网络行为审计汇编(三篇)

绪论：一篇引人入胜的网络行为审计，需要建立在充分的资料搜集和文献研究之上。搜杂志网为您汇编了三篇范文，供您参考和学习。

篇1

中图分类号： TN927?34 文献标识码： A 文章编号： 1004?373X（2013）09?0040?03

0 引 言

高功率放大器是卫星通信系统中的重要组成部分，当其工作在饱和区附近时，卫星信道具有严重的非线性。这种非线性对信号的影响主要有两方面[1]：一是信号星座图发生变形，造成码间串扰（ISI）；二是频谱再生，引起邻近信道干扰（ICI）。

随着现代通信技术和多媒体业务的高速发展，大容量高速率的信息传输十分必要，卫星通信也以不可抵挡之势向高速率大容量的方向迅猛发展。由于通信速率和通信带宽的迅猛增加，频谱资源越来越紧张，现代卫星通信更趋向于采用比恒包络调制频谱效率更高的幅度相位联合调制方式，如DVB?S2标准中的APSK等调制方式[2?3]。与传统的相位调制技术相比，APSK信号由于其信号幅度的变化，对卫星信道的非线性失真更加敏感。为保证通信性能，必须对信道的非线性失真进行补偿。

1 高功放的非线性特性及其对系统性能的影响

高功放的工作特性分为线性区和非线性区，当输入信号功率较低时，输出和输入功率关系是线性的；当输入功率较高时，输出和输入功率关系呈现出非线性，当输出功率达到饱和，再增加输入功率，输出功率不会增大还可能会减小。

高功放非线性模型非常多，本文采用经典的Saleh模型，该模型中幅度和相位的输出仅与输入信号的幅度有关。其幅度和相位转移特性曲线如图1所示，当输入信号归一化幅度小于0.6时，幅度转移和相位转移呈现线性，大于0.6时，其转移特性呈现非线性。

图2为16APSK信号经过非线性高功放的收发信号星座图。可以看出，接收信号星座图已经发生严重畸变，外圈星座点半径被压缩，内圈星座点半径扩大，内外圈星座点欧式距离被缩小；星座点相对原来位置发生逆时针旋转；码间串扰很大，星座点扭曲严重。由于高功放非线性效应的影响，在不加补偿的情况下，接收机已经不能正常工作。

2 正交基神经网络

正交基前向神经网络模型如图3所示。该网络模型由输入层、隐藏层和输出层组成。其中输入层、输出层各有一个神经元，使用线性激励函数[f（x）=x]，隐藏层有[n]个神经元，采用一组阶次逐渐增高的正交多项式[φ（x）]作为其激励函数。

传统的神经网络存在收敛速率慢和易陷入局部极小等缺点，文献[4]提出了一种Chebyshev正交基神经网络，该网络的隐藏层神经元采用Chebyshev正交多项式，即文献[4]采用基于伪逆的方法，实现了一步权值直接确定，不需要迭代，具有更高的计算速率和工作精度，同时不存在局部极小的问题。考虑到Chebyshev正交基神经网络的优点，将其应用到卫星非线性信道的补偿技术中。

3 基于正交基神经网络的预失真补偿算法

篇2

1、人工神经网络

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

2、基于人工神经网络的预测模型的构建

在运用ANN预测模型预测这两个指标时，我们采取下面的预测步骤：

（1）首先将1-6月份的数据标准化，及转化为0-1之间的标准化数据；

（2）我们将输入设为1月份、2月份、3月份、4月份的数据，输出设为5月份的数据；

（3）在matlab中调用newff函数，建立一个5个输入节点、10个隐含层节点、一个输出节点的BP神经网络，隐含层和输出层转移函数分别采用tansig（tansig（n） = 2/（1+exp（-2*n））-1）和purelin（y=x），训练函数选择贝叶斯正则化算法trainbr，得到网络仿真数据；

（4）通过得到的网络仿真数据与实际的数据进行比较，我们可以发现该预测模型的精度很高。从而我们可以利用该预测模型预测未来月份的数据，作为决策者进行决策的依据。

3、分规模企业运行态势预测模型

3.1中型企业运行态势预测模型

我们按照上述步骤，得到最终的预测值，如表1所示，可见，预测值与实际值之间相差并不大，误差为0.099973%。

表1运行监测指标按规模（中型）ANN预测模型实际值与预测值对比表

3.2小型企业运行态势预警模型

我们按照上述步骤，得到最终的预测值，如表2所示，可见，预测值与实际值之间相差并不大，误差为0.099974%。

表2运行监测指标按规模（小型）ANN预测模型实际值与预测值对比表

3.3微型企业运行态势预警模型

我们按照上述步骤，得到最终的预测值，如表3所示，可见，预测值与实际值之间相差并不大，误差为0.098246%。

表3 运行监测指标按规模（微型）ANN预测模型实际值与预测值对比表

4、结束语

运行监测指数和信心指数能很好的反映成都市中小企业的发展运营情况，本报告运用人工神经网络这种高精度的预测方法，对这两种指数进行了预测，预测结果精确，经济意义显著。能很好预测未来月份的中小企业的指标值，从而为决策者的决策提供有力的支持和依据。

参考文献：

篇3

⦁精心周密部署，强化组织领导