基于模糊神经网络的信息安全风险评估模型

对信息系统进行有效的风险评估,选择有效的防范措施,主动防御信息威胁是解决信息系统安全问题的关键所在。将神经网络和模糊理论应用于信息安全的风险评估。首先针对信息安全风险评估的不确定性和复杂性,将神经网络理论应用到风险评估。其次,针对神经网络适合定量数据,对于定性指标的分析缺乏相应的处理能力,而风险因素的指标值具有很大的不易确定性等问题,采用模糊评价法对信息安全的风险因素的指标进行量化,对神经网络的输入进行模糊预处理,提出了基于模糊神经网络的风险评估方法。仿真结果表明：模糊神经网络经过训练,可以实时地估算风险因素的级别。     

神经网络在信息安全风险评估中应用研究

针对信息安全风险评估具有非线性、不确定性等特点,采用传统的数学模型进行信息安全的风险评估存在-定的局限性.为了提高安全风险评估性能,将RBF神经网络理论、粒子群算法分析以及模糊评价法进行有机结合,建立了一种粒子群优化的RBF神经网络信息安全风险评估模型.首先通过模糊系统对信息安全风险因素指标进行量化,将模糊系统的输出输入到RBF神经网络的模型中,然后利用粒子群算法对RBF神经网络的参数进行优化并加以训练,最后得到优化评估模型.进行仿真的结果表明,改进的RBF神经网络模型可实现对信息系统的风险评估,解决了传统评估方法所存在的主观随意性大、结论模糊等缺陷,并且比RBF神经网络具有更高的拟合精度、更强的学习能力和更快的收敛速度.     

基于神经网络的访问控制策略优化模型

访问控制是网络安全防范和保护的主要核心策略,其主要任务是保证网络资源不被非法使用和访问。将风险概念引入访问控制,分析了基于风险的权限委托以及权限再分配的基本性质;基于MUS集合的计算方法,给出了一种基于神经网络的风险评估方法。针对神经网络适合定量数据,而风险因素的指标值具有很大的不易确定性等问题,采用模糊评价法量化信息安全的风险因素指标,对神经网络的输入进行模糊预处理。仿真结果表明,模糊神经网络经过训练,可以实时地佑算风险因素的级别。     

基于改进小波神经网络的信息安全风险评估

由于信息安全风险评估具有非线性、不确定性等特点,采用传统的数学模型进行信息安全的风险评估存在一定的局限性。将人工神经网络(ANN)理论、小波分析及粒子群优化算法有机结合,提出了粒子群-小波神经网络(PWNN)的信息安全风险评估方法。首先,采用模糊评价法对信息安全的风险因素的指标进行量化,对神经网络的输入进行模糊预处理;其次,采用粒子群优化算法对小波神经网络进行训练。仿真结果表明,提出的改进的小波神经网络模型可实现对信息系统的风险因素级别的量化评估,克服现有的评估方法所存在的主观随意性大、结论模糊等缺陷,具有更强的学习能力、更快的收敛速度。     

模糊神经网络在信息安全风险评估中的应用

在信息安全风险评估的研究中,针对提高准确性问题,信息安全风险包含大量模糊、不确定性的影响因素,传统评估方法都是基于精确、确定的数据,因此不适于信息安全风险评估,导致评估的准确性欠佳.为提高信息安全评估的准确性,提出模糊理论与BP神经网络进行结合的信息安全风险评估方法.方法通过模糊理论对信息安全风险因素进行分析,并构造各因素所对应评判集的隶属度矩阵;然后采用BP神经网络对信息安全风险因素隶属度矩阵进行学习,最后输出信息安全风险等级.仿真结果表明,方法能很好地量化评估信息系统风险,提高了风险评估准确性,是一种有效的评估方法.     

模糊神经网络在商业规则数据挖掘中的应用*

利用模糊系统对规则提取的优势弥补了神经网络可解释性差的缺点,并使用模糊神经网络来进行商业规则数据挖掘。通过建立模糊神经网络对训练好的网络进行剪裁,最后提取模糊商业规则,说明了商业规则数据挖掘的全过程,并对其中重点算法进行了描述和改进。给出的实例证明了该方法的有效性。     

医学专家系统中知识表示、获取和推理的两种方法

文章提出使用模糊数学的方法和基于规则的神经网络的方法来构造一个呼吸道疾病方面的专家系统,包括知识的表示、获取和推理。对模糊数学方法,用模糊集来表示所考虑的症状与所有可能的疾病。医学知识存储在症状与疾病的模糊关系上。推理时使用模糊关系合成的方法。对基于规则的神经网络方法,从规则集中自动构造网络的结构,确定隐层节点数和连接权值。用并行的方法进行推理。     

基于粗糙集模糊神经网络的自适应逆控制

粗糙集和模糊神经网络在智能信息处理方面各有优缺点,若将二者结合起来可增强信息处理的能力.将粗糙集理论中的贪心算法和缺省规则获取算法进行结合改进,并将结合算法应用到补偿模糊神经网络的输入模糊化和规则提取中.最后针对某型火炮伺服系统输出端噪声对重定位的影响,用粗糙集模糊神经网络对受扰对象进行逆建模,并将学习得到的模型作为逆控制系统的控制器来消除扰动,仿真结果表明此种网络在精简决策规则,缩短训练时间,提高误差精度等方面都有显著改善.     

基于模糊网络和粒子群优化的油田指标预测

针对油田开发指标预测问题,提出一种模糊神经网络模型,该模型包括输入层、模糊化层、规则层和输出层。模糊化层采用高斯隶属函数,规则层每个节点对应一条模糊逻辑规则。网络可调参数为模糊集参数和输出层权值。提出了基于改进量子粒子群优化的网络训练方法。以油田开发指标中含水率预测为例,结果表明该方法是有效的可行的。     

基于粗糙集理论的多属性评估方法的研究

传统的模糊综合评价利用模糊数学理论来描述评价过程中涉及的一些模糊因素,取得了一定效果。但这种方法存在如隶属度参数的调整的主观性,网络结构不易确定,模糊规则的选取等问题不易解决。文章提出结合粗糙集理论（RS）和模糊神经网络（FNN）的一种网络评估模型,使得网络的结构容易确定,并利用Rosetta软件轻松提取模糊规则,是一种具有通用性的网络评估模型。