)強(qiáng)國(guó)戰(zhàn)略、達(dá)到網(wǎng)絡(luò)安全合規(guī)要求，有效避免黑客攻擊、網(wǎng)絡(luò)泄密、違規(guī)上網(wǎng)、數(shù)據(jù)竊取等安全風(fēng)險(xiǎn)，我國(guó)急需建立智能油田信息安全綜合審計(jì)平臺(tái)，實(shí)現(xiàn)信息內(nèi)容實(shí)時(shí)檢查、網(wǎng)絡(luò)行為全面監(jiān)測(cè)、安全事件追溯取證，為油田高質(zhì)量發(fā)展保駕護(hù)航。

2信息安全綜合審計(jì)關(guān)鍵技術(shù)

信息安全綜合審計(jì)是企業(yè)內(nèi)控管理、安全風(fēng)險(xiǎn)治理不可或缺的保障措施，主要指對(duì)網(wǎng)絡(luò)運(yùn)行過(guò)程中與安全有關(guān)的活動(dòng)、數(shù)據(jù)、日志以及人員行為等關(guān)鍵要素進(jìn)行識(shí)別、記錄及分析，發(fā)現(xiàn)并評(píng)估安全風(fēng)險(xiǎn)。針對(duì)智能油田業(yè)務(wù)需求場(chǎng)景，重點(diǎn)解決3項(xiàng)技術(shù)難題：一是如何基于縱深防御理論通過(guò)大數(shù)據(jù)、云計(jì)算等技術(shù)，對(duì)油田不同防御層級(jí)的日志、流量等信息進(jìn)行關(guān)聯(lián)分析建模，有效預(yù)防黑客隱蔽型攻擊；二是如何通過(guò)建立面向油田具體業(yè)務(wù)場(chǎng)景的敏感信息指紋庫(kù)、安全策略庫(kù)、行為特征庫(kù)，構(gòu)建覆蓋敏感文件信息處理、存儲(chǔ)、外發(fā)等關(guān)鍵環(huán)節(jié)的縱深防護(hù)與事件溯源取證機(jī)制；三是如何通過(guò)深度網(wǎng)絡(luò)業(yè)務(wù)流量識(shí)別與數(shù)據(jù)建模分析技術(shù)，建立面向油田具體業(yè)務(wù)場(chǎng)景的員工上網(wǎng)行為監(jiān)管審計(jì)機(jī)制，實(shí)現(xiàn)對(duì)員工違規(guī)網(wǎng)絡(luò)行為的全面管控。

2.1多源異構(gòu)網(wǎng)絡(luò)日志信息統(tǒng)一標(biāo)準(zhǔn)化方法與關(guān)聯(lián)分析模型

設(shè)計(jì)多源異構(gòu)網(wǎng)絡(luò)日志信息格式標(biāo)準(zhǔn)化方法，利用基于大數(shù)據(jù)處理的日志過(guò)濾與關(guān)聯(lián)分析建模技術(shù)，整合網(wǎng)絡(luò)泄密、違規(guī)上網(wǎng)、黑客攻擊等網(wǎng)絡(luò)風(fēng)險(xiǎn)事件日志信息，建立油田信息安全風(fēng)險(xiǎn)關(guān)聯(lián)分析模型。

2.2信息安全審計(jì)敏感信息指紋庫(kù)、行為特征庫(kù)、審計(jì)策略庫(kù)

結(jié)合油田具體業(yè)務(wù)需求場(chǎng)景，運(yùn)用數(shù)據(jù)分類(lèi)分級(jí)與指紋識(shí)別技術(shù)、深度業(yè)務(wù)流量識(shí)別與建模方法，建立滿(mǎn)足國(guó)家合規(guī)要求及油田特有應(yīng)用場(chǎng)景需求的敏感信息指紋庫(kù)、網(wǎng)絡(luò)行為特征庫(kù)及安全審計(jì)策略庫(kù)。

2.3數(shù)據(jù)防泄露與敏感信息內(nèi)容檢查機(jī)制

基于操作系統(tǒng)底層驅(qū)動(dòng)過(guò)濾的數(shù)據(jù)通道防護(hù)技術(shù)、基于智能語(yǔ)義分析的敏感信息內(nèi)容審計(jì)技術(shù)，實(shí)現(xiàn)對(duì)員工通過(guò)云盤(pán)、郵件、即時(shí)通信、移動(dòng)介質(zhì)等方式外發(fā)涉密信息的實(shí)時(shí)檢測(cè)與控制，徹底解決員工有意識(shí)或無(wú)意識(shí)地違規(guī)存儲(chǔ)、處理、外發(fā)涉密信息問(wèn)題。

3智能油田信息安全綜合審計(jì)平臺(tái)建設(shè)及應(yīng)用

信息安全綜合審計(jì)平臺(tái)是一個(gè)綜合利用云計(jì)算、大數(shù)據(jù)、人工智能、數(shù)據(jù)指紋、異構(gòu)數(shù)據(jù)采集等技術(shù)，實(shí)現(xiàn)網(wǎng)絡(luò)行為監(jiān)控、信息內(nèi)容審計(jì)、數(shù)據(jù)庫(kù)操作審計(jì)、網(wǎng)絡(luò)異常流量監(jiān)測(cè)預(yù)警的審計(jì)溯源系統(tǒng)，在滿(mǎn)足網(wǎng)絡(luò)合規(guī)性要求的同時(shí)，為信息安全管理與系統(tǒng)運(yùn)維人員提供了網(wǎng)絡(luò)安全監(jiān)測(cè)、事件追溯取證的基本手段，提升了油田對(duì)敏感數(shù)據(jù)的監(jiān)測(cè)預(yù)警和傳輸阻斷能力，防止了敏感信息泄露，增強(qiáng)了對(duì)外部黑客隱蔽性網(wǎng)絡(luò)攻擊行為與內(nèi)部運(yùn)維人員違規(guī)業(yè)務(wù)操作的防御能力。其中，圖1是智能油田信息安全綜合審計(jì)平臺(tái)總體架構(gòu)。

基于信息安全綜合審計(jì)關(guān)鍵技術(shù)研究與集成創(chuàng)新，相關(guān)單位研發(fā)建立了智能油田信息安全綜合審計(jì)平臺(tái)，以縱深防御理論為指導(dǎo)，通過(guò)網(wǎng)絡(luò)層面的行為和流量審計(jì)、信息系統(tǒng)層面日志和數(shù)據(jù)庫(kù)審計(jì)、終端層面的信息內(nèi)容審計(jì)等，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)風(fēng)險(xiǎn)事件的事前防范、事中告警、事后追溯，形成上網(wǎng)行為全面管控、網(wǎng)絡(luò)保密實(shí)時(shí)防護(hù)、網(wǎng)絡(luò)攻擊深度發(fā)現(xiàn)的主動(dòng)治理新模式。貫穿數(shù)據(jù)信息的產(chǎn)生、存儲(chǔ)、傳輸、應(yīng)用全生命周期的關(guān)鍵過(guò)程，自主建立油田敏感信息指紋庫(kù)，構(gòu)建基于涉密違規(guī)存儲(chǔ)遠(yuǎn)程檢查、終端違規(guī)外發(fā)自動(dòng)阻斷、網(wǎng)絡(luò)敏感信息識(shí)別告警功能的數(shù)據(jù)安全縱深防護(hù)與事件追溯取證機(jī)制，為網(wǎng)絡(luò)保密主動(dòng)治理提供技術(shù)手段。通過(guò)設(shè)計(jì)跨平臺(tái)、多協(xié)議網(wǎng)絡(luò)信息采集接口機(jī)制與多源異構(gòu)日志標(biāo)準(zhǔn)化數(shù)據(jù)模型，結(jié)合云計(jì)算與大數(shù)據(jù)處理技術(shù)，建立適應(yīng)油田海量非結(jié)構(gòu)化日志信息的存儲(chǔ)云中心，且基于深度學(xué)習(xí)算法建立關(guān)聯(lián)模型，通過(guò)日志信息縱向聚合與橫向關(guān)聯(lián)實(shí)現(xiàn)網(wǎng)絡(luò)行為與信息內(nèi)容全面審計(jì)。

篇（10）

doi：10.3969/j.issn.1673 - 0194.2015.08.012

[中圖分類(lèi)號(hào)]TP393.08 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1673-0194（2015）08-0019-01

近年來(lái)，隨著辦公業(yè)務(wù)對(duì)手機(jī)軟件相關(guān)信息系統(tǒng)的依賴(lài)越來(lái)越高，APP應(yīng)用軟件信息系統(tǒng)存在的風(fēng)險(xiǎn)對(duì)業(yè)務(wù)的潛在影響也越來(lái)越大。解決針對(duì)業(yè)務(wù)信息內(nèi)容的篡改操作行為的監(jiān)控管理的問(wèn)題，必須要有一種有效的安全技術(shù)手段對(duì)內(nèi)部員工、運(yùn)行維護(hù)人員以及第三方人員的上網(wǎng)行為、內(nèi)網(wǎng)行為、操作行為等進(jìn)行有效的監(jiān)控和管理，并對(duì)其行為趨勢(shì)進(jìn)行分析和總結(jié)。

1 APP應(yīng)用信息安全審計(jì)定義

為了APP應(yīng)用信息系統(tǒng)的安全、可靠與有效，由獨(dú)立于審計(jì)對(duì)象的IT審計(jì)師，以第三方的客觀立場(chǎng)對(duì)以計(jì)算機(jī)為核心的信息系統(tǒng)進(jìn)行綜合的檢查與評(píng)價(jià)，向IT審計(jì)對(duì)象的最高領(lǐng)導(dǎo)，提出問(wèn)題與建議的一連串的活動(dòng)稱(chēng)為IT審計(jì)。IT審計(jì)就是信息系統(tǒng)審計(jì)，也稱(chēng)IT監(jiān)查。

2 APP應(yīng)用信息安全審計(jì)的實(shí)現(xiàn)

要實(shí)現(xiàn)APP應(yīng)用信息安全審計(jì)，保障計(jì)算機(jī)信息系統(tǒng)中信息的機(jī)密性、完整性、可控性、可用性和不可否認(rèn)性（抗抵賴(lài)），需要對(duì)計(jì)算機(jī)信息系統(tǒng)中的所有網(wǎng)絡(luò)資源（包括數(shù)據(jù)庫(kù)、主機(jī)、操作系統(tǒng)、網(wǎng)絡(luò)設(shè)備、安全設(shè)備等）進(jìn)行安全審計(jì)，記錄所有發(fā)生的事件，提供給系統(tǒng)管理員作為系統(tǒng)維護(hù)以及安全防范的依據(jù)。

2.1 合規(guī)性審計(jì)

做到有效控制IT風(fēng)險(xiǎn)，尤其是操作風(fēng)險(xiǎn)，對(duì)業(yè)務(wù)的安全運(yùn)營(yíng)至關(guān)重要。因此，合規(guī)性審計(jì)成為被行業(yè)推崇的有效方法。安全合規(guī)性審計(jì)指在建設(shè)與運(yùn)行IT系統(tǒng)中的過(guò)程是否符合相關(guān)的法律、標(biāo)準(zhǔn)、規(guī)范、文件精神的要求一種檢測(cè)方法。這作為風(fēng)險(xiǎn)控制的主要內(nèi)容之一，是檢查安全策略落實(shí)情況的一種手段。

2.2 日志審計(jì)

基于日志的安全審計(jì)技術(shù)是通過(guò)SNMP、SYSLOG或者其他的日志接口從網(wǎng)絡(luò)設(shè)備、主機(jī)服務(wù)器、用戶(hù)終端、數(shù)據(jù)庫(kù)、應(yīng)用系統(tǒng)和網(wǎng)絡(luò)安全設(shè)備中收集日志，對(duì)收集的日志進(jìn)行格式標(biāo)準(zhǔn)化、統(tǒng)一分析和報(bào)警，并形成多種格式和類(lèi)型的審計(jì)報(bào)表。

2.3 網(wǎng)絡(luò)行為審計(jì)

基于網(wǎng)絡(luò)技術(shù)的安全審計(jì)是通過(guò)旁路和串接的方式實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)數(shù)據(jù)包的捕獲，進(jìn)行協(xié)議分析和還原，可達(dá)到審計(jì)服務(wù)器、用戶(hù)終端、數(shù)據(jù)庫(kù)、應(yīng)用系統(tǒng)的安全漏洞，審計(jì)合法、非法或入侵操作，監(jiān)控上網(wǎng)行為和內(nèi)容，監(jiān)控用戶(hù)非工作行為等目的。網(wǎng)絡(luò)行為審計(jì)更偏重于網(wǎng)絡(luò)行為，具備部署簡(jiǎn)單等優(yōu)點(diǎn)。

2.4 主機(jī)審計(jì)

主機(jī)安全審計(jì)是通過(guò)在主機(jī)服務(wù)器、用戶(hù)終端、數(shù)據(jù)庫(kù)或其他審計(jì)對(duì)象中安裝客戶(hù)端的方式來(lái)進(jìn)行審計(jì)，可達(dá)到審計(jì)安全漏洞、審計(jì)合法和非法或入侵操作、監(jiān)控上網(wǎng)行為和內(nèi)容以及向外拷貝文件行為、監(jiān)控用戶(hù)非法行為等目的。主機(jī)審計(jì)包括主機(jī)的漏洞掃描產(chǎn)品、主機(jī)防火墻和主機(jī)IDS/IPS的安全審計(jì)功能、主機(jī)上網(wǎng)和上機(jī)行為監(jiān)控、終端管理等類(lèi)型的產(chǎn)品。

2.5 應(yīng)用系統(tǒng)審計(jì)

應(yīng)用系統(tǒng)安全審計(jì)是對(duì)用戶(hù)在業(yè)務(wù)應(yīng)用過(guò)程中的登錄、操作、退出的一切行為通過(guò)內(nèi)部截取和跟蹤等相關(guān)方式進(jìn)行監(jiān)控和詳細(xì)記錄，并對(duì)這些記錄按時(shí)間段、地址段、用戶(hù)、操作命令、操作內(nèi)容等分別進(jìn)行審計(jì)。

2.6 集中操作運(yùn)維審計(jì)

集中操作運(yùn)維審計(jì)側(cè)重于對(duì)網(wǎng)絡(luò)設(shè)備、服務(wù)器、安全設(shè)備、數(shù)據(jù)庫(kù)的運(yùn)行維護(hù)過(guò)程中的風(fēng)險(xiǎn)審計(jì)。

運(yùn)維審計(jì)的方式不同于其他審計(jì)，尤其是維護(hù)人員為了安全的要求，開(kāi)始大量采用加密方式，如遠(yuǎn)程桌面協(xié)議（Remote Desktop Protocol，RDP）、SSL等，加密口令在連接建立的時(shí)候動(dòng)態(tài)生成，一般的針對(duì)網(wǎng)絡(luò)行為進(jìn)行審計(jì)的技術(shù)是無(wú)法實(shí)現(xiàn)的。

3 審計(jì)系統(tǒng)的實(shí)現(xiàn)

通過(guò)對(duì)6類(lèi)審計(jì)產(chǎn)品的綜合應(yīng)用，可以形成較完備的APP應(yīng)用信息系統(tǒng)安全審計(jì)應(yīng)用系統(tǒng)，對(duì)整個(gè)網(wǎng)絡(luò)與信息系統(tǒng)中的網(wǎng)絡(luò)、主機(jī)、應(yīng)用系統(tǒng)、數(shù)據(jù)庫(kù)及安全設(shè)備等進(jìn)行安全審計(jì)，且可以支持分布式跨網(wǎng)審計(jì)，并進(jìn)行集中統(tǒng)一管理，達(dá)到對(duì)審計(jì)數(shù)據(jù)綜合的統(tǒng)計(jì)與分析，更有效地防御外部的入侵和內(nèi)部的非法違規(guī)操作，最終起到保護(hù)信息和資源的作用。

參考網(wǎng)絡(luò)與信息系統(tǒng)安全審計(jì)應(yīng)用模型，企業(yè)既可以采取單項(xiàng)逐一建設(shè)方式，也可以采用多項(xiàng)綜合建設(shè)方式建立內(nèi)部審計(jì)應(yīng)用系統(tǒng)。對(duì)于擁有分（子）公司且不在同一地區(qū)的企業(yè)，也可以通過(guò)城域網(wǎng)絡(luò)把多個(gè)分（子）公司統(tǒng)一起來(lái)，進(jìn)行集中建設(shè)，統(tǒng)一管理。

4 結(jié) 論

通過(guò)整合市面上多種不同類(lèi)型的審計(jì)產(chǎn)品，按照網(wǎng)絡(luò)與信息系統(tǒng)安全審計(jì)應(yīng)用模型，采用“統(tǒng)一規(guī)劃、分步實(shí)施”的方式，可以在企業(yè)內(nèi)部建立起嚴(yán)格監(jiān)控的網(wǎng)絡(luò)與信息系統(tǒng)安全審計(jì)應(yīng)用平臺(tái)，提升企業(yè)信息化日常運(yùn)維及操作的安全性。

主要參考文獻(xiàn)