基于神经网络理论的系统安全评价模型

合集下载

基于模糊神经网络的公路隧道施工系统安全评价

基于模糊神经网络的公路隧道施工系统安全评价摘要：针对高速公路隧道施工系统的安全评价问题，将模糊理论与神经网络相融合，研究建立了一种模糊神经网络评价模型。

文中描述了模糊神经网络的基本结构和原理，阐明了该评价系统的工作原理及实现方法。

该评价模型具有对环境变化的自学习能力，对权值进行动态调整，通过适当补充学习样本，可以实现历史经验与新知识完美结合，动态地评价公路隧道施工系统的安全状态。

关键词：高速公路；隧道施工系统；安全评价；模糊理论；神经网络0引言近年来，随着国家高速公路迅猛发展，隧道建设数量也越来越多，规模也越来越大。

在隧道施工过程中，由于围岩地质条件的多样性和复杂性，其施工事故发生率比其他岩土工程高且严重，给隧道工程施工人员身心带来严重的危害，社会影响恶劣，有悖于国家建设和谐社会的宗旨。

这就要求用科学的方法对隧道施工生产系统进行安全分析与评估，预测事故发生的可能性[1]。

在传统的公路隧道施工生产系统安全评价中，经常使用的安全评价方法主要以定性安全评价方法为主，如专家论证法、安全检查表法及作业条件危险性评价法等[2,3]。

近年来，在公路隧道施工生产系统安全评价中，引人了模糊综合评价的方法，取得了较好的决策效果[4]。

但是，该方法缺乏对环境变化的自学习能力，对权值不能进行动态调整[5],而神经网络具有非线性逼近能力,具有自学习、自适应和并行分布处理能力，但其对不确定性知识的表达能力较差，因此，模糊控制与神经网络结合就可以优势互补，各取所长[6]，在这方面已经出现了一些研究成果[7～11]。

为此，本文把人工神经网络理论与模糊综合评价理论相融合，研究建立了一种模糊神经网络评价模型，对公路隧道施工的安全管理水平进行评价。

1模糊神经网络1.1基本结构原理模糊神经网络是由与人脑神经细胞相似的基本计算单元即神经元通过大规模并行、相互连接而成的网络系统，训练完的网络系统具有处理评估不确定性的能力，也具有记忆联想的能力，可以成为解决评估问题的有效工具，对未知对象作出较为客观正确的评估。

基于BP神经网络的网络安全评价方法研究

中图法分类号：Ｐ９Ｔ３３
文献标识码：Ａ
文章编号：００７２２ｏ）ｔｂｔ．ｉｈｅｌｓｅｎｌｏｔｍａｅｎｒｕｈｓｔｔｕｅ．ｇｔｄｃｕｔｒｇａｇｒｈｂｓｄｏｇｅｉｒｗｅｉｉｏ
２．Ｄｅａｔｅｔｆｏｕｅｃｎｅｎｅｈｏｏ，Ｔｉａｎｖｒｔ，ａａ７０１ＣｉａｐｒｎｏＣｍｐｔＳｉｃｄＴｃｎｌｙａｈｎＵｉｓＴｉｎ２１２，ｈ）ｍｒｅａｓｅｉｙ ’ ｎ
ＡｂｔａｔＮｅｗｏｋｓｃｒｔｖｌｅｏｕｅ，ｔｌｃｍｍｕｉａｉｎｐｙｉｓｍａｈｂｏｏｙｍａａｅｎ，ｓｃａｎａｙｏｈｒｓｒｃ：ｔｒｅｕｉｉｏｖｓｃｍｐｔｒｅｅｏｙｎｎｃｔｏ，ｈｓｃ，ｔ，ｉｌｇ，ｎｇｍｅｔｏｉｌｄｍｎｔｅａ
ｏｎＡＨＰｗｈｃａｅｓｄｏｏｒｈｎｉｅａｓｓｍｅｔｆｅｏｋｓｃｒ，，ｉｈＣｂｅｎｃｍｐｅｅｓｖｓｅｓｎｎｔｒｅｕｉＢｙｔｉｙｍｏｅｓｉｎｉｃａｄｒａｏａｌｓｌａｎｕｏｗｙｔｓｗａ，ｈｒｃｅｔｓｎｂｅｒｕｔｃｎｉｆｎｅｅｓｂｂａｎｄＴｅｎｗｅｄｍｅｈｄａｅｒｖｄｄｆｒｖｒｌａｓｓｉｇｓｃｒｔｔｔｓｆｏｕｅｅｏｋｓｓｅ．Ｔｈｔｄｅｕｔｅｏｔｉｅ．ｈｅｉａａｔｏｒｏｉｅｏｅａｌｓｅｓｎｅｕｉｓａｕｍｐｔｒｔｒｙｔｍｄｎｐｏｙｏｃｎｗｅｓｙｒｓｌｕｓｈｖｏｎｅｒｔａａｕｄｂｏｄａｐｉａｉｎｐｏｐｃｓｎｔｅｅａｕｔｎａｄｃｒｉｃｔｎｏｎｔｏｋｓｃｒ．ａｅｉ￣ａｔｈｏｅｉｌｌｅａｒａｐｌｔｒｓｅｔｖｌａｉｎｅｔａｉｆｅｒｅｕｉｍｐｔｃｖｎｃｏｏｈｏｉｆｏｗｙｔＫｅｒｓｅｏｋｓｃｒｔ；ｅｕｉｓｅｓｎ；ｎａｙｉａｉｒｃｙｐｏｅｓｗｅｇｔａｔｆｉｌｅｒｌｅｏｋｙｗｏｄ：ｔｒｅｕｉｓｃｒａｓｓｍｅｔｎｗｙｙｔａｌｔｃｌｅａｈｒｃｓ；ｈｒｉｈ；ｒｉｃａｕａｔｒｉｎｎｗ

基于人工神经网络市政工程安全评价模型的研究

ＷａｇＨｏｇｉｎｎｑ
决国内外专家学者对市政工程安全评价模型进行定的，定了其安全状态的变化并不按照某一特殊规了较为广泛地研究，主要包括专家评议法、全检查律或函数的变化，安与人Ｔ神经网络典型特性—— 非线
ＡＧ２ＪＱＬ０安全管理机构
施工环境、施工机具、险性较大Ｔ艺、危综合安全管理
四大类。其安全评价指标体பைடு நூலகம்系如图１示，工环境、所施施工机具、险性较大工艺、全管理四类指标体系危安分别如图２～５所示。
表１市政施工危险源分析表
ｌ２３４
５
深基坑开挖起重吊装高支模系统预应力张拉
高处作业
支护结构缺陷引发坍塌；械失稳引发倾覆；坏临近建（）物基础；机破构筑设备碰撞线路引发触电人员违规作业或设备缺陷引发起重伤害；础失稳引发倾覆基基础不均匀沉降、架架体缺陷、严格按照方案组织施工等引发坍塌事故支未机具缺陷、护不规范、员违规操作引发机械伤害防人
程施１安全评价模型。二市政Ｔ程灾害系统是一个复杂的人一一境系机环１市政工程施工危险源辨识
市政Ｔ程施工具有露天作业多、线长、面广等显著

安全评价方法分类（二篇）

安全评价方法分类安全评价方法分类的目的是为了根据安全评价对象选择适用的评价方法。

安全评价方法的分类方法很多，常用的有按评价结果的量化程度分类法、按评价的推理过程分类法、按针对的系统性质分类法、按安全评价要达到的目的分类法等。

1)按评价结果的量化程度分类法按照安全评价结果的量化程度，安全评价方法可分为定性安全评价方法和定量安全评价方法。

(1)定性安全评价方法。

定性安全评价方法主要是根据经验和直观判断能力对生产系统的工艺、设备、设施、环境、人员和管理等方面的状况进行定性的分析，安全评价的结果是一些定性的指标，如是否达到了某项安全指标、事故类别和导致事故发生的因素等。

属于定性安全评价方法的有安全检查表、专家现场询问观察法、因素图分析法、事故引发和发展分析、作业条件危险性评价法(格雷厄姆-金尼法或LEC法)、故障类型和影响分析、危险可操作性研究等。

定性安全评价方法的特点是容易理解、便于掌握，评价过程简单。

目前定性安全评价方法在国内外企业安全管理工作中被广泛使用。

但定性安全评价方法往往依靠经验，带有一定的局限性，安全评价结果有时因参加评价人员的经验和经历等有相当的差异。

同时由于安全评价结果不能给出量化的危险度，所以不同类型的对象之间安全评价结果缺乏可比性。

(2)定量安全评价方法。

定量安全评价方法是运用基于大量的实验结果和广泛的事故资料统计分析获得的指标或规律(数学模型)，对生产系统的工艺、设备、设施、环境、人员和管理等方面的状况进行定量的计算，安全评价的结果是一些定量的指标，如事故发生的概率、事故的伤害(或破坏)范围、定量的危险性、事故致因因素的事故关联度或重要度等。

按照安全评价给出的定量结果的类别不同，定量安全评价方法还可以分为概率风险评价法、伤害(或破坏)范围评价法和危险指数评价法。

①概率风险评价法。

概率风险评价法是根据事故的基本致因因素的事故发生概率，应用数理统计中的概率分析方法，求取事故基本致因因素的关联度(或重要度)或整个评价系统的事故发生概率的安全评价方法。

基于BP神经网络的网络安全评价方法研究

况下，建立了可靠、有效的网络安全综合评价模型。通过实例对网络安全进行研究，选择合适的学习样本及参数进
行训练，并获得较好的评价结果，评价结果客观、正确，算结果贴近成功案例结果。计
关键词：ＢＰ神经网络；
第ｌＯ卷
第４期
山东商业职业技术学院学报
ＪｕｎｌｏｈｎｏｇＩｓｉｔｆＣｍｍｅｃｎｅｈｏｏｙｏｒａｆＳａｄｎｎｔｕｅｏｏｔｒｅａｄＴｃｎｌｇ
Ｖ１１Ｎｏ４ｏ．０．Ａｕ．００ｇ２１
ＡｂｔａｔＦｒｔｈｓｐｐｒｉｔｏｃｄｈａｉｈｏｅｓｒｃ：ｉｓ，ｔｉａｅｎｒｄｕｅｔｅｂｓｃｔｅｒｓ，ａｇｒｔｍｓａｄｄｅｅｔｆＢＰＮｅｒｌＮｅｗｏｋ．ｉｌｏｉｈｎｔｃｓｏｕａｔｒＣｏｌｉｇｗｉｈａｉｒｎｃｐｅｎｄｓｅｏｓａｌｓｉｇＢＰ—ｍｏｅ，ｉｅｔｂｌｈｄｒｌａｅａｄｅｅｔｖｅ— ｍｐｙｎｔｔｅｂｓｃｐｉｉｌｓａｔｐｓｆｒｅｔｂｉｈｎｈｄｌｔｓａｉｅｅｉｂｌｎｆｃｉｅｎｔｓｗｏｋｓｃｒｔｏｒｅｕｙｃｍｐｒｈｎｓｖｖｌａｉｎｍｏｅ．Ｔｈｏｇｅｗｏｋｓｃｒｔａｅｓｕｙｎｉｅｅｉｅｅａｕｔｄ１ｏｒｕｈｎｔｒｅｕｙｃｓｔｄｉｇ，ａｐｒｐａｅｔａｎｎｅａｉｐｏｒｔｒｉｉｇｓｔｄ — ｉｔｎａａｔｒｅｅｔｏａａｄｐｒｍｅｅｓｓｌｃｉｎ，ｂｔｅｖｌａｉｎｒｓｌｓｈｖｅｎａｈｅｅｅｔｒｅａｕｔｅｕｔａｅｂｅｃｉｖｄ．Ｔｈｖｌａｉｎｒｓｌｓａｅｉｏｅｅａｕｔｏｅｕｔｒｍｐｅｓｎｌａｄｒｏａｎｃｒｅｔｒｓｉｇｃｏｅｔｈｅｕｔｆｔｅｓｃｅｓｕａｅ．ｏｒｃ，ｐｅｓｎｌｓｏｔｅｒｓｌｓｏｈｕｃｓｆｌｃｓｓＫｅｙｗｏｒＢＰｕａｔｒｎｔｒｅｕｔｍｏｅ；ｎｅｆｅａｕｔｏｄｓ：ＮｅｒｌＮｅｗｏｋ；ｅｗｏｋｓｃｒｙ；ｄｌｉｄｘｏｖｌａｉｎｉ

神经网络理论在火炸药企业控制系统中系统安全评价的分析

ｔｅｃｎｒｌｓｓｅｓｆｔｓｅｓｎｎｅｐｏｉｅｎｅｐｉｅ，ｕｔｇｆｒｒｈｈｏｙｂｓｄｏｈａｅｙｅａｕｔｎｓｓｈｏｔｏｙｔｍａｅｙａｓｓｍｅｔｘｌｓｖｓｅｔｒｒｓｓｐｔｉｏｗａｄｔｅｔｅｒａｅｎｔｅｓｆｔｖｌａｉｙ — ｉｎｏ
Ａｂｔａｔ：ｎｔｓａｔｃｅｔｈｅｒｈｅａｔｆｃａｕａｔｓｒｃＩｈｉｒｉｌ，ｈｅｔｏｙｏｆｔｒｉｉｉｌｎｅｒｌｎｅｗｏｒｓｉｒｕｃｄ．Ａｔｔａｍｅｔｍｅ，ｏｍｅｌｍｉａｉｓｏｆｋｉｎｔｏｄｅｈｅｓｉｓｉｔｔｏｎＢＰｕａｔｏｋａｅａａｙｅｎｐｔｍｉｅｅｈｓａｅｓｎｅｒｌｎｅｗｒｒｎｌｚｄａｄｏｉｚｄｍｔｏｄｒｕｐｐｅＯｎｔｓｂｓｓ，ｈｅａｅｗｏｋｈｅｙｗａｐｐｌｄｔｏｓｄ．ｈｉａｉｔｅｎｕｒｌｎｔｒｔｏｒｓａｉｏｅ
２ＤｅａｔｎｆｖｒｍｅｔＩｓｅＢｉａｑａｔｒ，ｎｙｎｈｍｉｌｎｕｔｙＣｒｏａｉｎＬａｙｎ１０，ｈｎ）．ｐｒｍｅｔｏＧｏｅｎｎｓｕｕｌＨｅｄｕｒｅｓＱｉｇａｇＣｅｃｄｓｒｏｐｒｔ，ｉｏａｇ１１ＣｉａｄａＩｏ１０
和随机型网络模型等。目前在模式识别中应用成熟
和较多的模型是前馈多层式网络中的ＢＰ反向传播

一个基于神经网络的信息系统安全性综合评估模型

Ｃ３１５／ＰＮ４－２８Ｔ
ＩＳ１０－３ＸＳＮ０７１０
计算机工程与科学
ＣＯＭＰＥＮＮＥＲＮＧ＆Ｓ１ＮＣＵＴＲＥＧＩＥＩＣＥＥ
２００８年第３０卷第１期１
ＶＯ．ＯＮｏ１，０８１３，．１２０
摘
要：文提出了一个将神经网络技术与模糊综舍评价法结合的评估模型。首先根据信息系统资产的组成以及安本
全性因素建立层次性的安全性指标体系，用层次分析法确定指标权重；使然后借助安全工具的测试结果，用模糊综合评使
估法构造前向神经网络；最后，用神经网络的反向传播算法调整指标权重。在此模型的基础上，计并实现了一个信息使设
中图分类号：Ｐ０Ｔ３９
文献标识码：Ａ
１引言
安全性是信息系统的一个重要性能指标。装备管理信息系统因涉及很多装备信息、业务流程及计算模型，对安全性的要求非常高，的安全风险评估尤其受到重视。模糊它综合评判通过模糊集操作，结合定性分析和定量分析技术，是复杂系统性能评估的一种常用方法。人工神经网络通过学习可以逼近任意函数，有很好的适应性。本文将人工具
（装甲兵工程学院信息工程系，北京１０７）００２（ｅａｔｎｆｎｏｍａｉｎＥｇｅｒｇＡｍｏｅｏｃｎｉｅｒｇＩｓｔｔ，ｅｉ００２ＣｉａＤｐｒｍｅｔｆｒｔｎｉｅｉ，ｒｒｄＦｒｅＥｇｅｉｔｕｅＢｉｎ１０７，ｈｎ）ｏＩｏｎｎｎｎｎｉｊｇ

BP神经网络基本原理

BP神经网络基本原理2.1 BP神经网络基本原理BP网络模型处理信息的基本原理是：输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。

此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

2.2 BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

（1）节点输出模型隐节点输出模型：Oj =f(∑Wij×Xi-qj) (1)输出节点输出模型：Yk =f(∑Tjk×Oj-qk) (2)f-非线形作用函数；q -神经单元阈值。

图1典型BP网络结构模型（2）作用函数模型作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数： f(x)=1/(1+e-x)（3）（3）误差计算模型误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数： E p =1/2×∑(t pi -O pi )2 (4)t pi - i 节点的期望输出值；O pi -i 节点计算输出值。

（4）自学习模型神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵W ij 的设定和误差修正过程。

BP 网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。

自学习模型为△W ij (n+1)= h ×Фi ×O j +a ×△W ij (n) （5）h -学习因子；Фi -输出节点i 的计算误差；O j -输出节点j 的计算输出；a-动量因子。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

(神经网络,安全评价)基于神经网络理论的系统安全评价模型王三明蒋军成（南京化工大学，南京，210009）摘要本文阐述了人工神经网络基本原理，研究分析了BP神经网络模型的缺陷并提出了优化策略。

在此基础上，将神经网络理论应用于系统安全评价之中，提出了基于此理论的系统安全评价模型、实现方法和优点；评价实例证明此方法的可行性。

关键词神经网络网络优化安全评价　1. 引言人工神经网络模拟人的大脑活动，具有极强的非线形逼近、大规模并行处理、自训练学习、自组织和容错能力等优点，将神经网络理论应用于系统安全评价之中，能克服传统安全评价方法的一些缺陷，能快速、准确地得到安全评价结果。

这将为企业安全生产管理与控制提供快捷和科学的决策信息，从而及时预测、控制事故，减少事故损失。

2. 神经网络理论及其典型网络模型人工神经网络是由大量简单的基本元件-神经元相互联结，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线形转换的复杂网络系统。

人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有人的大脑的记忆、辨识能力，完成各种信息处理功能。

人工神经网络具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力，避免了复杂数学推导，在样本缺损和参数漂移的情况下，仍能保证稳定的输出。

人工神经网络这种模拟人脑智力的特性，受到学术界的高度重视和广泛研究，已经成功地应用于众多领域，如模式识别、图象处理、语音识别、智能控制、虚拟现实、优化计算、人工智能等领域。

按照网络的拓扑结构和运行方式，神经网络模型分为前馈多层式网络模型、反馈递归式网络模型、随机型网络模型等。

目前在模式识别中应用成熟较多的模型是前馈多层式网络中的BP反向传播模型，其模型结构如图1。

2.1 BP神经网络基本原理BP网络模型处理信息的基本原理是：输入信号X i通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Y k，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值W ij和隐层节点与输出节点之间的联接强度T jk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。

此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

2.2 BP神经网络模型BP网络模型包括其输入输出模型、作用函数模型、误差计算模型和自学习模型。

（1）节点输出模型隐节点输出模型：O j=f(∑W ij×X i-θ j) (1)输出节点输出模型：Y k=f(∑T jk×O j-θ k) (2)f-非线形作用函数；θ -神经单元阈值。

图1 典型BP网络结构模型（2）作用函数模型作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数： f(x)=1/(1+e-x) （3）（3）误差计算模型误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：E p=1/2×∑(t pi-O pi)2 (4)t pi- i节点的期望输出值；O pi-i节点计算输出值。

（4）自学习模型神经网络的学习过程，即连接下层节点和上层节点之间的权重拒阵W ij的设定和误差修正过程。

BP网络有师学习方式-需要设定期望值和无师学习方式-只需输入模式之分。

自学习模型为△W ij(n+1)= η ×Фi×O j+a×△W ij(n)（5）η -学习因子；Фi-输出节点i的计算误差；O j-输出节点j的计算输出；a-动量因子。

2.3 BP网络模型的缺陷分析及优化策略（1）学习因子η 的优化采用变步长法根据输出误差大小自动调整学习因子，来减少迭代次数和加快收敛速度。

η =η +a×(E p(n)- E p(n-1))/ E p(n) a为调整步长，0~1之间取值（6）（2）隐层节点数的优化隐节点数的多少对网络性能的影响较大，当隐节点数太多时，会导致网络学习时间过长，甚至不能收敛；而当隐节点数过小时，网络的容错能力差。

利用逐步回归分析法并进行参数的显著性检验来动态删除一些线形相关的隐节点，节点删除标准：当由该节点出发指向下一层节点的所有权值和阈值均落于死区（通常取±0.1、±0.05等区间）之中，则该节点可删除。

最佳隐节点数L可参考下面公式计算：L=(m+n)1/2+c (7)m-输入节点数；n-输出节点数；c-介于1～10的常数。

（3）输入和输出神经元的确定利用多元回归分析法对神经网络的输入参数进行处理，删除相关性强的输入参数，来减少输入节点数。

（4）算法优化由于BP算法采用的是剃度下降法，因而易陷于局部最小并且训练时间较长。

用基于生物免疫机制地既能全局搜索又能避免未成熟收敛的免疫遗传算法IGA取代传统BP算法来克服此缺点。

　3. 优化BP神经网络在系统安全评价中的应用系统安全评价包括系统固有危险性评价、系统安全管理现状评价和系统现实危险性评价三方面内容。

其中固有危险性评价指标有物质火灾爆炸危险性、工艺危险性、设备装置危险性、环境危险性以及人的不可靠性。

3.1 基于优化BP神经网络的系统安全评价模型图-2 基于优化BP神经网络的系统安全评价模型3.2 BP神经网络在系统安全评价中的应用实现（1）确定网络的拓扑结构，包括中间隐层的层数，输入层、输出层和隐层的节点数。

（2）确定被评价系统的指标体系包括特征参数和状态参数运用神经网络进行安全评价时，首先必须确定评价系统的内部构成和外部环境，确定能够正确反映被评价对象安全状态的主要特征参数（输入节点数，各节点实际含义及其表达形式等），以及这些参数下系统的状态（输出节点数，各节点实际含义及其表达方式等）。

（3）选择学习样本，供神经网络学习选取多组对应系统不同状态参数值时的特征参数值作为学习样本，供网络系统学习。

这些样本应尽可能地反映各种安全状态。

其中对系统特征参数进行(-∞,∞)区间地预处理，对系统参数应进行(0,1)区间地预处理。

神经网络的学习过程即根据样本确定网络的联接权值和误差反复修正的过程。

（4）确定作用函数，通常选择非线形S型函数(5) 建立系统安全评价知识库通过网络学习确认的网络结构包括：输入、输出和隐节点数以及反映其间关联度的网络权值的组合；即为具有推理机制的被评价系统的安全评价知识库。

(6) 进行实际系统的安全评价经过训练的神经网络将实际评价系统的特征值转换后输入到已具有推理功能的神经网络中，运用系统安全评价知识库处理后得到评价实际系统的安全状态的评价结果。

实际系统的评价结果又作为新的学习样本输入神经网络，使系统安全评价知识库进一步充实。

3.3 BP神经网络理论应用于系统安全评价中的优点（1）利用神经网络并行结构和并行处理的特征，通过适当选择评价项目，能克服安全评价的片面性，可以全面评价系统的安全状况和多因数共同作用下的安全状态。

（2）运用神经网络知识存储和自适应特征，通过适应补充学习样本，可以实现历史经验与新知识完满结合，在发展过程中动态地评价系统的安全状态。

（3）利用神经网络理论的容错特征，通过选取适当的作用函数和数据结构，可以处理各种非数值性指标，实现对系统安全状态的模糊评价。

　4. 安全评价实例（1）安全评价参数的确定（略）（2）网络学习样本的选择选择了5个企业的反映企业安全状态和安全条件的6个安全评价参数作为学习样本，见表1表1 企业安全评价学习样本（3）评价结果当学习因子η =4.07，动量因子a=0.2，预设误差为0.00001，单隐层，其隐节点数为L=9，模型迭代29254次，所得到的网络评价的结果见表2表2 企业神经网络安全评价结果5. 总结本文将优化后的BP神经网络应用于系统安全评价中，能对系统进行准确、动态的安全评价。

同时由于优化后的BP网络还存在一些缺陷，比如对矛盾样本的处理问题等，因而将其应用于系统安全评价时应与模糊数学相结合更佳，这方面将有待进一步探讨和研究。

参考文献1. 王俊普.智能控制.中国科学技术大学出版社.1996 135-177.2. 丛爽，赵何.反向转播网络的不足与改进.自动化博览.1999.No1 25-26.3. 陆系群，余英林.前馈神经网络隐节点的动态删除.控制理论及应用.1997.Vol14.No1 101-104.4. 周伟良等.基于一种免疫遗传算法的BP网络设计.安徽大学学报.1999.Vol23.No1.5. 施式亮，刘宝琛.基于神经网络的煤矿安全性预测模型及应用.中国安全科学学报.1999.Vol9.No3.SAFETY ASSESSMENT OF THESYSTEM BASED ON THE ARTIFICALNEURAL NETWORKWang Sanming Jiang JunchengAbstract In the article the theory of ANN has been introduced. At the same time some limitations of BP neural network have been analyzed and optimized methods have been supposed. Based on that, BP neural network is implied in the safety assessment of the system. Safety assessment model and its merits based on BP neural network have been put forward. The assessment example proves that the way is workable and right .Key words Neural Network Network Optimization Safety Assessment。