时间：2024-02-28 14:46:00
序论：在您撰写网络的概率时，参考他人的优秀作品可以开阔视野，小编为您整理的7篇范文，希望这些建议能够激发您的创作热情，引导您走向新的创作高度。
目前，门限准则模糊了所有负载描述值低于门限的节点之间的差别，也模糊了所有负载描述值高于门限的节点之间的差别，这势必对负载均衡的效果产生不利的影响。负载均衡中的路由准入算法大部分基于门限准则来实现。门限准则通过设置一个门限值来判断路由准入，低于(或高于)门限值则准入(或禁止)路由。但是可相比基于门限的路由准入机制，基于概率的算法并不直接决定是否准入路由，而是综合各种信息得到一个准入的概率，节点以这个概率进行路由准入。节点B、C和D都收到了来自源节点A的路由请求，在t1时刻节点B、C和D的负载描述值分别为8，10和12。如果门限值为7，那么三个节点的负载都高于门限值，则此门限值的设定就无法区别出节点B、C和D之间的负载差异；同样，在t2时刻B、C、D3个节点的负载描述值分别为4、6、8时，如果门限值为10，那么此门限值也无法区别出3个节点之间的差异，而实际上3个节点的负载有较大的差异。概率算法针对不同的负载描述值得到不同的路由准入概率。例如对于负载描述值8、10和12，概率算法分别给予80%、60%和30%的准入概率，那么B、C和D三个节点路由准入的结果必然不同，节点D转发RREQ将多于其它两个节点。基于概率的算法能够准确区别节点之间的负载差异，对不同负载予不同的策略。对于一个既定的负载量，要求得到一个对应的准入概率。如果把给定的负载量L作为自变量，而对应的准入概率P作为函数值，那么就可以确定负载量和准入概率之间的函数对应关系：PF(L)其中P是准入概率，L是节点的负载量，F是概率函数。给定一个负载L就可以通过上式算出路由准入的概率P。概率函数F可以用多条曲线来拟合，理论上讲，只要是单调下降的函数曲线都合适，使大的负载描述值对应小的准入概率(负载描述值越大，负载越重)，但是不同曲线对应不同的协议性能。
2.基于历史信息的负载映射
在一定的网络区域内，以节点随机移动为例，理论上经过足够长的时间，节点会遍历网络，经历网络的各种负载状态，我们称之为节点的网络各态历经性。也就是在经过足够的时间后，节点能够掌握足够丰富的网络负载信息，而这些信息与当前时刻其他节点的负载高度相关。节点之间没有任何的负载信息交互。因此节点对网络状态感知的准确性就成为负载均衡的关键之一。基于历史信息的负载映射利用节点的历史负载信息来映射网络的负载状态，为节点的路由准入提供有效的参考。研究发现节点负载强度与节点在网络中的位置有很大的关系，当节点处在网络的中心区域时，由于经过的路由数比较多，所以节点负载一般较高；相反，当节点处在网络边缘时，负载较低。又由于节点的移动，节点在网络中的位置不断发生变化，从而节点的负载状态也在不断改变。所以，节点在历经各种网络负载状态时，记录下相应时刻的负载描述值，作为路由准入时的横向比较参考，使路由准入更准确。四个相隔不远时刻的网络拓扑，图中着色的节点为同一个节点A。从图中可以看到，从t1时刻到t4时刻这段时间内，节点A由网络的中心运动到了网络的边缘(其它节点也会移动，只是我们并不关心)，而节点移动之后的位置被其它节点取代。2(b)中的t2时刻，节点B运动到了节点A在t1时刻的位置，其它几个图同理。节点在网络中位置的变化导致节点的负载状态改变，在t1、t2、t3、t4四个时刻，节点A的负载描述值分别为9、7、5和3，可见节点的负载在逐渐降低。而在这个过程中，节点不断记录负载信息，包括变化过程中负载的最大值、最小值以及整个过程中的负载平均值等。节点A记录的负载最大值是t1时刻，其负载描述值为9，负载的最小值是在t4时刻，其负载描述值为3，整个过程负载的平均值为（9+7+5+3）/4=6。节点利用这些历史负载信息来映射网络的负载状态。比如节点记录的历史最大负载描述值为9，那么很可能此时网络中的其它某个节点的负载值为9。通过当前的负载值与历史负载值比较，节点很容易判断出自己的负载轻重，从而决定是否准入路由，达到负载均衡的目的。
3.H&P算法
能够描述网络负载的表征量有很多，主要的有时延、信道占用时间、路由数和缓冲区队列长度等。时延表征量是选择一条时延最短的路径；信道占用时间是以节点感知到的信道被占用的时间作为负载的度量；路由数是以经过节点的路由数目作为负载的度量；缓冲区队列长度是以节点接口队列缓冲区长度作为负载度量。不同的表征量各有特点，操作也不相同。时延和路由数表征量需要在节点之间交换表征量信息，增加了额外开销，且对负载的描述不全面；信道占用时间是一个有效的负载度量，但是需要MAC协议支持，即需要跨层设计，这增加了协议的复杂性，也破坏了负载均衡算法与协议的松散耦合；缓冲区队列长度对负载的描述简单有效，而且具有独立分布式运算、易于操作等特点。所以在H&P_DSR协议中选择缓冲区队列长度作为负载表征量。规则二：负载信息的学习与搜集。H&P算法中对网络负载状态的判读依赖节点运行时搜集的信息。节点搜集到的负载信息越多，对网络负载的分布情况判断越准确，负载均衡的效果就越好。由于开始时节点没有搜集到足够的负载信息，所以前几个周期并不进行路由准入的判断，而是正常路由，只对网络的负载情况进行采样和记录，其中包括节点运行过程中负载表增量的最大值(记为MaxL)、最小值(记为MinL)以及平均值记为AveL)。可以灵活的设置路由准入介入的时间，理论上此时间越长节点搜集到的信息越丰富，路由准入判断越准确。实际中可根据具体的应用来设计，其与节点的移动速度、通信距离等有关。在当前仿真场景下，在2000*2000m2范围内的区域内，节点的平均速度为20m/s，通信距离为400m，理论上节点从网络边缘进入到中心所用的时间大约30s。
关键词： 概率神经网络（PNN）； 颜色识别； 生化分析
中图分类号： TP 391.4文献标识码： Adoi： 10.3969/j.issn.10055630.2012.05.005
引言颜色识别在遥感技术、工业过程控制、材料分拣识别、图像处理、产品质检、机器人视觉系统等领域已得到广泛应用。利用已有的彩色图像处理设备，如彩色扫描仪、彩色数码相机、摄像头等，可以进行尿液的医学生化分析[1]。但是，由于系统信号传输的非线性、硬件设备本身的局限性及其它各种外在因素的影响，不同设备间颜色信息的传递也不是线性的，而是非常复杂的。即使是同一彩色图像，经不同的彩色图像处理设备扫描或拍摄后再输入到计算机中所得到的RGB数据文件在比例关系上和数量大小方面也会呈现明显的失调和不一致[2]。概率神经网络（PNN）是一种基于概率密度函数理论且泛化能力很强的神经网络，并且能够广泛地应用于模式识别等领域。可以利用线性学习算法完成以往非线性算法的工作，又可以保持非线性算法的高精度特性[34]。现基于PNN，提出一种与尿液反应后尿试纸的颜色识别方法。针对颜空间转换的非线性复杂关系，在获取标准阈值颜度值后，进行归一化处理，建立PNN，用于尿样颜色的识别，并与颜差评价方法进行比对。1概率神经网络（PNN）
1.1PNN特点PNN是统计方法与前馈神经网络相结合的一种神经网络模型。与多层前馈神经网络（back propagation，BP）相比较，PNN的主要优势为：（1）网络收敛速度快。网络结构仅有两层，并且运算时不需要返回网络再对权值进行修改；（2）无论多么复杂的分类问题，只要有足够的训练数据，PNN可以保证获得贝叶斯准则下的最优解；（3）允许减少或增加训练数据而无需进行长时间的训练。
光学仪器第34卷
第5期王春红，等：基于概率神经网络的尿样颜色识别
图1概率神经网络结构
Fig.1Schematic diagram of PNN structure1.2PNN结构PNN是一种能够用于模式分类的径向基神经网络，实质是基于贝叶斯最小风险准则的一种并行算法[5]。PNN网络结构如图1所示，共三层：输入层、隐含层和输出层。第一层为输入层，网络第二层为隐含层，用径向基函数作为激励函数，一般为高斯函数（即exp（-n2），n为径向基函数神经元输入值）；第三层为输出层，即竞争层。图1中Q为输入向量的个数，R为输入向量的维数，LW1，1为输入权值向量，LW2，1为隐层权值向量，K为输出神经元个数，C为扩展常数。C值越大，隐含层神经元对输入向量的响应也越大。PNN分类方法：径向基层计算输入向量同样本输入向量间的距离dist，输出一个距离向量。竞争层接受距离向量，计算各个模式出现的概率，通过竞争传递函数compet寻找输入向量中的最大元素，把响应的神经元输出设置为1，其余输出设置为0。2样本体系结构
2.1标准阈值尿液生化分析中每一具体项目分为正常（-）、临界正常（-+）和非正常情况（+，++，+++）。将尿试纸与标准阈值实验液作用，在规定的时间内，检测尿试纸可见光谱反射率或用色度仪器测试颜色三刺激值XYZ。CIE1931颜色三刺激值XYZ计算公式为X=k∑λS（λ）R（λ）x―（λ）Δλ
Y=k∑λS（λ）R（λ）y―（λ）Δλ
Z=k∑λS（λ）R（λ）z―（λ）Δλ（1）式（1）中，S（λ）为照明光源相对光谱功率分布、R（λ）为物体可见光谱反射率、x―（λ）、y―（λ）和z―（λ）为CIE标准观察者的光谱三刺激值函数，Δλ为采样间隔，一般Δλ=10 nm。在Lambda 9紫外可见近红外分光光度计上测试获得光谱反射率数据，即可由式（1）得到光源下的颜色三刺激值XYZ。实验中比对实验所用光源和测试标准阈值颜色所用光源相同。为能更好地反映两个颜色间色差大小与人眼感知程度的一致性，通常将物体颜色三刺激值XYZ转换成CIE Lab匀色空间色度值[6]，依据下式进行计算。L*=116×fYYn-16
a*=500×fXXn-fYYn
b*=200×fYYn-fZZn（2）式（2）中，L*为米制明度；a*、b*为米制色度。Xn，Yn，Zn为标准照明体的三刺激值。fXXn、fYYn、fZZn的计算公式为f（I）=I13I>0.008 856
f（I）=7.787×I+16116I≤0.008 856（3）实验在A标准光源、D65标准光源下分别进行，尿胆素原（URO）标准阈值色度数据如表1所示。表2为标准光源A和标准光源D65下的相邻标准阈值间的色差。由表1和表2中的色度数据可以看出，标准阈值间的色差远远超出了人眼分辨颜色差别的阈值。标准光源A和标准光源D65下的色差值较接近。D65标准光源下，对于尿胆素原测试，RGB空间色度值如表3所示。
2.2指标数据的量化、规范化处理为减少网络的训练难度，需要对输入数据进行归一化处理[7]。利用计算公式将输入数据量化为闭区间[0.05，0.95]上的无量纲指标属性值。当输出越大分析结果越高时，效应系数计算公式为：Fj=0.9×（Xj-Xjmin）/（Xjmax-Xjmin）+0.05（4）当输出越小分析结果越高时，效应系数计算公式为：Fj=1-[0.9×（Xj-Xjmin）/（Xjmax-Xjmin）+0.05]（5）其中，Fj为目标值Xj的效应系数，Xjmin为第j个指标的最小值，Xjmax为第j个指标的最大值，j是评价指标数。将D65标准光源下标准阈值的RGB值经过上述处理后，便得到样本数据。3用PNN进行尿液生化分析
3.1PNN的建立每项检测项目中均有5个阈值，即共有5个训练样本，与待测尿液反应后的尿试纸颜色的RGB值为测试样本。（1）输入层神经元数的确定。输入层神经元数的多少与评价指标数相对应。采用颜色RGB值对尿液生化分析结果进行模拟评价，因此，网络输入层神经元个数为3。（2）隐含层神经元数与训练样本数相同。共计5个，传递函数为高斯函数（radbas），加权函数设为欧氏距离加权函数（dist）。编程中设计输人函数为netprod，输出函数为compet，加权函数为dotprod。（3）输出层神经元数的确定。网络输出结果共分5个等级，即-、-+、+、++、+++，因此输出神经元个数取为5。
3.2PNN的训练和预测用MATLAB神经网络工具箱中newprm（）函数设计PNN网络，代码：net=newpnn（P，t，spread），其中P为归一化样本向量，t为输出目标向量，即评价等级，分别用1、2、3、4、5代表-、-+、+、++、+++五个等级，net为产生的PNN，spread为径向基函数分布密度，设为0.1[8]。利用vec2ind函数可将分类结果转换为容易识别的类别向量，亦可用ind2vec函数将类别向量转化为PNN可以使用的目标向量。将验证样本数据输入已训练完成的PNN进行预测，测试函数Y=sim（net，X），Y为预测结果，X为归一化验证样本矢量。网络输出：Y=1354212归一化后的尿胆素原验证样本数据和网络的预测结果如表4所示。
表4尿样颜色分类结果
Tab.4The classification results of urine color
验证样本1234567R0.049 00.601 70.152 60.567 20.843 60.152 60.567 2G0.092 20.505 20.939 30.748 70.229 80.187 50.304 0B0.083 60.627 10.847 80.813 90.321 40.134 50.389 3期望输出-++++++-+--+预测结果-++++++-+--+
4结论（1）与尿液生化分析颜差方法[1]进行了比对，预测值Y与计算颜差方法结果完全一致，说明网络有较好的预测精度，概率神经网络用于尿液生化分析中的尿样颜色识别是完全有效的。（2）该方法无须进行色空间转换，只利用设备原有RGB颜色空间RGB值即可实现，用MATLAB语言编程，结果直观，具有良好的图像界面支持，易于操作，具有一定的使用价值。（3）由于照明光源直接影响物体的颜色，因此尿样检测的照明光源要和提供检测项目标准阈值的照明光源相同或相近。参考文献：
[1]王春红，周越，赵红霞.基于色差评定理论的尿液生化分析方法研究[J].生物医学工程学杂志，2008，25（1）：77-82.
[2]蔡明杰，贾宏志，毕波，等.基于黑白摄像系统的伪彩色处理[J].光学仪器，2011，33（3）：33-36.
[3]YOUNES C，SURANJAN P，RONALD M.Conjugate gradient and approximate newton methods for an optimal probabilistic neural network for food color classification[J].Optical Engineering.1998，37（11）：3015-3023.
[4]LIU G.Remote sensing image segmentation with probabilistic neural networks[J].Geospatial Information Science，2005，8（1）：28-32.
[5]柳松，王展.基于径向基概率神经网络的人脸识别方法[J].计算机工程与科学，2006，28（2）：57-60.
[6]荆其诚，焦书兰，俞柏林.色度学[M].北京：科学出版社，1979.
关键词：群垂直切换 阻塞概率 传输时延 丢包率
中图分类号：TN929.5 文献标识码：A 文章编号：1672-3791（2017）02（b）-0214-02
1 系统模型及问题
群垂直切换场景是由多个不同的无线接入网络和多个移动终端组成，假设共有N个可用的无线网络，移动终端可以选择这些网络进行垂直切换。对于每一个网络i∈N （i=1，2...N），可用资源是ARi Mbps，往返时间是RTTi ms，两个网络参数随时间不断变化。假设共有M个用户进行群垂直切换，对于每一个用户j∈M （j =1，2...M），该用户所需的传输比特率表示为Rj Mbps。移动终端在向网络发出的切换请求时分为两种业务类型：一种是实时业务，另一种是非实时业务。实时业务对时延较为敏感，延时的大小对于该业务的性能的影响较大。对于非实时业务而言，丢包率的大小对于该业务的影响较大。因此，对于不同类型的切换，优化目标是不同的。对于实时业务，目标是尽量使得整个网络的平均传输延迟最小，而非实时业务的目标是尽量使得整个网络的平均丢包率最小。
2 群切换方案
群切换一般发生在多个用户之间离得很近，当多个用户检测到一个热点信号时，同时或几乎同时向目标网络发出切换请求。因此，该文将多个用户之间看成是无差别的，忽略用户所用信道的差异性，即用户享有同样的信道条件，所有的用户都符合垂直切换的条件或标准。同时，我们假设任意用户都可以知道其他用户的信息和所有网络的信息。即当用户向目标网络发出切换请求时，目标网络获取到请求切换用户的总个数，然后通过广播的形式将该信息通知给所有的用户，使得任意一个用户都能够了解当前切换用户的总个数。同时，从网络的广播信息中所有用户都会知道每个目标网络在当前时隙所剩下的可用资源。
在群切换中，当用户个数很少，无线网络可以提供足够的无线资源给请求切换的用户时，将不会产生网络拥堵和切换阻塞。然而，随着用户个数的增长，网络资源不断减少，至少会有一个网络将被不能提供足够的资源给用户，在这种情况下，会产生网络阻塞。
2.1 确定最多的切换用户
当多个用户选择同一个目标网络进行切换时，用户所需的资源总和超过目标网络的可用资源时就会发生冲突和阻塞。设P b 表示群切换时网络中用户发生阻塞的概率，阻塞概率越小越好。因此，我们的目标就是在网络阻塞概率在小于最大阻塞概率的基础上，得出在同一时隙网络最多能满足用户的切换请求个数，保证在阻塞最小的情况下，最大程度上利用网络的资源给用户提供服务。可以表示为式（1）：
（1）
其中k代表同一时隙进行切换的用户个数。而k的最大值又依赖于Pb ，因此，应该首先确定的表达式Pb。
设用户向目标网络i 发出切换请求概率表示为Pi，向量P=[P1，P2，...PN]表示向所有目标网络发出切换请求的概率。因此，，且满足P ≥0。
设当一个用户选择了i 网络进行切换接入时，还有其他s个用户也选择了该网络，即剩余的k-1个用户中有s个用户选择同一个网络i 进行切换，这种事件发生的概率可用式（2）表示：
3 结论
该文提出了一种基于最大阻塞概率的群切换算法的群切换方案，首先确定在同一时隙最多能够进行切换的用户个数，避免网络负载过重和切换阻塞，然后在切换判决阶段选取使得整个系统平均传输延迟和丢包率最小的结果。仿真表明，与之前的方案相比该问提出的方案具有更好的切换效果，提高了系统性能。
参考文献
[1] S. K. Lee， K.Sriram， et al. Vertical Handoff Decision Algorithms for Providing Optimized Performance in Heterogeneous Wireless Networks [J].IEEE Transactions on Vehicular Technology，2009，58（2）：865-881.
[2] A. Mehbodniya， F.Kaleem， et al. Wireless network access selection scheme for heterogeneous multimedia traffic[J].IET Networks， 2013，2（4）：214-223.
[3] T. M. Ali， M. Saquib. Analytical Framework for WLAN-Cellular Voice Handover Evaluation[J].IEEE Transactions on Mobile Computing，2013，12（3）：447-460.
【关键词】概率统计；网络BB平台；教学模式
概率论与数理统计是研究随机现象统计规律的一门学科，其理论严谨，应用广泛，发展迅速，目前是全国高校理工科类必修的一门基础公共课，而且在20世纪末，此课程被教育部认定为硕士研究生入学考试的数学课程之一，由此可见其重要性.但是，传统的概率统计课堂教学模式存在着很大的不足，需要提高与改善，为此，提出了基于网络BB平台的课堂教学模式.
一、课堂教学模式下存在的问题
概率统计课程是我校大面积的公共基础课，各专业都把这门课开设在专业课之前，是理工科类学生学好专业的基础，其重要性不言而喻.但目前，由于各方面的原因，使得这门课的教学现状存在着多方面的不足.主要有如下几点：
1.大班教学，课堂学习效果差
我校的概率统计课程是由理学院公共部的老师承担教学任务，由于师资有限，每学期基本上都是以4个班级合在一起为一个教学班，大概120名学生左右，安排在一个大教室里上课，这样会使坐在后面的学生由于距离太远看不清老师的板书或者听不清老师讲的话而大大影响了学习，有些甚至因此失去了学习的兴趣.而另一方面，老师也更难掌控整个课堂的教学，其一，学生多了，课堂纪律就会下降，这就影响了课堂的教学质量；其二，学生间的差异也会增大，这样，教师在课堂上就会顾此失彼，很难进行合理的课堂教学过程的设计.
2.内容多，课时少
我校概率统计课，随着教学计划的多次调整，从原来的51学时现被压缩到了42学时，这点学时根本讲不完原来教学大纲上规定的内容，所以只有修改大纲，删减教学内容，考虑到现在的学生质量的下降，就删减了相应的学生感觉比较困难的章节，比如概率中的大数定律，这章的内容在概率论中的地位是相当重要的，是整个概率论的一大支撑，但很遗憾，只能舍弃不讲.再比如统计中的回归分析，它的应用是相当广泛的，学生以后很可能经常会用到这个方法，但考虑到学时也只能删除不讲.这样会对学生的知识面产生影响，势必会影响专业课的学习以及今后的考研内容的复习.从长远看，是很不利于学生的发展的.
3.课堂教学内容死板，教法单调
课堂上的教学，受课时的影响，为了及时完成教学内容，教师只能是以讲解为主，甚至很少有时间提问，再让学生思考，这样，教师的教法就很单调，这种“满堂灌”的教学方式早已被证明是不利于学生的创新意识的培养的，甚至是抹杀了学生的探索性思维，这样很难调动学生的积极性，造成学生的学习主动性不高，甚至出现学生课堂玩手机、看报纸等不良的学习风气.
二、BB平台的教学模式的优势
为了解决上述传统课堂教学所存在的这些问题，我们近期在校网络BB平台上创建了概率统计课程.从使用的效果看，很好地填补了以上课堂教学的不足之处.具体表现为以下几个优势：
1.充实了课堂教学内容
在BB平台上，开辟了很多的学习内容板块，比如：习题解答，在这板块中，放置了课后习题的详细解答，这样可以方便学生进行自学，以前，学生经常抱怨习题课太少，老感觉自己不会做题，有了这个详细解答后，学生的疑问就少了，不懂的可以自己去看解答，这样就非常的方便.对学生的学习起到了很大的帮助作用.再如课堂录像，我在网络上放了完整的课程录像，这样，学生如果对哪一章哪一节的内容在课堂上还没有完全消化理解，他就能够自己课后上网看这节课的录像，尤其是课堂上的一些难点，学生很可能一下子理解有困难，那么通过再次聆听老师的讲解，就能使学生很好地理解知识、掌握知识.另外，对于那些即将参加考研的同学，在复习中如果哪一部分的内容忘记了，就可以上网找到录像来进行复习.我在这次的考研辅导班上就向学生公布了网络课程的地址，让学生自己看视频复习，学生反映效果很好，非常方便，想什么时间看都行，想看哪章内容可以很方便地挑，充分发挥了学生的学习主动性.
2.激发了学生的学习兴趣
传统的课堂教学一味地填鸭式的教学法，让学生感觉很沉闷，久而久之，学生就会失去对这门课程的兴趣，而利用网络平台，可以很好地激发学生的学习兴趣.比如，在问题讨论区，在每节课后，都会有相应的一些问题，让学生在这里交流探讨，教师也积极地在网上进行答疑，让学生在讨论中明知，在争论中解惑，在思考中提升，充分发挥学生的主体地位.再如，在网络平台上，放置了很多的概率小实验，需要在计算机上操作完成，这些都是些小程序，每名学生都可以进行自主的实验，这样可以更好地理解和掌握知识，而这在课堂是不可能办到的.又比如案例分析，这一块内容放了很多的概率统计的经典案例，这些平时在课堂上很难有时间讲，学生在学习的过程中也老对这门课程产生疑惑，学了到底有什么用、哪里有用等类似问题，而通过查看这里的内容，学生就能了解这门课程在实际生活、生产中的重要应用，这样也从另一方面大大地激发了学生的学习兴趣.
三、结束语
最后，认识到基于BB平台下的概率统计课程教学改革，是一项比较繁重的任务，可能会出现很多新的挑战，很多新的问题需要思考，我们也将不断地进行探索实践，让学生能有一个更完整、有效的学习模式.
【参考文献】
[1]曹飞龙. 概率论与数理统计[M].北京：高等教育出版社，2012.
关键词：容迟/容断网络；路由算法；能量敏感；消息转发；缓存管理
中图分类号： TP393.01
文献标志码：A
Node energy-aware probabilistic routing algorithm for delay/disruption tolerant network
FU Kai*，XIA Jing-bo，LI Ming-hui
Institute of Information and Navigation， Air Force Engineering University， Xi’an Shaanxi 710077， China
Abstract：
Considering the problem of limited energy in Delay/Disruption Tolerant Network （DTN）， a node energy-aware probabilistic routing algorithm was proposed. Nodes in network were distinguished according to energy situation， and different message delivery mechanism and energy-efficient buffer management strategy were adopted in order to achieve the balance between delivery ratio and energy consumption. Simulations indicate that the algorithm improves delivery ratio and reduces overhead ratio on low energy consumption， and has better performance on network lifetime compared with other algorithms.
英文关键词 Key words：
Delay/Disruption Tolerant Network（DTN）； routing algorithm； energy-aware； message delivery； buffer management
0 引言
容迟/容断网络（Delay/Disruption Tolerant Network， DTN）[1-2]是一类采用“存储—携带—转发”机制的新型网络，主要应用于深空通信、战争网络、移动自组网，以及无线传感器网络等。在DTN中，由于节点的移动性通常不存在一条完整的端到端路径，而且节点的缓存资源和能量有限，存在较大且可变的时延，因此传统的Internet路由协议不能获得理想的性能。
为了在链路间歇中断的情况下提高消息传输的效率，研究人员提出了几种典型的DTN路由算法[3-4]。Epidemic算法[5]采用传染机制尽可能地增加消息副本数量来提高传输成功的概率，但对于节点能量和缓存资源的消耗很大。PROPHET算法[6]基于历史信息计算转发效用，有效克服了消息的盲目转发，减少了消息副本数量和节点能量消耗。First Contact算法[7]是一种不需要先验知识的单副本路由算法，只选择首先接触到的节点为转发节点，对于网络资源的要求较低，但不能保证消息成功传输到目的节点。
随着研究的深入和DTN应用的推广，节点的能耗问题越来越值得关注，尤其对于一些小型移动设备更为突出，因此在路由算法设计中节能也是必须考虑的。文献[8]提出基于能量约束和历史信息的容迟网络路由算法，节点依据历史记录和剩余能量进行层次编码，提高了节点将数据传输到基站的可能性。文献[9]提出基于节点优先级的数据转发策略，考虑了节点剩余能量对传输优先级的影响，有效地控制了消息平均副本数，并降低了能量消耗。为合理利用网络中的能量传输消息，本文提出一种节点能量敏感的概率路由算法，在消息转发和缓存管理上体现了节能的理念，延长了网络寿命。
1 网络模型和问题描述
1.1 基于节点能量的网络模型
在网络中，每个节点都被赋予一个初始能量Einit，节点实时剩余能量为Eres。为了方便研究节点能量对路由选择的影响，本文依据节点能量剩余率RE（RE=Eres/Einit）设置能量状态门限Estate和能量告警门限Ewarn，并将网络中的节点划分为高能节点（RE≥Estate）、低能节点（EwarnEs。另外，在所研究的网络中具有以下假设条件：
1）维持节点移动性等所需的能量消耗不在考虑范围之内，如车载、机载等通信设备的运动能耗由车辆或飞行器提供。
2）Et和Er依据每次接收或发送一个数据包计算，Es为每分钟的扫描能耗，并认为以上均为固定值，当能量耗尽时不再进行扫描和收发消息。
3）节点充能时补充至初始能量，充能所需时间忽略不计。
关键词：概率神经网络；核保风险；模型
就我国目前的医疗保险体制来说，其还不够健全，单单是社会保险并不足以构建较为完善的医疗保险制度，因此，还需要商业医疗保险的支持，通过采用商业医疗保险可以构建出一个多层次和多格局的医疗保障体系。但是，商业医疗保险具有较高的风险，针对其进行风险管理也具有较大的难度，我国的相应体制也不够健全，这样就使得商业医疗保险的发展相对缓慢，为了解决这一问题，相关的工作人员也做了大量的工作，不断的提升对投保人患病的可行性预测，工作人员将概率神经网络的患病分析模型应用到该工作中，在很大程度上提升了预测的精确度，使得投保人患病的可行性预测更加的可靠。
1 概率神经网络的构成
就概率神经网络来说，其主要是由隐层以及输出层所构成的，其中，隐层为第一层，在这一层中，主要包括径向基神经元，而输出层则属于第二层，所谓的输出层也就是竞争层。概率神经网络从根本上来说，其可以表示为前馈型神经网络。而在概率神经网络中的径向基神经元则主要是以净输入为主，从这一点来对输入向量与权值向量之间的距离进行有效的测量，另外，也可以依据这一点来对隐层的传递函数进行概率密度的有效反映。
2 实际项目中的风险分析
2.1 相关性检验
应用相关的分析软件，计算得出相应的分子变量，对所计算得出的分子变量进行有效的统计。依据相关的医学专业理论知识可以了解到，统计值的分界线为0.1，以这一分界线为依据，将患有不同疾病的患者进行患病程度的划分，而划分所要依据的变量主要分为年龄、家族病史等。
2.2 概率神经网络的建立以及学习
就相关性分析可以了解到，将划分依据的变量作为相应的输入神经元，针对患者所患疾病的程度的轻重，来对患者的病情进行等级的划分，其中0则代表没有患病，1则说明锁环疾病的程度较轻，2说明所患疾病的程度属于中等，而3则说明患者所患疾病的程度较重。针对概率神经网络进行学习，主要的步骤包含如下：
首先，要对输入向量以及权值向量之间的距离进行有效的计算，所计算出的距离结果就可以表示为两向量之间的相似程度。
其次，将阈值向量与距离输出向量各自的元素进行一一的对应，并将对应的元素进行有效的相乘，在径向基函数非线性映射作用的影响下，对输出的向量进行获取。
在最后，要注意分析出竞争输出层中的权值向量的点，并将其与上一层的输出向量进行有效的相乘，从而可以的出具体的加权和向量值，选出加权和向量值中最大的一个值，将其确定为输出的最终值。
3 模型检验及结果分析
本文主要依据实例来进行分析，并选取了17000条相关的数据作为实际的训练集，其中100条为测试集。依据这1000条测试集来对所构建的概率神经网络进行分析，检验改网络在检测疾病上所具有的能力和准确度，在检验样本相同的情况下，所采用的训练数据样本不同，则网络检测的精确度也会有所不同。具体可见表1。
就上述表中可以了解到，在训练样本的数目增加的过程中，其n能够得到的模型精确度也会更高，然而，虽然精确度会有所提高，但是提高的速度则相对较慢。可以说，这种方式具有一定的优势也有一定的弱点，但是总体来说，其优势较为明显。
4 针对概率神经网络核保风险分析模型的探讨
在目前的各个领域中，概率神经网络都得到了广泛的应用。而在概率神经网络基础上锁构建的核保分析模型，具有学习简单以及模式分类能力强等特点，这就使得其在实际的应用中，具有良好的效果。在该网络结构中，只有两层结构，其中一层为隐层，另外一层就是输出层。在进行计算的过程中，可以忽略对网络权值的更改，这就使得其计算执行的速度相对较快，就本文的实验结果可以看出，该网络结构的建立相对用时较短，能够在最短的时间内构建出已经成型的网络结构，利用该网络结构对所选取的1000条测试集进行分析的时候，所耗费的时间相对较长，而在实际的应用中，其分析的精确度则相对较高，判定的疾病与实际的情况符合率能够高达80%，这就使得风险分析的模型得到了有效的充实，这对于全球性的疾病预测和治疗都有着重要的影响意义。
此外，从保险角度来看，保险公司可以依据模型建立智能化系统，要求投保人在投保时填写个人信息，然后把同疾病相关的信息输入该智能系统，计算出被保险人患病的概率，并将他们进行不同程度的风险分类，对于不同的风险类别制定不同的费率，对投保人收取不同的保费，或者做出拒保的决定。经过一定时期的运营，保险公司将不断积累大量的业务数据和反馈信息.从这些信息中选取数据加入训练集，使训练集样本数更大，覆盖面更广，并减少训练集的错误率，从而完善模型，使得模型对于患病判别的准确性更高。本模型运用Kendall检验选取同疾病相关性较大的6个因素作为输入神经元，但是未给出这些因素对于高血压的具体贡献度，我们可以通过主成分分析和logistic回归给出因素的具体贡献度。
结束语
在任何的国家当中，医疗保险都占有重要的地位。我国目前为了能够将医疗保险体系发展健全，开始将商业医疗结合到社会医疗保险体系中，从而使得我国建构出了一个较为多层次以及覆盖面较广的医疗保障体系，但是，商业医疗保险本身就有较高的风险性，因此，要想能够使得医疗保险事业可以得到长足的发展，就需要有效的保障投保人患病可能性预测的真实性和可靠性，尽可能的提升预测的可行性，并且积极的构建概率神经网络，利用该网络进行投保人所患疾病的检测，其检测的准确率可高达80%，具有实际可操作性。
参考文献
[1]陈永灿，陈燕，郑敬云，高千红.概率神经网络水质评价模型及其对三峡近坝水域的水质评价分析[J].水力发电学报，2014（3）.
[2]莫剑冬，徐章遂，米东.应用概率神经网络诊断自行火炮发动机的故障[J].测试技术学报，2010（1）.
[3]阮炯等.神经动力学模型方法和应用[M].北京：科学出版社，2012.
摘要：本文利用神经网络的强大的自学习能力和自适应性来提高安全审计系统的性能。在众多神经网络中，PNN概率神经网络尤为适合运用到入侵行为模式的误用检测方面。因此本文将PNN概率神经网络和入侵检测技术结合起来，研究保护企业数据库的安全技术，并构造出一套企业数据库入侵误用检测模型。该模型主要用于检测已知的入侵行为模式，并给系统及时处理入侵行为提供依据。
关键词：数据库安全 PNN概率神经网络 入侵检测
Abstract：The thesis uses the neural network's powerful self-learning and self-adaptive to improve the performance of the security audit system. In many neural networks， the Probabilistic Neural Network is particularly suitable for the misuse detection of intrusion mode. The thesis combines the method of the Probabilistic Neural Network with the technique of intrusion detection， and constructs a model of intrusion detection system applied to the corporation database. The mode can detect the known intrusion modes， in the same time， provides the basis for system to deal with the intrusions in time.
Key words： Database security Probabilistic Neural Network Intrusion detection
数据库作为企业和部门信息系统的重要组成部分，存储着大量的数据，其中某些数据可能是机密的重要数据，这些数据一旦遭到破坏，会给企业和部门造成不可挽回的损失，所以，这些数据的安全性在信息系统的安全中起着至关重要的作用。当前，数据库安全技术的研究已经成为信息安全的重要课题，入侵检测技术是新一代的动态安全保障技术，它用来检测内部用户的不合法操作和外部非法入侵者的恶意攻击。检测系统在检测到攻击的同时，还会采取适当的处理与保护措施，对有效保护数据库安全提供了一种很好的解决思路，被称为防火墙之后的第二道安全闸门。其本身也成为当今信息安全领域的一个研究热点。
入侵检测ID（Intrusion Detection）是近十年发展起来的一种预防、动态监测和抵御系统入侵行为的安全机制，弥补了传统安全技术的不足。入侵检测系统IDS（Intrusion Detection System）可以实时监控网络和计算机主机，发现可疑事件，入侵行为一旦被检测出来，系统就会采取报警、记录和切断连接等措施，在对系统安全产生的危害之前及时消除风险。
神经网络技术具有自适应和自学习的能力，只要给系统提供所需的网络数据包和审计数据，它就可以通过自学习构造出相对正常的用户或系统活动模型，从而检测出异常活动的攻击模式，因此在检测方法上，将神经网络引入到入侵检测的研究中，使得入侵检测的智能性研究逐渐成为热点。
PNN概率神经网络在数据库入侵的误用检测中，能够对入侵行为模式进行快速准确的检测及判断，为系统及时采取相应的措施提供依据。误用检测是指运用已知的攻击方法，根据定义好的异常模式，通过判断这些异常模式是否出现来检测。本文围绕PNN神经网络的运用，对整个数据处理过程进行了介绍，从数据采集，到网络训练，以及测试网络性能，提出利用PNN概率神经网络进行入侵行为模式判断的优势，进而总结出一种新型的企业数据库入侵的误用检测模型。
一、PNN神经网络算法模型
概率神经网络PNN（Probabilistic Neural Network）是根据径向基函数网络发展而来的一种前馈型神经网络，是径向基网络的一种变化形式，其理论依据是贝叶斯最小风险准则。PNN具有结构简单、训练快捷等优点，在分类问题中，它的优势在于可以利用线性学习算法来完成非线性算法所做的工作，同时又可以保持非线性算法高精度的特点。其结构如图1所示。
输入层测试向量X（X1…Xn）通过传递机制传递到模式层，经过模式层的相应处理产生新的信息量依次经过该网络的所有层，其神经元的数目由训练数据的维数决定。模式层中各个类别组的输出为：
其中Wi表示连接输入层与模式层的权值，δ表示平滑因子。
求和层具有线性求和的功能，估计分类模式的各个类别的累计概率。概率密度函数为：
其中m为属于类别A的训练样本数，XAi为样本中属于类别A的第i个训练样本，σ为平滑因子。训练过程可以表示如下：首先通过输入层输入训练样本向量，然后在模式层中分别计算该向量与代表不同类别组的神经元之间的距离，再在求和层中求出每个类别模式的概率，最后在输出层计算各个类别的概率估计，由阈值辨别器从中选择并传递出后验概率密度最大的神经元的输出即1，而其他的输出0。
二、数据采集
入侵检测的数据采集可以收集系统、网络、数据及用户活动的状态和行为，一般可以利用的信息主要来自以下三个方面。
1、系统和网络日志文件
2、非正常的程序执行
3、非正常的目录和文件改变
入侵检测的准确性很大程度上依赖于收集信息的可靠性和正确性，因此很有必要只利用精确的软件来报告这些信息。本文利用SQL Server的事件探查器（SQL Server Profiler）跟踪各客户端的数据库调用。首先建立跟踪文件，使用SQL Profile标准模板，将跟踪的结果存储到表。表1为SQL事件探查器监控的事件分类。
本文主要跟踪企业数据库，相应数据库事件类主要为
1、TSQL分类中的SQL：BatchCompleted、SQL：StmtCompleted和SQL：StmtStarting
2、安全审核分类中的Audit Login和Audit LogOut
3、存储过程中的RPC：Output Paramete、RPC：Completed、RPC：Starting、SP：CacheHit、SP：CacheInsert、SP：CacheMiss、SP：Cac-
heRemove、SP：Completed、SP：ExecContextHit和SP：Recompile
4、会话分类中的Existing Connection事件类。
相应的事件类数据为EventClass（捕获的事件类类型）、LoginName（客户数据库登录名）、CPU（CPU占用时间）、Reads（服务器代表事件执行的逻辑磁盘读取数）、Writes（服务器代表事件执行的物理磁盘写入数）、ClientProcessID（客户端进程号）、SPID（SQL Server指派的与客户端相关的服务器进程ID）和objectID（系统分配对象）。
SQL探查器将采集到的数据存储在表中，为后续的神经网络训练与测试提供直接的数据源。
三、实验
（一）实验数据
本文选取实验数据为从SQL事件探查器中采集到的具有入侵行为模式分类的入侵数据，有5类入侵模式，所以用1、2、3、4、5分别代表各类入侵模式。本文所采用的入侵数据的特征向量为上节所采集的各个数据列，在上述监控的八个数据列里面去掉LoginName数据列，选取EventClass、LoginName、CPU、Reads、Write、ClientProcessID、SPID和objectID七个数据列作为神经网络的七个特征向量。一共有4500个入侵数据样本，随机选取其中的4000个入侵数据样本作为PNN神经网络的训练集，其余的500个数据样本作为测试集以测试PNN神经网络的性能。此入侵数据集为4500×8维的矩阵，1到7列为七个特征向量，第8列为分类的输出，也就是入侵类别。实验采用MATLAB2012B软件及其神经网络工具箱。
（二）入侵检测的实现
如图1，在对入侵数据进行测试时，输入层接收具有分类号的数据样本（训练样本向量）的值，即1、2、3、4、5，将入侵数据样本的属性传递给网络。模式层计算输入特征向量（样本属性）与训练集中各个模式的匹配关系，求和层将属于某类的概率累计，按式（1）计算，从而得到各类的估计概率密度函数。模式层由5类入侵类型的数据样本构成，将分类好的样本向量填充到模式层，即可完成该PNN的构建。
测试时，输入层把未分类的需要测试的入侵数据样本向量Xn送至所有的模式层单元。每个模式层单元计算测试入侵数据样本向量Xn和该单元训练向量之间的距离，求和层各单元把模式层单元的输出按类别号相加求和，获得各分类对应的分布密度。输出层从求和层中求得输入测试数据相对于各类别号的分布密度最大值，并将其对应的类别号1、2、3、4、5作为PNN的输出。
（三）PNN神经网络性能分析
选取1530到1580这50个样本来分析，在这50个样本中有2个样本判断错误，如图2所示。实际上在此次PNN网络训练过程中，4000个样本只有5个样本判断错误，如图3所示。并且，用预测样本进行验证的时候，选取150到200个这50个样本，其中有1个样本的入侵模式类别判断错误，如图4所示。而实际在此次PNN网络检测过程中，500个样本只有2个样本的入侵模式类别判断错误，精度高达99.6%。将网络重复运行10次，其平均精度为99.64%。
（四）PNN神经网络优势
1、PNN过程简单，收敛速度快。PNN神经网络网络结构简单，需要调节的参数很少，其处理数据的时间与其他神经网络相比有较大优势。
2、PNN网络基于贝叶斯最小风险分类准则，能够最大限度地考虑样本数据的先验信息，即使分类问题异常复杂，只要用于学习的样本向量足够多，就能够得到Bayes判别准则下的最优解。
3、样本的追加能力强，且可以容忍个别错误样本，即使训练样本改变也不需要花费较多时间重新训练网络。由于PNN神经网络考虑的是训练样本属于各个类别的概率，在估计出各个类别的概率密度函数（PDF， Probability Density Function）之后，即使根据实际问题有新的入侵行为模式的加入，只需要相应改变模式层神经元数目，而无需重新训练网络。
4、PNN在异常与否分类问题应用中，通过线性学习算法来完成非线性学习算法所做的工作，同时能保持非线性算法的高精度等特性。
5、PNN网络不需要训练，因而能够满足数据库入侵检测实时处理的要求。
四、企业数据库入侵检测的系统模型
该模型主要由以下三个模块组成：
1、数据采集模块。该模块主要利用SQL Server事件探查器采集相关数据。
2、特征数据库模块。该模块为训练好的PNN神经网络，相当于事件数据库，其征数据库与被监控数据库分离存储。
3、报警单元模块。该模块对检测到的异常事件进行处理，将数据损失降低到最小，提供报警的可视化界面，将报警信息反馈给系统管理员并记录到相关文件，以便及时处理或进行事后分析。
该模型主要流程为：利用事件探查器实时跟踪各客户端调用，采集相关数据并进行处理，将数据直接导入特征数据库，利用PNN神经网络对误用检测的优势，实现快速检测及判断各种数据是否为已知的异常调用，如有匹配则为某种入侵行为模式，将数据送入报警单元，不匹配的数据则为正常行为，不作处理。
总结：
随着互联网迅猛发展，企业数据库的安全显得非常重要。入侵检测作为一种重要的安全保障手段，涉及到广泛的技术领域。本文提出一种基于PNN概率神经网络的算法，实验结果表明将PNN概率神经网络引入到入侵检测中的具有快速、精准的优势，由此结合PNN概率神经网络与入侵检测技术研究了一类企业数据库的安全保护技术，实现了企业数据库入侵检测的系统模型，并详细介绍了模型各个模块的具体实现方法及流程。可以有效的防范到来自内部的越权操作、违规操作和恶意破坏等，并可以抵制外部的远程非法入侵，是运用神经网络技术解决企业数据库安全保障的有效尝试。基于企业数据库的数据采集方法和神经网络检测技术为今后的工作打开了思路。
参考文献：
[1]王小川，史峰等。《MATLAB神经网络30个案例分析》.第一版.北京：北京航空航天大学出版社，2010：176-182.
[2]张德丰等.《MATLAB神经网络应用设计》.第二版.北京：机械工业出版社，出版年2011：320-323.
[3]金波.入侵检测智能方法的研究.上海：华东理工大学，2000：29-131.
[4]李钢.基于神经网络的入侵检测研究与实现.南京：南京师范大学.2006.
[5]Sushil Jajodia.Database Security and Privacy.ACM Computing Surveys.1996.
