浅谈数字化警警系统的建设.docxVIP

浅谈数字化警警系统的建设 1 自适应遗传算法在将施工质量纳入到仿真的计算过程中,其符合以下几种基本神经网络训练的发展 为了提供快速、可靠、可靠的服务，网络管理系统必须满足现代通信网络的规模、带宽和复杂性的快速增加要求。现代高速信息网络经常由几百甚至上千个节点构成,这些节点由不同的供应商提供,经过的传输介质也不一样。一旦网络发生中断,不仅会减少网络营运者的收入,而且可能带来更严重的经济损失,从而要求网络操作者必须尽可能快地对故障进行修复。一个故障能在一段时间内在单个设备中生成多重告警,也能在时间和空间上分布的多个设备中生成告警。因此,当一个网络发生故障或失败时,经常可能在短时间内生成大量的告警数据。通过分析这些告警的相关性,可以确定网络故障的性质和根源。然而,大量的告警数据可能很快堵塞网管中心,因此迫切需要采用有效的网络管理原始数据约简和推理技术。 现有的一些告警相关性分析方法主要包括因果模型方法(CM),基于模型的推理方法(MBR),基于示例的推理方法(CBR),基于规则的方法(专家系统方法)(RB)以及人工神经网络方法(ANN)等,并已分别应用于一些实际的网管系统。但这些方法各有不足:CM方法采用简单的监测和分析方式往往难于应付复杂情况;MBR方法是一种基于知识的推理方式,但在解决复杂问题时呈现明显不足;CBR推理系统制定决策是根据以往的经验和示例,其缺点是强烈地局限于本领域应用而不存在一种通用的CBR;RB系统实际上是一类专家系统方法,用一组规则表示其局域知识,如其它AI方法一样,其不足之处是缺乏学习能力;ANN包含大量相互连接的简单处理单元及节点,采用简单的输入输出方式,实现并行分布式处理,完成所希望解决的计算任务。ANN具有通过改变连接强度或结构来适应特殊环境条件的能力,克服了一般串行计算所带来的瓶颈问题。对一些复杂问题,当没有合适的算法或算法太慢条件下,ANN被公认为是最好的一种工具。 迄今研究和应用最多的是多层前向神经网络。BP算法是应用最广泛的神经网络训练算法,但BP算法存在两个突出弱点,即收敛速度慢和易于收敛到局部最小。这是由于在BP算法中,网络权值依赖于准则函数的一阶导数信息来进行修正,当求解空间存在多个局部极小点时,一旦随机产生的初始权值设置不当便会陷入局部收敛而无法逸出;即使初始权值能够在全局最优附近选定,当解的周围平坦导致梯度变化值细微时,收敛的速度也会大大降低。为克服上述问题,其它一些最优化方法陆续被用来对BP算法加以改进。其中,将遗传算法(GA)与BP算法相结合的遗传BP算法成为一种有效的网络学习方法,如文献提出利用GA并加入“自适应“概念训练神经网络,取得一定成果,但GA较弱的局部搜索能力致使网络训练精度和效率都不能太高。本文提出一种改进的自适应遗传算法(简称IAGA)训练多层前向神经网络,它利用网络结构的特点,采用前向自适应技术,实现对神经网络的有效训练。实验表明,这种方法可克服一般告警相关性分析方法的局限,不仅简单,而且在网络学习和训练效率上也高于传统的BP学习算法,标准遗传算法(简称BGA)和一般的自适应遗传算法(简称AGA)。 2 遗传计算方法ga及其用于多层训练前的神经网络培养 2.1 拉格尔ga算法 GA是一种基于自然选择和自然遗传的全局优化算法,采用从自然选择机理中抽象出来的选择、交叉和变异三种遗传算子对参数编码字符串进行操作。由于操作是针对多个可行解构成的群体进行,故在其世代更替中可以并行地对参数空间的不同区域进行搜索,并使搜索朝着更有可能找到全局最优的方向进行。该算法在寻优过程中只使用评价函数,不要求目标函数的可微性。因此,GA算法具有全局性、并行性、快速性、较好的适应性和鲁棒性的特点,是训练多层前向神经网络的一种理想算法。用GA求解问题的一般步骤为:(1)对所需优化的参数进行染色体位串编码;(2)产生初始解群;(3)对群体进行评价,求出每个个体的适应度值;(4)将遗传操作算子作用于群体,并产生新一代群体,这包括:①选择,它是GA的关键,体现自然界中适者生存的思想,②交叉,是GA中最主要的操作算子,可以把优良信息传到下一代的某一个串中,使该串具有优于父辈的性能,故交叉概率应取得较大,一般取为(0.6～0.9),③变异,它保证了GA的全局搜索,为了减小运算的随机性,变异概率应取得小一些,一般取为(0.01～0.3)。 2.2 节点j输出函数 设多层前向神经网络模型训练样本数为P,当前学习样本为p,则节点j的净输入为 式中Opj为前一层节点i的输出,Wji为网络连接权值,θj表示节点j的阈值。变换函数取为sigmoid函数,则节点j的输出表示为 定义训练网络权值的误差函数为 式中tpj为节点j的理想输出,Opj是它的实际输出,在P个训练样本集内,总的误差表示为 若前向网络有L层,其