基于SIPI算法的成本風(fēng)險(xiǎn)監(jiān)控模型研究

摘要：本文借鑒Sipi算法在無線網(wǎng)絡(luò)中入侵防范的智能化模型的成功應(yīng)用，探討建立一種企業(yè)或行業(yè)根據(jù)在過往經(jīng)驗(yàn)數(shù)據(jù)上建立能夠自動檢測、監(jiān)控風(fēng)險(xiǎn)因素和預(yù)測風(fēng)險(xiǎn)，實(shí)現(xiàn)風(fēng)險(xiǎn)自動監(jiān)控的模型。該模型使企業(yè)經(jīng)營者能夠在生產(chǎn)過程中及早感知風(fēng)險(xiǎn)，并采取相應(yīng)防范措施以達(dá)到降低損失、規(guī)避風(fēng)險(xiǎn)的目的。

關(guān)鍵字：SIPI模型；風(fēng)險(xiǎn)監(jiān)控；RBF神經(jīng)元網(wǎng)絡(luò)；分類；風(fēng)險(xiǎn)識別；徑向基函數(shù)

引言

2008年金融風(fēng)暴以后，全球進(jìn)入持續(xù)的經(jīng)濟(jì)低迷，我國剛剛發(fā)展起來的眾多的中小民營企業(yè)在生產(chǎn)、經(jīng)營風(fēng)險(xiǎn)中抗風(fēng)險(xiǎn)能力的脆弱暴露無遺，紛紛倒閉，東部地區(qū)繁榮的經(jīng)濟(jì)形勢受到重創(chuàng)。除了全球危機(jī)、過度依賴出口等多種經(jīng)濟(jì)模式等特定原因之外，企業(yè)如果能夠在生產(chǎn)過程中及時(shí)感知風(fēng)險(xiǎn)因素，調(diào)整生產(chǎn)、管理，消除隱患，或者能夠在最早的時(shí)間內(nèi)預(yù)知風(fēng)險(xiǎn)，及時(shí)采取防范措施是降低損失、規(guī)避風(fēng)險(xiǎn)的一種方法。

在企業(yè)經(jīng)營過程中能夠?qū)е缕髽I(yè)經(jīng)營風(fēng)險(xiǎn)的因素很多，如新技術(shù)采用、貨幣升值、原材料、人力資源等，這些因素中哪些具有高權(quán)重或者產(chǎn)生的原因都不是本文討論的范疇，本文的目的主要討論在經(jīng)營者的風(fēng)險(xiǎn)控制的經(jīng)驗(yàn)上，能夠根據(jù)自動檢測的數(shù)據(jù)將人力所不能及的信息分揀出來，自動監(jiān)控風(fēng)險(xiǎn)因素的產(chǎn)生、預(yù)測風(fēng)險(xiǎn)的可能性，實(shí)現(xiàn)風(fēng)險(xiǎn)的自動監(jiān)控。本文討論的就是一種能夠在根據(jù)經(jīng)驗(yàn)提供的基礎(chǔ)數(shù)據(jù)上利用sipi算法建立一個自動計(jì)算、能夠根據(jù)監(jiān)控信息識別可能導(dǎo)致經(jīng)營風(fēng)險(xiǎn)的因素，對經(jīng)營者提出警示的一種風(fēng)險(xiǎn)監(jiān)控模型。

（1）（企業(yè)）生產(chǎn)風(fēng)險(xiǎn)監(jiān)控模型的研究現(xiàn)狀

企業(yè)或者工程項(xiàng)目的盈利或者安全實(shí)施是衡量一個企業(yè)或者項(xiàng)目最基礎(chǔ)的指標(biāo)，這表明企業(yè)營運(yùn)、項(xiàng)目實(shí)施中無時(shí)無刻不存在各種已知或者未知的風(fēng)險(xiǎn)，對于可能存在的風(fēng)險(xiǎn)，人們是可以通過應(yīng)急方式提前準(zhǔn)備，清除風(fēng)險(xiǎn)點(diǎn)，掃除風(fēng)險(xiǎn)；未知風(fēng)險(xiǎn)是風(fēng)險(xiǎn)中最為危險(xiǎn)的因素，因?yàn)槲粗圆豢煞婪?，但是任何風(fēng)險(xiǎn)的產(chǎn)生都不是突變，它一定有一個前兆或者變化過程，利用這樣的特點(diǎn)，人們想到了風(fēng)險(xiǎn)監(jiān)控，設(shè)置監(jiān)控點(diǎn)，采集監(jiān)控信息，對當(dāng)前風(fēng)險(xiǎn)報(bào)警，對未來風(fēng)險(xiǎn)預(yù)測。

風(fēng)險(xiǎn)監(jiān)控方法的研究在國外起源很早，智能化的研究也在上世紀(jì)80年代就開始了，提出了很多風(fēng)險(xiǎn)預(yù)測理論，如風(fēng)險(xiǎn)因素的靜態(tài)和動態(tài)統(tǒng)計(jì)模型，分析風(fēng)險(xiǎn)因素；自組織臨界性理論，以系統(tǒng)狀態(tài)的演化臨界態(tài)作為分析依據(jù)，監(jiān)控量變到質(zhì)變的過程；熵權(quán)分析法，利用多變量對過程的影響度進(jìn)行分級、分層分析等；研究成果在一些行業(yè)也有著成功的應(yīng)用案例，如美國普渡大學(xué)的無源數(shù)據(jù)獲取系統(tǒng)、聯(lián)合國糧農(nóng)組織的全球農(nóng)業(yè)信息和糧食安全預(yù)警系統(tǒng)。

我國在上世紀(jì)側(cè)重于風(fēng)險(xiǎn)因素的提取算法研究，注重?cái)?shù)學(xué)層面的探討，提出了熵理論、極大熵聚類算法等多種理論算法，和多種靜態(tài)風(fēng)險(xiǎn)分析模型、動態(tài)風(fēng)險(xiǎn)分析模型的改進(jìn)模型。21世紀(jì)開始了風(fēng)險(xiǎn)監(jiān)控的應(yīng)用研究，比如十一五中在山東開展的“糧食生產(chǎn)風(fēng)險(xiǎn)智能分析與預(yù)警關(guān)鍵技術(shù)集成研究與示范”、佘廉與邱云來研究的基于現(xiàn)金流的財(cái)務(wù)預(yù)警機(jī)制、姜金貴和梁靜同利用小波神經(jīng)網(wǎng)對上市公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行實(shí)證研究、蔡若對企業(yè)現(xiàn)金流轉(zhuǎn)影響因素的研究等，特別是在財(cái)務(wù)風(fēng)險(xiǎn)、金融風(fēng)險(xiǎn)的理論分析上有較深入的研究，在精確農(nóng)業(yè)、金融、電力、氣象等行業(yè)也有了應(yīng)用實(shí)證等研究成果。

風(fēng)險(xiǎn)因素具有動態(tài)特征和潛伏性。風(fēng)險(xiǎn)研究的目的在于防患于未然，應(yīng)該有一個能夠時(shí)刻監(jiān)控風(fēng)險(xiǎn)的智能化系統(tǒng)，幫助或者協(xié)助消除風(fēng)險(xiǎn)，保障企業(yè)安全運(yùn)營。在國內(nèi)外所有的研究中，智能化風(fēng)險(xiǎn)監(jiān)控是主要的研究方向，其中尤其是神經(jīng)網(wǎng)絡(luò)的智能化應(yīng)用成果最為顯著，是機(jī)會與挑戰(zhàn)并存的領(lǐng)域。Sipi算法是用于在無線網(wǎng)絡(luò)中入侵防范的智能化模型，在無線通訊系統(tǒng)中有過很成功的應(yīng)用，它本身固有的特性很適合用于風(fēng)險(xiǎn)監(jiān)控。

（2）Sipi算法及特點(diǎn)【1】【2】【3】

SIPI（System to Identify Probable Impostors）算法是指是無線自組網(wǎng)絡(luò)中防范入侵的一種安全算法，屬于移動通信安全策略，它通過建立一個RBF神經(jīng)元網(wǎng)絡(luò)【8】和一個存儲基礎(chǔ)數(shù)據(jù)、知識規(guī)則的基礎(chǔ)文件，對輸入系統(tǒng)的信息（信號、感知元）進(jìn)行計(jì)算，根據(jù)知識規(guī)則識別危險(xiǎn)信息，根據(jù)預(yù)定的處理規(guī)則處理信息。RBF神經(jīng)網(wǎng)絡(luò)有三層，第一位輸入層，是信息獲取的主要途徑；第二是隱蔽層，由高斯徑向函數(shù)構(gòu)成，完成利用知識規(guī)則的輸入信息響應(yīng)、計(jì)算；第三層利用核心類的徑向函數(shù)構(gòu)造一個輸出結(jié)點(diǎn)的線性組合，完成輸出。

RBF核心技術(shù)徑向基函數(shù)網(wǎng)絡(luò)。徑向基函數(shù)（RBF）是一種沿徑向?qū)ΨQ的標(biāo)量函數(shù)，一般采用歐式距離，常用的是高斯RBF，在SIPI中采用的高斯函數(shù)為：

F（x-c）=

其中x為輸入感應(yīng)元，c為分類函數(shù)的中心點(diǎn)，k為感應(yīng)元與中心點(diǎn)的距離， 為感應(yīng)元與中心點(diǎn)的轉(zhuǎn)置矩陣， 為感應(yīng)元與中心點(diǎn)矩陣的逆【1】。

中心點(diǎn)表示了SIPI系統(tǒng)信息處理的類別的主要特征，每個類別對應(yīng)了不同信息的處理方式，這些類別既可以表明正常信息，也可表明風(fēng)險(xiǎn)信息。中心點(diǎn)的產(chǎn)生采用勞埃德算法探索完成或者采用臨近算法實(shí)現(xiàn)分類。臨近算法除了能夠?qū)崿F(xiàn)樣本分類以外，還可以將不同距離的中心點(diǎn)對該輸入數(shù)據(jù)產(chǎn)生的影響給予不同的權(quán)值（weight），使權(quán)值與距離成正比，評估輸入信息的風(fēng)險(xiǎn)等級。初始數(shù)據(jù)是分類的基礎(chǔ)，初始數(shù)據(jù)的量和質(zhì)都對初始分類、中心點(diǎn)的計(jì)算有著重要的影響，但是RBF神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性和自學(xué)能力，可以在運(yùn)行中調(diào)整規(guī)則、補(bǔ)充知識，豐富基礎(chǔ)文件的內(nèi)容因此它的風(fēng)險(xiǎn)識別能力隨著運(yùn)行的進(jìn)行可靠性會逐漸提高。

Sipi算法主要目的實(shí)現(xiàn)對輸入數(shù)據(jù)（即感應(yīng)元）進(jìn)行分類，識別出危險(xiǎn)因素，危險(xiǎn)因素由知識規(guī)則決定，它在基礎(chǔ)文件中。徑向基函數(shù)利用感應(yīng)元與類中心元的相似度決定感應(yīng)元的歸宿，完成感應(yīng)元分類；中心元可以通過基礎(chǔ)數(shù)據(jù)和訓(xùn)練數(shù)據(jù)，根據(jù)法則進(jìn)行自動生成或者由建模者自動制定。中心元的數(shù)量代表分類數(shù)量，既包括合理因素也包括危險(xiǎn)因素，可以是單一特征，也可以用矩陣表示多維特征。SIPI策略利用徑向基函數(shù)可以構(gòu)造一個基于RBF神經(jīng)網(wǎng)絡(luò)的預(yù)警模型，分類輸出結(jié)果在危險(xiǎn)類中，則對用戶報(bào)警。報(bào)警的目的在于危險(xiǎn)警示和信息反饋，如果報(bào)警出錯，則調(diào)整中心規(guī)則和處理知識規(guī)則；報(bào)警成功，則強(qiáng)化危險(xiǎn)特征，優(yōu)化系統(tǒng)效率。

（3）Sipi算法在生產(chǎn)運(yùn)營上建模方式

眾所周知，自組網(wǎng)絡(luò)拓?fù)渥儞Q頻繁，構(gòu)建具有特殊性，無線自組網(wǎng)絡(luò)安全防范的工作量很大。企業(yè)運(yùn)營的風(fēng)險(xiǎn)主要有生產(chǎn)風(fēng)險(xiǎn)、環(huán)境風(fēng)險(xiǎn)、金融風(fēng)險(xiǎn)、管理風(fēng)險(xiǎn)、人力風(fēng)險(xiǎn)等幾大部分【4】，但是因?yàn)檫\(yùn)營過程中各種因素的相互作用、風(fēng)險(xiǎn)因素動態(tài)變換頻繁和外部環(huán)境的不可控性等原因，實(shí)際上能夠準(zhǔn)確預(yù)知哪些因素是企業(yè)運(yùn)行的風(fēng)險(xiǎn)因素，就人的能力而言是很困難的。這是企業(yè)風(fēng)險(xiǎn)監(jiān)控和自組網(wǎng)絡(luò)的安全監(jiān)控的相同性，既然sipi模型能夠識別入侵等危險(xiǎn)信息，因此我們也希望通過sipi算法建立企業(yè)風(fēng)險(xiǎn)監(jiān)控系統(tǒng)，識別風(fēng)險(xiǎn)信息。

Sipi算法模型通過初始數(shù)據(jù)提供分類依據(jù)和知識規(guī)則，構(gòu)建神經(jīng)元基礎(chǔ)文件，因此只要用企業(yè)管理中各種風(fēng)險(xiǎn)控制經(jīng)驗(yàn)信息和統(tǒng)計(jì)理論知識就可以構(gòu)建監(jiān)控系統(tǒng)的基礎(chǔ)文件，使RBF神經(jīng)網(wǎng)絡(luò)具有了企業(yè)運(yùn)營的風(fēng)險(xiǎn)監(jiān)控基礎(chǔ)知識；風(fēng)險(xiǎn)監(jiān)測點(diǎn)的信息構(gòu)成RBF的輸入向量，RBF網(wǎng)絡(luò)中徑向函數(shù)的徑向范圍為各種可能的因素提供了波動性，符合經(jīng)營特征；勞埃德算法構(gòu)建的神經(jīng)元網(wǎng)絡(luò)具有自學(xué)能力、歸納能力，使得基于sipi模型的風(fēng)險(xiǎn)控制具有識別潛在的、未知風(fēng)險(xiǎn)因素的能力，可以識別出人所不能看到的風(fēng)險(xiǎn)；利用分類算法將多種因素進(jìn)行了分類，避免了多元復(fù)雜變量導(dǎo)致的經(jīng)營者主觀判斷的不確定性。因此可以用SIPI算法構(gòu)建企業(yè)運(yùn)營風(fēng)險(xiǎn)監(jiān)控系統(tǒng)。

在基于SIPI算法構(gòu)建的風(fēng)險(xiǎn)監(jiān)控模型中，既可以針對風(fēng)險(xiǎn)大類設(shè)置監(jiān)控點(diǎn)，實(shí)現(xiàn)全面監(jiān)控，也可以在某一風(fēng)險(xiǎn)大類中設(shè)置局部監(jiān)控點(diǎn)，強(qiáng)化某一方面的監(jiān)控。通過監(jiān)控點(diǎn)采集監(jiān)控?cái)?shù)據(jù)，作為RBF的感應(yīng)元。利用經(jīng)驗(yàn)或者統(tǒng)計(jì)理論知識對潛在的風(fēng)險(xiǎn)進(jìn)行細(xì)化，生成基礎(chǔ)數(shù)據(jù)樣本，通過勞埃德探索算法進(jìn)行迭代，實(shí)施樣本分類，在學(xué)習(xí)訓(xùn)練過程中計(jì)算出每個類的中心點(diǎn)和中心間方差，構(gòu)建基礎(chǔ)類分布模型，錄入類的處理知識；通過臨近算法計(jì)算出不同類對系統(tǒng)風(fēng)險(xiǎn)的權(quán)重，按照權(quán)重實(shí)施分層次、分級監(jiān)控。在系統(tǒng)運(yùn)行過程中，sipi模型中高斯算法按照知識規(guī)則對采樣的監(jiān)控?cái)?shù)據(jù)計(jì)算、歸類：對于每一個徑向值在已知類范圍的感應(yīng)元（監(jiān)控?cái)?shù)據(jù)）歸入所屬徑向類，按照知識規(guī)則處理，如報(bào)警或者風(fēng)險(xiǎn)提示等；對于距離每個類的中心徑向值都超越了徑向范圍的感應(yīng)元，通過手動或者自動方式生成新類，人工錄入過往知識，建立初始化處理規(guī)則，修正知識庫和類模型，實(shí)現(xiàn)動態(tài)調(diào)整。

SIPI風(fēng)險(xiǎn)監(jiān)控模型能夠利用徑向智能網(wǎng)絡(luò)（RBF）的自學(xué)能力，根據(jù)實(shí)際應(yīng)用情況調(diào)整和提高監(jiān)控能力，將大量的紛繁數(shù)據(jù)交給系統(tǒng)進(jìn)行歸類處理，實(shí)現(xiàn)系統(tǒng)的不間斷智能監(jiān)控；統(tǒng)計(jì)風(fēng)險(xiǎn)監(jiān)控處理結(jié)果，利用熵聚類理論分析統(tǒng)計(jì)信息，可以調(diào)整中心點(diǎn)特征、調(diào)整中心點(diǎn)對系統(tǒng)風(fēng)險(xiǎn)誘發(fā)的權(quán)重值；還可以在運(yùn)行過程中加入新積累的知識、經(jīng)驗(yàn)，協(xié)助提高系統(tǒng)的智能化程度，盡可能多地識別風(fēng)險(xiǎn)因素，提早揭示風(fēng)險(xiǎn)和風(fēng)險(xiǎn)等級。通過多元比較，這是一種實(shí)用性較強(qiáng)的風(fēng)險(xiǎn)監(jiān)控模型。

但是，在單純的SIPI模型中徑向度過寬則會產(chǎn)生分類二義性，風(fēng)險(xiǎn)感應(yīng)元的潛伏性增大，徑向度過窄，運(yùn)算復(fù)雜度會提高，產(chǎn)生誤報(bào)，因此必須有一種機(jī)制能夠靈活調(diào)整sipi中的徑向度。另外勞埃德探索算法的特點(diǎn)在于收斂速度很快，不足之處在于有可能收斂到錯誤的值上；勞埃德算法中的k值是一個輸入值，不合適的k值可能得到比較差的結(jié)果。因此初始數(shù)據(jù)的合理分布對于信息分類、未知信息識別都至關(guān)重要。如果在生成初始樣本時(shí)精心選取，在運(yùn)行中加入人工干預(yù)，及時(shí)引入最新經(jīng)驗(yàn)作為知識規(guī)則，是比較可行的改善措施。比如系統(tǒng)初始化時(shí)，首先依據(jù)監(jiān)控預(yù)期，根據(jù)既有經(jīng)驗(yàn)或者統(tǒng)計(jì)理論數(shù)據(jù)生成初始樣本數(shù)據(jù)。如果初始樣本數(shù)量不大的情況下，利用極大熵聚類算法理論對樣本和樣本的分布進(jìn)行干預(yù)【5】【7】，獲取較為理想的基礎(chǔ)數(shù)據(jù)值。在權(quán)重設(shè)置上可以用粗糙集理論和熵理論獲取客觀權(quán)重值的方法【4】【6】【7】，獲取或者改善中心元的權(quán)重值，對企業(yè)運(yùn)營的風(fēng)險(xiǎn)有針對性分層次、分權(quán)重處理，更能夠反映風(fēng)險(xiǎn)的等級。

在基于sipi的企業(yè)風(fēng)險(xiǎn)監(jiān)控系統(tǒng)中采用臨近算法和勞埃德算法原因在于可以利用他們的快速迭代能力，快速收緊數(shù)據(jù)，提高學(xué)習(xí)速度；沒有片面追求最優(yōu)算法的原因在于最優(yōu)算法迭代復(fù)雜度高，對基礎(chǔ)數(shù)據(jù)的質(zhì)量、數(shù)量、概率分布要求也高，而本系統(tǒng)的行業(yè)特征是通過經(jīng)營者過往的經(jīng)驗(yàn)生成基礎(chǔ)數(shù)據(jù)，是經(jīng)驗(yàn)數(shù)據(jù)，很難做到最優(yōu)樣本； RBF網(wǎng)絡(luò)自身具有自學(xué)能力，可以通過在實(shí)際運(yùn)行中對真實(shí)感應(yīng)元的響應(yīng)，完成更為準(zhǔn)確的學(xué)習(xí)和規(guī)則的修正；更為重要的是，這兩種算法也比較簡單，實(shí)現(xiàn)容易，利用MatlaB很容易建立RBF神經(jīng)元網(wǎng)絡(luò)，構(gòu)建SIPI模型【1】。

（4）SIPI算法對風(fēng)險(xiǎn)監(jiān)控的意義

在本文中沒有完成針對特定的行業(yè)進(jìn)行的實(shí)證數(shù)據(jù)呈現(xiàn)，其目的在于：第一，現(xiàn)有對于不同行業(yè)的風(fēng)險(xiǎn)因素的研究非常充分；第二，過多的考慮行業(yè)特征，將風(fēng)險(xiǎn)因素局限在行業(yè)內(nèi)部，會淡化了外部影響和行業(yè)間影響，對設(shè)置監(jiān)控點(diǎn)產(chǎn)生負(fù)面影響。

實(shí)際上，最優(yōu)化的風(fēng)險(xiǎn)分析和控制是我們追求的目標(biāo)，但不是實(shí)際最有效的應(yīng)用模型；企業(yè)風(fēng)險(xiǎn)監(jiān)控不僅存在于大型企業(yè)，今后的發(fā)展中，我們可以預(yù)見各類企業(yè)都需要智能風(fēng)險(xiǎn)監(jiān)控，一個能夠變換基礎(chǔ)數(shù)據(jù)文件就能夠建立的智能監(jiān)控系統(tǒng)是最便捷的方法之一。在本模型中，系統(tǒng)運(yùn)行過程允許不斷根據(jù)新增個人的經(jīng)驗(yàn)和系統(tǒng)過往運(yùn)行數(shù)據(jù)調(diào)整知識規(guī)則，不斷自我修正，不僅及時(shí)將一些未知的、潛在的危險(xiǎn)信號識別出來，還能夠體現(xiàn)管理者的經(jīng)驗(yàn)和應(yīng)變能力，讓風(fēng)險(xiǎn)識別盡可能最大覆蓋。

現(xiàn)代企業(yè)信息化程度已經(jīng)非常高了，采用基于SIPI的風(fēng)險(xiǎn)控制還能夠?qū)⑵髽I(yè)內(nèi)部有線信息、無線的信息整合、與智能生產(chǎn)系統(tǒng)相結(jié)合，利用互聯(lián)網(wǎng)實(shí)現(xiàn)與外部系統(tǒng)的通信，實(shí)現(xiàn)監(jiān)控點(diǎn)多維化、便捷化。因此基于SIPI的風(fēng)險(xiǎn)監(jiān)控系統(tǒng)還具有實(shí)用性強(qiáng)，應(yīng)用范圍廣等特點(diǎn)。當(dāng)然，企業(yè)風(fēng)險(xiǎn)監(jiān)控系統(tǒng)能夠有效感知、預(yù)測企業(yè)風(fēng)險(xiǎn)，但是它本身也會帶來企業(yè)成本因素的變化和企業(yè)風(fēng)險(xiǎn)，越是精確的模型越容易產(chǎn)生系統(tǒng)風(fēng)險(xiǎn)局部性。

參考文獻(xiàn)：

【1】AZZEDINE BOUKERCHE，Security and Fraud Detection in Mobile and Wireless Network， Handbook of wireless networks an mobile computing

【2】A. Boukerche and M. S. M. A. Notare， Neural fraud detection in mobile phone operations， 4th

IEEE BioSP3， Bio-Inspired Solutions to Parallel Processing， 2000年五月

【3】M. S. M. A. Notare， A. Boukerche， F. Cruz， B. Risco， and C. Westphal security management

against cloning mobile phones， IEEE Globecom99，1999年12月

【4】企業(yè)分析預(yù)警管理模型研究，趙旭等，北京郵電大學(xué)學(xué)報(bào)（社科版）2010年2月底11卷2期

【5】基于極大熵聚類的工程項(xiàng)目分析預(yù)警模型，唐葆君等，北京航空航天大學(xué)學(xué)報(bào)

【6】粗糙集理論、算法于應(yīng)用，苗奪謙，清華大學(xué)出版社，ISBN：9787302165521

【7】基于最大熵原理的確定概率分布的方法研究，李憲東，http：//www.doc88.com/p-908395686307.html

【8】基于RBF網(wǎng)絡(luò)的增量學(xué)習(xí)，桑龍和曾坤，華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2004年

作者介紹：張曉云 綿陽職業(yè)技術(shù)學(xué)院 副教授，研究方向：計(jì)算機(jī)技術(shù)應(yīng)用