10.23——10.27《深度自适应》

领域自适应：

多用于文本分类，属于直推式迁移学习，直推式迁移学习定义：给定一个源域和相应的学习任务，一个目标域和相应的学习任务，直推式学习旨在利用源域和目标域中相同的知识来提高目标域中的目标预测函数。

《基于深度学习的体态与手势感知计算关键技术研究》

基于深度学习的肌电手势识别：

并不需要任何附加信息或手工设计的特征提取器，基于高密度肌电信号（HD-sEMG），使用二维阵列电极采集的肌电信号，使得肌肉活动产生的电势场在时间和空间上的变化可被多个紧密分布在皮肤表面的电极同时记录下来。HD-sEMG中的肌电信号描绘了位于电极覆盖区域内的肌肉活动的时空分布，同时HD-sEMG的瞬时值呈现了在特定时间点肌肉活动所涉及的生理过程的相对全局的测量。瞬时HD-sEMG内部可区分出不同手势模式，可以将采集到的HD-Semg描绘出电势在空间的分布，其对应的热度图即为肌电图像，肌电图像中的像素数（分辨率）由其采集设备中的电极阵列决定，即电极的数量及其电极间距离（例如，具有16行8列的电极网格可W采集816像素的肌电图像）。

主要是将原始肌电信号值从（-1，1）映射到（0，255），即，其中x是原始肌电信号，I是肌电图像。构建一个8层CNN结构，网络的前两个卷积层用于提取公共的底层特征，作者发现瞬时肌电图像在不同的空间位置上表现出不同的视觉特征。在不同手势中，肌电图像在中部偏下以及顶部的条状区域上亮度较强，提出在3，4层加入局部连接结构（受人脸识别前沿工作的启发），因为局部连接层在不同空间位置上的卷积模板的权重不共享，可以更好的提取上不同位置的特征。并依据单个窗口内每帧识别出的手势标签中所占比例最高的标签，因为上述实验仅适用于肌电幅值较大的数据进行训练和测试可以获得较高的手势识别准确率，因此需要对肌电信号采用全波整流和低通滤波（全波整流和低通滤波是被广泛采用的肌电信号幅值估计方法），以获取更好的肌电信号。

基于深度领域自适应的肌电手势识别：

当训练集和测试集的肌电信号来自不同的采集会话的情况。因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。因为肌电信号的分布在不同的会话之间变化很大，所以来自不同会话的基于瞬时肌电信号的手势识别可以相应地表示为多源领域自适应问题。

当标定数据未标记时，该论文采用自适应批量归一化（AdaBN, Adaptive Batch Normalization）对手势分类器进行适配。假设用于区分不同手势的知识存储在每个层的权重中，AdaBN不需要适配数据的手势标签，而是随着无标签的适配数据的增加，逐步更新少量的网络参数。给定输入U，BN将其转换为V，其中第i个输入特征的转换公式为：

l在训练阶段，每个BN层对于每个源域的均值统计量和方差统计量是独立计算的。因为训练阶段的BN对每个数据批次独立计算统计量，所以只需要确保每个数据批次中的样本来自同一个会话。

l识别阶段，对于给定的未标记数据A，AdaBN执行正向传播算法，更新参数。

该方法准确率：单幅305%，150毫秒窗口-392%，而另一种算法特征集（150毫秒窗口）和线性判断：341%。

随机选择未标记的测试集的子集（01%，05%，1%，5%，10%）进行深度领域自适应，之后再评测整个测试集上的手势识别的准确率。最后观测到大约5%的适配数据后准确率达到巅峰，适配数据20000帧，在CSL-HDEMG的2048赫兹的采样率下大约10秒。

并且适配算法并不需要观测到所有种类的手势，从27种选择5个和13个进行适配，最终结果分别是313%（732%），346%（814%）另一种方法是肌电地势（sEMG topography），定义为肌电信号在时间上的二维平均强度图，其中每个像素是某个通道的肌电信号在特定时间窗口内的均方根，用于手势识别。

《Revealing Critical

Channels and Frequency Bands for Emotion Recognition from EEG with Deep Belief

Network》

在基于脑电信号的情感识别任务中，多通道脑电信号存在不相关的脑电信号，这不仅会引起噪声，还会降低系统对情感识别能力。该论文提出一种新的深度信念网（DBN）来检查用于情感识别的关键EEG信道和频段。

主要从行为和生理反应进行情感分析，因为EEG与表情手势相比，具有较高的准确性和客观评价性。该论文采用ESI神经扫描系统，从62通道电极帽以采样率为1000Hz记录脑电信号。每个实验有15个测试，每个测试包括15s提示，45s测试及反馈，5s休息。盖论文一共评价了30个实验。

先下采样原始脑电数据到200Hz，之后使用03Hz到50Hz的带通滤波器滤除噪声和伪影，之后采用之前提出的微分熵（differential entropy）特征[1][2]，对于固定长度的脑电信号，微分熵相当于一定频段内的对数能量谱。此前已经证明微分熵在低频和高频能量之间具有识别EEG模式的能力，因此在五个频段计算微分熵特征（δ：1-3Hz，θ：4 – 7Hz，α：8-13Hz，β：14-30Hz，γ：31-50Hz），使用256点的短时傅里叶变换，并将特征归一化到0-1。

利用五个频段的去噪后的62通道的特征作为输入，DBN达到8608%的准确率和834%标准差，本论文通过分析经过训练的DBN的权重分布来检验关键通道和频带，权重对于识别情感模型是很重要的，因为对于学习任务贡献较大的神经元权值将增加，不相关的神经元权值趋于随机分布，图1为权重在第一层神经网络训练后的分布，可以看出主要在beta和gamma波的权重最大，这说明此频带包含更重要的鉴别信息。

  从图2中我们可以看出侧颞区和前额脑区相比其他脑区在beta和gamma频带更容易激活。因此可以得出结论，在识别积极，中性和负面情绪时侧颞叶和前额叶通道是关键通道，beta和gamma是关键频带。

如图3所示，依据脑区中权重分布的特点，设计了四种不同的电极放置剖面，包括4通道，6通道，9通道和12通道，其中4通道的最佳平均精度和标准差为8288%/1092%，而所有62通道的最佳平均精度和标准差为8399%/1092%，这说明四个相对电极阻轮廓（four profiles of relative electrode sets）FT7,T7,FT8,T8是辨别情感特征的电极。

[1]Duan R N, Zhu J Y, Lu B L Differential entropyfeature for EEG-based emotion classification[C]// International Ieee/embsConference on Neural Engineering IEEE, 2013:81-84

[2]Zheng W L, Zhu J Y, Peng Y, et al EEG-based emotionclassification using deep belief networks[C]// IEEE International Conference onMultimedia and Expo IEEE, 2014:1-6

脑电论文（大脑解码：行为，情绪）：

Real-time naive learning of neural correlates in ECoG Electrophysiology

神经实时朴素学习相关的皮层电生理

地址： http://wwwijmlcorg/papers/40-L0174pdf

A Deep Learning Method for Classification of EEG Data Based on MotorImagery

基于运动表象的脑电数据分类的深度学习方法

地址： http://wwwbiospburu/faculty/departments/vnd/pdf/journal%202015/moskvichpdf

Affective state recognition from EEG with deep belief networks

基于深层信念网络的脑电情感状态识别

地址： https://wwwcsebuffaloedu//DBGROUP/bioinformatics/papers/Kang_BIBM_2013pdf

A Novel Semi-Supervised Deep Learning Framework for Affective StateRecognition on EEG Signals

一种用于脑电信号情感状态识别的半监督深度学习框架

地址： https://wwwcsebuffaloedu//DBGROUP/bioinformatics/papers/cameraready_xwjiabibepdf

Revealing critical channels and frequency bands for emotion recognitionfrom EEG with deep belief network

用深层信念网络揭示脑电情感识别的关键通道和频带

地址： http://bcmisjtueducn/~blu/papers/2015/9PDF

EEG-based emotion recognition using deep learning network withprincipal component based covariate shift adaptation

基于深度学习网络的主成分协移自适应的脑电情感识别

地址： http://europepmcorg/backend/ptpmcrenderfcgiaccid=PMC4165739&blobtype=pdf

Classifying EEG recordings of rhythm perception

节律性脑电记录分类

地址： http://wwwterasoftcomtw/conf/ismir2014/proceedings/T117_317_Paperpdf

Using Convolutional Neural Networks to

Recognize Rhythm Stimuli from Electroencephalography Recordings利用卷积神经网络识别脑电记录中的节律刺激

地址： http://wwwiticsuni-magdeburgde/~stober/publ/nips2014pdf

Convolutional neural network with embedded Fourier transform for EEGclassification

基于嵌入傅立叶变换的卷积神经网络在脑电信号分类中的应用

地址： http://pdfssemanticscholarorg/9a19/a59f5e8f3494e97c70eecd06003e5d1f4eb7pdf

Continuous emotion detection using EEG signals and facial expressions

基于脑电信号和表情的连续情绪检测

地址： https://ibugdocicacuk/media/uploads/documents/soleymani-fu-icme14_camera_readypdf

‘Deep Feature Learning for EEG Recordings

脑电记录的深部特征学习

地址： https://wwwresearchgatenet/publication/283986303_Deep_Feature_Learning_for_EEG_Recor

异常分类论文（阿兹海默症，癫痫，睡眠阶段检测）：

Classification of Electrocardiogram Signals with Deep Belief Networks

基于深层信念网络的心电信号分类

http://wwwresearchgatenet/publication/293781533_Classification_of_Electrocardiogram_Signals_with_Deep_Belief_Networks

Modeling electroencephalography waveforms with semi-supervised deepbelief nets: fast classification and anomaly measurement

半监督深信网模拟脑电波形：快速分类和异常测量

http://xueshubaiducom/swd=paperuri%3A%28cae246865d395d67f463268e8079cab4%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fwwwncbinlmnihgov%2Fpmc%2Farticles%2FPMC3193936%2Fpdf%2Fnihms322259pdf&ie=utf-8&sc_us=14353019482626292792

Deep belief networks used on high resolution multichannelelectroencephalography data for seizure detection

用于癫痫检测的基于高分辨率多道脑电图数据的深度信念网

地址： https://wwwknexusresearchcom/wp-content/uploads/2015/07/AAAI_JT_Turnerpdf

Deep Learning in the EEG Diagnosis of Alzheimer’s Disease

深层学习在阿尔茨海默病脑电诊断中的应用

http://vigirmissouriedu/~gdesouza/Research/Conference_CDs/ACCV_2014/pages/workshop3/pdffiles/w3-p7pdf

Sleep stage classification using unsupervised feature learning

基于无监督特征学习的睡眠阶段分类

https://wwwresearchgatenet/publication/235943204_Sleep_Stage_Classification_Using_Unsupervised_Feature_Learning

Classification of patterns of EEG synchronization for seizureprediction

癫痫发作的脑电同步模式分类

地址： http://yannlecuncom/exdb/publis/orig/mirowski-cneuro-09pdf

Recurrent neural network based prediction of epileptic seizures inintra-and extracranial EEG

基于递归神经网络的颅内外脑电癫痫发作预测

EEG-based lapse detection with high temporal resolution

基于脑电信号的高时间分辨率检测

地址：

http://wwwresearchgatenet/profile/Richard_Jones21/publication/3039266_EEG-Based_Lapse_Detection_With_High_Temporal_Resolution/links/5457ab030cf2bccc491112ed

叠加颜色模式来量化其模式的变化，需要它们的结构的同源排列。这种对齐的图像转换可以通过基于地标的转换或图像配准技术获得。

基于地标的转换使用离散的解剖点，这些解剖点在分析中在个体之间是同源的。从一组“源”地标到一组“目标”地标，如仿射变换，包括平移，旋转，缩放和倾斜。此外，通过将转换存储为“薄板的弯曲”，即所谓的薄板样条(TPS)转换，可以解释源和目标地标之间形状的不均匀变化。仿射变换和TPS变换都可以从标志集中计算出来。使用R包提供的实用程序 Morpho 可以实现了这些转换。地标可以使用任意选择的参考样本或从一组样本中获得的平均地标形状进行转换。通过对样品叠加，得到了平均地标形状。

除了基于地标的方法，快速准确的图像配准技术可用于计算转换通过一种基于图像中出现的强度模式或点、线或轮廓等特征的目标图像源。在 NiftyReg 图像配准库中，我们使用了一种计算效率高的基于强度的图像配准技术，并通过 RNiftyReg 包来实现，该方法通过查找两幅图像的子卷之间的对应关系来计算图像的全局变换。采用基于强度的相似性度量方法对对应关系进行评估，并通过最小二乘回归方法计算转换参数。

研究颜色图案的变化需要正确识别颜色边界，patternize提供了使用RGB阈值、k-means聚类或分水岭变换对颜色分布进行分类的功能。

使用RGB阈值可以从图像或感兴趣的特征中提取颜色边界。通过选择指定颜色范围内的像素(指定为RGB值和偏移量)，提供了一种基本的图像分割方法，可以很好地提取不同的颜色模式。此外，对于不同的颜色模式，可以迭代地重新计算RGB值，作为提取的颜色像素的平均值。后一种方法允许从可能在不同光照条件下拍摄的一组图像中提取模式时，可以轻松地组合模式。

该包提出了一种基于k均值聚类的无监督图像分割方法，该算法通过迭代地将图像中的每个像素分配给RGB集群，从而将像素与集群中心之间的距离最小化，从而将像素RGB值分配给k个集群。在每次迭代中，通过对集群中的所有像素进行平均，重新计算集群中心，直到收敛为止。可以使用R包 stats 实现了k-means集群。首先从参考图像中获得聚类，然后作为初始聚类中心对随后分析的图像进行k-均值聚类。这允许程序匹配在不同图像中表示相同颜色模式的集群。对于k-means集群，必须手动定义集群的数量。对于模式边界不那么明显的生物体，最好的方法是测试不同数量的集群，并选择一个最适合为颜色模式分配像素的数字。

分水岭变换是图像分割的有力工具。分水岭的概念是通过计算图像中像素值突变部分的高值梯度图，将图像视为地形图。随后，在梯度映射的基础上通过选择模式和背景标签确定用于分割图像的分水岭线(地形中的山脊)。可以使用使用基于图像处理库 CImg 的R包 imager (Barthelme, 2017)中的实用程序实现分水岭算法。在我们的实现中，通过手动标识至少一个模式和一个背景像素(每个单独的模式和背景元素至少一个)来选择模式和背景标签。此手动分配帮助用户克服图像闪电、眩光或模式与背景RGB值之间的潜在差异。

patternize 的主要功能是从作为栅格对象存储的每个图像生成提取的颜色模式列表。这些提取的图案可以汇总并可视化为热图或用于计算颜色图案的相对面积。为了更好地描述样本间颜色模式的变化，可以采用线性主成分分析(PCA)。对于提取的颜色模式，PCA可以对从每个样本中得到的对齐颜色模式栅格进行二进制表示。在这个矩阵中，样本中具有感兴趣颜色的像素坐标的值为1，而没有颜色的像素坐标的值为0。从颜色的二进制矩阵中得到的方差-协方差矩阵适用于主成分分析，它允许可视化样本组之间或组与组之间颜色模式边界的主要变化，以及沿着主成分(PC)轴预测的颜色模式变化。在预测颜色图案变化的可视化中，正值表示该图案的预测表达量较高，负值表示该图案的缺失。注意，在所有考虑的样本中表示的颜色模式的部分预测值为零，因为这些像素对PCA分析没有贡献方差。

DOI: 101111/2041-210X12853

　　品检的七大手法

　　“七大手法”主要是指企业质量管理中常用的质量管理工具，有“老七种”和“新七种”之分。“老七种”有分层法、调查表、排列法、因果图、直方图、控制图和相关图，新的QC七种工具分别是系统图、关联图、亲和图、矩阵图、箭条图、PDPC法以及矩阵数据分析法等。

　　“老七种”：

　　1、分层法（分类法、分组法）

　　质量问题的原因多方面，来源于不同条件（4M1E）。为真实反映质量问题的实质性原因和变化规律，须将大量综合性统计数据按数据的不同来源（需要进行追溯）进行分类，再进行质量分析的方法。

　　2、调查表

　　用于收集和记录数据的一种表格形式,

　　便于按统一的方式收集数据并进行统计计算和分析

　　3、排列图

　　对发生频次从最高到最低的项目进行排列——简单图示技术。

　　4、直方图

　　直方图也叫质量分布图、矩形图、柱形图、频数图。它是一种用于工序质量控制的质量数据分布图形，是全面质量管理过程中进行质量控制的重要方法之一。直方图适用于对大量计量数值进行整理加工，找出其统计规律，也就是分析数据分布的形态，以便对其整体的分布特征进行推断。

　　5、因果图（Causeand effectdiagram)

　　——石川图、特色要因图、树枝图、鱼刺图

　　以结果为特性，以原因为因素，将原因和结果用箭头联系，表示因果关系。

　　6、控制图

　　也叫质量管理图或监控图。它是通过把质量波动的数据绘制在图上，观察它是否超过控制界限来判断工序质量能否处于稳定状态。这种方法是在1924年由美国的休哈特首创，应用简单、效果较佳、极易掌握，能直接监视控制生产过程，起到保证质量的作用。控制图的一般格式如图8-7所示。

　　7、相关图法

　　相关图法又叫散布图法、简易相关分析法。它是通过运用相关图研究两个质量特性之间的相关关系，来控制影响产品质量中相关因素的一种有效的常用方法。相关图是把两个变量之间的相关关系，用直角坐标系表示的图表，它根据影响质量特性因素的各对数据，用小点表示填列在直角坐标图上，并观察它们之间的关系。

　　“新七种”：

　　1、系统图

　　表示某个质量问题与组成要素之间的关系，从而明确问题的重点，寻求达到目的所应采取的最适当的手段和措施的树状图形(倒立逻辑关系因果图）

　　2、关联图

　　把几个问题及涉及这些问题的关系极为复杂的因素之间的因果关系用箭头连接起来的图形。

　　3、KJ法——亲和图

　　KJ法（川喜田二郎KawakitaJiko）——利用卡片对语言资料进行

　　归纳整理的方法。KJ法的主体方法，把收集到的大量有关特定主题的意见、观点、想法等语言文字资料，按它们相互亲近的程度用图形加以归纳、汇总。

　　4、矩阵图

　　从作为问题的事项中,找出成对的因素群,分别排列成行和列

　　在其交点上表示成对因素间相关程度的图形。

　　方法——多元思考。

　　5、PDPC过程决策程序图

　　在制定计划阶段，进行系统设计时，，事先预测可能发生的障碍

　　（不理想事态或结果），从而设计出一系列对策措施，以最大的

　　可能引向最终目标。

　　6、箭条图

　　箭条图又称为网络计划技术，我国称为统筹法，它是安排和编制最佳日程计划，有效地实施管理进度的一种科学管理方法，其工具是箭条图。

　　所谓箭条图，是把推进计划所必须的各项工作，按其时间顺序和从属关系，用网络形式表示的一种"矢线图"。一项任务或工程，可以分解为许多作业，这些作业在生产工艺和生产组织上相互依赖、相互制约，箭条图可以把各项作业之间的这种依赖和制约关系清晰地表示出来。通过箭条图，能找出影响工程进度的关键和非关键因素，因而能进行统筹协调，合理地利用资源，提高效率与效益。

　　7、矩阵数据分析法

　　矩阵图上各元素间的关系如果能用数据定量化表示，就能更准确地整理和分析结果。这种可以用数据表示的矩阵图法，叫做矩阵数据分析法。在QC新七种工具中，数据矩阵分析法是唯一种利用数据分析问题的方法，但其结果仍要以图形表示。

　　数据矩阵分析法的主要方法为主成分分析法（Principal component analysis），利用此法可从原始数据获得许多有益的情报。主成分分析法是一种将多个变量化为少数综合变量的一种多元统计方法。

　　七大手法的画法

　　其实很简单，任何的手法都是以查检表为基础，也就是要获得第一手资料才可以着手进行柏拉图等一些图表的制作，

　　品管七大手法是常用的统计管理方法，又称为初级统计管理方法。它主要包括控制图、因果图、相关图、排列图、统计分析表、数据分层法、散布图等所谓的QC七工具。运用这些工具，可以从经常变化的生产过程中，系统地收集与产品质量有关的各种数据，并用统计方法对数据进行整理，加工和分析，进而画出各种

　　图表，计算某些数据指标，从中找出质量变化的规律，实现对质量的控制。日本著名的质量管理专家石川馨曾说过，企业内95%的质量管理问题，可通过企业上上下下全体人员活用这QC七工具而得到解决。全面质量管理的推行，也离不开企业各级、各部门人员对这些工具的掌握与灵活应用。

　　1、 统计分析表

　　统计分析表是利用统计表对数据进行整理和初步分析原因的一种工具，其格式可多种多样，这种方法虽然较单，但实用有效。

　　2、 数据分层法

　　数据分层法就是性质相同的，在同一条件下收集的数据归纳在一起，以便进行比较分析。因为在实际生产中，影响质量变动的因素很多如果不把这些困素区别开来，难以得出变化的规律。数据分层可根据实际情况按多种方式进行。例如，按不同时间，不同班次进行分层，按使用设备的种类进行分层，按原材料的进料时间，原材料成分进行分层，按检查手段，使用条件进行分层，按不同缺陷项目进行分层，等等。数据分层法经常与上述的统计分析表结合使用。

　　数据分层法的应用，主要是一种系统概念，即在于要想把相当复杂的资料进行处理，就得懂得如何把这些资料加以有系统有目的加以分门别类的归纳及统计。

　　科学管理强调的是以管理的技法来弥补以往靠经验靠视觉判断的管理的不足。而此管理技法，除了建立正确的理念外，更需要有数据的运用，才有办法进行工作解析及采取正确的措施。

　　如何建立原始的数据及将这些数据依据所需要的目的进行集计，也是诸多品管手法的最基础工作。

　　举个例子：我国航空市场近几年随着开放而竞争日趋激烈，航空公司为了争取市场除了加强各种措施外，也在服务品质方面下功夫。我们也可以经常在航机上看到客户满意度的调查。此调查是通过调查表来进行的。调查表的设计通常分为地面的服务品质及航机上的服务品质。地面又分为订票，候机；航机又分为空服态度，餐饮，卫生等。透过这些调查，将这些数据予以集计，就可得到从何处加强服务品质了。

　　3、排列图（柏拉图）

　　排列图又称为柏拉图，由此图的发明者19世纪意大利经济学家柏拉图（Pareto）的名字而得名。柏拉图最早用排列图分析社会财富分布的状况，他发现当时意大利80%财富集中在20%的人手里，后来人们发现很多场合都服从这一规律，于是称之为Pareto定律。后来美国质量管理专家朱兰博士运用柏拉图的统计图加以延伸将其用于质量管理。排列图是分析和寻找影响质量主原因素的一种工具，其形式用双直角坐标图，左边纵坐标表示频数（如件数 金额等），右边纵坐标表示频率（如百分比表示）。分折线表示累积频率，横坐标表示影响质量的各项因素，按影响程度的大小（即出现频数多少）从左向右排列。通过对排列图的观察分析可抓住影响质量的主原因素。这种方法实际上不仅在质量管理中，在其他许多管理工作中，例如在库存管理中，都有是十分有用的。

　　在质量管理过程中，要解决的问题很多，但往往不知从哪里着手，但事实上大部分的问题，只要能找出几个影响较大的原因，并加以处置及控制，就可解决问题的80%以上。柏拉图是根据归集的数据，以不良原因，不良状况发生的现象，有系统地加以项目别（层别）分类，计算出各项目别所产生的数据（如不良率，损失金额）及所占的比例，再依照大小顺序排列，再加上累积值的图形。

　　在工厂或办公室里，把低效率，缺损，制品不良等损失按其原因别或现象别，也可换算成损失金额的80%以上的项目加以追究处理，这就是所谓的柏拉图分析。

　　柏拉图的使用要以层别法的项目别（现象别）为前提，依经顺位调整过后的统计表才能画制成柏拉图。

　　柏拉图分析的步骤；

　　（1） 将要处置的事，以状况（现象）或原因加以层别。

　　（2） 纵轴虽可以表示件数，但最好以金额表示比较强烈。

　　（3） 决定搜集资料的期间，自何时至何时，作为柏拉图资料的依据，期限间尽可能定期。

　　（4） 各项目依照合半之大小顺位左至右排列在横轴上。

　　（5） 绘上柱状图。

　　（6） 连接累积曲线。

　　柏拉图法（重点管制法），提供了我们在没法面面俱到的状况下，去抓重要的事情，关键的事情，而这些重要的事情又不是靠直觉判断得来的，而是有数据依据的，并用图形来加强表示。也就是层别法提供了统计的基础，柏拉图法则可帮助我们抓住关键性的事情。

　　4、因果分析图

　　因果分析图是以结果作为特性，以原因作为因素，在它们之间用箭头联系表示因果关系。因果分析图是一种充分发动员工动脑筋，查原因，集思广益的好办法，也特别适合于工作小组中实行质量的民主管理。当出现了某种质量问题，未搞清楚原因时，可针对问题发动大家寻找可能的原因，使每个人都畅所欲言，把所有可能的原因都列出来。

　　所谓因果分析图，就是将造成某项结果的众多原因，以系统的方式图解，即以图来表达结果（特性）与原因（因素）之间的关系。其形状像鱼骨，又称鱼骨图。

　　某项结果之形成，必定有原因，应设法利用图解法找出其因。首先提出了这个概念的是日本品管权威石川馨博士，所以特性原因图又称[石川图]。因果分析图，可使用在一般管理及工作改善的各种阶段，特别是树立意识的初期，易于使问题的原因明朗化，从而设计步骤解决问题。

　　（1） 果分析图使用步骤

　　步骤1：集合有关人员。

　　召集与此问题相关的，有经验的人员，人数最好4-10人。

　　步骤2：挂一张大白纸，准备2-3支色笔。

　　步骤3：由集合的人员就影响问题的原因发言，发言内容记入图上，中途不可批评或质问。（脑力激荡 法）

　　步骤4：时间大约1个小时，搜集20-30个原因则可结束。

　　步骤5：就所搜集的原因，何者影响最大，再由大轮流发言，经大家磋商后，认为影响较大予圈上红色 圈。

　　步骤6：与步骤5一样，针对已圈上一个红圈的，若认为最重要的可以再圈上两圈，三圈。

　　步骤7：重新画一张原因图，未上圈的予于去除，圈数愈多的列为最优先处理。

　　因果分析图提供的是抓取重要原因的工具，所以参加的人员应包含对此项工作具有经验者，才易秦效。

　　（2）因果分析图与柏拉图之使用

　　建立柏拉图须先以层别建立要求目的之统计表。建立柏拉图之目的，在于掌握影响全局较大的重要少数项目。再利用特性原因图针对这些项目形成的原因逐予于探讨，并采取改善对策。所以因果分析图可以单独使用，也可连接柏拉图使用。

　　（3） 因果分析图再分析

　　要对问题形成的原因追根究底，才能从根本上解决问题。形成问题之主要原因找出来以后，再以实验设计的方法进行实验分析，拟具体实验方法，找出最佳工作方法，问题也许能得以彻底解决，这是解决问题，更是预防问题。

　　任何一个人，任何一个企业均有它追求的目标，但在追求目标的过程中，总会有许许多多有形与无形的障碍，而这些障碍是什么，这些障碍何于形成，这些障碍如何破解等问题，就是原因分析图法主要的概念。

　　一个管理人员，在他的管理工作范围内所追求的目标，假如加以具体的归纳，我们可得知从项目来说不是很多。然而就每个追求的项目来说，都有会有影响其达成目的的主要原因及次要原因，这些原因就是阻碍你达成工作的变数。

　　如何将追求的项目一一地罗列出来，并将影响每个项目达成的主要原因及次要原因也整理出来，并使用因果分析图来表示，并针对这些原因有计划地加以强化，将会使你的管理工作更加得心应手。

　　同样地，有了这些原因分析图，即使发生问题，在解析问题的过程中，也能更快速，更可靠。

　　5、直方图

　　直方图又称柱状图，它是表示数据变化情况的一种主要工具。用直方图可以将杂乱无章的资料，解析出规则性，比较直观地看出产品质量特性的分布状态，对于资料中心值或分布状况一目了然，便于判断其总体质量分布情况。在制作直方图时，牵涉到一些统计学的概念，首先要对数据进行分组，因此如何合理分组是其中的关键问题。分组通常是按组距相等的原则进行的两个关键数字是分组数和组距。

　　6、散布图

　　散布图又叫相关图，它是将两个可能相关的变量数据用点画在坐标图上，用来表示一组成对的数据之间是否有相关性。这种成对的数据或许是特性一原因，特性一特性，原因一原因的关系。通过对其观察分析，来判断两个变量之间的相关关系。这种问题在实际生产中也是常见的，例如热处理时淬火温度与工件硬度之间的关系，某种元素在材料中的含量与材料强度的关系等。这种关系虽然存在，但又难以用精确的公式或函数关系表示，在这种情况下用相关图来分析就是很方便的。假定有一对变量x 和 y,x 表示某一种影响因素，y 表示某一质量特征值，通过实验或收集到的x 和 y 的数据，可以在坐标图上用点表示出来，根据点的分布特点，就可以判断 x和 y 的相关情况。

　　在我们的生活及工作中，许多现象和原因，有些呈规则的关连，有些呈不规则形有关连。我们要了解它，就可借助散布图统计手法来判断它们之间的相关关系。

　　7、控制图

　　控制图又称为管制图。由美国的贝尔电话实验所的休哈特(WAShewhart)博士在1924年首先提出管制图使用后，管制图就一直成为科学管理的一个重要工具，特别在质量管理方面成了一个不可或缺的管理工具。它是一种有控制界限的图，用来区分引起质量波动的原因是偶然的还是系统的，可以提供系统原因存在的信息，从而判断生产过程是否处于受控状态。控制图按其用途可分为两类，一类是供分析用的控制图，用控制图分析生产过程中有关质量特性值的变化情况，看工序是否处于稳定受控状；再一类是供管理用的控制图，主要用于发现生产过程是否出现了异常情况，以预防产生不合格品。

　　统计管理方法是进行质量控制的有效工具，但在应用中必须注意以下几个问题，否则的话就得不到应有的效果。这些问题主要是：1 ）数据有误。数据有误可能是两种原因造成的，一是人为的使用有误数据，二是由于未真正掌握统计方法；2 ）数据的采集方法不正确。如果抽样方法本身有误则其后的分析方法再正确也是无用的；3） 数据的记录，抄写有误；4 ）异常值的处理。通常在生产过程取得的数据中总是含有一些异常值的，它们会导致分析结果有误。

　　以上概要介绍了七种常用初级统计质量管理七大手法即所谓的“QC七工具”，这些方法集中体现了质量管理的“以事实和数据为基础进行判断和管理”的特点。最后还需指出的是，这些方法看起来都比较简单，但能够在实际工作中正确灵活地应用并不是一件简单的事。

　 网络安全风险与对策1

　摘要：要使网络信息在一个良好的环境中运行，加强网络信息安全至关重要。

　必须全方位解析网络的脆弱性和威胁，才能构建网络的安全措施，确保网络安全。

　本文在介绍网络安全的脆弱性与威胁的基础上，简述了网络安全的技术对策。

　关键词：网络安全 脆弱性 威胁 技术对策

　一、网络安全的脆弱性

　计算机网络尤其是互连网络，由于网络分布的广域性、网络体系结构的开放性、信息资源的共享性和通信信道的共用性，使计算机网络存在很多严重的脆弱性。

　1不设防的网络有许多个漏洞和后门

　系统漏洞为病毒留后门，计算机的多个端口、各种软件，甚至有些安全产品都存在着或多或少的漏洞和后门，安全得不到可靠保证。

　2电磁辐射

　电磁辐射在网络中表现出两方面的脆弱性：一方面，网络周围电子电气设备产生的电磁辐射和试图破坏数据传输而预谋的干扰辐射源;另一方面，网络的终端、打印机或其他电子设备在工作时产生的电磁辐射泄露，可以将这些数据(包括在终端屏幕上显示的数据)接收下来，并且重新恢复。

　4串音干扰

　串音的作用是产生传输噪音，噪音能对网络上传输的信号造成严重的破坏。

　5硬件故障

　硬件故障可造成软件系统中断和通信中断，带来重大损害。

　6软件故障

　通信网络软件包含有大量的管理系统安全的部分，如果这些软件程序受到损害，则该系统就是一个极不安全的网络系统。

　7人为因素

　系统内部人员盗窃机密数据或破坏系统资源，甚至直接破坏网络系统。

　8网络规模

　网络规模越大，其安全的脆弱性越大。

　9网络物理环境

　这种脆弱性来源于自然灾害。

　10通信系统

　一般的通信系统，获得存取权是相对简单的，并且机会总是存在的。

　一旦信息从生成和存储的设备发送出去，它将成为对方分析研究的内容。

　二、网络安全的威胁

　网络所面临的威胁大体可分为两种：一是对网络中信息的威胁;二是对网络中设备的威胁。

　造成这两种威胁的因有很多：有人为和非人为的、恶意的和非恶意的、内部攻击和外部攻击等，归结起来，主要有三种：

　1人为的无意失误

　如操作员安全配置不当造成的安全漏洞，用户安全意识不强，用户口令选择不慎，用户将自己的账号随意转借他人或与别人共享等都会对网络安全带来威胁。

　2人为的恶意攻击

　这是计算机网络所面临的最大威胁，黑客的攻击和计算机犯罪就属于这一类。

　此类攻击又分为以下两种：一种是主动攻击，它是以各种方式有选择地破坏信息的有效性和完整性;另一类是被动攻击，它是在不影响网络正常工作的情况下，进行截获、窃取、破译以获得重要机密信息。

　这两种攻击均可对计算机网络造成极大的危害，并导致机密数据的泄漏。

　3网络软件的漏洞和后门

　网络软件不可能是百分之百的`无缺陷和漏洞的。

　然而，这些漏洞和缺陷恰恰是黑客进行攻击的首选目标，黑客攻入网络内部就是因为安全措施不完善所招致的苦果。

　另外，软件的后门都是软件公司的设计编程人员为了自便而设置的，一般不为外人所知，但一旦后门洞开，其造成的后果将不堪设想。

　三、网络安全的技术对策

　一个不设防的网络，一旦遭到恶意攻击，将意味着一场灾难。

　居安思危、未雨绸缪，克服脆弱、抑制威胁，防患于未然。

　网络安全是对付威胁、克服脆弱性、保护网络资源的所有措施的总和。

　针对来自不同方面的安全威胁，需要采取不同的安全对策。

　从法律、制度、管理和技术上采取综合措施，以便相互补充，达到较好的安全效果。

　技术措施是最直接的屏障，目前常用而有效的网络安全技术对策有如下几种：

　1加密

　加密的主要目的是防止信息的非授权泄露。

　网络加密常用的方法有链路加密、端点加密和节点加密三种。

　链路加密的目的是保护网络节点之间的链路信息安全;端点加密的目的是对源端用户到目的端用户的数据提供保护;节点加密的目的是对源节点到目的节点之间的传输链路提供保护。

　信息加密过程是由形形色色的加密算法来具体实施的，加密算法有许多种，如果按照收发双方密钥是否相同来分类，可分为常规密码算法和公钥密码算法，但在实际应用中人们通常将常规密码算法和公钥密码算法结合在一起使用，这样不仅可以实现加密，还可以实现数字签名、鉴别等功能，有效地对抗截收、非法访问、破坏信息的完整性、冒充、抵赖、重演等威胁。

　因此，密码技术是信息网络安全的核心技术。

　2数字签名

　数字签名机制提供了一种鉴别方法，以解决伪造、抵赖、冒充和篡改等安全问题。

　数字签名采用一种数据交换协议，使得收发数据的双方能够满足两个条件：接受方能够鉴别发送方宣称的身份;发送方以后不能否认他发送过数据这一事实。

　数据签名一般采用不对称加密技术，发送方对整个明文进行加密变换，得到一个值，将其作为签名。

　接收者使用发送者的公开密钥签名进行解密运算，如其结果为明文，则签名有效，证明对方省份是真实的。

　3鉴别

　鉴别的目的是验明用户或信息的正身。

　对实体声称的身份进行唯一地识别，以便验证其访问请求、或保证信息来自或到达指定的源目的。

　鉴别技术可以验证消息的完整性，有效地对抗冒充、非法访问、重演等威胁。

　按照鉴别对象的不同，鉴别技术可以分为消息源鉴别和通信双方相互鉴别。

　鉴别的方法很多;利用鉴别码验证消息的完整性;利用通行字、密钥、访问控制机制等鉴别用户身份，防治冒充、非法访问;当今最佳的鉴别方法是数字签名。

　利用单方数字签名，可实现消息源鉴别，访问身份鉴别、消息完整性鉴别。

　4访问控制

　访问控制是网络安全防范和保护的主要对策，它的目的是防止非法访问，访问控制是采取各种措施保证系统资源不被非法访问和使用。

　一般采用基于资源的集中式控制、基于源和目的地址的过滤管理、以及网络签证技术等技术实现。

　5防火墙

　防火墙技术是建立在现代通信网络技术和信息安全技术基础上的应用性安全技术，越来越多地应用于专用网络与公用网络的互连环境中。

　在大型网络系统与因特网互连的第一道屏障就是防火墙。

　防火墙通过控制和监测网络之间的信息交换和访问行为来实现对网络安全的有效管理，其基本功能为：过滤进、出网络的数据;管理进出网络的访问行为：封堵某些禁止行为;记录通过防火墙的信息内容和活动;对网络攻击进行检测和和告警。

　随着计算机技术和通信技术的发展，计算机网络将日益成为工业、农业和国防等方面的重要信息交换手段，渗透到社会生活的各个领域。

　因此，认清网络的脆弱性和潜在威胁，采取强有力的安全对策，对于保障网络的安全性将变得十分重要。

　参考文献：

　[1]张世永网络安全原理与应用北京：科学出版社，2003

　[2]崔国平国防信息安全战略北京：金城出版社，2000

　 网络安全风险评估的仿真与应用2

　摘 要 伴随着互联网的普及和应用，网络安全问题日益突出，在采用防火墙技术、入侵检测和防御技术、代理技术、信息加密技术、物理防范技术等一系列网络安全防范技术的同时，人们开始采用网络安全风险评估的方法辅助解决网络安全问题。

　为提高网络安全风险评估准确率，本文提出了一种基于支持向量机的评价模型，通过仿真分析，得出采用该模型进行网络安全风险评估具有一定可行性，值得应用。

　关键词 网络安全 安全风险评估 仿真

　当今时代是信息化时代，计算机网络应用已经深入到了社会各个领域，给人们的工作和生活带来了空前便利。

　然而与此同时，网络安全问题也日益突出，如何通过一系列切实有效的安全技术和策略保证网络运行安全已成为我们面临的重要课题。

　网络安全风险评估技术很早前就受到了信息安全领域的关注，但发展至今，该技术尚需要依赖人员能力和经验，缺乏自主性和实效性，评价准确率较低。

　本文主要以支持向量机为基础，构建一个网络安全风险评估模型，将定性分析与定量分析相结合，通过综合数值化分析方法对网络安全风险进行全面评价，以期为网络安全管理提供依据。

　1网络安全风险评估模型的构建

　网络安全风险模型质量好坏直接影响评估结果，本文主要基于支持向量机，结合具有良好泛化能力和学习能力的组合核函数，将信息系统样本各指标特征映射到一个高维特征空间，构成最优分类超平面，构造网络信息安全风险二分类评估模型。

　组合核函数表示为：

　K(x，y)=d1Kpoly(x，y)+d2KRBF(x，y) d1+d2=1

　Kpoly为多项式核函数，KRBF为径向基核函数。

　组合核函数能够突出测试点附近局部信息，也保留了离测试点较远处的全局信息。

　本文主要选用具有良好外推能力的d=2，d=4阶多项式。

　另外一方面，当%l=1时，核函数局部性不强，当%l=05时，核函数则具有较强局部性，所以组合核函数选用支持向量机d=2，%l=05的组合进行测试。

　2仿真研究

　21数据集与实验平台

　构建网络安全风险评估模型前，需要在深入了解并归纳网络安全影响因素的基础上，确定能够反映评估对象安全属性、反映网络应对风险水平的评估指标，根据网络安全三要素，确定资产(通信服务、计算服务、信息和数据、设备和设施)、威胁(信息篡改、信息和资源的破坏、信息盗用和转移、信息泄露、信息丢失、网络服务中断)和脆弱性(威胁模型、设计规范、实现、操作和配置的脆弱性)为网络安全风险评估指标，从网络层、传输层和物理层三方面出发，构建一个完整的网络安全评估指标体系。

　将选取的网络安全风险评价指标划分为可忽略的风险、可接受的风险、边缘风险、不可接受的分享、灾变风险五个等级。

　在此之后，建立网络评估等级，将网络安全风险评估等级定为安全、基本安全、不安全、很不安全四个等级。

　确定评价指标后，构造样本数据集，即训练样本集和测试样本集。

　为验证模型可行性和有效性，基于之前研究中所使用的有效的网络实验环境，构建实验网络，在实验网络中设计网络中各节点的访问控制策略，节点A为外网中的一台PC机，它代表的是目标网络外的访问用户;节点B网络信息服务器，其WWW服务对A开放，Rsh服务可监听本地WWW服务的数据流;节点C为数据库，节点B的WWW服务可向该数据库读写信息;节点D为管理机，可通过Rsh服务和Snmp服务管理节点B;节点E为个人计算机，管理员可向节点C的数据库读写信息。

　22网络安全风险评估模型实现

　将数据分为训练数据和测试数据，如果每一个训练数据可表示为16维的行向量，即：

　Rm=[Am，0，Am，1，Am，2，……Am，15]

　那么，整个网络信息系统安全性能指标矩阵为：

　Rm=[R0，R1，R2，……Rm-1]

　将这M个项目安全性能指标矩阵作为训练数据集，利用训练数据集对二分类评估模型进行训练，作非线性变换使训练数据成为线性可分，通过训练学习，寻找支持向量，构造最优分类超平面，得出模型决策函数，然后设定最小误差精度和最大训练次数，当训练精度小于预定目标误差，或是网络迭代次数达到最大迭代次数，停止训练，保存网络。

　采用主成分析法即“指标数据标准化――计算协方差矩阵――求解特征值和U值――确定主成分”对指标进行降维处理，消除冗余信息，提取较少综合指标尽可能多地将原有指标信息反映出来，提高评价准确率。

　实际操作中可取前5个主成分代表16个指标体系。

　在训练好的模型中输入经过主成分析法处理后的指标值，对待评估的网络进行评估，根据网络输出等级值来判断网络安全分等级。

　23实验结果与分析

　利用训练后的网络对测试样本集进行测试后，得到测试结果。

　结果表明，基于支持向量机的二分类评估模型能正确地对网络的安全等级进行评价，评估准确率高达100%，结果与实际更贴近，评估结果完全可以接受。

　但即便如此，在日常管理中，仍需加强维护，采取适当网络安全技术防范黑客攻击和病毒侵犯，保证网络正常运行。

　3结语

　总之，网络安全风险评估技术是解决网络安全风险问题行之有效的措施之一。

　本文主要提出了一种基于支持向量机的二分类评估模型，通过仿真分析，得到该模型在网络安全风险的量化评估中具有一定可行性和有效性的结论。

　未来，我们还应考虑已有安全措施和安全管理因素等对网络安全的影响，通过利用网络数据，进一步改进评估模型和相关评估方法，以达到完善评估效果的目的。

　参考文献

　[1] 步山岳，张有东计算机安全技[M]高等教育出版社，2005，10

　[2] 张千里网络安全新技术[M]人民邮电出版社，2003

　[3] 冯登国网络安全原理与技术[M]科技出版社，2003，9