本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)算法領(lǐng)域，尤其涉及一種安全應(yīng)急處置評價(jià)體系構(gòu)建方法及系統(tǒng)。
背景技術(shù)：
：在互聯(lián)網(wǎng)發(fā)展的背景下，it大集中轉(zhuǎn)型發(fā)展日益迫切，隨之帶來的可用性，完整性，機(jī)密性風(fēng)險(xiǎn)也日益凸顯，尤其是在重大活動(dòng)期間，安全事件頻發(fā)，安全資產(chǎn)容易遭受黑客入侵、域名劫持、網(wǎng)頁篡改、惡意程序等安全事件，特別是網(wǎng)頁篡改事件，當(dāng)出現(xiàn)不良信息、反動(dòng)標(biāo)語、非法圖片等內(nèi)容時(shí)將帶來嚴(yán)重的社會(huì)影響。各地在應(yīng)對安全事件的應(yīng)急處置過程中，逐步建立起一鍵式應(yīng)急處置平臺，實(shí)現(xiàn)安全事件的一鍵應(yīng)急處置，提升總體安全應(yīng)急響應(yīng)能力，因此如何構(gòu)建一鍵式安全應(yīng)急處置的評價(jià)體系已迫在眉睫。bp神經(jīng)網(wǎng)絡(luò)是一種模仿人類大腦神經(jīng)工作方式的學(xué)習(xí)算法，具有良好的自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶、并行處理和非線性映射的能力。bp神經(jīng)網(wǎng)絡(luò)是一種前饋型誤差修正的人工神經(jīng)網(wǎng)絡(luò)，它通過不斷調(diào)整各個(gè)單元層之間的網(wǎng)絡(luò)權(quán)值和閾值實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。bp神經(jīng)網(wǎng)絡(luò)主要運(yùn)行由信號的正向傳播和誤差的逆向傳播兩個(gè)過程組成，通過不斷地權(quán)重調(diào)整，可以實(shí)現(xiàn)網(wǎng)絡(luò)誤差的不斷縮小。目前的應(yīng)急處置新體系在確定權(quán)重過程中會(huì)受到專家的主觀因素的影響。而bp神經(jīng)網(wǎng)絡(luò)能夠克服上述問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明要解決的技術(shù)問題目的在于提供一種安全應(yīng)急處置評價(jià)體系，用以解決現(xiàn)有安全應(yīng)急處置體系在確定權(quán)重的過程中受主觀因素影響的問題。為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：一種安全應(yīng)急處置評價(jià)體系構(gòu)建方法，包括步驟：s1、建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本；s2、通過bp神經(jīng)網(wǎng)絡(luò)模型確定所述訓(xùn)練樣本的網(wǎng)絡(luò)權(quán)值；s3、將所述測試樣本輸入所述bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果。進(jìn)一步地，所述步驟s2及步驟s3之間還包括步驟：根據(jù)所述網(wǎng)絡(luò)權(quán)值將所述訓(xùn)練樣本的指標(biāo)進(jìn)行重要度排序。進(jìn)一步地，還包括步驟：將結(jié)果未知樣本的指標(biāo)數(shù)據(jù)輸入訓(xùn)練好的所述bp神經(jīng)網(wǎng)絡(luò)模型并對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。進(jìn)一步地，步驟s2具體包括：建立所述bp神經(jīng)網(wǎng)絡(luò)模型；初始化所述bp神經(jīng)網(wǎng)絡(luò)模型的各個(gè)參數(shù)；將所述訓(xùn)練樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型以得到輸出值與實(shí)際值的誤差值；判斷所述誤差值是否大于預(yù)設(shè)閾值，若是，對網(wǎng)絡(luò)權(quán)值進(jìn)行修正；否則，初始化所述bp神經(jīng)網(wǎng)絡(luò)模型的各個(gè)參數(shù)。進(jìn)一步地，所述bp神經(jīng)網(wǎng)絡(luò)模型包括輸入層，隱含層及輸出層，具體算法包括：初始化網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值；取一個(gè)訓(xùn)練樣本輸入所述bp神經(jīng)網(wǎng)絡(luò)模型；計(jì)算所述隱含層節(jié)點(diǎn)輸出、所述輸出層節(jié)點(diǎn)輸出以及所述隱含層及所述輸出層的誤差值；更新網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值；判斷是否取出全部樣本，若否，繼續(xù)取出所述訓(xùn)練樣本；若是，判斷所述誤差值是否小于預(yù)設(shè)閾值，若是，結(jié)束訓(xùn)練，否則，繼續(xù)取出所述訓(xùn)練樣本。一種安全應(yīng)急處置評價(jià)體系構(gòu)建系統(tǒng)，包括：建立模塊，用于建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本；訓(xùn)練模塊，用于通過bp神經(jīng)網(wǎng)絡(luò)模型確定所述訓(xùn)練樣本的網(wǎng)絡(luò)權(quán)值；評價(jià)模塊，用于將所述測試樣本輸入所述bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果。進(jìn)一步地，還包括：排序模塊，用于根據(jù)所述網(wǎng)絡(luò)權(quán)值將所述訓(xùn)練樣本的指標(biāo)進(jìn)行重要度排序。進(jìn)一步地，還包括：預(yù)測模塊，用于將結(jié)果未知樣本的指標(biāo)數(shù)據(jù)輸入訓(xùn)練好的所述bp神經(jīng)網(wǎng)絡(luò)模型并對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。進(jìn)一步地，所述訓(xùn)練模塊包括：建模單元，用于建立所述bp神經(jīng)網(wǎng)絡(luò)模型；第一初始化單元，用于初始化所述bp神經(jīng)網(wǎng)絡(luò)模型的各個(gè)參數(shù)；第一計(jì)算單元，用于將所述訓(xùn)練樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型以得到輸出值與實(shí)際值的誤差值；第一判斷單元，用于判斷所述誤差值是否大于預(yù)設(shè)閾值，若是，對網(wǎng)絡(luò)權(quán)值進(jìn)行修正；否則，初始化所述bp神經(jīng)網(wǎng)絡(luò)模型的各個(gè)參數(shù)。進(jìn)一步地，所述bp神經(jīng)網(wǎng)絡(luò)模型包括輸入層，隱含層及輸出層，具體包括：第二初始化單元，用于初始化網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值；取樣單元，用于取一個(gè)訓(xùn)練樣本輸入所述bp神經(jīng)網(wǎng)絡(luò)模型；第二計(jì)算單元，用于計(jì)算所述隱含層節(jié)點(diǎn)輸出、所述輸出層節(jié)點(diǎn)輸出以及所述隱含層及所述輸出層的誤差值；更新單元，用于更新網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值；第二判斷單元，用于判斷是否取出全部樣本，若否，繼續(xù)取出所述訓(xùn)練樣本；若是，判斷所述誤差值是否小于預(yù)設(shè)閾值，若是，結(jié)束訓(xùn)練，否則，繼續(xù)取出所述訓(xùn)練樣本。本發(fā)明與傳統(tǒng)的技術(shù)相比，有如下優(yōu)點(diǎn)：采用bp神經(jīng)網(wǎng)絡(luò)模型，克服了確定權(quán)重過程中主觀因素的影響，解決了多指標(biāo)變權(quán)的動(dòng)態(tài)求解問題。附圖說明圖1是實(shí)施例一提供的一種安全應(yīng)急處置評價(jià)體系建構(gòu)方法流程圖；圖2是實(shí)施例一提供的一種安全應(yīng)急處置評價(jià)體系建構(gòu)系統(tǒng)結(jié)構(gòu)圖；圖3是實(shí)施例二提供的一種安全應(yīng)急處置評價(jià)體系建構(gòu)方法流程圖；圖4是實(shí)施例二提供的一種安全應(yīng)急處置評價(jià)體系建構(gòu)系統(tǒng)結(jié)構(gòu)圖；圖5是實(shí)施例三提供的一種安全應(yīng)急處置評價(jià)體系建構(gòu)方法流程圖；圖6是實(shí)施例三提供的一種安全應(yīng)急處置評價(jià)體系建構(gòu)系統(tǒng)結(jié)構(gòu)圖；圖7是實(shí)施例四提供的一種bp神經(jīng)網(wǎng)絡(luò)模型的算法流程圖；圖8是實(shí)施例四提供的一種bp神經(jīng)網(wǎng)絡(luò)模型的系統(tǒng)結(jié)構(gòu)圖；圖9是實(shí)施例四提供的人工神經(jīng)元模型結(jié)構(gòu)圖；圖10是實(shí)施例四提供的一種基于bp神經(jīng)網(wǎng)絡(luò)模型的一鍵應(yīng)急效果評價(jià)結(jié)構(gòu)圖。具體實(shí)施方式以下是本發(fā)明的具體實(shí)施例并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進(jìn)一步的描述，但本發(fā)明并不限于這些實(shí)施例。實(shí)施例一本實(shí)施例提供了一種安全應(yīng)急處置評價(jià)體系建構(gòu)方法，如圖1所示，包括步驟：s11：建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本；s12：通過bp神經(jīng)網(wǎng)絡(luò)模型確定訓(xùn)練樣本的網(wǎng)絡(luò)權(quán)值；s13：將測試樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果。本實(shí)施例中，步驟s11為建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本。具體的，通過綜合分析，一級指標(biāo)有四個(gè)，分別為：網(wǎng)頁篡改應(yīng)急u1、域名劫持應(yīng)急u2、入侵攻擊應(yīng)急u3與而異程序應(yīng)急u4。將一級指標(biāo)細(xì)分為二級指標(biāo)，選取其中20個(gè)，分別作為神經(jīng)網(wǎng)絡(luò)的輸入。一級指標(biāo)的樣本選定原則主要基于安全事件發(fā)生概率、影響范圍、應(yīng)急實(shí)現(xiàn)三個(gè)維度。網(wǎng)頁篡改主要通過sql注入、跨站腳本、漏洞利用、系統(tǒng)受控等手段實(shí)現(xiàn)主業(yè)等頁面修改。入侵攻擊主要通過暴力破解、拒絕服務(wù)攻擊等途徑導(dǎo)致系統(tǒng)業(yè)務(wù)受阻等安全事件發(fā)生。域名劫持事件主要由于dns授權(quán)服務(wù)器或者本地dns緩存等遭受入侵導(dǎo)致被劫持行為。惡意程序通常是帶有一段有攻擊或者傳播行為的代碼程序，通過運(yùn)行后會(huì)導(dǎo)致系統(tǒng)受控或者受損，通常表現(xiàn)為木馬、蠕蟲等。上述安全事件的應(yīng)急可通過網(wǎng)絡(luò)層進(jìn)行封堵處置。通過應(yīng)急處置過程的分析，我們進(jìn)一步構(gòu)建各個(gè)場景的二級指標(biāo)，二級指標(biāo)的構(gòu)建主要結(jié)合兩部委及其他網(wǎng)絡(luò)安全主管單位對應(yīng)急處置考核要求選定，分別從處置時(shí)長、接口能力、方案成熟度等方面選取相關(guān)指標(biāo)，能夠真實(shí)反饋一鍵應(yīng)急平臺的應(yīng)用效果及成熟性。根據(jù)一鍵應(yīng)急評價(jià)標(biāo)準(zhǔn)，采用專家打分法依據(jù)百分之原則從u1、u2、u3及u4四個(gè)方面對一鍵應(yīng)急的各個(gè)耳機(jī)指標(biāo)進(jìn)行量化打分。將一鍵應(yīng)急的評價(jià)等級作為神經(jīng)網(wǎng)絡(luò)的輸出，評價(jià)等級由高到低分為5級，即aaaaa(優(yōu)秀)、aaaa(良好)、aaa(中等)、aa(改善)、a(調(diào)整)。采集樣本，將樣本數(shù)據(jù)按照8:2的比例，劃分為訓(xùn)練樣本及測試樣本。首先對樣本的數(shù)據(jù)進(jìn)行預(yù)處理。包括缺失值、異常值處理，數(shù)據(jù)的歸一化處理，將數(shù)據(jù)歸一化到[0,1]區(qū)間。建立了意見應(yīng)急評價(jià)指標(biāo)體系并且對樣本進(jìn)行了采集及預(yù)處理后，建立bp神經(jīng)網(wǎng)絡(luò)模型。本實(shí)施例中，步驟s12為通過bp神經(jīng)網(wǎng)絡(luò)模型確定訓(xùn)練樣本的網(wǎng)絡(luò)權(quán)值。bp神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。bp網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用梯度下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。將訓(xùn)練樣本輸出bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果調(diào)整網(wǎng)絡(luò)權(quán)值，得到一個(gè)穩(wěn)定的權(quán)值。根據(jù)bp神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練調(diào)整網(wǎng)絡(luò)權(quán)值，不會(huì)受到人為的主觀因素影響，評價(jià)更加客觀。本實(shí)施例中，步驟s13為將測試樣本輸出bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果。將測試樣本輸入調(diào)好權(quán)值的bp神經(jīng)網(wǎng)絡(luò)模型，計(jì)算輸出結(jié)果的準(zhǔn)確率，對效果進(jìn)行評價(jià)。模型的輸出結(jié)果記為y，根據(jù)y的不同取值，將樣本劃分到相應(yīng)的等級。如表1所示。表1評價(jià)原則0≤y<0.20.2≤y<0.40.4≤y＜0.60.6≤y<0.80.8≤y≤1a(調(diào)整)aa(改善)aaa(中等)aaaa(良好)aaaaa(優(yōu)秀)通過上述方法，能夠更加客觀地對一鍵式安全應(yīng)急處置體系進(jìn)行評價(jià)，不會(huì)被人為因素影響。本實(shí)施例還提供了一種安全應(yīng)急處置評價(jià)體系建構(gòu)系統(tǒng)，如圖2所示，包括：建立模塊21，用于建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本；訓(xùn)練模塊22，用于通過bp神經(jīng)網(wǎng)絡(luò)模型確定訓(xùn)練樣本的網(wǎng)絡(luò)權(quán)值；評價(jià)模塊23，用于將測試樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果。具體的，建立模塊21中，根據(jù)一鍵應(yīng)急評價(jià)標(biāo)準(zhǔn)，采用專家打分法依據(jù)百分之原則從u1、u2、u3及u4四個(gè)方面對一鍵應(yīng)急的各個(gè)耳機(jī)指標(biāo)進(jìn)行量化打分。將一鍵應(yīng)急的評價(jià)等級作為神經(jīng)網(wǎng)絡(luò)的輸出，評價(jià)等級由高到低分為5級，即aaaaa(優(yōu)秀)、aaaa(良好)、aaa(中等)、aa(改善)、a(調(diào)整)。采集樣本后，將樣本數(shù)據(jù)按照8:2的比例，劃分為訓(xùn)練樣本及測試樣本。首先對樣本的數(shù)據(jù)進(jìn)行預(yù)處理。包括缺失值、異常值處理，數(shù)據(jù)的歸一化處理，將數(shù)據(jù)歸一化到[0,1]區(qū)間。建立了意見應(yīng)急評價(jià)指標(biāo)體系并且對樣本進(jìn)行了采集及預(yù)處理后，建立bp神經(jīng)網(wǎng)絡(luò)模型。訓(xùn)練模塊22中具體用于將訓(xùn)練樣本輸出bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果調(diào)整網(wǎng)絡(luò)權(quán)值，得到一個(gè)穩(wěn)定的權(quán)值。根據(jù)bp神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練調(diào)整網(wǎng)絡(luò)權(quán)值，不會(huì)受到人為的主觀因素影響，評價(jià)更加客觀。評價(jià)模塊23具體用于將測試樣本輸入調(diào)好權(quán)值的bp神經(jīng)網(wǎng)絡(luò)模型，計(jì)算輸出結(jié)果的準(zhǔn)確率，對效果進(jìn)行評價(jià)。根據(jù)bp神經(jīng)網(wǎng)絡(luò)模型來確定權(quán)值，更加客觀，不受主管因素影響。評價(jià)更加的客觀。實(shí)施例二本實(shí)施例提供了一種安全應(yīng)急處置評價(jià)體系構(gòu)建方法，如圖3所示，包括步驟：s31：建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本；s32：通過bp神經(jīng)網(wǎng)絡(luò)模型確定訓(xùn)練樣本的網(wǎng)絡(luò)權(quán)值；s33：根據(jù)網(wǎng)絡(luò)權(quán)值將訓(xùn)練樣本的指標(biāo)進(jìn)行重要度排序；s34：將測試樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果；s35：將結(jié)果未知樣本的指標(biāo)數(shù)據(jù)輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型并對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。本實(shí)施例與實(shí)施例一不同之處在于，還包括步驟s33及步驟s35。步驟s33是根據(jù)網(wǎng)絡(luò)權(quán)值將訓(xùn)練樣本的指標(biāo)進(jìn)行重要度排序。具體的，通過bp神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后，網(wǎng)絡(luò)的權(quán)重反映了評價(jià)指標(biāo)的重要度信息，權(quán)重的大小與指標(biāo)的重要度成正比，可以進(jìn)一步得到影響一鍵應(yīng)急效果的關(guān)鍵指標(biāo)。步驟s35是將結(jié)果未知的指標(biāo)數(shù)據(jù)輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型并對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。具體的，對于結(jié)果未知的實(shí)例，將實(shí)例的各個(gè)指標(biāo)數(shù)據(jù)帶入訓(xùn)練好的模型，對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。由于神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)能力，可以不斷地將新的樣本加入模型進(jìn)行訓(xùn)練，不斷提高模型的概括能力和預(yù)測準(zhǔn)確率。本實(shí)施例還提供了一種安全應(yīng)急處置評價(jià)體系構(gòu)建系統(tǒng)，如圖4所示，包括：建立模塊41，用于建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本；訓(xùn)練模塊42，用于通過bp神經(jīng)網(wǎng)絡(luò)模型確定訓(xùn)練樣本的網(wǎng)絡(luò)權(quán)值；排序模塊43，用于根據(jù)網(wǎng)絡(luò)權(quán)值將訓(xùn)練樣本的指標(biāo)進(jìn)行重要度排序；評價(jià)模塊44，用于將測試樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果；預(yù)測模塊45，用于將結(jié)果未知樣本的指標(biāo)數(shù)據(jù)輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型并對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。本實(shí)施例與實(shí)施例一不同之處在于，還包括排序模塊43及預(yù)測模塊45。排序模塊43具體用于在bp神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后，網(wǎng)絡(luò)的權(quán)重反映了評價(jià)指標(biāo)的重要度信息，權(quán)重的大小與指標(biāo)的重要度成正比，可以進(jìn)一步得到影響一鍵應(yīng)急效果的關(guān)鍵指標(biāo)。預(yù)測模塊45具體用于將結(jié)果未知的實(shí)例的各個(gè)指標(biāo)數(shù)據(jù)帶入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型，對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。不斷地將新的樣本加入模型進(jìn)行訓(xùn)練，不斷提高模型的概括能力和預(yù)測準(zhǔn)確率。實(shí)施例三本實(shí)施例提供了一種安全應(yīng)急處置評價(jià)體系建構(gòu)方法，如圖5所示，包括步驟：s51：建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本；s52：建立bp神經(jīng)網(wǎng)絡(luò)模型；s53：初始化bp神經(jīng)網(wǎng)絡(luò)模型的各個(gè)參數(shù)；s54：將訓(xùn)練樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型以得到輸出值與實(shí)際值的誤差值；s55：判斷誤差值是否大于預(yù)設(shè)閾值，若是，對網(wǎng)絡(luò)權(quán)值進(jìn)行修正；否則，初始化bp神經(jīng)網(wǎng)絡(luò)模型的各個(gè)參數(shù)；s56：根據(jù)網(wǎng)絡(luò)權(quán)值將訓(xùn)練樣本的指標(biāo)進(jìn)行重要度排序；s57：將測試樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果；s58：將結(jié)果未知樣本的指標(biāo)數(shù)據(jù)輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型并對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。與實(shí)施例一、二不同之處在于，步驟s12具體包括步驟s52至步驟s55。具體的，以20個(gè)二級指標(biāo)為例，bp神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)為20×32×1，即有20個(gè)輸出節(jié)點(diǎn)數(shù)、32個(gè)隱含層節(jié)點(diǎn)數(shù)與1個(gè)輸出節(jié)點(diǎn)數(shù)。隱含層節(jié)點(diǎn)數(shù)s的計(jì)算公式為m為輸出層節(jié)點(diǎn)數(shù)，n為輸出層節(jié)點(diǎn)數(shù)。先初始化神經(jīng)網(wǎng)絡(luò)各個(gè)參數(shù)。例如，設(shè)置沖量項(xiàng)α＝0.9，學(xué)習(xí)速率η＝0.01，初始化各個(gè)網(wǎng)絡(luò)權(quán)值和輸出節(jié)點(diǎn)的偏差，初始默認(rèn)-0.5～0.5之間的隨機(jī)數(shù)。再進(jìn)行正向傳播，將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)模型，輸出評價(jià)得分。計(jì)算bp神經(jīng)網(wǎng)絡(luò)模型的輸出值與實(shí)際值的誤差ε。如果誤差ε大于預(yù)定的熵值，需要進(jìn)行反向傳播，對網(wǎng)絡(luò)權(quán)值進(jìn)行修正。經(jīng)過多次迭代誤差ε達(dá)到預(yù)定要求，網(wǎng)絡(luò)權(quán)值穩(wěn)定不變。本實(shí)施例還提供了一種安全應(yīng)急處置評價(jià)體系建構(gòu)系統(tǒng)，如圖6所示，包括：建立模塊61，用于建立一鍵應(yīng)急評價(jià)指標(biāo)體系并采集訓(xùn)練樣本及測試樣本；訓(xùn)練模塊62，用于通過bp神經(jīng)網(wǎng)絡(luò)模型確定訓(xùn)練樣本的網(wǎng)絡(luò)權(quán)值；排序模塊63，用于根據(jù)網(wǎng)絡(luò)權(quán)值將訓(xùn)練樣本的指標(biāo)進(jìn)行重要度排序；評價(jià)模塊64，用于將測試樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型并計(jì)算輸出結(jié)果的準(zhǔn)確率以評價(jià)一鍵應(yīng)急的效果；預(yù)測模塊65，用于將結(jié)果未知樣本的指標(biāo)數(shù)據(jù)輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型并對預(yù)測效果進(jìn)行預(yù)測和評價(jià)。與實(shí)施例一、二不同之處在于，訓(xùn)練模塊62包括：建模單元62a，用于建立bp神經(jīng)網(wǎng)絡(luò)模型；第一初始化單元62b，用于初始化bp神經(jīng)網(wǎng)絡(luò)模型的各個(gè)參數(shù)；第一計(jì)算單元62c，用于將訓(xùn)練樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型以得到輸出值與實(shí)際值的誤差值；第一判斷單元62d，用于判斷誤差值是否大于預(yù)設(shè)閾值，若是，對網(wǎng)絡(luò)權(quán)值進(jìn)行修正；否則，初始化bp神經(jīng)網(wǎng)絡(luò)模型的各大參數(shù)。具體的，建立bp神經(jīng)網(wǎng)絡(luò)模型，先初始化神經(jīng)網(wǎng)絡(luò)各個(gè)參數(shù)。再進(jìn)行正向傳播，將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)模型，輸出評價(jià)得分。計(jì)算bp神經(jīng)網(wǎng)絡(luò)模型的輸出值與實(shí)際值的誤差ε。如果誤差ε大于預(yù)定的熵值，需要進(jìn)行反向傳播，對網(wǎng)絡(luò)權(quán)值進(jìn)行修正。經(jīng)過多次迭代誤差ε達(dá)到預(yù)定要求，網(wǎng)絡(luò)權(quán)值穩(wěn)定不變。實(shí)施例四本實(shí)施例提供了一種bp神經(jīng)網(wǎng)絡(luò)模型的算法，如圖7所示，包括步驟：s71：初始化網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值；s72：取一個(gè)訓(xùn)練樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型；s73：計(jì)算隱含層節(jié)點(diǎn)輸出、輸出層節(jié)點(diǎn)輸出以及隱含層及輸出層的誤差值；s74：更新網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值；s75：判斷是否取出全部樣本，若否，繼續(xù)取出訓(xùn)練樣本；若是，判斷誤差值是否小于預(yù)設(shè)閾值，若是，結(jié)束訓(xùn)練，否則，繼續(xù)取出訓(xùn)練樣本。bp神經(jīng)網(wǎng)絡(luò)是一種前饋型誤差修正的人工神經(jīng)網(wǎng)絡(luò)，它通過不斷調(diào)整各個(gè)單元層之間的網(wǎng)絡(luò)權(quán)值和閾值實(shí)現(xiàn)網(wǎng)絡(luò)的訓(xùn)練。bp神經(jīng)網(wǎng)絡(luò)主要運(yùn)行由信號的正向傳播和誤差的逆向傳播兩個(gè)過程組成，通過不斷地權(quán)重調(diào)整，可以實(shí)現(xiàn)網(wǎng)絡(luò)誤差的不斷縮小。其中，人工神經(jīng)元有三個(gè)部分組成，如圖9所示：一組連接線。分別來自各個(gè)輸出xi(或者叫做突觸)，每條連接線上的權(quán)重為wki。第一個(gè)下標(biāo)是指當(dāng)前的神經(jīng)元，第二個(gè)下標(biāo)是指權(quán)重所指向的突觸的輸入。加法器。將輸入信號xi與對應(yīng)的突觸權(quán)重wki相乘后進(jìn)行累加，建立一個(gè)線性加法器。激活函數(shù)f。限制神經(jīng)元輸出值yk的幅度。神經(jīng)元模型還包括一個(gè)外部的偏差，用bk來表示。bp神經(jīng)網(wǎng)絡(luò)模型是由一個(gè)輸入層、一個(gè)或多個(gè)隱含層和一個(gè)輸出層構(gòu)成。這里選擇一個(gè)隱含層。bp神經(jīng)網(wǎng)絡(luò)算法的過程可以分為兩個(gè)階段：第一階段是由輸入層開始逐層計(jì)算各層神經(jīng)元的輸入和輸出，直到輸出層為止。第二階段是由輸出層開始逐層計(jì)算各層神經(jīng)元的輸出誤差，并根據(jù)誤差梯度下降原則來調(diào)節(jié)各層的連接權(quán)值和節(jié)點(diǎn)閾值，使修改后的網(wǎng)絡(luò)的最終輸出能接近期望值。如果一次訓(xùn)練以后還達(dá)不到精度要求，可以重復(fù)訓(xùn)練，直到滿足訓(xùn)練精度為止。圖10是一種基于bp神經(jīng)網(wǎng)絡(luò)的一鍵應(yīng)急效果評價(jià)結(jié)構(gòu)圖。如圖10所示，設(shè)輸入向量x＝(x1，x2，…，xm)t，即為各評價(jià)指標(biāo)值，隱含層輸出向量h＝(h1，h2，…，hl)t，y為網(wǎng)絡(luò)的實(shí)際輸出，即為效果評價(jià)值。輸入層節(jié)點(diǎn)i到隱含層節(jié)點(diǎn)j的權(quán)值為wij，隱含層節(jié)點(diǎn)到輸出層節(jié)點(diǎn)的權(quán)值為vj，θj與φ分別表示隱含層和輸出層的閾值。則其中，f(x)為激活函數(shù)，這里激活函數(shù)選定為sigmoid函數(shù)，即sigmoid函數(shù)將變量映射到0，1之間。本實(shí)施例中，計(jì)算網(wǎng)絡(luò)實(shí)際輸出與理想輸出的誤差具體為：在t時(shí)刻，將網(wǎng)絡(luò)的實(shí)際輸出yi(t)與樣本給出的目標(biāo)輸出di(t)進(jìn)行比較，輸出產(chǎn)生的誤差εi(t)定義如下：εi(t)＝di(t)-yi(t)所產(chǎn)生的誤差信號驅(qū)動(dòng)了對學(xué)習(xí)算法的控制，其目的是對神經(jīng)元的輸入權(quán)重進(jìn)行一系列校準(zhǔn)調(diào)節(jié)，校準(zhǔn)調(diào)整的目的是通過一步步的迭代，使輸出信號yi(t)越來越接近目標(biāo)輸出di(t)，該目標(biāo)可以通過成本函數(shù)e(t)最小化來實(shí)現(xiàn)。本實(shí)施例中，計(jì)算網(wǎng)絡(luò)權(quán)值的調(diào)整量具體為：權(quán)重的調(diào)整幅度為：δwij(t)＝η·εi(t)xi(t)δvj(t)＝η·εi(t)hj(t)其中η是一個(gè)數(shù)值為正的常量，代表學(xué)習(xí)率。調(diào)整后的權(quán)重為：wij(t+1)＝αwij(t)+δwij(t)vj(t+1)＝αvj(t)+δvj(t)其中，α為沖量項(xiàng)，δwij(t)為由輸入層到隱含層的權(quán)值調(diào)整幅度，δvj(t)為由隱含層到輸出層的權(quán)值調(diào)整幅度。更新網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值之后，判斷是否取出全部的樣本，若樣本還未取完，則繼續(xù)訓(xùn)練樣本。若已經(jīng)取完樣本，需判斷誤差值是否小于預(yù)設(shè)閾值，若是，結(jié)束訓(xùn)練，否則，繼續(xù)取出訓(xùn)練樣本。只有當(dāng)誤差值小于預(yù)設(shè)閾值，才能保證系統(tǒng)權(quán)值的穩(wěn)定與合理性。本實(shí)施例還提供了一種bp神經(jīng)網(wǎng)絡(luò)模型的系統(tǒng)，包括輸入層，隱含層及輸出層，如圖8所示，具體包括：第二初始化單元81，用于初始化網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值；取樣單元82，用于取一個(gè)訓(xùn)練樣本輸入bp神經(jīng)網(wǎng)絡(luò)模型；第二計(jì)算單元83，用于計(jì)算隱含層節(jié)點(diǎn)輸出、輸出層節(jié)點(diǎn)輸出以及隱含層及輸出層的誤差值；更新單元84，用于更新網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值；第二判斷單元85，用于判斷是否取出全部樣本，若否，繼續(xù)取出訓(xùn)練樣本，若是，判斷誤差值是否小于預(yù)設(shè)閾值；若是，結(jié)束訓(xùn)練，否則，繼續(xù)取出訓(xùn)練樣本。bp神經(jīng)網(wǎng)絡(luò)包括輸入層，隱含層和輸出層。具體的，先取一個(gè)樣本，計(jì)算樣本的隱含層節(jié)點(diǎn)及輸出層節(jié)點(diǎn)輸出以及隱含層及輸出層的誤差。根據(jù)誤差更新連接權(quán)值和節(jié)點(diǎn)閾值。更新網(wǎng)絡(luò)連接權(quán)值及節(jié)點(diǎn)閾值之后，判斷是否取出全部的樣本，若樣本還未取完，則繼續(xù)訓(xùn)練樣本。若已經(jīng)取完樣本，需判斷誤差值是否小于預(yù)設(shè)閾值，若是，結(jié)束訓(xùn)練，否則，繼續(xù)取出訓(xùn)練樣本。只有當(dāng)誤差值小于預(yù)設(shè)閾值，才能保證系統(tǒng)權(quán)值的穩(wěn)定與合理性。通過各單元的判斷，不斷調(diào)整權(quán)值，最后得到穩(wěn)定的權(quán)值。提高了評價(jià)體系的權(quán)威性。本文中所描述的具體實(shí)施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬
技術(shù)領(lǐng)域：
的技術(shù)人員可以對所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。當(dāng)前第1頁12