基于神经网络的电力通信网风险评估方法

doi:10.13190/j.jbupt.2014.01.020

北京邮电大学学报 ›› 2014, Vol. 37 ›› Issue (1): 90-93.doi: 10.13190/j.jbupt.2014.01.020

基于神经网络的电力通信网风险评估方法

亓峰¹, 李琪¹, 韩骞¹, 杜益², 邱雪松¹

1. 北京邮电大学网络与交换技术国家重点实验室, 北京 100876;
2. 中国电子系统工程总公司, 北京 100840

收稿日期:2013-04-07 出版日期:2014-02-28 发布日期:2014-01-07
作者简介:亓摇峰（1971—），男，教授；李摇琪（1989—），女，硕士生，E-mail：yukiliqi@bupt.edu.cn.
基金资助:
国家高技术研究发展计划项目（2012AA050801）

A Neural Network Based Method to Assess Electric Power Communication Network Risk

QI Feng¹, LI Qi¹, HAN Qian¹, DU Yi², QIU Xue-song¹

1. State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China;
2. China Electronic Systems Engineering Corporation, Beijing 100840, China

Received:2013-04-07 Online:2014-02-28 Published:2014-01-07

摘要/Abstract

摘要：

提出了一种基于神经网络的电力通信网风险评估算法——基于二分法的学习速率自适应BP（back propagation）神经网络算法. 该算法在网络训练过程中使用二分法调整学习速率，使得学习速率在训练过程中不断向最优化方向自动调整. 仿真结果表明，收敛速度、误差精度和训练时间等算法性能得到了优化.

关键词: BP神经网络, 学习速率, 二分法, 电力通信网, 风险评估

Abstract:

An improved back propagation neural network algorithm based on dichotomy was proposed for assessment of electric power communication network risk. The dichotomy was used to adjust the learning rate in the training process. It helps to change the learning rate automatically to the direction of optimization. Simulation shows that the improved algorithm's performance is optimized, such as convergence rate、error accuracy and training time.

Key words: back propagation neural network, learning rate, dichotomy, electric power communication network, assessment of risk

中图分类号:

TN929.53

亓峰, 李琪, 韩骞, 杜益, 邱雪松. 基于神经网络的电力通信网风险评估方法[J]. 北京邮电大学学报, 2014, 37(1): 90-93.

QI Feng, LI Qi, HAN Qian, DU Yi, QIU Xue-song. A Neural Network Based Method to Assess Electric Power Communication Network Risk[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2014, 37(1): 90-93.

[1]	杨宏宇, 袁海航, 张良. 一种基于主机重要度的网络主机节点风险评估方法[J]. 北京邮电大学学报, 2022, 45(2): 16-21.
[2]	杨宏宇, 张乐, 张良. 一种基于风险传播的信息系统风险评估方法[J]. 北京邮电大学学报, 2021, 44(4): 41-48.
[3]	田心记, 蒋清丽. 下行NOMA系统中最大化能量效率的功率分配方案[J]. 北京邮电大学学报, 2021, 44(1): 38-44.
[4]	齐添添, 陈尧, 何才厚, 龙盛蓉, 李秋锋. 损伤声发射信号小波包神经网络特征识别方法[J]. 北京邮电大学学报, 2021, 44(1): 124-130.
[5]	戴剑勇, 邓先红, 王彬, 汪恒浩. 基于改进萤火虫优化神经网络的WSNs分簇路由协议[J]. 北京邮电大学学报, 2020, 43(3): 131-137.
[6]	卫瑞东, 喻鹏, 高嵩, 赵浦媛, 李文璟. 基于多蚁群算法的电力通信网路由配置机制[J]. 北京邮电大学学报, 2017, 40(s1): 89-92.
[7]	赵健, 王瑞, 李正民, 雷敏, 马敏耀. 物联网系统安全威胁和风险评估[J]. 北京邮电大学学报, 2017, 40(s1): 135-139.
[8]	姚赟政, 杨安, 石志强, 孙利民. 工控设备状态检测中BP神经网络模型的应用[J]. 北京邮电大学学报, 2016, 39(s1): 14-18.
[9]	邢宁哲, 张思东, 李枝灵. 基于粒子群的电力通信网线路优化方法[J]. 北京邮电大学学报, 2016, 39(s1): 59-62.
[10]	雷敏, 刘晓明, 张鸿, 王勉, 杨榆. 面向Web信息系统安全威胁和风险评估分析[J]. 北京邮电大学学报, 2016, 39(s1): 87-93.
[11]	毛杰, 张楷, 刘英挺, 李晨曦, 赵永利. 电力通信网中传输性能损伤评估方案[J]. 北京邮电大学学报, 2015, 38(1): 119-124.
[12]	王开选, 杨峥, 邱雪松. 面向影响分析的电力通信网故障定位算法[J]. 北京邮电大学学报, 2014, 37(s1): 55-59.
[13]	张峰, 付俊, 杨光华, 景奕昕, 唐威. Web访问日志安全分析技术研究[J]. 北京邮电大学学报, 2014, 37(2): 93-98.
[14]	石悦, 郭少勇, 邱雪松. 基于免疫算法的电力通信网线路规划方法[J]. 北京邮电大学学报, 2014, 37(2): 14-17.
[15]	伍春, 江虹, 易克初. 聚类多Agent强化学习认知无线电资源分配[J]. 北京邮电大学学报, 2014, 37(1): 80-84.

基于神经网络的电力通信网风险评估方法

A Neural Network Based Method to Assess Electric Power Communication Network Risk

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价