集成神经网络范文（精选12篇）
集成神经网络 第1篇
手写体的识别是模式识别领域中一个重要研究课题。其目的是将连续输入的不定长手写模式转换为正确编码技术。其转换的正确率, 即识别率成为最重要的一个参数。目前已存在不少模式识别的方法应用到手写识别之中, 取得了满意的识别率。大体上可以分为三类, 即统计模式识别方法[1]、结构 (句法) 模式识别方法[2]和模糊模式识别方法[3]。统计模式识别是通过观察和测量, 对待识别模式提取一组统计特征, 并将其表示一个量化的特征向量, 然后再用以某种判决函数设计的分类器对它进行归类。结构模式识别或句法模式识别则是利用模式与子模式分层结构的树状信息所完成的模式识别工作。而模糊模式识别是鉴于世界上的事物大多具有不同程度的模糊性, 将扎德提出的模糊集相关理论、方法应用于模式识别。
考虑到各种识别器会受到被识别数据的影响, 对某类数据难以识别, 从而影响到整体识别率的问题, 本文提出了基于神经网络集成的手写识别系统, 以此结合传统识别器的结果, 从而达到了提高整体识别率的目的。
1 理论基础
1.1 基于隐马尔可夫的识别器
基于隐马尔可夫的识别器[4]HMM (Hidden Markov Model) 的基本原理是:假设每个单词都可用一个有序向量或观察值O表示, O定义为:
O=o1, o2, ..., oN (1)
其中ot是在时间t观察向量。所以单词识别问题等价于计算式:
其中ωj是第j个单词。概率P (ωj|O) 可采用贝叶斯公式计算:
对于给定的先验概率P (ωi) , 最大似然的单词概率取决于P (O|ωi) 。在初始化隐马尔可夫模型M后, 可以通过以下的参数估计来近似计算:
其中X是隐马尔可夫链的状态, A是状态转移概率矩阵A= (aij) N×N, B是观察值概率矩阵B= (bh (oj) ) N×T。
1.2 基于距离分类器的识别器
基于距离分类器的识别器[5]基本原理是通过聚类算法生成所有类的中心向量。本文采取LBG算法[6] (此名取Linde, Buzo, Gray 三人名字的开头英文字母) , 逐步增加模式种类数, 并对迭代过程中每一次的聚类重心求出其相应的中心向量, 然后根据中心向量的变化决定对应于该模式种类数, 以及相应的中心向量。
根据中心向量Uk ( k=1, 2, …, m;m是类的个数) , 对于每一个待分类数据元组X, 计算其与Uk 之间的距离, 本文采用欧氏距离计算:
最后按到各个类距离逆序排序得到前n个候选。
1.3 BP神经网络
BP神经网络[7]是由输入层、隐藏层、输出层组成的阶层型神经网络, 其中隐藏层可扩展为多层, 如图1所示。每一层都由一个或多个计算单元 (BP神经元) 组成, 相邻层之间各计算单元进行全连接, 而每层各计算单元之间无连接。每个计算单元模仿了生物神经元所具有的三个最基本也是最重要的功能:加权、求和与转移。其作用是对它的输入作一个简单的变换。
神经网络训练算法可以表示为一个函数链, 将输入向量变换成输出向量。训练的目的是寻找最优的权值, 使得网络函数φ尽可能接近已知函数f。一般情况下, 我们无法显式得到函数f, 可以隐式得到一些训练样本来模拟。假设一个BP神经网络由n个输入单元, m个输出单元和任意数目的隐藏单元组成。训练样本集定义为:
{ (x1, t1) , (x2, t2) , ..., (xp, tp) } (6)
其中xi是n维向量, ti是m维向量, 分别被称为输入和输出模式。假设每个计算单元的原函数连续可微。初始的权值一般选取为随机实数。当BP神经网络的输入模式xi, 会产生一个输出oi, 其不同于目标ti。训练算法的目的就是使oi和ti一致, 即最小化神经网络的错误函数, 其定义为:
通过计算错误函数的梯度来修改初始权值, 如下式:
其中每个权值增加增量△ωi来更新, △ωi通过下式计算:
其中γ为学习步长, 定义了每次迭代在负梯度方向改变的长度。通过对样本集里的数据反复训练, 迭代地调整权值, 直到收敛即最小化错误函数 (▽E=0) 来结束训练过程。
基于神经网络的训练有两种训练模式, 一种是在线模式, 对于每一个样本输入, 都更新权值;另一种是批处理模式, 当所有的输入样本都被提交以后, 权值才被更新。
文献[8]证明了对任何在闭区间内的连续函数, 都可以用一个隐层的BP网络来逼近, 因而一个三层的BP网络可以完成任意的n维到m维的映射。因此, 本文通过含有一个隐层的网络开始进行训练。
2 基于神经网络的集成
2.1 整体识别流程
基于神经网络集成的手写识别系统是将初始采样数据, 首先通过隐马尔可夫识别器和基于距离分类器识别器识别出的结果, 进行一定的重组, 放入本文提出的两类神经网络识别器, 即比较神经网络和全排列神经网络, 进行训练和识别, 流程示意如图2所示。
2.2 识别器初始识别
系统选取了基于隐马尔可夫模型的识别器和基于距离分类器的识别器作为初始识别器。考虑到这两类识别器已广泛地应用到各种模式识别之中, 并取得良好的识别效果。由于基于隐马尔可夫的识别器的状态序列是由一个一阶马尔可夫链产生, 对时间序列信号的处理能力强, 但要求特征内部分量不相关, 对模型的区分能力很弱;而基于距离分类器相对而言计算量小, 但对聚类要求高, 难以辨识处于类别交界的数据。
考虑到手写识别的特点, 系统中隐马尔可夫模型采取左―右形式隐马尔可夫链, 如图3所示, 每个状态采用高斯模型。初始定义HMM的每个状态为均值为0, 方差为1的高斯模型。训练过程中, 采用Viterbi算法初始化HMM, 利用Baum-Welch算法对HMM模型进行一次训练。最后测试采用基于Viterbi算法的词识别器。具体实现是通过htk[9]工具来进行训练和测试。
基于距离分类器的识别器采用LBG算法作为聚类算法, 来确定类数, 以及相应的中心向量。通过计算每个初始样本到各个中心向量的欧氏距离, 最后按到各个类距离逆序排序得到前n个候选。
假设参与识别的采样数据量充足, 并且无偏。两类识别器都必须具有一定的识别能力, 并且识别的结果按综合分数排序。
定义1Cand (R, S) 识别结果的每个候选。其中R表示识别结果, S则是相应的分数。
定义2CandN (Φ, 0) 亚候选。表示识别结果为空, 分数为0。
定义3NC (Cand1, Cand2, …, Candn) 每个识别器的识别结果。表示该识别器对特定采样样本所识别出的前n个候选值, 其中不足n个候选的采用亚候选补足。
识别器的初始识别是将采样样本分别通过m个识别器的识别, 产生了m个识别结果{NC1, NC2, … , NCm}。
2.3 比较神经网络
首先对2.2节的识别结果{NC1, NC2, … , NCm}进行重组, 按相同识别结果R进行聚类, 每类都存在m个候选{ Cand1, Cand2, …, Candm }, 不足m个候选的用亚候选补足。假设对于特定样本数据共存在c类 (c≥n) 候选, 其中最多存在一个是正确的识别结果, 其它是错误的识别结果。
比较神经网络的思想是将c类候选两两组队, 进行比较, 结果显示哪一类候选相对而言能成为正确的识别结果的概率更大。理论上, 对于每一个原始采样样本都可重组成 C
比较神经网络的训练, 如图4所示。将上述样本相应候选 (候选1和候选2) 的分数做归一化后作为神经网络的输入, 输出为1或0。其中1表示候选1比候选2成为正确的识别结果的概率大;而0则表示候选2比候选1成为正确的识别结果的概率大。测试同样采用上述比较网络, 按原始采样样本为分组, 两两比较得出结果, 转换成相应的候选项的排序网络[10], 从而得到新的候选。
2.4 全排列神经网络
同样首先对2.2节的识别结果{NC1, NC2, …, NCm}进行重组, 按相同识别结果R进行聚类, 每类都存在m个候选{ Cand1, Cand2, …, Candm }, 不足m个候选的用亚候选补足。假设对于特定样本数据共存在c类 (c≥n) 候选, 选取类内亚候选最少的前n类, 其中必须包含正确的识别结果的类, 整体作为样本。
全排列神经网络的思想是将上述选定的n类候选的分数通过归一化后全部直接作为输入, 结果显示哪类候选成为正确的识别结果。对于每一个原始采样样本可将n类候选全排列, 存在n!个新的样本数据, 每个样本数据都是m×n维数据向量。
全排列神经网络的训练, 如图5所示, 将上述样本 (候选1, 候选2, …, 候选n) 相应候选的分数做归一化后作为神经网络的输入, 输出为n维数据, 分别代表这n对分数所代表的候选是否正确的识别结果, 分别用1、0表示。其中有1个1, 代表正确的识别结果, 其余n-1维输出为0。测试同样采用训练的神经网络和方式重组数据。相对训练而言, 测试对于每个原始采样样本的识别只需一次样本在神经网络中的测试。可采取将输出结果的逆序排序得出新的候选值。
3 实 验
本文选取了针对44个连续单词的5652个采样样本数据进行识别。样本数据总体无偏, 且数据量充足。实验基于linux内核2.6.27.7版, 所用机器CPU为AMD Athlon (tm) XP 2500+, 内存512M。
3.1 识别器初始识别
将样本数据放入基于HMM的识别器和基于距离分类器的识别器进行识别。所得到的相应的识别率如表1所示。可见这两类识别器的有着优良的识别率, 第一个候选的识别率分别高达88.11%和87.77%。
3.2 比较网络
根据上述两类识别器的识别结果及相应候选的分数, 重组训练数据, 得到94674个有效训练样本。构建比较识别网络, 将这些样本分别采用批处理和在线模式进行训练, 训练网络的初值权值为-1到1之间的随机数, 步长分别设为0.001和0.01。详细的实验结果如图6所示。在批处理模式中, 当步长设置为0.001时, 在5374s时达到收敛, 首个候选的识别率提高到95%;设置为0.01时, 在787s时达到收敛, 首个识别率提高到95.75%。在在线模式中, 当步长设置为0.001时, 在13.6s时达到收敛, 首个候选的识别率提高到95.77%。设置为0.01时, 在5.1s时达到收敛, 首个识别率提高到95.86%。
3.3 全排列网络
同样根据上述两类识别器的识别结果及相应候选的分数, 重组训练数据, 得到22990个有效训练样本。构建全排列识别网络, 将这些样本分别采用批处理和在线模式进行训练, 训练的参数同3.2节中比较神经网络一致, 训练网络的初值权值仍为-1到1之间的随机数, 步长分别设为0.001和0.01。详细实验结果如图6所示。在批处理模式中, 当步长设置为0.001时, 在30782.8s时达到收敛, 首个候选的识别率提高到96.25%。设置为0.01时, 在3071.8s时达到收敛, 首个识别率提高到96.25%。在在线模式中, 当步长设置为0.001时, 在93s时达到收敛, 首个候选的识别率提高到96.10%。设置为0.01时, 在1.6s时达到收敛, 首个识别率提高到99.14%。
3.4 实验分析
在上述实验结果中可见, 基于神经网络集成的手写识别系统与单纯的传统识别器相比较而言, 在识别率上有了显著的提高。在神经网络的训练过程中, 在线模式的训练结果和训练效率普遍优于批处理模式。这是由于批处理模式对于每次权值的改变都要考虑全体数据, 相对而言消耗的代价大。对于小数据集, 有较好的效果, 而对于大数据集则会导致收敛速度过慢, 计算量过大, 而且大步长往往会导致训练产生振荡。在线模式在刚开始训练时, 受局部样本的影响, 可能不往正确的梯度下降的方向改变权值, 但最后会产生不错的效果, 尤其对于大数据集, 效果明显优于批处理模式。在实际应用中, 可以根据需要选择合适的训练方式及相应参数。
4 结论和展望
本文提出的两种基于BP神经网络集成的手写识别系统, 扩展性高、灵活方便, 在手写领域内为提高对数据的整体识别率提供了一种有效的途径。西文手写体识别的实验证明, 采取基于BP神经网络集成的手写识别系统在选择适当的参数后, 较传统的识别器可提高识别率, 最高可提高10个百分点。同样可以应用到类似的模式, 比如u和a等的区分上。通过构建专用的神经网络来互相取长补短, 以此来提高整体识别率, 给识别系统带来良好的性能。
参考文献
[1]Andrew R W.Statistical Pattern Recognition, Second Edition[J].InIEEE Transactions On Pattern Analysis And Machine Intelligence, 2000, 2 (1) .
[2]Ana F.Structural, Syntactic, and Statistical Pattern Recognition[C]//Joint IAPR International Workshops SSPR 2004 and SPR 2004.Lis-bon, Portugal, August, 2004.
[3]James C B.Pattern Recognition with Fuzzy Objective Function Algo-rithms[M].Kluwer Academic Publishers Norwell, MA, USA.1981.
[4]Lawrence R R.A Tutorial on Hidden Markov Models and Selected Ap-plications in Speech Recognition[J].Proceedings of the IEEE, 1989, 77 (2) .
[5]Toth D, Aach T.Improved minimumdistance classification with Gaussianoutlier detection for industrial inspection[C]//Italy, 11th InternationalConference on Image Analysis and Processing Palermo, 2001:584-588.
[6]Linde Y, Buzo A, Gray R M.An algorithmfor vector quantization design[J].IEEE Trans.Commun.COM-28, 1980 (1) :84-95.
[7]Ra′ul R.Neural Networks-ASystematic Introduction[M].Berlin:Springer-Verlag, 1996:151-228.
[8]Hecht N R.Neurocomputing[M].Addison Wesley, 1990:124-133.
[9]Steve Y, Gunnar E.The HTKBook (for HTKVersion 3.4) [M].Cam-bridge University Engineering Dept, 2006.
网络改造集成规划方案 第2篇
规划方案/ 17
目录1
项目概述..........................................................................................1
项目背景....................................................................................1
项目目标....................................................................................1
项目范围..........................................................................................2
参考依据..........................................................................................2
建设原则..........................................................................................3
改造方案..........................................................................................3
办公网改造................................................................................3
综合网改造................................................................................4
综合布线改造.............................................................................5
互联网及机房建设......................................................................6
网络监控....................................................................................7
工程概算....................................................................................8
经费预算....................................................................................9
项目管理.........................................................................................11
实施计划...................................................................................11
组织保障..................................................................................12
质量管理..................................................................................12/ 17
售后服务........................................................................................13
现场培训..................................................................................13
服务保证与承诺.......................................................................13项目 概述
项目背景 XXX 办公网和综合信息网的网络改造是为了适应新形势下的提高信息利用的要求，随着互联网应用的不断发展，客观上要求当前的网络结构和链路能够很好的承载不断扩充的办公业务需求。同时为了满足企业更好的利用互联网资源。从而推动 XXX 企业向信息化建设的目标发展。
XXX 企业办公楼网络改造项目主要涉及到三套网络：办公网、综合信息网、互联网。这三套网络需要相互之间物理隔离，三套网络之间的改造相对独立。
项目目标 本次网络改造的目标，实现综合信息网和 办公网的客户端无盘统一管理。阻止客户端可能存在的被攻击或信息泄露。实现企业内部访问互联网资源的同时保障内部客户端的安全。
根据实际考察和相互交流，本次 XXX 办公网和综合信息网改造的目标为：
A)尽量保留用户现有网络中的设备，在确保用户正常业务使用的前提下减少用户投资。
B)在初始建设时不仅要考虑到如何实现数据传输，还要充分考虑网络的冗余与可靠，否则一旦运行过程网络发生故障，系统又不能很快恢复工作； C)纳入对网络安全性的考虑。在办公网和综合信息网中传递的数据
都是相当重要的信息，因此一定要保证数据安全保密，防止非法窃听和恶意破坏，在网络建设的开始就考虑采用严密的网络安全措施。
D)网络改造建设要为未来的发展提供良好的可扩展性。随着将来企业业务的增长，网络的扩展和升级是不可避免的问题。
E)由于视频会议、视频点播、IP 电话等多媒体技术的日趋成熟，网络传输的数据已不再是单一数据了，多媒体网络传输成为世界网络技术的趋势。企业着眼于未来，对网络的多媒体支持是有很多需求的。项目范围
本次网络改造涉及办公网、综合信息网、互联网、网络监控及综合布线等项目范围。
在完成项目后，需要提交项目运行过程的全部安装、配置、测试、验收相关的项目文件。
根据用户要求，提供最终的信息模块分布图和设备物理链路分布图；提供关于链路和信息模块的标签分配表； 针对交换机的安装，提供关于初步管理配置的配置模板（包括访问控制、密码设定、终端限制、环路避免、端口安全等）；针对每条链路均提供连通性测试和网络延迟测试并生成记录。参考依据
GB/T 18233-2008（信息技术-用户建筑群通用布缆国家标准）
GB/T 50311-2007（综合布线系统工程设计规范）
GB/T 50312-2007（综合布线系统工程验收规范）
GB/T 21671-2008（基于以太网技术的局域网系统验收测评规范）
HJ 460-2009（环境信息网络建设规范）建设 原则
网络建设依据一下主要原则:
满足办公网络和综合信息网的业务应用系统的要求；充分利用现有的网络硬件资源，进行网络改造时考虑与已有的专用办公网相兼容；网络改造考虑安全可靠、可管理和可扩展的网络结构。
高可靠性-选用可靠性高的网络产品，合理设计网络架构，制定可靠的网络备份策略，保障网络有故障恢复的能力，从而最大限度的支持网络的正常运行。
实用性-网络改造方案设计实施应充分考虑实际需求和费用，追求高的性效比。
可扩展性-根据未来业务的增长和变化，网络可以平滑的扩充和升级，减少对网络架构和现有设备的调整。改造 方案
办公网改造 在现有网络内增加 4 台交换机，其中三台交换机用作终端接入层，另外一台用作数据汇聚层。
综合考虑到目前各楼层房间的信息面板的信息点的数量和未来的扩展需求，选择接入层交换机为由 24 个百兆电口和 4 个千兆上联口的二层可网管交换机。用作数据汇聚层的交换机采用高端的支持 IPV6 功能的智
能弹性交换机，其有 24 个千兆电口和 4 个千兆下联光电口。以便为接入层链路提供高速的数据汇聚和传输。
各交换机安装好光模块，到光配架用 LC-FC 一对单模光纤联通。三台接入层交换机通过光纤分别连接到 汇聚层的 IPv6 智能弹性交换机。最后通过光纤将 智能弹性交换机连接到指定的分布层交换链路上。然后测试所有线路看网络访问是否正常。
在办公大楼的各楼层设置楼层配线间，确保现有的配线架到各办公室的线路已经铺设完毕和测试联通。充分的利用原有的线路。
在机柜上新增配线架，以便与弥补当前配线间的配线架接口数量不足的情况。在新增的配线架上安装网络模块，同时更换用户需求中指定的各方面的信息面板以提供足够的网络信息点。
线路准备完毕后，将网络交换机安装到各个楼层的配线间内，然后测试各条链路的对应关系并标记。
综合网改造 在现有网络内增加 4 台交换机，其中三台交换机用作终端接入层，另外一台用作数据汇聚层。
综合考虑到目前各楼层房间的信息面板的信息点的数量和未来的扩展需求，选择接入层交换机为由 24 个百兆电口和 4 个千兆上联口的二层可网管交换机。用作数据汇聚层的交换机采用高端的支持 IPV6 功能的智能弹性交换机，其有 24 个千兆电口和 4 个千兆下联光电口。以便为接入层链路提供高速的数据汇聚和传输。
与办公网类似，安装好各交换机的光模块，到光配架用 LC-FC 一对单模
光纤联通。三台接入层交换机通过光纤分别连接到 汇聚层的 IPv6 智能弹性交换机。最后通过光纤将智能弹性交换机连接到综合信息网络指定的分布层交换链路上。然后测试所有线路看网络访问是否正常。
在大楼的各楼层设置楼层配线间，确保现有的配线架到各办公室的线路已经铺设完毕和测试联通。充分的利用原有的线路。
在机柜上新增配线架，以便与弥补当前配线间的配线架接口数量不足的情况。在新增的配线架上安装网络模块，同时更换用户需求中指定的各方面的信息面板以提供足够的网络信息点。
线路准备完毕后，将网络交换机安装到各个楼层的配线间内，然后测试各条链路的对应关系并标记。
在综合信息网中，为了便于对客户端加强管理和提高信息安全的保密措施，部署 46 台无盘工作，通过增加一台管理工作站，在它上面安装无盘管理软件，统一管理和维护 46 台无盘工作站。
综合布线改造 综合布线系统在充分考虑信息点（或模块）分布和数量的基础上，统筹规划，合理设计，精心施工。信息点分布和数量应至少能满足未来 5-10 年内的应用和用户需求，避免短期内重复施工。
在综合布线系统中，布线硬件主要包括：配线架、传输介质（双绞线和光纤）、通信模块、线槽和管道等。
综合布线包括六个子系统：工作区子系统、水平布线子系统、管理子系统、干线子系统、设备间子系统和建筑群主干子系统。
为办公网与综合信息网分别布两条 50 米长的超五类非屏蔽双绞线，网线使用蓝色和红色加于区分。这两条线分别从 3 楼的配线间一直连接到 4 楼的指挥室，涉及到跨楼层穿线的工作需要做好相应的准备，准备配线架用的 1.5 米跳线和预备一些水晶头做耗材使用，确保任务的完成。
每个房间的信息点的面板的数量根据用户要求（需要更换）进行布置。每个信息点由一个双口信息面板（RJ45 接口）组成：一个为语音点，一个为数据点，或者两个都为数据点。所有的信息插座、面板和配线架管理系统模块都有标记。
在进行布线时需要线槽时，线槽的规格按这样确定：线槽的横截面积保留40%的富余量以备扩充，超5类双绞线的横截面积为0.3平方厘米。线槽安装时，注意与强电线槽的隔离。
互联网 及机房建设
图 5.4：互联网及机房改造图 基于原有互联网机房的布线结构做有限的扩展，新增 20 台无盘工作站，统一接入到新增的接入层交换（H3C5120）上。
无盘工作站通过专用的无盘管理服务器（DELL）进行管理和维护。在互联网机房的 ISP 接入出增加一台路由器（H3C ER6300）作为网络边界，同时，为了考虑互联网的访问控制，增加一台防火墙（H3C F1000S）作为安全措施。
互联网机房原有线路已铺设到讲台位置，需要重新延长。用网络模块延长后铺设到角落位置。在机房角落安装机柜，放置服务器与网络设备等。
将所有设备连接完毕后调试，网络路由器安装在最前端连接运营商的互联网出口，防火墙安装后端提供网络防护。H3C 5120 连接各台互联网电脑，提供汇聚作用。
网络监控 为了确保企业机房网络系统的安全稳定运行，除了在系统软、硬件层面的支撑，还需要有一种切实有效的机房实时监控系统。本次项目中增加了如下三项监控内容：温湿度监控报警器、电力报警器、视频监控摄像头。
整个 GPU 边缘融合系统由投影显示部分、多屏控制系统和控制软件系统组成。投影显示部分：主要包括一个专业清投视讯投影屏幕，而投影仪阵列是由标准化的若干投影机并联而成；多屏控制系统：边缘融合机连接计算机，兼容传输并合成多种图像信号源，以满足需求的画面尺寸和分辨率显示在大屏上。本方案系统具备：4 路高解析度显示通道；4 路复合视频信号输入；4 路计算机信号输入；控制软件系统：是一套专用的控制软件，负责控制大规模投影系
统的图像拼接、边缘融合、色彩校正、几何校正和显示效果的调整，选择需要的显示信号的图像，以及用户的分级管理等功能。
GPU 边缘融合系统的最终目的是要把用户所需要显示的信号按照用户的要求显示到通过多通道投影融合之后的大屏上，本系统中，用户应用系统中计算机信号源主要来自于用户网络中的计算机信号、远程监控的视频信号以及图形处理机中预存的展示信息，在我们的设计方案中，这些信号是可以通过多种方式显示到大屏上去的。
同时清投视讯GPU边缘融合系统是由高分辨率和高亮度的投影拼接融合而成，所以整个显示区域具有高分辨率、高亮度、高对比度、色彩还原真实，能保证色彩的长期运行稳定不变，图像失真小，亮度均匀，显示清晰等。
工程概算 序号 名称 规格、型号、参数、说明 数量 1 全千兆安全智能交换机 24 个 10/100/1000Base-T 以太网端口，4 个1000Base-X SFP 千兆以太网端口 2 2 安全智能三层交换机个 10/100Base-TX 以太网端口（PoE），2 个10/100/1000Base-T 以太网端口，2 个复用的100/1000Base-X SFP 千兆以太网端口 6 3 光模块 单模千兆光纤模块 12 4 面板 Rj45 双头网络面板 40 5 信息模块 Rj45 信息点模块 80 6 配线架 Rj45 配线架 2 7 无盘软件 基于 PXE 启动方式，用于远程启动的网络平台软件企业版 46 无盘工作站 处理器:E8400；内存4G DDRIII 1066；512M独立显卡；4.5L 立卧两用迷你机箱；耳麦；PS/2 键盘鼠标。
经费预算 网络名称
设备名称
品牌
型号
数量
单价
总价
办 公 网 交换机 H3C LS-5120 1
交换机 H3C LS-3100-52P-H3 3
光模块 H3C SFP-GE-LX-SM1310-A 6
面板 安普
信息模块 安普 超五类的 40
配线架 安普
综 合 信 息 网 交换机 H3C LS-5120-24P-EI-H3 1
交换机 H3C LS-3100-52P-H3 2
交换机 H3C LS-3100-52P-H3 1
光模块 H3C SFP-GE-LX-SM1310-A 6
面板 安普
信息模块 安普
配线架 安普
台式电脑 联想 启天 M4300S 46
无盘软件 锐起 V3.0 企业版 46
互 联 网 服务器 DELL R710 1
防火墙 H3C F1000-S 1
交换机 H3C LS-5120-52P-LI 1
路由器 H3C ER6300 1
显示器 优派 VA1932wa 4
台式电脑 联想 启天 M4300S 20
无盘软件 锐起 V3.0 企业版 20
机柜
机 房安 全监控 温湿度监控报警器电力报警器 科宇
视频监控 监控头 1
视频监控电脑 联想 启天 M7150 1
边缘融合控制器 清投视讯 GPU 边缘融合机TNB-S3124T 1
工 程 电源面板 TCL
配件 模块 安普
网线 安普
光纤 金牛
网线 安普
项 目集成 包括设备的安装调试、现场的工程施工、售前方案设计、一年内的售后上门服务
工 程税点 工程费用的 5%
费 用总计项目管理
实施计划 序号 任务阶段名称及详细项目 预计时间 1 各个配线间分线 3 工作日 2 安装配架、网络模块、墙上面板 3 工作日 3 各个网络的网络设备安装调试 4 工作日 4 互联网机房布线、安装机柜配置服务器 3 工作日
序号 任务阶段名称及详细项目 预计时间 5 视频矩阵安装调试、其他综合布线工作 4 工作日 6 总计 17 工作日
组织保障 为确保本次 XXX 办公网和综合信息网的网络改造工作各项任务的顺利落实，各相关参与单位必须要做好组织保障,各单位各施其责,协作配合,保障网络改造项目正常有序按进度的完工。各单位职责与角色如下：
XXX 企业 用户方，负责提供具体项目的实际需求，在项目实施前反馈必要的需求变更或者提供详细支持信息，在项目过程中，参与项目监控合反馈具体期望，最后组织项目验收
XXX 有限公司 负责网络改造的规划、设计、安装、调试。
质量管理
在项目实施初期，制定完善的项目质量管理计划，在网络设备的采购、安装、调试、交付等过程中，充分做到全过程有跟踪记录，书面化记录工程过程的详细实施记录和出现的问题。做好对项目问题的日志记录和对出现问题的应
对措施的计划。
每安装一个设备或硬件模块，均需要做单点测试，确保项目过程中每一步的质量都有保证。在执行安装和测试前，制定项目工作流程、安装核对表、测试核对表。
在项目交付前，需要根据相关质量核对表对各项做逐一的审计。
整个工程都需要严格遵守《环境信息网络建设规范》，做到布线整洁、美观和干净。对设备、线路、端子、模块、插座等一一用标签标明用途、连接等信息。售后服务
现场培训 根据用户系统实际环境的情况，在现场设备安装调试过程中和结束后，针对项目中发现的和已经纠正的问题，进行现场讲解，使用户详细了解改造后的网络状况，针对设备配置、日常维护、故障解决等方面内容进行完全针对性的技术培训，可以使用户具备自操作、自学习、自维护的基本工作能力。
培训地点：用户现场； 培训时间：项目实施或最后验收时； 培训人数：用户自定义； 培训内容：网络系统整改介绍、无盘管理系统配置、使用、维护等；
服务保证与承诺（1 1）
质量保证和服务承诺书
我方提供的所有货物保证是全新，未使用过的正宗原装合格正品，保证进口产品全部通过正规合法渠道。
（2 2）
保修，包换措施，设备升级
质保期内的服务：所有硬件设备均提供三年硬件质保 ㈠ 保修期内的产品硬件质量问题我方负责对其提供的设备进行上门维修，不收取额外的费用； ㈡ 提供 7*24 小时技术支持热线服务，工作日内出现质量问题时或故障时，自接到用户电话后两个小时内到达现场解决故障。
（3 3）
一年免费运行维护服务 在系统交付后，提供一年的免费网络相关设备的运行维护服务。维护服务期满前，总结和分析维护期发现的错误和问题，提交“系统维护报告” 给用户提出系统性的建议。
（3 3）
浅析网络系统集成与工程设计 第3篇
【关键词】网络系统集成 设计
随着经济的发展，计算机技术也普遍受到人们的关注，当今社会是信息化的时代，因此，网络系统集成的技术也逐渐地受到人们的关注，逐渐的运用到各个领域中，目前我们关注的是怎样将网络系统集成技术运用到各个行业中，而怎样将网络系统集成技术运用到工程设计中也是我们十分关注的。网络系统集成技术与工程的设计和建筑工程的设计是密切相关的，只有将二者有效的结合在一起，才能够促进网络系统集成的发展，而网络系统集成技术的发展也会促进我国建筑工程的发展，带动我国的经济发展，增强我国的综合国力。
一、网络系统集成的解释
我们不难理解，所谓的系统就是指事物与事物之间各种相互联系，并且相互影响所产生的一种有机的整体，而计算机网络系统就是把计算机作为网络的中心和载体，然后通过一些技术平台，从而能够很好地结合在一起，形成一个系统。我们可以从字面上理解集成的意思，就是将事物进行集中的意思，而计算机行业的集成是通过有机结合与协调工作，从而能够提高效益。所谓的系统集成就是在系统工程科学方法的指导下，根据用户们的需求要设计出合理的、系统性的方案，在众多的产品中，选出先进的产品，因此能够产生一个协调的工作环境，成为一个合理高效的系统，从而能够带来最大的效益。网络系统集成就是根据计算机应用行业的需要，把硬件平台、软件平台、网络设备以及相应的应用软件进行结合，最终能够集成为一种高性价比的计算机网络系统和应用系统。
二、网络系统集成的优点
网络系统的集成是以满足用户的需要为根本的出发点和落脚点，网络系统集成技术并不是单单的选择好的产品还要选择最适合用户的需要和高科技的产品和技术，网络系统集成不仅仅是简单的设备供货，也是一种设计、调试和开发的运用，网络系统集成技术的实质是一种技术行为，其中，网络系统集成技术包含着技术、管理和商务协商等方方面面，是一项具有综合性的系统工程。
三、网络系统集成的产生与发展
（一）网络系统的集成的产生。网络系统集成主要有三大环节：第一个环节就是硬件与软件的配置和管理，其中包括服务器、网络设备、存储设备、安全设备的选择和安装等。第二个环节就是系统的管理与系统安全的防护，其中包括网络类型的选择，以及宽带的计算等等。第三个环节就是网络系统集成的应用平台的开发，其中包括数据存储和处理系统的开发，办公自动化系统的开发等等。
（二）系统集成技术的发展。随着我国的发展，计算机也在飞速的发展，网络系统集成市场也在飞速的发展，据有关报道，2002年我国集中系统集成市场规模已经达到91.5亿元，并且继续保持了增长的趋势，有汗好的发展前景。
（三）网络系统集成的模式。网络系统集成的模式有很多种，我们就局域网为例，局域网网络系统的集成模式有三类：第一類模式是群组模式，该模式是指在大楼里或者规定的区域内，运用专业的知识组成计算机网络模式，该模式是运用少量的计算机组成一个小型的局域网。第二类是部门模式，该模式是在大楼或者园区范围内，在本部门范围内的计算机组网，从而在企业模式中建立多个局域网，各个专业群组通过局域网的链接到自己的站点上，然后通过局域网将资源共享到网上，从而实现网络系统集成的实现。第三类就是，企业模式。其实，一个大型的企业的网络就是由多个部门模式的网络组成的，而这些部门的网络就是通过互联网进行相互联系从而达到各个局域网的站点上进行资源的共享。
四、建筑工程系统集成设计的重要性
现代化的建筑工程与以往传统意义上的建筑工程在很多方面上都有所不同，随着计算机和网络的发展，建筑工程系统集成技术是一个结合网络通信技术、自动化技术、计算机技术以及对建筑的创新要求等一系列技术为一体的新技术，该项技术的目的就是为了能够满足使用者的要求，从而能够给他们提供一种健康的生活理念，为他们提供一个良好的工作环境。
建筑工程集成设计主要有两个方面组成的，一个是网络系统的集成，二是建筑间自动化系统的集成。
（一）网络系统的集成。所谓的网络系统的集成就是利用先进的网络通信技术，其中包括虚拟专用网、混合网以及宽带远程互联网等一系列先进的技术。从客户的需要和需求入手，将各种硬件设备、网络设备以及网络系统软件等一系列的技术进行集成，从而能够满足设计的目标，随着计算机的发展，网络技术已经走进了千家万户，人们的生活已经离不开网络，网络技术的发展，大大的节约了通信费用的成本，对于建筑工程来说，不仅节省了制造的承办，而且还优化了建筑工程的管理。
（二）建筑间自动化系统的集成。建筑间自动化系统的集成是网络技术和现代工业和建筑业互相结合的产物，建筑间自动化的集成是以建筑中的网络系统集成为基础的，通过软件和硬件的相互调节，从而能够使建筑中的各个行业的自动化系统和管理系统都能够按照预先设计好的方案进行合理改进和优化。
随着社会的进步，人们对建筑的要求也越来越高，因此对建筑行业的挑战性也越来越高，建筑间自动化系统集成就是在建筑间建立一个网络系统，并通过自动化的技术，从而能够满足客户的需要，促进我国建筑行业和网络信息系统的发展。
五、总结
随着网络技术的不断发展，计算机网络应用也在不断地发展，并且向更广阔的领域，更高的要求发展，网络的发展改变了人们的生活，地球也变成了一个整体，全世界的人可以通过网络进行交流，从而实现信息资源的共享。随着企业规模的不断壮大和业务的不断增加，原有的工作方式已经不能够满足现代化的发展需要了，因此各个企业都应该使用网络系统集成技术。通过网络集成技术来促进社会的发展，并带动经济的发展。
参考文献：
[1]甘刚.网络设备配置与管理.北京.清华大学出版社
基于神经网络集成的模式识别研究 第4篇
人工神经网络已经在众多领域得到了成功的应用, 随着应用的深入推广和实际问题的日益涌现, 神经计算的局限与不足逐渐显现出来, 如学习海量信息时处理速度过慢、泛化能力差、记忆容量有限、需要反复训练、在接受新信息时易发生失忆现象等。这些缺陷使得人们对传统人工神经网络理论的进一步发展提出了强烈的要求, 人们考虑采用多种分类器集成融合的方法来提高识别率。早在1990年, Hansen和Salamont[1]通过实验证明, 一组神经网络的集成性能优于最好的单一神经网络的性能, 多分类器集成的输出可明显改善分类结果。这一研究成果使得集成学习技术尤其是神经网络集成技术成功的应用到了众多领域, 并取得了较好的效果。
神经网络集成方法可以合成多个神经网络的训练和仿真结果, 极大地提高神经网络系统的泛化能力。在1996年, Sollich和Krogh[2]为神经网络集成下了一个定义:神经网络集成是用有限个神经网络对同一个问题进行学习, 集成在某个输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定。
2、神经网络集成模型
神经网络集成通过有限个个体网络对同一个问题进行学习, 其原理就是通过训练多个神经网络并将其结论进行合成[3]。其非线性处理能力和泛化能力较之单个网络更具有优势, 已经应用于多个领域, 尤其在信息处理、模式识别、智能控制等领域得到越来越广泛的应用。当前对神经网络集成理论分析的研究主要集中在两个方面, 一个就是对结论生成方法的分析以及对个体网络生成方法的分析。
2.1 集成结论生成
在神经网络的结论生成方面, 当该集成网络用与回归估计时, 通常再用各个个体网络简单的平均或者加权来产生。目前已有学者提出来, 权值的优化将会导致过配, 以至于降低集成的泛化能力, 因此建议使用权值的简单平均。在集成结论生成方面, 当前还有采取动态权值的集成方法、贝叶斯方法、各种无约束和约束线性回归方法等。
另外一种情况是当神经网络集成用于分类器时, 神经网络集成的结论通常由个体网络的输出投票产生, 一般采用绝对多数或相对多数投票法。绝对多数投票法即某分类成为最终结果当且仅当有超过半数的神经网络输出结果为该分类, 相对多数投票法即某分类成为最终结果当且仅当输出结果为该分类的神经网络的数目最多。理论分析和试验表明, 相对多数投票法要优于绝对多数投票法, 目前大多采用相对多数投票法。
2.2 个体神经网络生成
在个体神经网络生成方面, 目前有两个优秀的算法Boosting和Bagging。Bagging方法的思想是建立在可重复取样的基础上, 通过从原始训练集中随机选取训练样本, 两者的规模相当, 也可以重复选取。这会导致训练集中某些示例在新的训练集中出现多次, 而有些样本可能不出现。Bagging方法就是通过这样重复选取训练来增加神经网络集成的差异度, 进而提高泛化能力。
Boosting算法的思想是通过依次训练一组分量分类器, 其中每个分量分类器的训练集都选择已有的其它各个分类器所给出的“最富信息”的样本点组成。分类器的结果决定着最终的判决结果。
2.3 噪声添加原理
已有研究证明组成神经网络集成的各个体神经网络的差异越大, 集成的效果越好。为了获取差异性较大的个体网络, 众多学者通过不同的初始条件、不同的训练算法和训练集、差异的网络拓扑结构来提高网络间的差异, 获取较好的泛化能力。在神经网络训练中, 研究者总是希望得到更多的训练数据, 对每个随机过程通过增加观察点的数量来增加训练样本。对于现有的有限个样本, 随机添加一定量的噪声点来增加样本个数, 这样就可以用新训练样本来训练个体神经网络, 使不同的个体网络训练在不同的样本集上, 增加了个体网络的泛化能力, 也提高了个体神经网络的预测精度。
3、实验仿真
本文选用了UCI机器学习知识库下面的标准数据集来进行模式识别仿真, 选用的是Iris数据集。Iris数据集由150组数据组成, 每组数据包含有四个属性, 分别是萼片与花瓣的长度和宽度。150组数据共分成三类, 其分别是Setosa、Versicolour和Virginica, 这其中每一类共有50组。在Iris数据集中, 本文选用数据集中50%的数据作为生成神经网络集成的训练数据, 而另外50%的数据用于对生成的神经网络集成系统进行仿真测试, 仿真软件使用MATLAB7.0, 神经网络集成的结构如下, 每个个体网络均采用反馈神经网络, 采用经典的B P算法进行训练, 输入节点数即为数据集的属性值, 输出节点数是数据集的类数。通过训练得到了泛化性能较好的集成系统, 通过对余下50%的数据的仿真识别, 结果显示, 识别率分别为:Setosa (96%) 、Versicolour (96%) 和Virginica (100%) 。验证了本文所提方法的正确性和有效性。
4、结语
本文提出了通过将噪声添加到神经网络的训练样本集中来增大训练样本集, 是不同的个体网络能使用差异较大的训练数据, 以此来提高集成系统的精度以及集成中个体网络的差异度, 得到的人工神经网络集成, 个体网络差异性大, 泛化性能好, 并将该方法应用于模式识别实验中。通过对UCI下的标准数据集—Iris数据集进行模式识别实验, 仿真结果验证了本方法的可行性与有效性, 同时也验证了本方法在解决个体网络差异性问题上的实用性。
参考文献
[1]Hansen L, Salamon P.Neurnl network ensemble[J].IEEE Transaction on Pattern Analysis and Machine Intelligence.1990.12 (10) :993-1001.
[2]Sollich P, Krogh A.Learning with Ensembles:How over Fitting Can Be Useful[C].Proc.of Advances in Neural Information Processing Systems.Cambridge, MA:M IT Press, 1996:190-196.
追朔系统集成及网络方案 第5篇
中国电信股份有限公司天水分公司
肉类蔬菜流通追溯体系建设软件开发系统集成与综合通信网络建设方案
中国电信股份有限公司天水分公司
2014年1月
/ 20
一 项目概述
1.肉类蔬菜流通追溯体系建设规划
商务部将联合财政部开展肉类蔬菜流通可追溯体系建设试点工作，利用现代信息技术实现肉类蔬菜来源可追溯、去向可查证、责任可追究，以肉类、蔬菜“一荤一素”为重点，在试点城市建立覆盖全部大型批发市场、大中型连锁超市和机械化定点屠宰厂，菜市场和团体消费单位等环节的肉类蔬菜流通追溯体系建设，提高生产经营主体安全责任意识，强化流通环节质量安全把关能力，促进农产品流通发展方式转变。
2.肉类蔬菜流通追溯体系建设设计思路
商务部肉类蔬菜流通追溯体系建设采取两类三级平台体系，即分为商务部与省级的管理平台和市级的工作平台两类，商务部、省及市三级体系，具体如下图所示。平台之间执行统一采集指标、统一编码规则、统一传输格式、统一接口规范、统一追溯流程“五统一”的技术要求，以中央与城市管理平台为主导、以企业解决方案为基础、以流通追溯信息链条完整性管理为重点、以标准规范为支撑。
商务部肉类蔬菜流通追溯的两类三级平台体系
商务部肉类蔬菜流通追溯的两类三级平台体系
/ 20
3.商务部肉类蔬菜流通追溯体系建设以二十个城市为试点，试点工作主要有以下目标：
3.1建立肉类蔬菜流通追溯管理平台。按照统一的技术标准，建设肉类蔬菜流通追溯管理平台，汇集各流通节点信息，形成互联互通、协调运作的追溯管理工作体系，主要承担信息存储、过程监控、问题发现、在线查询、统计分析等功能。
3.2建立流通节点追溯子系统。根据统一要求，兼顾企业内部信息化改造需要，在定点屠宰企业、批发市场、菜市场、超市、团体消费等环节建设追溯子系统，按照统一的数据传输格式和接口规范，与城市追溯管理平台连接，采集肉类蔬菜流通追溯信息，规范各个环节交易流程。
3.3 建设适用的追溯技术手段。加强肉类蔬菜流通追溯的物联网应用技术研究，提升 对溯源信息的采集、智能化处理和综合管理能力。主要推行集成电路卡（CPU卡）技术，采集、记录、传输每个流通节点的信息，将各经营节点的信息相关联，形成完整的肉类蔬菜流通信息链条。鼓励试点城市根据当地肉类蔬菜的不同包装程度、流通模式及经营者信息化管理水平，采用无线射频识别（RFID）、条码、CPU卡等不同信息传递载体和技术模式，提高追溯精度。
3.4 加强配套规章和制度建设。围绕肉类蔬菜流通追溯体系建设实际需要，制定专门的规章制度，强化流通环节质量安全准入管理和经营主体责任控制，保障肉类蔬菜流通追溯体系建设顺利建成并有效运行。
/ 20 3.5 大力发展现代流通方式。配合肉类蔬菜流通追溯体系建设试点，大力发展连锁经营和物流配送，积极推广冷链技术，扩大品牌化、包装化经营，提高肉类蔬菜流通的现代化、标准化水平；采取切实有效措施促使大型批发市场实行电子化结算，努力提升各流通节点信息化管理及检验检测能力，为追溯体系建设提供支撑；鼓励经营主体建立现代供应链，发展“农超对接”、“厂场挂钩”、“场地挂钩”等先进购销方式，形成质量安全保障机制。
二、项目建设范围
计划用6个月的时间，建成运行天水市肉类蔬菜流通追溯体系。项目建设范围：主要包括天水市肉类蔬菜流通追溯管理平台、机械化屠宰厂、农产品批发市场、大中型超市门店、菜市场的系统开发建设及系统应用工作。
三、追溯体系总体要求
1.总体要求：项目设计总体要求是以围绕肉类蔬菜流通追溯主要流通节点企业信息化业务管理、以节点企业数据采集为基础、以现代物联网技术为手段、以商务部“一个规范、五个统一、八个要求”为标准，结合天水实际情况，实现肉类蔬菜流通管理规范化、追溯精准化的目标。打造一个具有天水特色、西部地区独创和国内领先的肉类蔬菜流通追溯体系建设。
2.应用系统：应包括天水市肉类蔬菜流通追溯管理平台系统及各流通节点子系统软件。
3.系统架构：屠宰厂、蔬菜批发市场、菜市场、超市等肉类蔬菜流通节点采用C/S结构，城市管理平台采用基于Internet/Intranet的B/S模式的三层或多层结构，应用100M或以上级互联网接口带宽，各流通节点系统采用C/S架构，应用2M或以上接口带宽。
4.采用成熟可靠的网络开发技术，如.NET和J2EE等面向对象的开发语言等 5.系统架构中各层应采用成熟的、符合技术标准、综合性能较好的WEB中间件、数据库产品，适应于主流操作系统；
6.系统具有良好的可用性：所有功能符合人性化要求，操作简单、易于学习，界面录入具有自动的合法规则判断。
四、技术采用原则
1.实用性。针对肉类蔬菜流通环节多、流通时间短，肉类蔬菜经营者大多小
/ 20 而散，实现肉类蔬菜流通各环节管理信息相连接，真正做到来源可追溯。考虑到系统用户的大众性，软件应具有易学易用的特点，流通各个环节紧密相关，上一个环节的数据，应自动提醒下一个环节操作，不能重复数据输入和重叠操作。
2.适用性。系统采用技术成熟、成本易控制的肉品流通CPU卡为信息输出端，标签电子秤作为零售环节信息追溯输出终端。信息通过互联网、企业局域网、CPU卡、标签电子秤有序集成。以企业信息实时采集、电子结算为基础；生猪检疫和蔬菜来源证明为源头信息凭证；交易凭证为批发流通环节交易凭证；零售凭证为零售环节消费者购买肉类蔬菜流通追溯凭证；从而实现以信息追溯链为基础的肉类蔬菜管理溯源网络平台。
3.共享性。为政府部门提供信息管理平台数据采集，实现管理信息共享；为肉类蔬菜加工经营企业提供数字化管理，提升企业管理水平；为消费者提供肉类蔬菜信息查询平台；为保障肉类蔬菜消费安全服务。
五、系统构成与管理功能
（一）天水市肉类蔬菜流通追溯管理平台系统
（软件功能包含但不限于以下功能要求）
作为天水市肉类蔬菜流通追溯体系的指挥调度中心，市追溯管理平台将按照统一的信息采集标准和数据传输协议，汇总各流通节点的肉类蔬菜经营主体信息、流通过程信息等商品追溯信息，同时实现对流通节点工作考核管理，中央追溯管理平台的信息上传与联动应急管理，城市内应急管理，统计分析管理以及公共服务信息管理、市场移动监督、数据可视化分析等管理功能。1.1经营主体备案管理
汇集城市内定点屠宰厂、批发市场、菜市场、超市、团体采购单位及“产销对接”核心企业等各流通节点追溯子系统上传的所有肉类蔬菜经营主体的备案信息，建立专门的肉类蔬菜流通主体信息库，进行经营主体的实名备案及信息存储管理，并按主体性质、主体类别、经营范围、经营地点等条件提供对经营主体信息的综合检索、信息汇总与统计分析等功能，为政府主管机构及相关监管部门提供全方位的信息查询与分析服务。信息采集、处理应符合商务部《肉类流通追溯基本要求》、《蔬菜流通追溯基本要求》等相关规定。1.2肉类蔬菜流通服务卡监制管理
/ 20 按照商务部规定的统一标识，统一样式、卡编码方案以及信息记录格式与加密规则等要求，由市追溯管理平台负责进行肉类蔬菜流通服务卡的制作、卡初始化等先期卡制作与卡管理等工作，并按追溯管理工作的需要配发给相关流通节点企业；对肉类蔬菜流通服务卡的制作、配发、使用及库存等情况要进行严格的监控与管理，建立服务卡管理档案与系统，实施信息化管理。1.3肉类蔬菜流通过程信息管理
建立全市肉类蔬菜流通追溯信息库，汇总各流通节点追溯子系统上传的肉类蔬菜流通过程信息，并按产地、流通节点、经营商户、追溯码以及流通环节等项目进行分级存储和检索，形成本市肉类蔬菜流通追溯信息链条，提供对过程信息的查询和汇总等服务。信息采集、处理应符合商务部《肉类流通追溯基本要求》、《蔬菜流通追溯基本要求》等相关规定。1.4流通节点工作考核与监控管理
依据商务部和市相关主管部门的规定，制定追溯工作考核管理制度及动态考核指标，定期对各流通节点追溯工作进行考核和智能评估。建立问题发现模型库，形成对问题的筛选、定性与程度评价的统一方法，对各流通节点信息报送进行有效监控，存在的问题及时予以警示。同时可建立节点企业与相关从业人员的信用档案，累积记录节点企业经营行为的信用情况等。1.5应急事件响应与快速处置
根据肉类蔬菜流通追溯信息，系统要具有流通链条合成、应急信息发布等功能，当应急事件发生时，系统能在第一时间确定问题批次，进行正向跟踪和逆向追溯，明确应急事件产生的上下游环节，锁定问题源头、追踪商品流向，通过系统、短信平台等向相关经营主体及消费者发布警示信息，并利用智能化手段（如市场追溯设备、移动监督设备等）进行问题商品锁定，支持有关部门依法开展问题产品下架、退市、销毁或召回等应急处置工作。1.6城市间应急事件联动管理
通过中央追溯管理平台实现与其他城市的应急信息联动，第一时间明确应急事件产生的上下游环节，锁定源头、追踪流向，实现应急信息访问权限认证，并能对返回信息进行链条合成和综合利用。1.7统计分析、综合利用
以肉类蔬菜流通过程信息和流通主体备案信息为基础，结合追溯管理需求，6 / 20 建立天水肉类蔬菜统计分析指标体系和分析模型库，进行经营数据的统计分析及信息的综合利用；同时通过建立有效的信息统计方法和问题发现工具以及信息对称性、进出平衡性、信息连续性等问题诊断方法的灵活应用，促进和推动各节点企业追溯系统的有效应用。1.8事件预测、预警管理
通过平台分析肉类蔬菜来源流向，产地信息，监测交易价格动态等，向相关部门及时提供预测未来市场走向及价格动态信息等；根据核实的问题肉类蔬菜事件，通过平台分析问题肉类蔬菜在天水的流量流向情况，向相关部门相互配合开展流向追踪，并及时通过行政通知等形式，向相关地区发布追溯预警通知。1.9公共服务信息管理
通过平台用户权限管理方式，为各政府监管部门（如天水市商务局、农委、工商、卫生、质监等）及相关部门提供肉类、蔬菜经营主体信息及流通全过程信息的综合查询服务，并通过天水通、网络、短信、一体化查询终端等查询渠道与方式，实现追溯信息查询、在线调查、公众留言等功能，同时通过设置公共服务窗口，辅助了解公众对肉类蔬菜流通追溯体系建设的意见和建议，为交易主体和消费者提供查询和举报投诉服务。内容包括：
1.9.1公共服务网站：提供追溯系统的信息发布平台，发布追溯系统工作动态、通知公告及相关信息和知识，提供追溯系统数据库的实时查询，支持网络方式和手机短信方式访问。其主要功能内容 1.9.1.1行政跨部门协作、应用； 1.9.1.2肉类蔬菜流通追溯信息网上查询； 1.9.1.3肉类、蔬菜追溯信息发布； 1.9.1.4通知公告发布管理;1.10触摸追溯信息查询系统
消费者可以通过(触摸屏)终端查询机进行商品信息的溯源查询等作业。消费者可在追溯体系内的任一台(触摸屏)终端查询机，通过输入追溯码逆向查询所购商品的源头信息，经销商信息、商品质量安全信息以及商品客体综合信息等信息； 1.11 市场移动监督系统
建立市场监督系统，在市内批发市场和菜市场的市场管理人员可以利用移动监督设备，读取场内经营商户的CPU卡内信息及系统相关信息，进行信息核查、7 / 20 经营商品核查，相关管理行为及管理结果将通过移动监督设备实时发送到市追溯管理平台，系统可对各个市场管理人员的监督频度、覆盖率等进行汇总统计、排序，实现对基层工作的实时监督，量化考核。1.12数据上传与中央追溯管理平台接口
按商务部制定的标准和规范建设与商务部的中央追溯管理平台接口，并按具体通讯指标及指标排列顺序要求，每日24时前自动完成当天数据信息的上传作业；同时，依托商务部的中央追溯管理平台，进行跨地区的协同追溯。1.13后台管理
系统要提供包括系统基本参数设置、接口标准设置、系统权限设置、角色权限设置、数据安全管理、数据同步与存储管理、操作日志管理、设备状态控制管理、数据通讯管理等系统维护与管理功能。
（二）屠宰厂流通追溯子系统
（软件功能包含但不限于以下功能要求）
根据天水市实际调研情况，对机械化定点屠宰厂原有管理系统进行改造升级，建立覆盖生猪进厂（场）、屠宰、检疫、检验及肉品出厂等关键环节的全程信息管理，达到对生猪屠宰环节的信息追溯要求。系统要以生猪产地检疫证明为生猪来源依据，以肉类交易凭证、肉类蔬菜流通服务卡为流向依据（卡单同行），实现来源信息与流向信息的对接。屠宰厂（场）追溯管理工作的主要业务流程如下图所示：
/ 20
生猪屠宰环节追溯业务流程图进场交易主体备案生猪进场登记宰前检疫登记屠宰后检疫检验登记肉品出场登记信息传送实名注册备案确定批次是宰前检疫宰后检疫录入电子台帐信息标准化整理服务卡发放来源信息登记瘦肉精抽检肉品品质检验写入服务卡传送市追溯管理平台建立电子台帐录入电子台帐录入电子台帐生成交易凭证生猪屠宰环节追溯业务流程示意图
2.1 进厂经营主体备案管理
进厂经营者须凭有效身份证件、营业执照，并提供相应复印件，到屠宰厂进行备案。由屠宰厂登记经营者基本信息，并写入肉类蔬菜流通服务卡，发放给经营者。实行持卡经营，无卡者不得参与生猪屠宰屠宰加工及肉品交易。2.2肉品出厂管理
设置肉品出厂专用登记窗口，肉品出厂必须登记相关信息。由货主开具成交单、买主凭成交单到屠宰厂肉品出厂登记处进行登记。将生猪来源信息与肉品流向信息相关联，交易信息写入买主肉类蔬菜流通服务卡，并打印交易凭证。
实现电子化结算系统需支持现金交易、肉类蔬菜流通服务卡资金结算、肉类蔬菜流通服务卡与资金卡合二为
一、在肉品出厂环节资金流与信息流相对接，买主凭货主开具的成交单、买主肉类蔬菜流通服务卡，到屠宰厂结算中心完成写卡、打单、资金结算。
2.3生猪进厂登记管理。
屠宰厂在生猪入厂处设置有登记窗口，由屠宰厂工作人员核卡、验证（生猪产地检疫证）收货，货证相符后按要求划分批次，并将相关信息输入追溯子系统，生成批次电子台帐；同时要求进厂生猪数量不得超出检疫证上的生猪数量，超出部分拒收，并且要求保存上述原始单证2年以上。2.4 屠宰批次管理
以生猪产地检疫证明为批次管理依据，同一张产地检疫证明的生猪为同一批次。不同批次入场生猪须分别屠宰，划分不同批次。
/ 20 2.5宰前检疫登记管理
在生猪屠宰前需进行宰前检疫，经“尿样瘦肉精”抽检后，方可进行屠宰。2.6宰后检疫检验登记。
经宰后检疫和肉品品质检验后，将检测结果输入追溯子系统（与电子台帐相关信息进行关联），不合格产品不允许出厂。2.7屠宰管理
在生猪屠宰部分环节要求能对生猪客体进行追溯管理，根据多个城市的实践经验，采用批次管理+RFID标签的方式，通过工控理货机、RFID标签、读卡器、轨道衡等设备实现片猪客体与生猪进厂批次号绑定，同时提供肉品电子台帐的管理等功能。
2.8 片猪肉品交易（出厂）管理
片猪销售出厂时，要求支持客户通过CPU卡进行肉品交易销售、款项集中结算管理等功能，同时能打印输出带追溯码的交易凭证，提供交易信息写卡功能。2.9 无害化管理
对宰前、宰中及宰后检疫检验不合格的生猪、肉品，进行集中无害化消毁处理，信息登录追溯子系统，与电子台帐关联。2.10 CPU服务卡管理
系统要具有CPU卡登记、发放、CPU卡注销、信息清除、CPU卡查询等功能； 2.11 信息查询分析
系统要具有对生猪追溯等信息进行查询、统计、分析等功能； 2.12 信息上报管理
屠宰厂系统负责将按规定采集的经营主体基本信息、生猪进厂信息、检疫检验信息、肉品交易信息等信息经标准化处理后及时上传至城市追溯管理平台，并在追溯子系统中保留2年以上。2.13系统维护管理
系统要提供包括系统基本参数设置、接口标准设置、系统权限设置、角色权限设置、数据安全管理、操作日志管理、设备状态控制管理、数据通讯管理等系统维护与管理功能等。
/ 20
（三）批发市场追溯子系统
（软件功能包含但不限于以下功能要求）
根据天水市实际调研情况，各批发市场在信息化建设有一定的基础，结合商务部肉类蔬菜流通追溯体系建设技术规范，对原有管理系统进行改造升级，在批发市场通过建立覆盖肉类蔬菜进场、检疫验测、市场交易、结算出场等肉类蔬菜批发追溯管理体系，达到对肉类蔬菜批发环节的信息追溯管理要求。在肉类蔬菜批发追溯体系中要求以肉品检疫合格证及蔬菜产地证明（如从上游进货时，为进货交易凭证及买方肉类蔬菜流通服务卡）作为肉类、蔬菜来源依据，以批发市场交易凭证、肉类蔬菜流通服务CPU卡为肉类蔬菜流向依据，作到卡单同行，确保来源与流向（二单、二卡）信息相互关联； 3.1 肉品集中批发交易系统 3.1.1 经营主体备案管理
肉品经营者必须凭有效身份证件、营业执照，并提供相应复印件，到肉品集中交易市场进行备案。由交易市场登记经营者基本信息，并写入肉类蔬菜流通服务卡，发放给经营者。实行持卡经营，无卡者不得参与肉品批发经营交易。已在其他流通节点备案的经营者则无须重复备案。3.1.2基础管理
大中型批发市场（日批发量500头以上）实行电子化结算，配置电子单轨衡、工控级理货机、挂钩电子标签、电子标签读写器设备或适合电子化结算的其他自行研发设备。建立企业内部局域网，配置与本批发市场相适应的硬件设备，安装肉类批发追溯子系统，提供互联网通讯线路，落实专职追溯系统管理人员，对追溯系统实现全面负责制，要求追溯系统管理人员具备计算机基本常识，熟悉批发业务流程，能熟练应用追溯系统，确保追溯系统长效运行。3.1.3肉品进场登记管理
外埠肉品入场时，由市场工作人员核卡、验证（肉品产地检疫检验证）或换证，货证相符后按肉品产地检疫检验证明划分批次，进行肉品批次管理。系统原则上要求提供肉品轨道批发销售管理功能、肉品客体追溯管理功能（视具体客户需求选择）以及肉品电子台帐管理功能等；同时要求进场生猪数量不得超出检疫检验证上的肉品数量，超出部分拒收，并且要求保存上述原始单证2年以上。3.1.4肉品检疫检验管理
/ 20 对入场肉品进行抽检，检验合格，方可销售。同时可将检验结果输入交易系统，与电子台帐相关信息进行关联。3.1.5 肉品交易管理
设置肉品交易专用登记窗口，肉品交易必须信息登记。由批发商开具成交单、零售商凭成交单到批发市场肉品交易登记处进行登记。将肉品的来源信息与肉品的流向信息相关联，交易信息写入零售商肉类蔬菜流通服务卡，并打印交易凭证。
实现电子化结算系统需支持现金交易、肉类蔬菜流通服务卡资金结算、肉类蔬菜流通服务卡与资金卡合二为
一、在肉品出场环节资金流与信息流相对接，零售商凭批发商开具的成交单、零售商肉类蔬菜流通服务卡，到批发市场结算中心完成写卡、打单、资金结算。
建立电子化结算批发市场须对每片猪肉过磅秤重，将肉品检疫合格证号、批发商、肉品重量、挂钩号信息关联。3.1.6 CPU服务卡管理
系统要具有CPU卡初始化、CPU卡登记、CPU卡发放、CPU卡注销、信息清除、CPU卡查询等功能； 3.1.7信息查询分析
系统要具有对肉品市场追溯信息的查询、统计、分析等功能； 3.1.8 信息上报管理
交易市场系统负责将按规定采集的经营主体基本信息、肉品入场信息、检疫检验信息、交易信息等信息经规范化处理后及时上传至城市追溯管理平台，并在追溯子系统中保留2年以上。3.1.9 系统维护管理
系统要提供包括系统基本参数设置、接口标准设置、系统权限设置、角色权限设置、数据安全管理、操作日志管理、设备状态控制管理、数据通讯管理系统、维护与管理功能等。
3.2 蔬菜批发交易系统
/ 20 蔬菜批发市场追溯管理工作的主要业务流程如下图所示：
蔬菜批发环节追溯业务流程图进场交易主体备案蔬菜入场登记否确定批次质量检测蔬菜检测登记蔬菜交易登记信息传送实名注册备案是否已建电子台帐是数据传送电子秤批发交易信息标准化整理服务卡发放持卡申报建立台帐录入批次电子台帐批发还是零售交易零售交易导入电子台账导入批次电子台帐传送城市追溯管理平台验货登记写入服务卡写入买卖双方服务卡写入卖方服务卡持卡结算生成零售凭证生成交易凭证肉类蔬菜批发环节追溯业务流程示意图
3.2.1进场经营主体备案
进场经营者须凭有效身份证件、营业执照，并提供相应复印件，到批发市场进行备案，签订追溯承诺书。由批发市场登记经营者基本信息，并写入肉类蔬菜流通服务卡，发放给经营者。实行持卡经营，无卡者不得参与交易。已在其他流通节点备案的经营者则无须重复备案。3.2.2基础管理
建立企业内部局域网，配置与本批发市场相适应的硬件设备，安装蔬菜批发追溯子系统，提供互联网通讯线路。配置相适应的交易终端（自助式交易终端、手持式交易终端）、标签电子秤设备。落实专职追溯系统管理人员，对追溯系统实现全面负责制，要求追溯系统管理人员具备计算机基本常识，熟悉各环节业务流程，能熟练应用追溯系统，确保追溯系统长效运行 3.2.3 蔬菜进场登记管理
在批发市场蔬菜入场处设置登记窗口，由市场管理员验卡、验证、验货，读取肉类蔬菜流通服务卡：对已建立电子台帐的蔬菜商品：由供应商向市场持卡申报；市场管理员以交易凭证作为分批收货依据，登记收货信息；读取肉类蔬菜流通服务卡将信息自动导入追溯子系统，完成与系统中该批次蔬菜信息的匹配验证。
/ 20 同时要保存原始单证2年以上。系统要具有地磅秤数据自动采集功能。
对尚未建立电子台帐的蔬菜商品：市场管理员以蔬菜产地证明或上市凭证作为分批收货依据，按批次收货（同一供应商的同一张凭证或证明上的蔬菜商品为同一批次），登记收货信息；货证相符后将信息录入追溯子系统，建立批次电子台帐；同时系统支持自动将进货信息写入批发商肉类蔬菜流通服务卡的功能。3.2.4商品抽检
批发市场按照有关规定在进场蔬菜销售前，对蔬菜进行质量进行抽样检测；检测不合格的，禁止交易，启动召回程序。3.2.5蔬菜市场交易管理
设置蔬菜交易专用登记窗口、移动式登记终端、自助式交易终端机、手持式交易终端等设备进行信息录入。由货主开具成交单、买主凭货主成交单到蔬菜交易登记处或移动式登记终端进行信息登记；采用自助式交易终端、手持式交易终端由货主自行录入交易信息。将蔬菜来源信息与流向信息相关联，交易信息写入肉类蔬菜流通服务卡，并打印交易凭证。实现电子化结算系统须支持现金交易、肉类蔬菜流通服务卡资金结算、肉类蔬菜流通服务卡与资金卡合二为
一、在蔬菜出场环节资金流与信息流相对接，买主凭货主开具的成交单、买主肉类蔬菜流通服务卡，到批发市场结算终端完成写卡、打单、资金结算，确保卡、单信息与货物相一致。
系统要具备批次限量销售、单品批次进销存数据报表及追溯码打印等功能；同时系统要支持摊位间的内部调拨管理等功能。3.2.6 CPU卡服务卡管理
系统要具有CPU卡登记、CPU卡发放、CPU卡注销、信息清除、CPU卡查询等功能；
3.2.7 信息查询分析
系统要具有对市场经营追溯信息进行查询、统计分析等功能； 3.2.8 信息上报管理
批发市场系统负责将按规定采集的经营主体基本信息、蔬菜进场信息、检验信息、交易信息等信息经标准化处理后及时上传至城市追溯管理平台，并在追溯子系统中保留2年以上。3.2.9 系统维护管理
/ 20 系统要提供包括系统基本参数设置、接口标准设置、系统权限设置、角色权限设置、数据安全管理、操作日志管理、设备状态控制管理、数据通讯管理等系统维护与管理功能等。
（四）菜市场追溯子系统
（软件功能包含但不限于以下功能要求）
菜市场通过对肉类蔬菜进场登记、检验检测、交易结算等环节的业务管理，实现对菜市场肉类蔬菜信息的追溯管理功能。菜市场以交易凭证（屠宰厂或批发市场开具）、蔬菜产地证明或检测合格证明（地产蔬菜进货时）作为肉类、蔬菜来源依据，通过肉类蔬菜流通服务卡及人工信息录入，完成进货信息的系统导入、采集及与屠宰厂、批发市场等上游环节的信息对接，同时肉类蔬菜来源信息下传（读入）溯源电子秤，进行商品零售交易，输出带追溯码的零售凭证，完成零售信息与进货来源信息的相互关联。菜市场追溯管理工作的主要业务流程如下图所示：
标准农贸（菜）市场追溯业务流程图入场摊户备案肉类蔬菜入场确认否确定批次质量检测数据传送电子秤肉类蔬菜检测登记肉类蔬菜交易打单信息传送实名注册备案是否已建电子台帐是信息标准化整理服务卡发放持卡申报建立台帐录入批次电子台帐生成零售凭证传送市追溯管理平台验货登记写入服务卡导入电子台账写入卖方服务卡标准农贸（菜（市场追溯业务流程示意图
4.1备案、持卡管理
市场零售商户须在市内追溯体系内任意一个屠宰厂、批发市场或菜市场、超市实名备案，签定追溯承诺书，建立零售商信息档案，办理肉类蔬菜流通服务卡。实行持卡经营，无卡者不得经营。
/ 20 4.2 进场索证验货管理
肉类蔬菜进场时，由菜市场、超市管理员进行索证（屠宰厂或批发市场交易凭证）验货。
地产菜须提供产地证明及检测合格证明。4.3 肉类蔬菜进场管理
对于已建立电子台帐的，通过读取肉类蔬菜流通服务卡，将信息自动导入菜市场追溯子系统，完成与系统中该批次肉类蔬菜信息的匹配验证。未建立电子台帐的，进货信息由人工录入系统，建立批次电子台帐。4.4 数据下传电子秤
完成进场验货登记后，系统将进场肉类蔬菜品种、进货量、追溯码等信息下传卖场溯源电子秤。系统要支持信息CPU卡读入溯源电子秤功能。4.5 商品销售凭证打印
肉类蔬菜销售时，商户为消费者打印带追溯码的零售凭证，记载市场名称、摊位号、日期、商品名称、追溯码、价格、数量、金额等内容，同时销售信息上传后台，登记商品批次台帐。
系统要具备批次限量销售、单品批次进销存数据报表及追溯码打印等功能；支持摊位间的内部调拨管理。4.6 CPU卡服务卡管理
系统要具有CPU卡登记、CPU卡发放、CPU卡注销、信息清除、CPU卡查询等功能；
4.7 信息查询分析
系统要具有对市场经营追溯信息进行查询、统计、分析等功能。4.8 信息上报管理
菜市场系统负责将按规定采集的经营主体基本信息、肉类蔬菜进场信息、检疫检验信息、交易信息等信息按标准化处理后及时上传至城市追溯管理平台，并在追溯子系统中保留2年以上。4.9 系统维护管理
系统要提供包括系统基本参数设置、接口标准设置、系统权限设置、角色权限设置、数据安全管理、操作日志管理、设备状态控制管理等。
（五）大型超市追溯子系统
/ 20（软件功能包含但不限于以下功能要求）
大型超市是零售环节追溯节点之一。超市以交易凭证（屠宰厂或批发市场开具）以及蔬菜产地证明及检测合格证明（地产蔬菜进货时）作为肉类、蔬菜来源依据；通过肉类蔬菜流通服务卡及人工信息录入，完成进货商品信息的系统导入、数据采集、商品台帐建立以及与屠宰厂、批发市场等上游环节的信息对接；通过商品标签电子称销售、带追溯码零售凭证的输出，实现大型超市商品流向信息与商品来源信息的紧密对接。大型超市追溯管理工作的主要业务流程如下图所示：
超市追溯业务流程图经营主体备案肉类蔬菜进货登记否肉类蔬菜仓储加工肉类蔬菜商品销售信息传送实名注册备案是否已建电子台帐是填写凭证信息录入分批存储数据传送电子秤信息标准化整理服务卡发放持卡进货进货验收加工包装商品销售传送市追溯管理平台登记台帐登记台帐追溯码粘贴导入电子台账先进先出批次补货输出零售凭证超市追溯业务流程示意图
5.1经营主体备案管理
对肉类蔬菜供应商及大型超市经营主体进行备案，签订追溯承诺书，建立基本信息档案，发放肉类蔬菜流通服务卡。实行持卡经营，无卡者不得经营。供应商已在其他流通节点备案的，不需要重新建档、发卡。5.2进货索证验货管理
肉类蔬菜进场时，由大型超市管理员进行索证（屠宰厂或批发市场交易凭证）验货。地产菜须提供产地证明及检测合格证明。5.3肉类蔬菜进场管理
对于已建立电子台帐的，通过读取肉类蔬菜流通服务卡，进货信息自动导入大型超市追溯子系统，完成与系统中该批次肉类蔬菜信息的匹配验证。未建立电
/ 20 子台帐的，进货信息由人工录入系统，建立批次电子台帐。5.4 数据下传电子秤
完成进场验货登记后，系统将进场肉类蔬菜品种、进货量、追溯码等信息按批次下传卖场标签电子秤或称重包装设备。5.5 商品销售管理
肉类蔬菜销售时，大型超市为消费者打印带追溯码的条码标签或零售凭证，同时销售信息上传后台，登记商品批次台帐。
系统要具备批次限量销售、单品批次进销存数据报表及追溯码打印等功能； 5.6 商品存储管理
大型超市进货商品须按蔬菜供应商、日期、批次分别存储，不得混批存储。商品出货要严格按批次进行，原则上出货次序要按“先进先出”进行。5.7 分割包装管理
商品须按同一供应商同一批次分割包装，称重包装设备要能支持追溯码打印，能在原有的肉品、蔬菜包装标签上叠加追溯码。5.8 现场分割管理
肉品蔬菜现场分割应按同一供应商同一批次放入同一周转箱内，每一周转箱上有明显的标号，一个标号对应一个追溯码。5.9 信息查询分析
系统要具有对大型超市追溯信息进行查询、统计、分析等功能。5.10 信息上报管理
大型超市系统负责将按规定采集的经营主体基本信息、肉类蔬菜进场信息、检疫检验信息等信息按标准化处理后及时上传至城市追溯管理平台，并在追溯子系统中保留2年以上。5.11 系统维护管理
系统要提供包括系统基本参数设置、接口标准设置、系统权限设置、角色权限设置、数据安全管理、操作日志管理、设备状态控制管理、数据通讯管理等系统维护与管理功能等。
另外针对大型超市经营管理工作的特点其追溯子系统，可采用与超市POS系统整合的系统建设方案，即在统一商品收货环节的基础上，通过在二个系统间建立数据接口或信息导入导出传递规范，使整个追溯管理作业，由二个系统共同
/ 20 完成。如参考方案：大型超市追溯子系统提供刷卡、信息导入、批次台帐及追溯码管理功能，同时提供批次追溯码等信息的导出功能，超市的POS-MIS管理系统可根据追溯子系统导出的信息，在商品销售标签（含制作标签）上加上追溯码。
（六）、团体采购追溯子系统
（软件功能包含但不限于以下功能要求）
在团体消费单位（大中型企业、政府机关、学校、餐饮企业、肉类、蔬菜制品加工厂等）通过对肉类蔬菜持卡采购、收货刷卡验货等业务管理，在团体采购企业建立起以进货确认、领用管理为核心内容的追溯子系统。团体采购追溯管理工作的主要业务流程如下图所示：
团购追溯业务流程图团购主体备案持卡采购索证验货电子台帐库存管理信息传送实名注册备案商品交易卡证审核读卡信息货品入库信息标准化整理服务卡发放中心结算商品验货登记台帐领用、损耗传送市追溯管理平台信息写卡凭证领取信息录入库存台帐团购追溯业务流程示意图
6.1主体备案、持卡采购管理
团体消费单位到上游节点企业（屠宰厂、批发市场或菜市场、超市）进行实名备案登记，签订追溯承诺书，办理肉类蔬菜流通服务卡，持卡进行采购。6.2索证验货管理
肉类蔬菜收货时，由企业管理员进行索证（交易凭证或零售凭证）验货，货证相符后读取肉类蔬菜流通服务卡，将信息自动导入追溯子系统，完成与系统中所属批次肉品信息的匹配验证。6.3电子台帐管理
对读卡导入追溯系统的采购信息，系统会自动登记批次台帐；对未建立电子台帐的，进货信息由人工录入系统，建立批次电子台帐。
/ 20 6.4信息上报管理
团体采购系统负责将按规定采集的经营主体基本信息、肉类蔬菜收货进场信息等信息按标准化处理后及时上传至城市追溯管理平台，并在追溯子系统中保留2年以上。
6.5信息查询分析
系统要具有对企业有效信息的查询、分析功能。6.6系统维护管理
系统要提供包括系统基本参数设置、接口标准设置、系统权限设置、角色权限设置、数据安全管理、操作日志管理、设备状态控制管理、数据通讯管理等系统维护与管理功能等。
计算机网络系统的安全集成分析 第6篇
关键词：计算机；网络系统；安全集成；
一、网络安全现状
目前，我国的网络使用安全情况不容乐观，主要表现为：信息和网络的安全防护能力差，网络安全人才缺乏，单位员工对网络的安全保密意识淡薄，一些领导对网络安全方面不够重视。部分人员认为添加了各种安全产品之后，该网络就已经安全了，对网络安全认识不到位，态度不积极。因缺少专门的技术人员和专业指导，造成了网络安全性发展受阻，导致我国目前网络安全建设普遍处于不容乐观的状况。
二、网络安全常见威胁
1、自然威胁和失误威胁。所谓自然威胁主要是指一些自然因素对网络造成的威胁，如遭遇雷电等自然灾害、各种电磁波干扰、计算机网络硬件老化或遭受损坏等。失误威胁指由于人为的因素对计算机网络造成的威胁，如因操作失误将文件删除或将磁盘格式化，又比如网络使用者自身安全意识较为薄弱，将自己的用户口令随意告訴他人或与他人共享等。
2、非授权访问。这种安全威胁就是一种蓄意的破坏行为，即用户并未取得访问授权，但其通过编写或调试计算机程序来试图侵入其他用户的网络领域，以此来窃取对方的文件与资料，这种非法的安全侵入行为随着计算机技术的普及而越来越严重。一般有假冒、身份攻击、非法用户侵入以及合法用户未授权进入等几种形式。
3、木马程序、计算机病毒。木马程序是能够以远程操控受害者计算机的一种特殊程序，也是最为普遍的一种计算机安全威胁因素，木马程序具有一定隐蔽性，并且是未经授权的非法侵入。在计算机网络系统的使用过程中，若某个用户的计算机被恶意安装了木马程序以后，这个程序就会在该计算机运行的同时窃取用户资料信息，甚至用户所输入的密码也可以通过木马程序发送到远程遥控的黑客计算机中，这样以来，原计算机就毫无安全可言，整个计算机网络系统都完全被黑客操纵，破坏性极大。
计算机病毒其实就是指一组指令或代码，但这类指令和代码并不是帮助用户更好的操作计算机，而是以阻止计算机正常运行，破坏计算机数据，并不断自我复制扩大破坏范围为目标的非常态指令代码。病毒的破坏具有寄生性、隐蔽性与传染性，如蓝屏、自动重启等，其能够快速传染，使计算机系统瘫痪无法使用，危害性也是非常大的。
三、计算机网络集成技术的数据联接
ARP全称为Address Resolution Protocol，译为地址解析协议，顾名思义它的主要功能就是网络地址解析，具体表现为在数据链路层，根据目标计算机的IP地址，将本层与目标设备的硬件接口搭接，进而找到其所对应的MAC地址，如此将这两个地址相对应起来，同时对上层提供服务。换句话说，就是把网络IP地址与物理实体地址联系起来，完成它们之间的转化，便于利用目标设备的资料更实现了计算机之间的通讯。
在以太网的环境中，设备与设备之间的联系是通过IP地址建立的，源设备若想将讯息传递给目标设备必须先获得目标设备的IP地址，但是我们现在的传输工具只能获取目标设备的物理实体MAC地址，它不能识别主机的IP地址。什么是MAC地址呢？其实他就是每个计算机设备的序列号，每一台计算机设备都有自己的序列号，它由12到16位进制数组成，并且这个序列号不会与其他任意一台计算机的相重复，可以表示代表每一台计算机的特有属性。那么若想将此MAC地址转换成IP地址使其能够在网络工作中发挥作用，就需要对物理实体地址进行解析，解析网络层的地址，这样就能实现数据的连接。其实CPU之间的联系是通过网卡与网卡之间的联系实现的，网卡只能识别计算机的MAC地址，ARP协议就是这样一种网络协议，它通过建立ARP表格将一个数据包中的IP地址与MAC地址联系起来，由于每一个层级都有相应的地址，ARP则将IP地址与MAC地址的对应关系记录在ARP表格中。
四、计算机网络系统的安全策略
1 更换系统管理员的账户名。把电脑预设的系统管理员的名称Administrator换成毫无代表性的英文。一旦有不合法用户入侵，不仅要知道密码，而且需要用户名。更换名字的特殊职能没有在域用户管理器的User Properties对话框中体现出来，而是将这一功能放在User-*-Rename菜单选项中。使用NT4.0.的用户方可通过Resource Kit里的工具菜单下的封锁联机联机系统账号来实现。电脑中的这个封锁方式只适用于通过网络来非法获取信息。
2 关闭不必要的向内TCP/IP端口。不受法律保护的使用者在取得管理权限之后访问系统。第一步就是找到管理员故意停止不用的TCP/IP上的NetBIOS装订。第二部是将其重新启动。路由器也可作为保护电脑安全的一道防线。路由器是提供web和FTP之类公共服务的NT服务装置。如果电脑管理员运用了路由这一防线，一定要保证有两条路由器到服务器的向内路径：端日80的H1vrP和端日2l的FTP。
3、防火墙配置。制定的防火墙安全策略主要有：所有从内到外和从外到内的数据包都必须经过防火墙；只有被安全策略允许的数据包才能通过防火墙；服务器本身不能直接访问互联网；防火墙本身要有预防入侵的功能；默认禁止所有服务，除非是必须的服务才允许。其他一些应用系统需要开放特殊的端口由系统管理员来执行。
4、VLAN 的划分。VLAN是为解决以太网的广播问题和安全性而提出的一种协议。它在以太网帧的基础上增加了VLAN头，用VLANID把用户划分为更小的工作组，限制不同VLAN之间的用户不能直接互访，每个VLAN就是一个虚拟局域网。虚拟局域网的好处是可以限制广播范围，并能够形成虚拟工作组，动态管理网络。
5、身份认证。身份认证是提高网络安全的主要措施之一。其主要目的是证实被认证对象是否属实和是否有效，常被用于通信双方相互确认身份，以保证通信的安全。常用的网络身份认证技术有：静态密码、智能卡、USB Key和动态口令牌等。
6、制订网络系统的应急策略。大多数单位以防因意外事故而造成网络系统瘫痪，将损失最小化而制定了应急策略。面对意外带来的网络灾害，本应急策略有多个方面的补救措施，紧急行动策略和电脑软件、硬件的快速补救策略等等。
【参考文献】
[1] 陈豪然.计算机网络安全与防范技术研究[J].科技风. 2009（22）.
[2] 邓春.计算机网络安全防范措施浅析[J].硅谷. 2010（22）.
[3] 汪洋，郑连清.基于网络的校区视频监控设计与实现[J].重庆理工大学学报：自然科学版，2011（10）
集成神经网络 第7篇
关键词：神经网络,图像分类,ENVI,IDL,集成,精度
0 引言
ENVI是一套功能强大的遥感图像处理软件, 在ENVI上进行遥感图像分类中有很多方法, 如神经网络、最大似然、最小距离、ISODATA算法、决策树和面向对象等分类方法, 神经网络在分类时比其它分类所花费时间要长, 且速度很慢, 因为从算法机理可知神经网络在权值调整时是迭代收敛的过程, 其分类过程自然很慢。针对此问题, 决定使用IDL语言来编程优化算法。
1 IDL的语言环境
IDL (Interactive Data Language) 是美国RSI公司推出的面向矩阵的第四代计算机语言, 它语法简单, 自带大量的功能函数, 使用很少的代码就能实现其它语言很难实现的功能。IDL是进行数据分析、可视化及跨平台应用开发的最佳选择, 利用IDL可以快速地进行科学数据读写、图像处理、集成数学统计、信号分析、数值计算和三维图像建模等。IDL集可视、交互分析、大型商业开发为一体, 为您提供了最完善、最灵活最有效的开发环境。
IDL的开发应用已经深入到了人类日常生活的方方面面, 给人类对未知领域的探索与发现提供了强有力的工具, 推动了人类向前发展。对IDL的语言环境熟悉之后, 紧接着就开始针对目前存在的基于神经网络的遥感图像分类问题进行改进, 并结合ENVI软件, 使用IDL语言设计出改进后的优化算法。
2 ENVI中基于神经网络分类的剖析
ENVI中采用的神经网络属于BP网络, 含有输入层、输出层以及处于输入输出层之间的隐含层, 如果进行非线性分类, 输入的区域并非线性分类或需要两个超平面才能区分类别时候, 隐层数设置为大于或等于一。隐含层的状态影响输入与输出之间的关系, 改变隐含层的权系数, 可以改变整个多层神经网络的性能。
ENVI中采用的BP神经网络通过误差函数的最小化过程来完成输入到输出的映射。为了完成最小化过程, 这种BP反向传播算法分正向传播和反向传播两步进行。在正向传播中, 输入的样本从输入层经过隐单元一层一层进行处理, 通过所有的隐含层之后, 则传向输出层;在逐层处理的过程中, 每一层神经元的状态只对下一层神经元的状态产生影响;在输出层把现行输出和期望输出进行比较, 如果现行输出不等于期望输出, 则进入反向传播过程。在反向传播过程中, 反向传播把误差信号按原来正向传播的通路反向传回, 反复修改 (这是个迭代的过程) 各节点的权重和阈值, 逐渐减小误差, 直到达到预先设定的要求。当误差小于某一相当小的正数或迭代误差不再减少时, 完成BP网络的训练、输入与输出的映射的确定。
我们的落脚点是在BP网络的反向传播过程中网络各节点权值的迭代调整, 但是该网络在此方面存在缺陷, 就是迭代时间长, 尤其对处理大数据, 需要花费很长时间才能达到收敛。针对BP网络中学习算法收敛速度慢的缺点, 运用数学中埃特金加速收敛算法, 对传统的BP算法进行改进, 然后使用IDL语言进行汇编, 最后在ENVI上进行功能的扩展, 已达到适用的生产目的。
3 编写迭代函数
为了能在ENVI菜单上调用埃特金迭代收敛函数, 需要在ENVI菜单中创建一个新的菜单项, 并定义一个此用户函数。这个用户函数可以通过在ENVI菜单中选择这个新的菜单项来进行调用。具体工程如下:
(1) 在现有的ENVI菜单基础上创建新的功能菜单, 首先用文本编辑器打开envi.men文件, 添加如下部分:
如果ENVI已经打开, 需要关闭并重新启动ENVI, 然后在ENVI主菜单上, 会看到Classification菜单下的Supervised的子菜单内增加了新的菜单“New Function”。
(2) 编写迭代函数。在运行ENVI的IDL开发环境中, 迭代功能函数的部分代码如下:
4 实验过程与精度评定
本实验主要运用ENVI4.8版本图像处理软件进行图像分类, 使用的数据是网上下载的经过数据预处理后的Landsat5 TM研究区影像。调用迭代函数开始进行基于神经网络的遥感图像分类, 其分类时间所反映的进度条如图1所示, 以及最终的迭代均方根训练函数如图2所示。
在神经网络分类结束后, 所花费时间很短, 分类速度很快, 具体的分类结果图如图3所示。对调用迭代函数的神经网络分类结果进行精度分析, 使用混淆矩阵, 具体报表如图4所示。从混淆矩阵报表可知, 总体分类精度为94.2374%, 其Kappa系数为0.9272, 分类效果很好, 精度很高, 满足要求。
5 结束语
ENVI上调用迭代函数的神经网络总体上比原来的神经网络分类要优越, 其鲜明的特色就是分类速度快, 精度也高。这大大提速原有的神经网络分类速度, 尤其在处理大数据优越明显。但是ENVI上仍存在神经网络分类单一化现象, 怎样使其减少人为的干预, 使其更智能化是今后的研究趋势。
参考文献
[1]董彦卿.IDL程序设计—数据可视化与ENVI二次开发[M].北京:高等教育出版社, 2012.
[2]Raghu P P.Acombined neural network approach for texture classification[J].Neural Networks, 1995, 8 (6) :975-987.
集成神经网络 第8篇
入侵分析模块决定入侵检测系统检测率和效率。在入侵分析模块的研究中, 软计算方法对异常检测系统的分析有效。软计算方法通常有神经网络、遗传算法、模糊数学和粗糙集理论等。就神经网络而言, BP (Error Back Propagation) 神经网络和径向基函数 (RBF) 神经网络是比较重要的神经网络模型, BP算法具有局部精确搜索的特性, 因而存在易陷局部最优、收敛速度慢等问题;RBF神经网络不存在易陷局部最优, 但收敛速度仍较慢, 改善其收敛速度方法众多, 本文对RBF的初始化聚类子算法进行改进。使用集成神经网络理论对有差异的RBF神经网络构建集成RBF神经网络分类器。实验结果表明该方法提高了检测率和收敛速度。
1 RBF神经网络
RBF神经网络是具有单隐含层的三层前馈网络, 其网络结构下图所示。数学描述为:X= (x1, x2, …, xN) T为网络输入向量, φj (X) (j=1, 2, …, P) 为隐节点的基函数, Y= (y1, y2, …, yt) T为网络输出。
2 RBF神经网络的实现与改进
2.1 标准RBF神经网络的实现
标准RBF算法的编程步骤:
输入:训练样本、输入层, 输出层, 隐含层神经元的数目、最大误差、最大循环次数、高斯函数宽度;
输出:RBF神经网络分类器。
Step1:初始化聚类中心, 中心值方差, 神经网络的权值、偏值和学习率;
Step2:输入训练样本对, 聚类学习;
Step3:计算各层输出及网络输出误差;
Step4:计算各层误差信号, 调整各层权值;
Step5:检查对所有样本是否完成一次轮训, 完成则转向Step6, 否则返回Step3;
Step6:检查网络总误差是否小于最大误差或达到最大循环次数, 满足时结束训练, 否则返回Step3。
2.2 RBF神经网络的改进
RBF的主要训练时间是初始化聚类, 改进其收敛速度重点在于初始化聚类的改进。文献[1]设计了初始化聚类子算法, 本文对初始化聚类子算法做如下改进:
由于入侵检测数据库数据量大, 于是定义与其它数据距离最小的点:Min_Distance_Point[m], 其它数据的最小距离:Min_Distance[m], 最大最小距离:Max_Min_Distance[m];m为选取的数据记录, 一般很大, 所以在step3中求最小欧氏距离最大的若干记录时, 为了减少储存和时间复杂度, 不使用比较排序法。由于取出k个点最多需要k* (k-1) 个记录对, Max_Min_Distance大小可定义为k* (k-1) 。以下为快速求前k个最大数算法:for i=1 to m
求出比gi大的个数Number和与gi相等的个数Equation_Number, 若k>Number, 则gi>goal (目标值) , 记up=gi;若k<=Number且k>=Number-Equation_Number, 则gi为目标值goal, 否则gi
改进前的时间复杂度O (m2) , 改进后为O (m) , 时间复杂度得到降低。
3 RBF神经网络的集成
神经网络集成是集成一批有差异且能独立分类学习的神经网络, 并共同决定最终输出的信息处理系统。根据RBF神经网络隐含层神经元的个数、学习率等不同网络结构和输入不同的特征属性等影响因素, 构造出5个RBF神经网络分类器, 这批分类器具有检测率较高、网络结构不同等特点。然后对这批神经网络进行集成, 输出按对各网络简单平均, 相当于大数的决策原则, 共同决策输出最终结果。
4 实验结果与分析
入侵分析模块使用KDDCUP’99 (10%) 为实验数据, RBF分类器的输入数据为数值型, 需要对原始数据做预处理, 即将字符型按某种编码方式转换为数值型数据, 并做归一化处理。
4.1 RBF网络运行环境与参数设置
运行环境:VC++6.0平台, 后台数据库为Access 2003。
参数设置:数据记录数=29255, 网络误差=1e-3, 最大聚类中心数=100, 最大权值学习数=1000, 学习率=0.5, 最大聚类中心距=1e-3, 输入层节点数=5, 输出层节点数=1。
变量初始化:改进算法初始化聚类子, 连接权值取[0, 1]的随机数, 径向基函数为高斯函数。
输出结果:连接权值文件, 分类结果文件。
将输出参数文件放入标准RBF算法中使用集成算法最终决策结果。
4.2 检测性能的评价标准
检测率 (ADR) 、误报率 (FPR) 、漏报率 (FNR) 三个指标来评价检测性能。随机抽取29255条训练数据集和19481条测试集数据, 训练数据集对改进的RBF进行训练, 然后用测试集数据用于RBF与集成神经网络, 决策最终结果。RBF与集成神经网络的检测率、误报率、漏报率的实验结果如表1。
实验结果表明集成比RBF神经网络分类效果好, 检测率显著提高, 误报率和漏报率降低。
5 小结
通过对入侵检测系统事件分析模块的分析, 构建分类器时, 本文对已有文献中的初始化聚类子算法的进一步改进而提高了训练速度, 用集成理论对RBF神经网络的集成提高了检测率。针对分类器的构建过程, 在此基础上还有很多后续工作, 对神经网络的集成方案众多, 可在方案上开辟新途径。
参考文献
[1]熊家军, 李庆华.信息熵理论与入侵检测聚类问题研究[J].小型微型计算机系统, 2003, 5 (26) .
[2]唐正军, 李建华.入侵检测技术[M].北京:清华大学出版社, 2004.
[3]张义荣, 鲜明, 肖顺平, 王国玉.一种基于粗糙集属性约简的支持向量异常入侵检测方法[J].计算机科学2006 (33) .
[4]韩力群.人工神经网络理论、设计及应用 (第二版) [M].北京:化学工业出版社, 2007.
集成神经网络 第9篇
关键词：特征选择,ReliefF算法,神经网络集成,差异性
1 引言
神经网络集成[1]是利用多个神经网络对同一个问题进行学习,并将其结果进行合成,有实验显示该方法能显著的提高学习器的泛化能力。据文献[2]可知要增强神经网络集成的泛化能力,一方面应尽可能提高个体网络的泛化能力,另一方面应尽可能地增大集成中各网络之间的差异。为了进一步尽可能的增大集成中各网络之间的差异,本文提出一种特征选择方法———改进的PSReliefF算法,并将其引入到神经网络集成的构建中,将扰动训练数据和扰动输入属性结合,以提高神经网络集成的泛化能力。
2 特征选择及Relief[3]算法
特征选择在数据挖掘、图像处理、数据压缩、模式识别等诸多方面有着广泛的应用,它的任务就是从一系列相关或无关的特征中找出那些最有效的特征同时除去那些冗余特征,这样处理处理有利于将度噪声的干扰、提高分类精度。
Relief是比较优秀的特征选择算法,它是基于权值搜索的特征子集选择,用权值搜索方法为每维特征赋予一个权值,以权值表征特征与类别的相关性,通过不断调整权值逐步凸现特征的相关程度,最后选择权值较大的那些特征,可以达到快速降维的目的。Relief算法的计算复杂度为O(tmN)(其中t为尝试次数,m为训练样本,N为备选属性个数),相对其他一些方法其计算量大为减少。其具体算法执行步骤可参考文献[2]。
在Relief算法中,对于较容易分类的特征,同类样本间的距离较近,而异类样本建的距离较远;因此经过权值的累积计算,对分类结果贡献较大的样本属性权值较大。Relief算法从理论上解释非常直观,而且易于使用。但从Relief算法的过程来看,它也有自身的缺点,例如只能处理二分类的数据集。有文献[6]和[7]对Relief算法进行了部分改进,提出了能够处理多分类问题的ReliefF算法。
ReliefF算法是主要改进的是特征属性的权值更新方法,其权值的更新公式如下:
改进后的ReliefF算法选择使用K近邻样本而不是最近样本进行计算,能够很方便地解决多分类的特征提取问题,因此有着更广泛的应用。
3 改进的基于概率抽样(probability sampling)的ReliefF算法—PSReliefF算法
由于在训练样本的获取上,各类别样本的获取代价不同,它们在数量上有一定的差异。而这种差异影响了样本的选择。若按照Relief算法中再有限的循环次数中,随即选择一个样本求其同类最近邻和异类最近邻,将会导致小类别样本的选择概率相对较小,甚至可能被忽略。而事实上这种小类别样本可能是对特征属性权值调整贡献较大的样本。
同时某类别样本数量较大时,与该类别相关的特征属性的权值积累就很逐渐变高,这也不利于压缩特征空间。
综合以上的问题,本文提出的一种改进方法是,在选择初始随即样本时加入概率抽样模型,使得各类别样本都能按比例别选择到,使它们共同影响特征属性的权值调整,
具体的做法如下:
1)初始化每个特征的权重都为0即W[X]1=0;
2)计算出各个类别样本的数量,并根据各个数量占总体训练样本数量的比重为各个类别分配一个抽样比率Pi(i=1,2,…n,为类别值)
3)按个类别的抽样比率Pi选择各个类别中的样本形成含有m个样本的样本组
4)K从1到m循环:
(1)从样本组随机选择一个样本RK;
(2)寻找RK的同类的最近邻样本H和异类点最近邻样本M
(3)对所有特征Fi(i=1,2,…,X)分别计算并更新权重:
循环结束。
5)根据权值大小对特征进行排序,选择权值最大的若干特征;
其中对于离散值属性,函数diff()定义为:
而对于连续属性:
4 实验
4.1 实验步骤
输入:训练集SK(A1,A2,…,An,An+1),个体子模型的个数为K
输出:预测的测试样本的类别属性及分类精度
过程:For k=1:K
Step1:对S进行归一化处理得到样本S’
Step2:将S’数据机分为训练样本Stra和测试样本Stes;
Step3:在Stra中用Booststrap方法按一定抽样比例得到第k个训练子集
Step4:利用特征选择技术概率抽取reliefF算法从第k个训练子集中选择其相对最优特征子集,从而获得相对最优训练子集
Step5:在相对最优子集上训练第k个学习器模型
Step6:将各模型的结果用投票方式产生最终的预测类别号
End
4.2 实验结果及分析
本实验的运行环境是用MATLAB7.0构建的。数据采用著名公共数据集UCI上的Johns Hopkins University Ionosphere database。该数据集共有351个样本,共有34个属性,两个类别。为了检验特征提取方法对于小样本训练集的训练
效果,实验中采用100个样本作为训练样本,351个全体样本作为检测样本。其分类器采用加入动量项的BP神经网络模型。
实验分别比较了BP神经网络集成(BP ensemble)、加入ReliefF特征提取的集成(ReliefF-ensemble)和基于改进的特征提取集成模型(PSReliefF-ensemble),结果如下。
从实验结果能看出来,实验数据集有34维特征属性,经过ReliefF算法的特征压缩以后,能有效地减小神经网络的集成训练误差。而利用改进后的概率抽样ReliefF算法的实验不仅有着相近的训练误差,此方法能使神经网络集成分类精度有所提高,可见本论文提出的方法能有效地改进分类精度。分析原因,主要因为在ReliefF算法中忽略了小样本间的相关性和样本其他的的相关性。而改进的基于概率抽样的ReliefF算法避免了这种缺憾,使每类样本都能取到。
5 结束语
本文尝试将改进的ReliefF算法引入神经网络集成学习的特征提取阶段,有效地降低了特征空间的冗余,使集成学习模型的分类精度有了一定的提高。因此该方法能应用到智能计算的相关应用中,如人脸识别、图像识别等应用中,这也是以后研究的方向。
参考文献
[1]DIETTERICH T.Machine learning research:four currentdirections[J].The AI Maga-zine,1998,18(4):972136.
[2]Krogh A,Vedelsby J.Neural network ensembles,cross validation,and active learning[A].In:Tesauro D,Touretzky D,Leen T,eds.Advances in neural information process-ing systems 7[M].Cambridge,MA:MIT Press,1995:2312238.
[3]Kira K,Rendell L A.A practical approach to feature selection[A].In:Sleeman D,Edwards P.Proceedings of the 9th InternationalWorkshop on Machine Learning[C].San Francisco,CA:Morgan Kaufmann,1992.2492256.
[4]Zhou Zhi-hua,Chen Shi-fu.Neural network ensemble[J].Chinese journal of Computers,2002,25(1):1-8(in Chinese).
[5]赖冰凌,王新宇.Relief算法在关门车故障自动识别中的应用[J].铁路计算机应用,2007,11(1)21-25.
[6]吴浩苗,尹中航,孙福春.Relief算法在笔记识别中的应用[J].计算机应用,2006,1(26):174-178.
网络系统集成的质量控制 第10篇
网络系统集成是在网络系统工程方法的指导下, 根据网络应用的需求, 将网络硬件设备、系统软件和应用软件等产品和技术, 系统性地集合在一起, 成为满足用户需求的、较高性价比的计算机网络系统。
网络系统集成可分成若干阶段:需求分析、技术方案设计、产品选型、网络工程经费预算、综合布线系统与网络工程施工、应用软件平台配置、网络系统测试、网络技术支持、网络应用和技术培训、网络工程的验收。每个阶段的质量控制都很重要, 关系到随后各阶段实施的效果, 最终影响到整个系统的效能。
一、质量控制的总体原则
(一) 事前控制原则
网络系统建设是一个高技术、高投入的建设过程, 任何由于质量问题引起的工程变更必然产生巨大的投资浪费和工期拖延。所以, 在集成过程中应该始终坚持质量的事前控制原则。坚持事前控制原则的关键在于准确了解用户需求, 科学地进行网络系统设计。
(二) 标准化原则
经过国内外信息领域研究者的长期不懈的努力, 信息领域已经形成一系列的标准, 总的来说, 信息领域的标准可以分为:信息技术标准和信息管理标准, 其中信息技术标准阐述了信息产品或系统所应该遵循的技术规范, 而信息管理标准则规定了信息产品或系统设计、实现和维护过程中所应该遵循的行为规范。这些标准为我们建设高质量的网络系统提供了科学的依据。因此, 在网络系统集成过程中, 应该根据网络系统的特点, 遵循有关国内外的相关标准进行系统集成, 保证集成过程的科学性。
(三) 阶段性控制原则
网络系统集成需要根据用户的具体需求, 系统地设计和实现网络系统, 因此, 它是一个创新的过程。由于网络系统集成的过程性, 这就决定了网络系统的质量控制应该是阶段性的, 不可能一蹴而就。换句话说, 网络系统集成的质量控制应该分阶段实施;应该根据系统的质量总目标形成各个工程阶段的质量目标和具体的质量控制措施, 通过实现各阶段的质量目标来完成整个系统的质量目标。
(四) 定性测试和量化测试相结合的原则
根据GJB9001A的有关要求, 质量目标应该是可以验证的。由于网络系统特殊性, 绝大多数的验证过程是无损的, 应该大力提倡使用网络系统的验证手段来保证网络系统的质量, 测试是网络系统验证的重要手段之一。笼统地说, 网络系统测试可以分为定性测试和量化测试。定性测试主要用于系统的功能测试, 而量化测试主要用于系统的性能测试, 两种手段可从不同角度反映网络系统的质量。
(五) 用户需求符合性原则
衡量网络系统质量的一个重要尺度是用户需求的符合程度。建成的网络系统应该符合用户的业务功能需求、性能要求和使用习惯要求等。检验用户需求符合度的主要方法是科学的测试, 可以通过测试手段来判定用户需求的符合程度。
二、设计阶段的质量控制
(一) 全面系统地了解用户需求
定义清晰的用户需求是整个系统成败的关键。应该采用科学的方法从事用户需求的调查, 这种需求调查不仅应该包括单位管理者和系统维护者意见, 而且应该包括最终用户 (内部用户、外部用户) 的意见, 从而保证用户需求的完整性;同时为了保证用户需求的准确性, 用户需求的制定过程应该使用迭代的方式, 通过反复征询用户的意见, 逐步完善用户需求。
(二) 充分讨论系统设计方案
系统设计方案描述了被建系统的抽象模型, 因此设计方案的科学性和合理性对被建系统的质量具有极其重要的影响。
因此, 系统设计方案应该与系统集成部门、质量监理部门充分讨论, 提高系统设计的质量。其中, 系统设计过程中应该注意:用户需求的符合性、技术成熟性和先进性、系统的安全性、系统的可扩展性、所选产品的质量符合性、法律法规的符合性等。
(三) 设计完整的系统验证方案
在系统设计阶段, 应该根据用户需求书和系统设计方案, 制定完整的系统验证方案。网络系统的验证方法主要包括:模拟仿真的方法和测试的方法。目前, 对于网络系统的设计已经具有一些成熟的仿真平台, 可以参照使用;测试一种普遍采用的质量验证方法, 但设计现场测试方案时应充分考虑用户需求的符合性。
(四) 确定可行的质量控制方案
为了保证系统实施的质量, 应该依据系统设计方案制定一套可行的系统质量控制方案, 以便有效地指导系统实施过程。该质量控制方案应该确定系统实施各个阶段的质量控制目标、控制措施、工程质量问题的处理流程、系统实施人员的职责要求等。
之间路径的长度, 就等于该路径所包含的两条边的参照距离值之差。基于上述考虑, 对式 (1) 中的公交网络二部图模型进行如下扩展:
其中, R, S, E符号意义同前;W为边的权值集合;L为边的参照距离值集合。
对于一个实际的公交网络, 可以按以下步骤生成一个二部图:
(1) 将校园网络中的所有线路 (不区分上下行) 加入顶点集合;
(2) 将校园网络中的所有站点加入顶点集合对于分别属于两条不同线路但又相邻很近的停留点, 可根据一定原则合并为同一顶点[3];
(3) 如果一条公交线路经过某些停留点, 则在此线路顶点和这些停留点顶点之间连接一条无向边;
(4) 令所有边的权值等于1, 这一权值不代表任何实际距离, 只是为了在路径搜索中计算变换次数;
(5) 根据一条线路包含站点的次序, 依次赋予每条边一个参照距离值, 对于该条线路上的起始站点, 参照距离值等于0, 其余站点连接边的参照距离值等于该站点到起始站点的距离。
3算例分析
在前述算法设计的基础上, 用Matlab编制了数字化校园网络路径搜索仿真程序, 验证数字化校园二部图模型, 示例数字化校园网络中共有n=50个驻留点, m=49条路径分别用不同线型表示, 如图2所示。为简便起见, 假定相邻两驻留点间的距离均为相等值。
通过分析计算结果可以看出, 算法能够以变换次数最少和距离较短为目标, 搜索出数字化校园网络中两点间的多条可行路径, 且算法生成的最佳路径, 与一般用户的选择方案选择行为较为符合。
4结语
采用二部图模型描述数字化校园路径网络, 将线路抽象为图中一类特殊的顶点, 对图论中普通的最短路搜索算法稍加改造, 即可搜索到变换次数最少且距离较短的合理出行路径, 避免了采用有向赋权图描述模型时变换乘识别的困难。在此基础上进一步研究了校园网络多条备选路径的搜索算法, 不局限于只提供单一的路径方案, 使研究成果更具实用
参考文献
[1]闫小勇, 尚艳亮.基于二部图模型的公交网络路径搜索算法[J].计算机工程与应用.2010, 46 (5) :246-248.
[2]杨新苗, 马文腾.基于GIS的公交乘客出行路径选择模型[J].东南大学学报:自然科学版.2000, 30 (6) :87-91.[3]鲍江宏, 关毅璋.基于矩阵运算的公交查询高效算法[J].计算机工程与应用.2008, 44 (10) :198-200.
[4]侯刚, 周宽久.基于换乘次数最少的公交网络最优路径模型研究[J].计算机技术与发展.2008, 18 (1) :44-47.
[5]闫小勇, 牛学勤.公交网络多路径选择启发式算法研究[J].城市交通.2005, 3
(五) 形成表述规范的设计文档
为了保证系统实施的可操作性和系统的可维护性, 设计文档应该采用规范的表述形式。例如:我们可以采用标准建模语言U M L (U n i f i e d M o d e l i n g Lan guag e) 描述软件设计方案, 利用甘特图 (Gantt Chart) 描述工程进度安排等。
三、实施阶段的质量控制
(一) 慎重选择系统分包商
网络系统实施过程的分包是非常常见的。由于工程的任何部分都会对整个系统的质量产生影响, 应该慎重选择分包商, 尽量选择具有相应工程资质、丰富工程经验、有技术保障的分包商。
(二) 遵循科学的实施流程和技术要求
系统实施过程应该遵循科学的流程和有关技术要求, 坚持按照标准的实施流程完成系统的建设。系统实施流程应只与系统的需求和类型相关, 不能因人而异。例如:网络设备选型时, 应当有事实数据来评估每种设备的性能指标是否满足网络系统的设计要求。
(三) 合理进行阶段性测试
系统实施的各个阶段应该遵照质量控制方案的要求, 分阶段地进行系统测试, 逐步地实现质量控制目标。例如:综合布线系统施工过程中, 应该及时利用网络测试仪测定线路质量, 及早发现并解决质量问题。
四、结语
计算机网络已成现代社会的基础设施, 其本身的复杂性构成对系统质量的挑战。在网络系统集成应把握各阶段的质量控制, 才能实现整个系统的效能。
摘要：网络系统集成是在网络系统工程方法的指导下, 根据网络应用的需求, 将网络硬件设备、系统软件和应用软件等产品和技术, 系统性地集合在一起, 成为满足用户需求的、较高性价比的计算机网络系统。本文阐述了网络系统集成中质量控制的基本原则、实施要点。
关键词：网络,系统集成,质量控制
参考文献
[1]杨卫东.网络系统集成与工程设计[M].北京:科学出版社.2002.04
集成神经网络 第11篇
关键词 空间网络；数据资源集成；农场信息化；农场组织管理
中图分类号：F324 文献标志码：B 文章编号：1673-890X（2015）21--02
1 我国传统农场信息化组织管理建设的问题
1.1 农场组织管理体制不健全
目前，我国大型农场虽然具有企业性质，但在其建设发展过程中政府对农场发展建设起到决定性作用。因此，农场在生产经营过程中不处于主导地位，必须在政府行政命令下进行生产经营。管理体制受政府干预比较深刻，管理的时效性较差，为此，大型农场与政府需要对其自身的权责予以重新定位，各尽其职，共同促进我国大型农场企业化、市场化发展，提高农场企业管理水平[1]。
1.2 我国对农场建设资金投入不足，基础设施建设相对薄弱
随着时间的推动，虽然我国对农业生产经营方面不断加大资金投入，但在如今受传统农业生产经营模式的影响，对我国农场基础设施的投入力度上还有待加强。尤其在偏远贫困地区，农业基础设施薄弱，水利、电力基础设施建设得不到开展，防灾减灾能力不足导致农场建设管理处于停滞不前的状态[2]。
1.3 科技创新能力缺乏
在科技发展迅猛的今天，主要利用资源要素推动农业经济增长是绝不可持续发展的，只有加快创新驱动才能够带动农业现代化可持续发展。因此，科技创新能力是如今发展农业尤为重要的基础，而我国大多新型科技由国外引入，对原始创新技术极度缺乏，这为我国发展农场信息化组织管理发展造成阻碍。
1.4 农业科技人才缺失
我国在农业科技人才培养方面尚未提出支持政策，没有科技人才等于没有科学技术创新。在国际竞争力不断加强的今天，国家的竞争力主要依靠人民的力量，只有国民知识水平提升，才能够研发出新兴的科学技术，提升我国综合实力和国际竞争力，因此，科技人才的培育是我国农场信息化组织管理发展的重要环节[3-6]。
在信息化，数字化，智能化發展的今天，面对我国农场组织管理所存在的不足之处，发展农场信息化组织管理的唯一途径是依托空间网络环境下数据资源的有效集成，推进农场组织管理效率的提高，增加农民收入，实现农业现代化转型。
2 空间网络数据资源集成对我国农场信息化组织管理的作用
随着互联网的迅猛发展，在大数据浪潮席卷全球的今天，从大数据中抽取有利的数据资源，如网络资源、人才资源和政策资源等，将这些资源有效集成能够使我国农场农产量大大增加，解放农场劳动者繁重的体力劳动，增强我国农业的国际竞争力。
2.1 网络资源对我国农场信息化组织管理的作用
很多农业网站将农作物价格预测与金融服务、电子商务报价结合起来，这样农场可以通过网络资源来决定终止何种物种、种植多少及出售价格等，种植计划中所需要签订的合同均可网上签订，既大大减少了人力、物力、财力的消耗，也提高了农场工作效率。我国农场可以利用全球定位系统、移动传感器、空中和卫星摄影等新兴技术收集大量涉农数据，包括气象预报、虫害警报、环保法规等。农场可以根据收集来的数据进行处理和比较，以最快的速度得出最有利的农业数据。可见，利用空间网络环境下的网络资源对我国农场信息化组织管理起到不可替代的作用，引领我国农场走向信息化、现代化的发展趋势[7]。
2.2 政策资源对我国农场信息化组织管理的作用
2008年10月，党的十七届二中全会再次做出决定：“赋予农民更加充分而有保障的土地承包经营权，现有土地承包关系要奥驰稳定并长久不变”。直到近几年，2013年中央一号文件提出“家庭农场”概念，鼓励和支持承包土地向专业大户、家庭农场、农民合作社流转，发展多种形式的适度化规模化经营。因此，目前我国农场正处于由传统的分散式农场、农地向集约化的适度规模农场发展。由此可见，空间网络数据资源中的政策资源能够为我国农场向现代化转型提供有力的政策支撑。
2.3 信息人才资源对我国农场信息化组织管理的作用
我国在加快农业现代化转型进程中，农业信息人才发挥着至关重要的作用。在农场生产经营中，不仅需要高学历的拔尖人才和优秀领导人，更需要一大批创新型信息技术人才。因为农业信息人才不仅是带动农场生产经营整体信息化发展的火车头，还是农业科技提高的重要载体和实践者，更是农业现代化发展的促进力量。在国际信息技术竞争日趋激烈的环境下，我国农业信息人才的培养和引进是提高我国信息技术竞争力的唯一途径[8]。由此可见，信息人才资源能够加快我国农场现代化管理建设的进程，是农场信息化组织管理的重要实践者和领导者。
3 结语
综上所诉，空间网络数据资源如：信息技术资源、信息人才资源、政策资源等都对我国农场信息化组织管理发挥至关重要作用[9-10]。因此，将这些资源有效协同、集成共同应用于农场组织管理中，将会为农场组织管理带来更大的效益，更快地实现农场信息化组织管理的发展目标。
参考文献
[1]陈兴，瞿林鹏.智慧农场信息化应用研究[J].农业网络信息，2014（1）：1672-6251.
[2]张俊伟.浅析国有农场农业信息化建设[J].农场经济管理，2014（4）： 51-52.
[3]谷春梅.我国农业信息化存在的问题与对策[J].现代情报，2006（12）：53-54.
[4]卢光明.农业信息化是促进农业产业化的重要手段[J].中国管理信息化，2007（6）：37-38.
[5]郭永田.中国农业农村信息化发展成效与展望[J].电子政务，2012（2）：99-106.
[6]刘丽伟.美国农业信息化促进农业经济发展方式转变的路径研究与启示[J].农业经济，2012[7]：40-43.
[7]王文生.德国农业信息技术研究进展与发展趋势[J].农业展望，2011（9）.
[8]戴宴清.美国、日本都市农业信息化实践与比较[j].世界农业，2014（5）：24-28.
[9]农业部农业信息化专题研究班课题组.借鉴发达国家经验构建农业信息化高地的思考与建议[J].世界农业，2013（9）：3-5.
[10]岳虹.农村科技信息服务模式的研究[J].现代情报，2014（6）：143-145.
集成神经网络 第12篇
基于模型综合特性曲线的水轮机非线性模型存在2个严重非线性环节, 即水轮机单位力矩、单位流量特性。目前, 工程计算通常采用表格插值法[4]、曲线 (曲面) 拟合法[6,7]对该环节进行处理。然而表格插值法精度较低且其一阶导数不能保证连续, 故该方法用于水击压力计算时往往会产生迭代不收敛的现象;曲线 (曲面) 拟合法虽能解决除分界面之外的导数不连续问题, 但需预先给定曲线 (曲面) 的阶次, 而阶次是否恰当会直接影响到模型的计算精度。
反向传播神经网络 (Back Propagation Neural Network, BPNN) 是一种多层前馈神经网络, 该网络通过误差的反向传播调整网络的权值与阈值, 从而建立起输入与输出变量之间的非线性映射关系, 因具有并行处理、学习能力强、鲁棒性好等特点, 故被广泛应用于复杂非线性系统建模中[8]。然而传统BPNN存在过拟合特性、泛化能力不强、网络收敛速度慢等缺陷, 致使基于BPNN的非线性系统模型难以达到理想精度[9]。
鉴此, 本文通过引入Levenberg-Marquardt算法及Adaboost集成学习算法对传统BPNN进行改进, 提出了Adaboost_LMBP集成神经网络算法, 并利用该算法分别对混流式水轮机单位力矩、单位流量特性进行拟合。通过与普通的神经网络算法进行对比分析, 验证了Adaboost_LMBP集成神经网络算法的有效性, 为基于模型综合特性曲线的混流式水轮机非线性模型的计算精度提供了可靠保证。
1 基于模型综合特性曲线的混流式水轮机非线性模型
单机单管、无调压室下, 基于模型综合特性曲线的混流式水轮机非线性模型可归纳表示为[4]:
式中:M11r、Q11r与n11r分别为水轮机额定单位力矩、额定单位流量与额定单位转速;G为导叶开度;Yn、Y0分别为接力器行程最大值、初始工况值;n11为单位转速;fM、fQ分别为水轮机单位力矩、单位流量特性函数;y、mt、q、x与h分别为接力器行程、主动力矩、流量、转速及水轮机水头偏差相对值;m0、q0、x0与h0分别为主动力矩、流量、转速及水轮机水头初始工况相对值;Gh (s) 为有压引水系统传递函数, 若考虑管壁及水体的弹性, 忽略水力摩阻, Gh (s) 可简化表示为:
其中:Tw为水流惯性时间常数;Tr为水击相长。
由式 (2) 构成的基于模型综合特性曲线的混流式水轮机非线性模型结构框图如图1所示。由图1可知, 该模型存在2个严重非线性环节, 即水轮机单位力矩、单位流量特性函数。因该环节处理的好坏将直接影响到上述水轮机非线性模型的计算精度, 故下文采用Adaboost_LMBP集成神经网络算法对该非线性环节进行表示。
2 Adaboost_LMBP集成神经网络算法
2.1 Adaboost及Levenberg?Marquardt算法概述
Boosting, 也称为增强学习或提升法, 是一种重要的集成学习技术, 其基本思想就是试图产生若干简单、精度比随机猜测略好的弱学习器, 再将这些弱学习器集成构造出一个高精度的强学习器, 该思想的起源来自于Valiant提出的可能近似正确 (Probably Approximately Correct, PAC) 学习模型[10]。目前存在较多改进的Boosting算法, 但最具代表性的应属于自适应Boosting算法 (Adaptive Boosting, Adaboost) 算法, 与Boosting不同的是, Adaboost算法无需预先知道弱学习算法的任何先验知识, 因而被广泛应用到机器学习领域。
Adaboost算法将在线分配及加权投票思想融入到Boosting算法框架中[11,12], 其核心思想是维护Adaboost指定训练集上的样本权重分布, 初始状态下各样本权重保持一致, 并按该分布情况训练得到一个弱学习器, 训练完成后, 依据训练结果增加训练集上错分样本的权重, 迫使下个弱学习器在训练时重视当前错分样本, 同时采用加权投票策略, 为分类精度高的弱学习器赋予更重的投票权值, 最终根据该票权重将若干弱学习器组合起来以形成强学习器。
针对标准BP训练算法存在学习效率低、收敛速度慢等诸多缺陷, 目前已有不少学者提出多种数值优化算法以代替标准BP算法, 其中的Levenberg-Marquardt (LM) 算法[9]性能最为突出。LM算法是一种标准非线性最小二乘最优化算法, 其实质为梯度下降法与Gauss-Newton法的结合体, 既有梯度下降法的全局特性又有Gauss-Newton法的快速收敛特性, 该算法权值及阈值向量采用如下调整公式[9]:
式中:JTJ为海森矩阵的近似值;J为权值与阈值向量的雅克比矩阵;e为误差向量;ξ为自适应调整参数;I为单位向量。
2.2 Adaboost_LMBP集成神经网络的实现方法
Adaboost_LMBP集成神经网络的设计思想是将BPNN作为Adaboost算法的弱学习器, 然后针对同一训练集, 利用LM算法反复训练出若干BPNN, 最终通过Adaboost算法将全部BPNN集合构成一强学习器以提高单一BPNN的泛化能力及拟合精度。图2为算法流程框图。
Adaboost_LMBP集成神经网络的主要实现步骤如下。
(1) 步骤1:给定N个训练样本:S={ (x1, y1) , (x2, y2) , …, (xN, yN) }, 其中xi∈X, yi∈Y, X与Y表示某个域或实域;对训练样本进行归一化处理, 使样本值分布在区间[-1, 1]内。
(2) 步骤2:确定BPNN弱学习器的个数T、网络结构及网络参数配置 (迭代次数、目标误差及初始学习率) 。
(3) 步骤3:设定训练样本的初始权重D1 (i) =1/N为D1 (i) =1/N, 其中Dt (i) 为第t次训练中样本权重, i=1, 2, …, N, t=1, 2, …, T。
(4) 步骤4:在训练样本权重分布下, 利用LM算法对BPNN弱学习器进行训练并得到拟合序列ht (x) , 并计算出ht (x) 的平均拟合误差和, 若εt≥0.5, 则直接跳至步骤7。
(5) 步骤5:计算预测序列权重, 并依据该值调整下一轮训练样本的权重, 其中Zt为归一化因子, 使。
(6) 步骤6:跳至步骤4并完成下个BPNN弱学习器的训练, 直至迭代次数为T后结束。
(7) 步骤7:根据训练得到的T个BPNN弱学习器ht (x) 组合成一强学习器。
3集成神经网络结构设计及参数配置
3.1训练样本及输入、输出变量的确定
根据南方某大型水电站提供的混流式水轮机模型综合特性曲线, 通过对其进行曲线延拓、提取数据点及数值计算等处理, 获得了水轮机单位力矩、单位流量特性数据表。根据该数据得到的水轮机单位力矩、单位流量特性3维曲面分别见图3与图4。
此外, 为便于混流式水轮机综合特性的Adaboost_LMBP集成神经网络模型构建, 本文将水轮机单位力矩、单位流量特性分别采用Adaboost_LMBP集成神经网络进行表示, BPNN弱学习器的输入变量X={单位转速n11, 导叶开度G}, 输出变量则为相应输入条件下的单位力矩Y1={单位力矩M11}与单位流量Y2={单位流量Q11}。
3.2训练样本的归一化处理
由于本文训练样本在数量级、量纲等方面存在较大差异, 故不能直接将其用于BPNN弱学习器的训练, 否则会严重影响到BPNN的学习速度及拟合精度, 故需对输入与输出变量进行如下归一化处理:
式中:X为输入或输出变量;Xmin与Xmax分别为该变量中的最小值与最大值;Xn为归一化后的变量。经归一化处理后的输入与输出变量将被映射到区间[-1, 1]中, 但由此产生的网络输出也会落在该区间内, 此时需采用反归一化方法对其进行处理, 从而将该输出转化成实际输出。
3.3 BPNN弱学习器的结构设计及参数配置
BPNN具有较强的拟合非线性规律的特性, 现已证明, 当隐含层节点数足够多时, 3层BPNN即可实现任意的M维 (输入层) 至N维 (输出层) 的映射[9], 故本文Adaboost_BP集成神经网络中的BPNN采用单隐层结构。隐含层节点数直接关乎BPNN性能, 隐含层节点数过少, BPNN从训练样本获取信息的能力就越差;隐含层节点数量过多, BPNN的泛化能力降低, 训练时间增加。根据Kolmogorov定理, 3层BPNN中输入、输出层节点数与隐含层节点数之间存在如下近似关系[13]:
式中:m为隐含层节点数;n与l分别为输入、输出层节点数;a为[1, 10]之间的常数。
根据式 (5) 可知本文BPNN弱学习器的隐含节点数应在中调整, 通过对比不同隐含层节点数下BPNN的输出结果, 认为网络误差最小时所对应的隐含层节点数为最佳。经多次试算, 本文隐含层节点数最终确定为12, 即BPNN网络结构为2-12-1。
基于Matlab计算平台, 隐含层神经元激励函数采用S形正切双曲函数 (tansig) , 该函数具有较好的非线性特性且经过归一化后的输出变量正好满足该函数的输出要求;输出层神经元激励函数则采用线性函数 (purelin) ;将LM算法 (trainlm) 作为BPNN的训练算法。为避免在临界最佳点产生动荡致使无法收敛, 一般选取较小的初始学习率, 故确定为0.05;最大迭代次数设为500;目标函数值设为10-5, 设定BPNN弱学习器个数为10。为评定Adaboost_LMBP集成神经网络拟合性能, 采用常用的均方根误差 (Root Mean Squared Error, RMSE) 、平均绝对误差 (Mean Absolute Error, MAE) 及最大绝对误差 (Max Absolute Error, MAAE) 作为误差评价指标, 其表达式如下所示:
式中:Yi为水轮机单位力矩、单位流量实际值;Yi′2为Adaboost_LMBP集成神经网络拟合值;N为样本数量。
4建模及结果分析
为验证本文提出的Adaboost_LMBP集成神经网络算法有效性, 分别将混流式水轮机单位力矩、单位流量特性各108个训练样本作为BPNN弱学习器的输入, 同时根据Adaboost_LMBP集成神经网络实现步骤及参数配置, 从而构建出水轮机单位力矩特性与单位流量特性的集成神经网络模型。为便于叙述, 这2种模型分别称为Ada_LMBPM模型与Ada_LMBPQ模型, 集成该模型的10个BPNN弱学习器的拟合序列权重及误差指标如表1所示, 其中粗体字表示相同指标下比较结果的相对最优值。Ada_LMBPM模型与Ada_LMBPQ模型拟合绝对误差与10个BPNN弱学习器平均拟合绝对误差的对比曲线分别见图5、图6。
由表1的误差评价指标可知, 在Ada_LMBPM模型与Ada_LMBPQ模型中, 各个BPNN弱学习器的拟合能力具有较为明显的差异性。主要原因为:1本文训练BPNN弱学习器时采用了随机初始化的权值与阈值;2Adaboost算法依据训练样本的权重大小重新组建了BPNN训练样本集。弱学习器之间差异性越大 (即BPNN个体之间的相关度越小) , 弱学习器的平均拟合精度越高, 则越有利于集成神经网络泛化误差的降低, 这可从图5与图6的拟合性能对比曲线得到显著体现:Ada_LMBPM模型与Ada_LMBPQ模型的拟合精度除在个别数据点优势不明显之外, 其余点均明显优于10个BPNN弱学习器的平均拟合精度。
通过对预测数据进行数值分析, 可知Ada_LMBPM模型拟合得到的RMSE、MAE及MAAE值分别为0.428 7、0.316 2及1.389 7, 较该模型的最优BPNN弱学习器 (3号) 所取得的0.595 4、0.411 2及2.396 5分别降低了28.00%、23.10%与42.01%。此外, Ada_LMBPQ模型拟合得到的RMSE、MAE及MAAE值分别为0.803 3×10-3、0.564 0×10-3及3.068 3×10-3, 较该模型的最优BPNN弱学习器 (3号) 所取得的1.031 7×10-3、0.702 8×10-3及4.033 4×10-3则分别降低了22.14%、19.75%与23.93%。由此可见, 本文提出的Adaboost_LMBP集成神经网络算法, 较好克服了单一BPNN存在的泛化能力不强、易陷入局部最优的缺陷, 有效提升了单一BPNN的拟合精度及泛化能力。
为进一步验证Adaboost_LMBP集成神经网络算法在混流式水轮机单位力矩、单位流量特性拟合中体现出的优越性能, 增加径向基神经网络[14] (Radial Basis Function Neural Network, RBFNN) 与最小二乘支持向量机[15] (Least Squares Support Vector Machine, LSSVM) 分别对上述水轮机综合特性进行拟合。其中, RBF网络隐含层激励函数为Gauss函数, 利用K-均值聚类算法[16]确定Gauss函数的数据中心, 隐含层神经元采用相同宽度, 输出层权值采用最小二乘法进行求解, 扩展速度SPREAD为0.5, 目标函数GOAL为10-5, 最大迭代次数为100;LSSVM核函数选用Gauss RBF函数, 利用交叉验证法[17]确定LSSVM的正则化参数C与核函数参数σ, 3种网络的拟合结果如表2所示, 其中粗体字表示相同指标下比较结果的相对最优值。
分析表2可知, 基于结构风险最小化原则的LSSVM模型具有较强的泛化能力, 其拟合精度要优于基于经验风险最小化原则的RBFNN模型, 同时可见, 基于Adaboost_LMBP集成神经网络算法训练得到的Ada_LMBPM模型与Ada_LMBPQ模型, 其拟合得到的误差指标则明显低于RBFNN、LSSVM模型。表现在:1Ada_LMBPM模型拟合得到的RMSE值较RBFNN、LSSVM模型分别降低了9.42%与6.11%, MAE值分别降低了8.69%与8.19%;MAAE值则分别降低了32.95%与24.58%;2Ada_LMBPQ模型拟合得到的RMSE值较RBFNN、LSSVM模型分别降低了6.96%与4.87%, MAE值分别降低了12.81%与5.53%, MAAE值则分别降低了3.66%与1.83%。综上可知, 相较于RBFNN、LSSVM模型, 基于Adaboost_LMBP集成神经网络算法训练得到的混流式水轮机综合特性模型在拟合精度、泛化能力方面具有明显的优势, 由此在一定程度上能够提高基于模型综合特性曲线的混流式水轮机非线性数学模型的计算精度。
5结论
【集成神经网络】相关文章：
网络信息集成09-02
机房网络安全集成07-25
网络集成方案范文06-07
网络集成系统范文06-07
网络集成合同模板08-02
计算机网络集成09-12
网络集成实施方案08-03
公司网络系统集成方案01-30
集成平台网络互联互通02-12
网络系统集成方案设计05-15