CN102456158B - 基于ann bp模型的空中交通管理atm信息***安全评估方法 - Google Patents
基于ann bp模型的空中交通管理atm信息***安全评估方法 Download PDFInfo
- Publication number
- CN102456158B CN102456158B CN201010519836.4A CN201010519836A CN102456158B CN 102456158 B CN102456158 B CN 102456158B CN 201010519836 A CN201010519836 A CN 201010519836A CN 102456158 B CN102456158 B CN 102456158B
- Authority
- CN
- China
- Prior art keywords
- network
- blank pipe
- infosystem
- error
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 3
- 230000001537 neural effect Effects 0.000 claims 3
- 238000012546 transfer Methods 0.000 claims 2
- 241001269238 Data Species 0.000 claims 1
- 230000003292 diminished effect Effects 0.000 claims 1
- 238000013341 scale-up Methods 0.000 claims 1
- 238000011478 gradient descent method Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013278 delphi method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000007429 general method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- VUFNLQXQSDUXKB-DOFZRALJSA-N 2-[4-[4-[bis(2-chloroethyl)amino]phenyl]butanoyloxy]ethyl (5z,8z,11z,14z)-icosa-5,8,11,14-tetraenoate Chemical compound CCCCC\C=C/C\C=C/C\C=C/C\C=C/CCCC(=O)OCCOC(=O)CCCC1=CC=C(N(CCCl)CCCl)C=C1 VUFNLQXQSDUXKB-DOFZRALJSA-N 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明基于ANN?BP模型的空中交通管理ATM信息***安全评估方法,利用神经网络技术原理,对空管信息***进行安全评估,是在信息安全领域中对空管***评估的新方法。空管信息***包括四大部分,通信***、导航***、监视***和自动化***四大***。神经网络从影响空管信息***的指标出发,将空管信息***中影响四大***安全性的具体指标作为神经网络的输入。整个网络采用误差反向传播算法,网络输出和目标输出进行对比,如果该网络的输出值和目标值之差在误差范围外,则采用梯度下降法进行权值调整,直到满足误差允许的范围。网络最终输出为整个空管信息***的安全等级。该空管信息***整体的安全性可以通过该神经网络模型进行精确的评估。
Description
技术领域
本发明是一种利用神经网络技术对航空空交通管理(简称:空管)ATM(AirTrafficManagement)信息***进行安全评估(SecurityEvaluation)的方法。它涉及空管信息技术及安全技术,属于信息安全领域中安全评估领域。
背景技术
空管信息资源是确保实现空中交通安全管理的基础性资源。空管信息化建设已进入全面推进和加快发展的重要时期。经过多年建设,在空管***各个重要业务部门内已建成多种信息***,计算机信息网络已经成为空管业务运行的基本工作手段。面对规模庞大、应用繁多、用户庞大和业务依赖程度高的空管信息***,大规模信息化和网络化已经成为空管***发展的主要标志。
目前,国内外网络安全形势不容乐观,空管信息***面临巨大的威胁(入侵、攻击和病毒等)。境内外敌对势力针对卫星、无线和地面网络的攻击破坏活动和利用信息网络进行的入侵毁坏活动日益猖獗。一旦空管信息***被攻击、无线电通信***受到干扰、***故障等,会使飞行安全受到严重威胁,空管的指挥协调将会受到严重影响,轻者会造成航班正常的运作中断,重者会危急飞行安全;严重危害公众利益和国家安全。
空管不仅是整个航空事业发展的重要支撑点,而且是任何一个主权国家的重要职责。所以,要认真正确处理空管与空防的关系,加强空管空防一体化建设,使***间有机结合,互联互通,信息共享和运行高效。任何信息安全风险都将有可能直接影响整个民航***的安全稳定运行,影响民航的正常工作运转,甚至可能危及到国家、人民生命财产安全,故而空管信息安全是直接关系到国计民生的大事。
对空管***的安全性进行评价是安全防御的一项重要技术,也是信息安全工程学的重要组成部分。通过安全评估,科学地分析空管信息***的安全现状,对***的整体安全状况做出评价,防患未然。建立健全的民航空管***安全性评价指标体系是实施民航信息安全战略的重要保证,借助信息安全保障评价指标体系对我国航空信息***和核心业务***进行统一分析和纵横比较,将有助于对我国航空信息安全防御态势做出量化的结论,为民航总局提供决策支持,对我国航空信息安全建设的规划、信息安全建设的投入,乃至信息安全管理政策的制定、信息安全技术的研究与发展都具有重要意义。
对安全风险的评估需要一定的依据和指导方法,当前得到比较广泛应用的评价方法有:德尔菲法、故障树分析法、层次分析法、主成分分析法、数据包络分析法、模糊分析以及灰色理论等。
德尔菲法(Delrhimethod)也别称之为专家咨询法,最初产生于科技领域,后来逐渐被应用于任何领域的预测,如军事预测、人口预测、医疗保健预测、经营和需求预测、教育预测等。此外,还用来进行评价、决策、管理沟通和规划工作。德尔菲法是一种定性预测方法,通过背对背群体决策咨询的方法,群体成员各自独立工作,然后以***的、独立的方式综合他们的判断,克服了为某些权威所左右的缺点,减少调查对象的心理压力,使预测的可靠性增加。
故障树分析(FaultTreeAnalysis)模型由Bell电话试验室的Waston.H.A于1961年提出,作为分析***可靠性的数学模型,现已经成为比较完善的***可靠性分析技术。故障树分析方法可以分为定性和定量两种方式。故障树的定性分析就是通过求故障树的最小割集,得到顶事件的全部故障模式,以发现***结构上的最薄弱环境或最关键部位,集中力量对最小割集所发现的关键部位进行强化。
层次分析法(AnalyticHierarchyProcess)是由美国著名的运筹学专家萨蒂于本世纪70年代提出来的,是一种定性与定量相结合的多目标决策分析方法。目前,AHP已被运筹学界视为简单有效的多目标决策方法。AHP的应用范围在逐渐扩大,迄今为止,AHP已被应用于很多领域的分析与决策,如:经济分析和计划、行为科学、医疗卫生、会计、社会学、教育、人才、军事指挥、地理、运筹学方法评价、建筑学、科学技术发展、环境、法律等。AHP作为一种决策思维方式,对人们各种各样的决策过程起着越来越重要的作用。
主成份分析(PrincipalComponentAnalysis)是多元统计分析的一个分支,先是由Karl,Pearson应用于非随机向量,而后Hotelling将之推广到了随机向量。主成份分析法是应用数理统计和线性代数知识,将其分量相关的原随机向量,借助于一个正交变换,转化成其分量不相关的新随机向量,并以方差作为信息量的测度,对新随机向量进行降维处理再应用决策分析和泛函分析知识,通过构造适当的价值函数,进一步把低维***转化成一维***。主成份分析法以其理论的简洁性、赋权的客观性等特点,广泛应用于经济、社会、科教、环保等领域中众多对象的评价。
数据包络分析(DataEnvelopmentAnalysis)是以相对效率概念为基础,根据多指标投入和多指标产出对相同类型的单位(部门或企业)进行相对有效性或效益评价的一种新方法。自从1978年,由著名运筹学家查恩斯、库伯以及罗兹首先提出C2R模型并用于评价部门间的相对有效性以来,DEA方法不断得到完善,经常应用于企业经营综合效率、行业生产状况、公共服务部门设施等的评价特别是在对非单纯盈利的公共服务部门,如学校、医院,某些文化设施等的评价方面被认为是一种有效的方法。
1965年,美国控制论学家L.A.Zadeh教授在《InformationandControl》杂志上发表了《模糊集》(FuzzySet)这篇著名的论文,提出用隶属函数这个概念来描述现象差异的中间过渡,从而突破了古典集合论中属于或不属于的绝对关系。Zadeh教授这一开创性的工作,标志着数学的一个新的分支——模糊数学的诞生。模糊理论也为综合评价问题提供了一种新的方法。应用模糊理论建立评价数学模型,可以使定性的评价指标定量化,定量的模糊评价指标向精确性逼近,使评价方法更具科学性、实用性,目前已广泛用于社会、经济、军事、工程等众多领域,获得了大量的研究成果。
灰色***理论是我国学者邓聚龙教授于1982年首先提出的,经过20多年的发展,已基本建立起一门新兴学科的结构体系。所谓灰色***是指***中既有白色参数(已知参数)又有黑色参数(未知参数)的***,其研究内容包括客观事物的量化、建模、预测、决策、控制等。灰色***理论是从信息的非完备性出发研究和处理复杂***的理论,它不是从***内部特殊的规律出发去研究***,而是通过对***某一层次的观测资料加以数学处理,达到在更高层次上了解***内部变化趋势、相互关系等机制。在灰色***理论的带动下,还相继产生了灰色地质学、灰色育种学、灰色控制理论、灰色混沌理论、区域经济灰色***分析、灰色价值学、灰色综防学等一批新兴的交叉学科。
在评价问题中,目标属性间的关系绝大多数为非线性关系,一般的方法很难反映这种关系。许多问题的信息来源不完整,评价规则常常相互矛盾,有时无条理可循。人们通常难以准确地描述方案各目标间的相互关系,更无法用定量关系式来表达它们之间的权重分配,如果能够利用已有的方案及其评价结果,根据所给新方案的特征就能对方案直接做出评价,则不但可以减少人为的不确定因素,提高评价结果的准确性,还可以大大减轻评价者的负担。
神经网络技术可有效地解决上述问题。神经网络的非线性处理能力突破了基于线性处理的现有评价方法的局限;一般的评价方法在信息含糊、不完整、存在矛盾等复杂环境中往往难以应用,而神经网络技术则能跨越这一障碍。
发明内容
本发明首先分析空管的安全需求,提出基于BP神经网络的空管信息***3层神经网络评估模型。然后根据建立的BP神经网络模型,以空管信息***主要安全性指标作为训练样本,提供的数据是通过学习和训练找出输入与输出之间的内在联系,用训练好的BP网络对空管信息***进行评估,并与传统的评估方法进行比较。实验结果表明,该网络具有很强的自适应性和容错能力,将该模型用于空管信息***的安全评估,与实际结果相符合,并且具有很大优势和潜力。
本发明的目的是,克服现有技术的不足以及人为主观因素的影响。因为在评价问题中,目标属性间的关系绝大多数为非线性关系,一般的方法很难反映这种关系;许多问题的信息来源不完整,评价规则常常相互矛盾,有时无条理可循;人们通常难以准确地描述方案各目标间的相互关系,更无法用定量关系式来表达它们之间的权重分配,如果能够利用已有的方案及其评价结果,根据所给新方案的特征就能对方案直接做出评价,则不但可以减少人为的不确定因素,提高评价结果的准确性,还可以大大减轻评价者的负担。神经网络技术可有效地解决上述问题。神经网络的非线性处理能力突破了基于线性处理的现有评价方法的局限;一般的评价方法在信息含糊、不完整、存在矛盾等复杂环境中往往难以应用,而神经网络技术则能跨越这一障碍。利用神经网络评估的方法,可以及时发现空管信息***中安全隐患及风险,合理规划安全投入,采取相应的安全防范措施,提高经济效益。
实现本发明的技术解决方案为:根据空管信息***的特点,建立神经网络评估模型。根据网络的特点对***的安全性进行分析,建立适用于空管信息***的网络模型,其具体的实现步骤为:
1)搭建的空管信息***的安全评估神经网络模型如图1所示,该模型是一个多输入、单输出的***。该模型的输入是空管信息***的12项评估指标值,评估指标如图2所示。用已经训练好的BP网络取代传统的评估方法,通过神经网络给出评估结果。
2)评估指标的选取
民航空管***是一个复杂而庞大的***,涉及与空管运行相关的通信、导航、监视、气象、情报、空中交通管制等方面的数据资料,以及相关硬件,如通信设备、通信介质、雷达导航设备、气象设备、航行情报设备等。将***条理分层,是进行安全评估的前提。
实践证明,一个好的空管***安全评价方法应满足以下要求:评价指标能全面准确地反映出空管***的状况与技术质量特征;评价模式简单明了,可操作性强,易于掌握;评价结论能反映空管***的合理性、完好性及安全可靠性;评价中所采用的数据易于获取,数据处理工作量小;各评价指标有明确的评价标准。基于以上的条件,从通信,导航,监视,自动化4个方面选取了主要的12个影响因素作为评价指标,构成了一个科学合理的空管***评价指标体系。
影响空管安全的指标主要包括通信,导航,监视,自动化四个方面。具体指标分别为(1)卫星***、(2)VHF(VeryHighFrequency,甚高频)***、(3)内话***、(4)DVOR(DopplerVHFOmnidirectionalRange,多普勒甚高频全向信标)***、(5)ILS(InstrumentLandingSystem,仪表降落***)***、(6)DME(DistanceMeasuringEquipment,距离测定装置)***、(7)SSR(SecondarySurveillanceRadar,二次监视雷达)***、(8)ADS(AutomaticDependentSurveillance,自动相关监视)***、(9)GPS(GlobalPositionSystem,全球定位***)***、(10)飞行计划、(11)飞行情报、(12)监控***。空管信息***的综合评估指标体系如图2所示。
3)安全等级的划分
通常将评估结果分为四个等级,分别代表很安全,比较安全,危险,很危险。表1所示:
表1安全等级划分表
很安全 | 比较安全 | 危险 | 很危险 |
0.85-1 | 0.75-0.85 | 0.6-0.75 | 0-0.6 |
A | B | C | D |
4)确定BP网络的神经元数目
BP网络的输入层神经元个数取决于影响空管信息***的安全性指标的个数。由空管信息***的安全评估模型可得,其个数为12。而其输出层就是衡量空管信息***的安全性指标个数,其个数为1,最终结果即为安全等级。利用Matlab中的函数newrb创建一个BP神经网络。
5)BP网络隐层神经元选取
对于网络的设计,其中隐含层中神经元的个数很大程度上影响网络的测试性能。该网络输人层与隐含层,以及隐含层与输出层之间的传递函数采用对数函数;考虑到网络的规格和学习时间,选用Trainlm函数对函数进行训练,最大训练步数epochs为1000;设定的最小误差goal为0.01;show为20。其他参数均为缺省值。
6)训练样本选取
训练样本选取12组空管站实采数据,训练样本如表2所示,通过反复试验,最终选取隐含层中神经元的个数为25个时网络的性能最佳。BP神经网络的性能检验。利用Matlab对网络进行仿真。网络经初始化,利用函数Trainlm对网络进行训练,当训练到3步之后,网络误差达到了设定的误差要求,训练结束,如图5所示。
表2训练样本
7)网络性能检验
为了进一步检验训练后网络的性能,下面对训练结果作进一步仿真分析。利用postreg函数可以对网络仿真的输出结果和目标输出作非线性回归分析,并得到两者的相关系数,从而可以作为网络训练结果优劣的判别依据。我们利用网络的仿真输出矢量和目标矢量之间的线性回归分析,并把得到的目标矢量对网络输出的相关系数作为网络性能的重要评价标志。如果网络性能好的话,那么得到的网络模拟值应该和网络实际输出值相等,即处于坐标轴第一象限的对角线上,截距等于0,斜率等于1,拟合度等于1,实际应用中通常取拟合度R大于0.80就可以了。最后得到BP神经网络模拟值与实际输出之间的非线性回归方程为:A=0.998T+(-0.00418)(R=0.99),结果满意,网络性能很好。如图6所示。
8)网络测试
下面利用以上训练好的网络,对网络的性能进行测试,取后四组作为测试样本,测试样本如表3所示。
表3测试样本
从网络的测试结果可以看出,不但证明了设计的网络可行性,而且网络的性能稳定,准确度高,误差很小,测试结果和实际的结果相吻合。
该网络所具有的自学习能力又大大方便了知识的记忆和提取;网络通过学习,可以从典型事例中提取所包含的一般原则、学会处理具体问题,且能对不完整信息进行补全。从评价的角度来看,神经网络通过对已有方案及其评价结果的学习,可获得隐含其中的人的经验、知识以及对各目标重要性的看法等直觉思维,一旦用来评价时,网络便可再现这些经验、知识与直觉思维,对复杂问题做出合理的判断,由此既体现了人的主观判断,又大大减少了评价过程中不利的人为因素的影响。可见,神经网络是多属性综合评价的有效途径。
9)评估结果说明
BP神经网络具有很强的逼近性。以空管***的“安全可靠、经济合理”和其定义所包含的各项内容为依据,从空管体系主要构成通信,导航,监视及自动化***四个层面确立了空管***的主要12项典型评价指标,采用一套***的评价指标体系,建立基于BP神经元网络的空管***安全评价模型,并进行了求解。该模型的测试结果表明,所采用的空管***评价指标体系良好地反映了空管***的状况,所采用的BP网络算法符合空管***的非线性特征,可以用于民航等复杂空管***的安全性评价。
附图说明
图1空管安全评估神经网络模型图
图2空管信息***评估指标体系图
图3BP网络模型图
图4BP网络流程图
图5网络训练收敛、误差曲线图
图6网络的非线性回归图
具体实施方式
图2所示,民航空管***是一个复杂而庞大的***,涉及与空管运行相关的通信、导航、监视、气象、情报、空中交通管制等方面的数据资料,以及相关硬件,如通信设备、通信介质、雷达导航设备、气象设备、航行情报设备等。作为被评价对象,空管***有多个核心***组成,属典型的多输入、多目标***。将***条理分层,是进行安全评价的前提。
有了空管信息***的评估指标体系后,将对整个空管信息***的安全性进行评估,结合人工神经网络方法,图1是对整个***评估过程的模型图。
制定评估等级标准:根据空管信息***的特点,将安全等级划分为A、B、C、D四等。分别对应很安全、比较安全、危险、很危险。模型各个等级对应相应的分数区间,所得的综合评估分值越高,说明整个空管信息***的安全性就越高。
网络评估主要采用BP网络模型,即误差反向传播算法。BP网络模型是一种正向求解、反向传播误差并达到修改网络层次之间连接权数的网络模型,它通常分为输入层、隐含层和输出层,其中隐含层还可能不止一个。在正向传播中,输入信号,从输入层通过变换函数向隐层逐层正向传播,然后,网络根据训练误差的大小,将得到输出层的结果与期望输出相比较,若偏差超出允许范围,则自动调节权值和阈值,即误差的逆传递,使输出误差信号减小,从而使网络输出逼进期望输出,通常达到误差均方差最小为止。网络的学习就是通过模式的顺传播和误差的逆传播的反复交替而实现的。一般情况下,BP网络模型采用动量法和学习率调整的策略,因而提高了网络的性能,减少了其陷入局部极小值并提高收敛速度。BP网络模型如图3所示,详细推导过程略。
对于整个网络的算法实现流程如图4所示。BP反向传播算法的实现步骤如下:
步骤1.给出输入信息向量P和目标向量T;
步骤2.对输入P进行标准化;
步骤3.计算隐含层和输出层的实际输出
步骤4.求目标向量与实际输出的偏差;设共有P对训练样本,网络对应不同的样本具有不同的误差可将全部样本输出误差的平方进行累加再平方作为总输出误差,也可以用所有误差中最大的代表网络的总输出误差,实际中更多采用均方根误差作为网络的总误差。
步骤5.若误差在要求内,则转到步骤10;
步骤6.计算隐含层单元误差;
步骤7.求误差梯度;
步骤8.对权值和阀值进行修改,将误差信号沿原来的连接通路返回,通过修改各层神经元的权值,逐次地向输入层传播去进行计算。再经过正向传播过程,这两个过程反复进行使得误差信号最小;
步骤9.回到步骤3;
步骤10.计算全部误差是否满足要求,如满足则学习,否则回到步骤6;
目前在实际应用中有两种权值调整方法。从以上步骤可以看出,在标准BP算法中,每输入一个样本.都要回传误差并调整权值,这种对每个样本轮训的权值调整方法又称为单样本训练。由于单样本训练遵循的是只顾眼前的“本位主义“原则.只针对每个样本产生的误差进行调整,难免顾此失被,使整个训练的次数增加,导致收敛速度过促。另一种方法是在所有样本输入之后.计算网络的总误差E总:
然后根据总误差计算各层的误差信号并调整权值,这种累积误差的批处理方式称为批(Batch)训练或周期(Epoch)训练。由于批训练遵循了以减小全局误差为目标的“集体主义”原则,因而可以保证总误差向减小力向变化。在样本数较多时,批训练比单样本训练时的收敛速度快。训练流程图如图。本课题的程序采用批训练的BP算法流程。
建立了空管信息***的神经网络评估模型后,利用BP误差反向传播算法对网络进行训练和测试,当网络训练到误差允许的范围时,网络训练结束,用测试数据对训练好的网络进行测试,当测试结果满足要求时,表明网络性能良好,可应用于空管信息***的评估中。对于网络的训练和测试采用MATLAB工具进行仿真和分析。仿真和分析结果如图5和图6。具体的实现过程如下,其中介绍涉及到的主要函数。
利用matlab工具,结合以上算法,介绍本程序用到的主要函数。利用newff()函数创建网络,函数net.iw{1,1}和net.b{1}为初始权值和阈值函数。函数net.trainParam.show函数为图形显示间隔;函数net.trainParam.lr为学习率;函数net.trainParam.ePochs为最大允许步数;函数net.trainParam.goal为允许误差范围;train()为网络训练函数;函数sim()为网络仿真函数;函数postreg()实现对网络的非线性拟合。
最后利用训练和测试好的空管信息***神经网络模型对空管信息***安全性进行综合评估,最后输出评估等级给出相应的评估报告。根据评估报告作出相应的防范和改进措施,可以将风险降低到最低程度甚至避免危险的发生,防患未然。并提高空管***总体的经济效益,对国民生产起到促进的作用。
Claims (1)
1.一种基于ANNBP模型的空中交通管理ATM信息***安全评估方法,其特征在于空中交通管理(ATM,AirTrafficManagement,简称:空管)信息***包括四大部分,分别是通信***、导航***、监视***和自动化***四大***;神经网络ANN(ArtificialNeuralNetwork)基于从影响空管信息***的指标出发,将空管信息***中影响四大***安全性的12项具体指标作为神经网络的输入,分别为(1)卫星***、(2)VHF(VeryHighFrequency,甚高频)***、(3)内话***、(4)DVOR(DopplerVHFOmnidirectionalRange,多普勒甚高频全向信标)***、(5)ILS(InstrumentLandingSystem,仪表降落***)***、(6)DME(DistanceMeasuringEquipment,距离测定装置)***、(7)SSR(SecondarySurveillanceRadar,二次监视雷达)***、(8)ADS(AutomaticDependentSurveillance,自动相关监视)***、(9)GPS(GlobalPositionSystem,全球定位***)***、(10)飞行计划、(11)飞行情报、(12)监控***;对所述空管信息***指标采用神经网络方法进行安全评估,其中神经网络算法采用误差反向传播(BackPropagation,BP)算法,建立起空管信息***的神经网络评估模型,对整个***进行评估,最后给出评估结果和评估报告;
所述神经网络模型评估包括以下步骤:1)确定空管信息***的安全综合评估指标体系,空管信息***由四大***构成,其中影响这四大***安全性的所述12项指标作为空管信息***的评估指标体系;2)制定空管信息***的评估等级标准;3)建立适用于空管信息***的神经网络模型;4)选取所述12项指标数据作为网络输入数据,采用BP算法对网络进行训练;5)通过反复训练,并通过仿真分析后,选择训练过程中的最优网络结构作为网络训练模型;6)选取另外几组数据,非训练数据作为网络的测试数据,并对网络性能进行测试;7)对整个空管***进行综合评估,给出评估结果和评估报告;8)提出存在的问题和建议;
所述的神经网络BP算法,其中权值调整在于结合梯度下降算法的使用:
①网络误差
当网络输入与期望输出不等时,存在输出误差E,定义如下:
其中,d表示期望输出值,O表示样本输入到神经网络后的计算输出值,在输出端共有l个节点,dk表示k节点的期望输出,ok表示k节点的计算输出值;
进一步展开至输入层有:
其中,netj表示当前神经元的输入为之前神经元的输出的加权和,vij表示输入层到隐含层的权值,ωjk表示隐含层到输出层的权值,f(∑vijxi)表示隐含层传递函数,xi表示输入值;
②权值调整
网络输入误差是各层权值ωjk、vij的函数,因此调整权值可以改变误差E,调整权值的原则是使误差不断变小,因此应该使权值的调整量与误差的梯度下降成正比,即:
式中负号表示梯度下降,常量η∈(0,1)表示比例系数,在训练中反映了学习速率,BP算法属于δ学习规律类,即为误差的梯度下降算法,三层网络的BP学习算法的权值调整公式为:
其中,Δvij表示输入层到隐含层的权值变化量,Δωjk表示隐含层到输出层的权值变化量,表示BP神经网络连接到输出层神经节点k上的权值误差,表示BP神经网络连接到隐含层神经节点j上的权值误差,yj表示隐含层节点的输出值,xi表示神经网络的输入值;
所述的空管信息***综合评估指标体系的12项指标,作为网络的输入,并筛选相应的空管运行数据,并对这些数据进行归一化处理,BP算法的神经元均采用sigmoid转移函数,变换后可防止因输入的绝对值过大而使神经元输出饱和,继而使权值调整进入误差曲面的平坦区;sigmoid转移函数的输出在[0,1]或[-1,1]之间,作为教师信号的输出数据如不进行变换处理,势必使数值大的输出分量绝对误差大,数值小的输出分量绝对误差小,网络训练时只针对输出的总误差调整权值,其结果是在总误差中占份额小的输出分量相对误差较大,因此要对输出量进行尺度变换;此外,当输入或输入向量的各分量量纲不同时,应对不同的分量在其取值范围内分别进行变换,当各分量物理意义相同且为同一量纲时,应在整个数据范围内确定最大值xmax和最小值xmin进行统一的变换处理;
将输入输出数据变换为[0,1]区间的值常用以下变换函数:
其中xi代表输入输出数据,xmin代表变化范围的最小值,xmax代表变化范围的最大值;将处理后的数据作为网络的真正输入,采用神经网络BP算法对网络进行训练,训练直到误差满足允许范围后停止,此时网络训练结束;
对所述空管信息***,采用所述空管信息***神经网络训练网络,采用适当数据对网络进行测试;如果测试结果满意则网络性能好,如果测试结果不满意则返回步骤4)重新训练网络;经过多次反复训练,找到最适合空管信息***的神经网络结构,并建立神经网络评估模型;
对所述空管信息***采用所述神经网络BP算法进行信息安全评估,给出综合评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010519836.4A CN102456158B (zh) | 2010-10-26 | 2010-10-26 | 基于ann bp模型的空中交通管理atm信息***安全评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010519836.4A CN102456158B (zh) | 2010-10-26 | 2010-10-26 | 基于ann bp模型的空中交通管理atm信息***安全评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102456158A CN102456158A (zh) | 2012-05-16 |
CN102456158B true CN102456158B (zh) | 2015-11-11 |
Family
ID=46039329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010519836.4A Active CN102456158B (zh) | 2010-10-26 | 2010-10-26 | 基于ann bp模型的空中交通管理atm信息***安全评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102456158B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226900B (zh) * | 2013-03-21 | 2015-10-28 | 北京工业大学 | 一种基于加权图模型的空域扇区划分方法 |
US9540118B2 (en) | 2014-11-10 | 2017-01-10 | Federal Express Corporation | Risk assessment framework |
CN105095408A (zh) * | 2015-07-09 | 2015-11-25 | 百度在线网络技术(北京)有限公司 | 网络专家可信度判定方法及装置 |
CN105118333B (zh) * | 2015-09-30 | 2017-12-15 | 中国民用航空总局第二研究所 | 一种基于多重回归模型的空中交通管制模拟仿真异常检测方法和装置 |
CN105261241B (zh) * | 2015-09-30 | 2017-11-07 | 中国民用航空总局第二研究所 | 基于霍普菲尔德神经网络的空中交通管制模拟仿真异常检测方法和装置 |
CN105575186B (zh) * | 2015-12-08 | 2018-10-19 | 成都民航空管科技发展有限公司 | 空管自动化***二次雷达应答机编码定向分配方法 |
CN106897474B (zh) * | 2015-12-21 | 2021-03-26 | 中国航空工业集团公司西安飞机设计研究所 | 一种飞机座舱压力控制***控制性能评估方法 |
CN106027550B (zh) * | 2016-06-29 | 2019-04-12 | 北京邮电大学 | 一种防御策略***分析方法及装置 |
CN107729949A (zh) * | 2017-11-03 | 2018-02-23 | 中国民航大学 | 一种管制运行亚健康状态的聚类及分析方法 |
CN108133623B (zh) * | 2018-01-31 | 2020-09-01 | 中国民航大学 | 一种空中交叉点分级指标建立方法 |
CN108459582B (zh) * | 2018-03-01 | 2021-03-02 | 中国航空无线电电子研究所 | 面向ima***的综合健康评估方法 |
CN110689032A (zh) * | 2018-07-04 | 2020-01-14 | 北京京东尚科信息技术有限公司 | 数据处理方法及***、计算机***和计算机可读存储介质 |
CN109409587A (zh) * | 2018-10-09 | 2019-03-01 | 南京航空航天大学 | 一种基于天气数据挖掘的机场进离场交通流量预测方法 |
CN109495296B (zh) * | 2018-11-02 | 2022-05-13 | 国网四川省电力公司电力科学研究院 | 基于聚类与神经网络的智能变电站通信网络状态评价方法 |
CN109544999B (zh) * | 2019-01-14 | 2021-03-26 | 中国民航大学 | 一种基于云模型的空中交通网络可靠性评价方法 |
CN111091266A (zh) * | 2019-11-12 | 2020-05-01 | 青岛民航空管实业发展有限公司 | 空管台站的等级确定方法、装置及存储介质 |
CN110928752A (zh) * | 2019-11-14 | 2020-03-27 | 青岛民航空管实业发展有限公司 | 空管台站健康度评估方法、装置及设备 |
CN111610517B (zh) * | 2020-06-09 | 2022-06-07 | 电子科技大学 | 基于深度四通道网络的二次雷达信号处理方法 |
CN111610518B (zh) * | 2020-06-09 | 2022-08-05 | 电子科技大学 | 基于深度残差分离卷积网络的二次雷达信号去噪方法 |
CN111785095B (zh) * | 2020-07-31 | 2021-06-01 | 北京航空航天大学 | 监视性能评估指标形成方法 |
CN112069740B (zh) * | 2020-09-21 | 2023-11-24 | 吴学松 | 一种冲击地压危险性评估方法及平台 |
CN113256143A (zh) * | 2021-06-07 | 2021-08-13 | 中国传媒大学 | 一种针对融媒体机构的评估方法、电子设备和可读存储介质 |
CN113850350B (zh) * | 2021-11-30 | 2022-04-22 | 中哲国际工程设计有限公司 | 城市建筑用地智能规划***及方法 |
CN114818396B (zh) * | 2022-06-29 | 2022-09-20 | 湖南大佳数据科技有限公司 | 一种面向卫星导航***的网络安全靶场***及演练方法 |
-
2010
- 2010-10-26 CN CN201010519836.4A patent/CN102456158B/zh active Active
Non-Patent Citations (5)
Title |
---|
BP神经网络算法改进及应用研究;黄丽;《中国优秀硕士学位论文全文数据库信息科技辑》;20100131;I140-40 * |
I. S. SAEH, A. KHAIRUDDIN.STATIC SECURITY ASSESSMENT USING ARTIFICIAL.《POWER AND ENERGY CONFERENCE, 2008, PECON 2008. IEEE 2ND INTERNATIONAL》.2008, * |
中国民用航空总局.民用航空空中交通通信导航监视设备使用.《民用航空空中交通通信导航监视设备使用》.2002, * |
基于BP神经网络的民用航空航段安全风险评估;王浩锋;《信息与电子工程》;20101025;第8卷(第5期);612-615 * |
航空企业基于SHEL模型的神经网络安全评价研究;王起全;《中国安全科学学报》;20100228;第20卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN102456158A (zh) | 2012-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102456158B (zh) | 基于ann bp模型的空中交通管理atm信息***安全评估方法 | |
Turskis et al. | A hybrid model based on fuzzy AHP and fuzzy WASPAS for construction site selection | |
De Ambroggi et al. | Modelling and assessment of dependent performance shaping factors through Analytic Network Process | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
Nearing et al. | Benchmarking and process diagnostics of land models | |
Kim | An assessment of deforestation models for reducing emissions from deforestation and forest degradation (REDD) | |
CN106411854A (zh) | 一种基于模糊贝叶斯的网络安全风险评估方法 | |
Hernández et al. | A new method to assess entrepreneurship competence in university students using based on plithogenic numbers and SWOT analysis | |
Li et al. | An assessment method of operator’s situation awareness reliability based on fuzzy logic-AHP | |
Liu et al. | A risk assessment method based on RBF artificial neural network-cloud model for urban water hazard | |
CN107491694A (zh) | 用于量化评估scada***信息安全脆弱性的方法 | |
Zichun | The BP artificial neural network model on expressway construction phase risk | |
Pessoa et al. | Cost forecasting of public construction projects using multilayer perceptron artificial neural networks: a case study | |
Robati et al. | Inflation rate modeling: adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO) | |
Guo et al. | Delphi method for estimating membership function of uncertain set | |
Askin et al. | Comparing the predictive and classification performances of logistic regression and neural networks: a case study on timss 2011 | |
Kvyatkovskaya et al. | Methodology of a support of making management decisions for poorly structured problems | |
Zhang | Benefit evaluation of human resource management in agricultural enterprises based on convolutional neural network. | |
Sun et al. | A BP neural network model based on genetic algorithm for comprehensive evaluation | |
Ling et al. | Analyzing the relationship between urban macroeconomic development and transport infrastructure system based on neural network | |
Huang | Modeling and Planning on Urban Logistics Park Location Selection Based on the Artificial Neural Network. | |
Hrinchenko et al. | Qualimetric approaches to assessing sustainable development indicators | |
Liao et al. | Probabilistic prediction of unsafe event in air traffic control Department based on the Improved backpropagation neural network | |
Adnan et al. | Improvement of the method of estimation and forecasting of the state of the monitoring object in intelligent decision support systems | |
Utama et al. | ANFIS multi criteria decision making for overseas construction projects: a methodology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230505 Address after: Unit 516, Zone A, Comprehensive Building, No. 3 Huatian Road, Huayuan Industrial Zone, Tianjin Binhai High tech Zone, 300300 (settled in Innovation Service Company) Patentee after: TIANJIN YUN'AN TECHNOLOGY DEVELOPMENT Co.,Ltd. Address before: 300300 Tianjin city Dongli District North Road No. 2898 Patentee before: CIVIL AVIATION University OF CHINA |