前言：中文期刊網精心挑選了神經網絡算法范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
神經網絡算法范文1
【關鍵詞】深度學習 卷積神經網絡 權值共享 下采樣 R-CNN Fast-R-CNN
1 緒論
隨著電子信息技術的快速發展，芯片的設計與生產進入了納米時代，計算機的計算能力與計算速度得到了空前的提高，但是人們的需求是無限的，要求計算機能更加任性化的服務于我們的生活，這也就要求計算機本身能像人一樣識別與感知周圍的環境，并對復雜的環境做出正確的判斷。而圖片信息是我們周圍環境最直觀的，最容易獲取的信息，要求計算機能對為的環境做出識別與判斷也就要求計算機能夠智能的識別圖像信息。深度學習是機器學習中的一個新的研究領域。通過深度學習的方法構建深度網絡來抽取目標特征進而識別周圍的環境。卷積神經網絡對圖像的處理具有平移，旋轉，扭曲不變的優良特性。在處理圖像是更加快捷和便利。卷積神經網絡使得計算機在感知識別周圍環境的能力有了巨大的提升，使得計算機更加智能。卷積神經網絡擁有強大的特征提取能力，使得其在圖像分類識別，目標跟蹤等領域有著強大的運用。
1.1 國內外研究現狀
1986年，Rumelhart和Mc Celland提出BP算法。BP算法反向傳導神經網絡輸出誤差進行訓練神經網絡。通過BP算法，神經網絡能夠從大量訓練數據中的學習到相關統計信息，學習到的數據統計信息能夠反映關于輸入-輸出數據模型的函數映射關系。
自2006年以來，Geoffery Hinton教授提出深度信念網絡。從此深度學習在學術界持續升溫。深度學習不僅改變著傳統的機器學習方法，也影響著我們對人類感知的理解，迄今已在語音識別和圖像理解等應用領域引起了突破性的變革。各種相關的算法和模型都取得了重要的突破，使得深度學習在圖像分類，語音識別，自然語言處理等領域有廣泛的運用。
2013年百度成立百度深度學習研究院以來我國的人工智能領域取得了長足的進步。在人工智能專家吳恩達的帶領下，百度陸續推出一系列人工智能產品，無人駕駛技術，DuerOS語音交互計算平臺，人臉識別技術，美樂醫等優秀產品。此外Imagenet圖像識別大賽中也誕生了一系列經典的神經網絡結構，VGG，Fast-R-CNN，SPP-net等等，可以說人工智能技術在近幾年得到了空前的發展。
2 深度學習概述
深度學習是機器學習的一個新方向，通過學習樣本數據內在規律和深層特征深度，深度學習神經網絡能夠像人一樣有分析和學的能力，尤其在文字處理，圖像識別，語音等領域更加突出。能夠自主學習一些新的東西。目前深度學習使用的典型技術是通過特征表達和分類器來進行目標識別等任務的。并在語音識別、圖像處理、機器翻譯等領域取得很多成果。
深度學習不同于以往的淺層學習，淺層學習模型值包含一個隱藏層，或者不存在隱藏層，深度學習則是由很多隱藏層組成的，上一層的輸出作為下一層的輸入，實驗對輸入信息進行分級表達。目前深度學習框架主要包含三種深度學習框架，如圖1、2、3所示。
3 卷積神經網絡
卷積神經網絡的結構層次比傳統的神經網絡復雜，卷積神經網絡包含大量的隱藏層，相鄰的卷積核或者下采樣核采用局部感受野全鏈接，神經元權值共享的規則，因此卷積神經網絡訓練參數的數量遠比傳統神經網絡少，卷積神經網絡在訓練和前向測試的復雜度大幅度降低，同時也減少了神經網絡訓練參數過擬合的幾率。卷積神經網絡主要有兩部分，分別是卷積核和下采樣核。卷積核主要對上一層的圖像進行卷積運算，提取圖像特征，下采樣核則是對上層的數據進行將為處理，減少神經網絡的復雜度。
卷積神經網絡中每一個神經元的輸入與前一層的局部感受野相連，提取局部感受野的特征，比如圖像的輪廓，顏色等特征，而這些特征不僅包括傳統人類能理解的特征，也包括神經網絡自身能夠識別的特征，卷積核全職共享，因此這些特征提取與圖像的位置無關。
圖4是經典的LeNet5卷積神經網絡架構，LeNet5架構中卷積核和下采樣核交替出現，下采樣核及時的將卷積核生成的特征向量進行降維，減少神經網絡的運算量。LeNet5算法在1962年幼Hubel等人提出，在識別手寫數字mnist中有極高的準確率。
4 R-CNN、Fast-R-CNN對比分析
卷積神經網絡在對圖像進行識別具有平移，旋轉，扭曲不變的優良特性，并且能夠實現高準確率識別圖像，但是在現實生活運用中往往需要神經網絡標記出目標的相對位置，這是傳統卷積神經網絡不具備的功能。因此在前人傳統卷積神經網路基礎上對卷積神經網絡進行改進，產生了具有對圖像中目標進行識別和定位的卷積神經網絡R-CNN，Fast-R-CNN等改良算法。
4.1 R-CNN
R-CNN為Region Convoluntional Neural Network的縮寫即對圖像進行局部區域的卷積處理，其核心思想主要是利用候選區圖像對物體探測中位置信息進行精確處理和利用監督式預訓練和區域特殊化的微調方法，代替了傳統的非監督式預訓練和監督式微調。
在CNN中，全連接層輸入是固定大小的，因此R-CNN用計算機視覺算法將每一張圖片分割成1000-2000張的候選區圖片后，要將這些候選區圖片進行變換，生成固定大小的候選圖片，在訓練提取特征時一般采用經過預訓練的模型參數進行finetuning，榱嗽黽友盜費本，模型在也將生成的候選框以及標定的標簽作為訓練樣本進行訓練。R-CNN采用SVMs分類器對特征向量進行分類，在訓練SVMs時將候選框經過卷積神經網絡提取的特征和SVM標定結果輸入到SVMs分類器訓練分類器模型。而在測試時將圖像全部候選框經過卷積神經網絡提取的特征輸入到SVMs分類器中，得到每一類的評分結果。但是R-CNN在處理一張圖片是要處理需要對一張圖片1000-2000個候選區圖像進行前向運算，保存所有后選取圖片的特征值，要求計算硬件有大量的存儲空間，同時處理每一張圖片的時間也會增加。由于訓練集龐大，本文采用hard negative mining method方法提高存儲的利用率。
R-CNN的體現出了極大的優勢，其中MAP也可以大幅度提高，但是正如本文上述，R-CNN計算的時間成本很大，達不到實時的計算效果，R-CNN在對候選區進行處理時會使得圖像失真，部分信息丟失。
4.2 Fast-R-CNN
Fast-R-CNN則是再次改進的一種基于卷積神經網絡目標跟蹤定位算法。相比于R-CNN，Fast-R-CNN從單輸入變為雙輸入，在全連接層后有了兩個輸出，引入了Rol層。
Fast-R-CNN在運行的時候同樣會生成大量的候選區，同時將原始的圖片用卷積神經網絡進行特征提取，將原始圖片提取的特征與生成的候選區坐標送入Rol層為每一個候選區生成一個固定大小的特征向量。最后將Rol生成的特征向量全連接層產生最終的LOSS。Fast-R-CNN中的LOSS采用多LOSS模式，SoftMax LOSS用于計算K+1分類的損失，K為第K個目標，1為背景；Regression LOSS計算候選區的四個角的坐標。
Fast-R-CNN在MAP上有了大幅度的提升，速度也得到了提升，但是在計算候選區是仍存在瓶頸，這也是限制Fast-R-CNN速度的因素。
5 實驗測試
對于本文提出的卷積神經網絡識別圖像定位圖像目標算法R-CNN，Fast-R-CNN，在本章給出實驗結果。實驗平臺為基于Linux系統的debian8下運行caffe進行訓練，采用顯卡K620進行實驗。
訓練模型初始化參數在是服從高斯隨機分布，R-CNN采用的網絡結構如圖7所示，Fast-R-CNN的網絡結構如圖8所示。
本次實現的訓練樣本為錄制實驗室視頻數據，將視頻數據轉換成幀圖片，對每張圖片數據進行裁剪，裁剪后圖像大小在256*256，共有500張，再將裁剪后的圖片進行旋轉，平移，扭曲，鏡像，加噪聲等處理，最后生成144萬張樣本圖片，其中136.8萬張圖片作為訓練樣本，7.2萬張作為測試樣本。
6 總結
在目標識別定位領域，卷積神經網絡具有強大的圖像處理能力，對圖像的識別定位具有很高度平移，旋轉，扭曲不變形的優良性能。卷積神經網絡架構R-CNN和Fast-R-CNN都有強大的圖像處理能力。Fast-R-CNN在識別準確率上比R-CNN高。R-CNN算法復雜，對一張圖片需要進行1000-2000次的卷積運算，特征重復提取。因此在訓練和前向測試時，R-CNN用的時間長，不能很好的適用于處理實時圖片數據，尤其視頻數據。R-CNN在對每個候選區進行特征提取之后需要將提取的特征向量存入內存，降低訓練測試時間的同時也需要耗費大量內存。因此從各方面分析可知，Fast-R-CNN性能優于R-CNN。
參考文獻
[1]謝寶劍.基于卷積神經網絡圖像分類方法研究[D].合肥工業大學，2015.
[2]鄭胤，陳權崎，章毓晉.深度學習及其在目標和行為識別中的新進展[J].中國圖象圖形學報，2014（02）：175-184.
[3]陳先昌.基于卷積神經網絡的深度學習算法與運用研究[D].杭州：浙江工商大學，2006（04）：603-617.
[4]李彥冬，郝宗波，雷航等.卷積神經網絡研究綜述[J].計算機應用，2016.
[5]Gibson.J J.The perception of the Visual World[J].Cambridge，England，1950.
[6]HORN B，SCHUNCK P.Determining optical flow[J].Artificial Intelligence， 1981，17：185-203.
[7]R.Girshick，J.Donahue，T. Darrell，and J.Malik，“Rich feature hierarchies for accurate object detection and semantic segmentation，”in CVPR，2014
[8]Ross Girshick，Wicrosoft Research. Fast R-CNN，.
[9]R.Girshick.Fast R-CNN. arXiv：1504.08083，2015.
神經網絡算法范文2
關鍵詞：計算機網絡模型；神經網絡算法；分析
中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）35-0212-02
計算機網絡是人們多年研究科技進步最重要的成果，其被廣泛運用到教育、工作、科學等方面，也具有良好的成就。目前，基于服務器的集線式網絡具有實現網絡互連的功能，但也成為了網絡進一步發展的阻礙。雖然大量的信息能夠豐富網絡中的內容，但是其中的多媒體技術發展卻使網絡運行力不從心，比如圖像、聲音等，全面優化計算機網絡整體性能是其發展的必要途徑。將神經網絡算法與計算機網絡相結合，能夠有效解決大規模復雜性的問題。
1淺析神經網絡算法
1.1神經網絡算法內涵
思維界認為，人類大腦思維包括靈感思維、邏輯思維、形象思維三種方式，神經網絡模擬的就是人類思維的形象思維，是一種非線性動力學系統。神經網絡算法指的是邏輯性思維根據邏輯規則推理的過程。神經網絡的內容目前被廣泛研究，包括建立理論模型、生物原型研究、建立網絡模型與算法研究、人工神經網絡應用系統等。
優化網絡的神經網絡主要是Hopfield神經網絡，是1982年由美國物理學家提出的，它能夠模擬神經網絡的記憶機理，是全連接的神經網絡。Hopfield神經網絡中的每個神經元都能夠信號輸出，還能夠將信號通過其他神經元為自己反饋，那么其也稱之為反饋性神經網絡。
1.2神經網絡優化的基礎
Hopfield神經網絡其實是一個分線性動力系統演變的過程，通過能量函數分析系統的穩定性，將能量函數看做需要優化的問題目標函數。將能量函數的初始狀態轉變為穩定點這一過程，就成為求解優化問題過程，這個過程也可以稱為在計算機聯想記憶基礎上解決優化問題的過程。
1.3神經網絡優化模型的算法
反饋網絡的聯想記憶和優化是相對的，通過優化計算得知W，其目的就是為了找出E的最小穩定狀態；聯想記憶的穩定狀態是特定的，要通過一些過程才能夠找到適合的W。這個過程中的關鍵就是將問題的目標函數通過二次型能量函數進行表達。如下式所述：
Hopfield神經網絡比較常見的類型有DHNN（離散型）和CHNN（連續性）兩種，他們的動態方程分e為：
DHNN（離散型）動態方程：ui=fi（v1，v2，...，vN）
Vi=g（ui），vi∈{0，1}，i=1，2，...，N
式子中的gi表示為階躍函數，vi=g（ui）[（1， ui>0）（0， ui
CHNN（連續性）動態方程：dui/dt=fi（v1，v2，...，vN）
Vi=gi（ui），i=1，2，...，N
式子中的gi表示為常用函數sigmoid，vi=gi（ui）=1/2[1+tanh（ui/u0）]，u0表示的為可控函數的斜率，當u0=0的時候，gi就為階躍函數?！?】
1.4神經網絡算法的優化步驟
其一，通過合適的問題將方法表述出來，使神經網絡的輸出和這一問題的解相互對應；
其二，創建有效的能量函數，要求問題的最優解能夠對應最小值；
其三，使用有利條件和能量函數創建網絡參數；
其四，創建對應的動態方程和神經網絡；
其五，使用有效的初值，要求網絡根據動態方程進行驗算，直到收斂。
2基于神經網絡算法的網絡流優化模型
網絡流優化模型的關鍵就是最小切割、圖的劃分和最大流問題，下面一一描述：
最小切割：最小切割是指尋找使隔集容量達到最小的切割。圖的切割是指劃分一個N―n1Un2，一個隔集為一組?。╥，j），i∈n1，j∈n2，隔集弧的權值總和為它的容量。使N=（W，T）是T=0的網絡，要求能量最小為N圖的最小切割。
圖的劃分：圖的劃分指的是將圖劃分為K個部分，要求每個部分中的節點數都相等。
最大流問題。要求有向圖G（v，e）中的開始點為S，結束點為Z，邊容量為Cij。如果每條邊都有非負數fij，并且每條邊為fij≤Cij且除了S和Z之外具有∑fij=∑fki。當S和Z有∑fsi=∑fiz=W的時候，W的最大值≤任何切割的容量?！?】
3基于神經網絡算法的動態路由選擇模型
通信網中的物理網絡的連接一般是點到點，其可以用無向圖G=（v，e）來表示，將交換節點表示為頂點，通路表示為邊，每一邊都有最大容量，為了能夠滿足網絡中點和點能夠相互通信，還E能夠根據網絡業務的量和用戶呼叫為基礎進行路由安排?，F在一般使用的都是靜態方式，能夠提供給動態路由一些可能性，其的優化模型是：
如果網絡圖是G=（v，e），而且對網絡中的邊進行編號，路徑經過的邊表示為1，路徑不經過的邊表示為0，L*M神經元表示為L需要這多個路由，將備選的路由數量表示為M，如果通信網中具有N個節點，那么目標函數就是E=E1+E2+E3?！?】
4結束語
基于神經網絡算法的優化網絡模型有著簡單、穩定、快速、規范的優勢，其與其他算法相結合，能夠較大程度的提高計算機網絡模型的整體性能。但是Hopfield神經網絡算法中的優化網絡模型并不嚴格，它有著核心策略下降的缺點，那么在使用過程中會出現網絡收斂的最優解呈局面狀態、網絡收斂解不可行、網絡參數的不正當選擇會導致偏差等，所以在今后就要深入研究計算機網絡模型中的神經網絡算法，使其更加完善。
參考文獻：
[1]丁建立.基于神經網絡算法的計算機網絡優化模型研究[J].洛陽師范學院學報，2003， 22（2）：59-62.
神經網絡算法范文3
關鍵詞： 網絡流量檢測； 群智能算法； RBF神經網絡； 網絡安全
中圖分類號： TN926?34； TP393 文獻標識碼： A 文章編號： 1004?373X（2016）20?0012?03
Abstract： The application of swarm intelligence optimizing neural network in network security and a network traffic detection model based on neural network algorithm are studied in this paper. QAPSO algorithm is used to optimize the basis function center and base function width of RBF neural network， and the connection weights of the output layer and the hidden layer as well. The detection model studied in this paper is analyzed by means of an example. The collected data is used to train the network traffic identification system and test its performance. The method researched in this paper is compared with the algorithms based on the conventional PSO and HPSO. The results show that the detection method has a faster recognition speed and better recognition accuracy， and can avoid the occurrence of local optimal solutions.
Keywords： network traffic detection； swarm intelligence algorithm； RBF neural network； network security
0 引 言
隨著互聯網技術不斷發展和普及，互聯網絡中的應用和服務類型不斷增加，為了提高網絡安全，保護網民、公司企業以及政府部門等的財產與利益，需要對網絡流量進行高效的監測[1?2]。
RBF神經網絡具有強大的非線性擬合能力，即非線性映射能力，以及自學能力，同時便于計算機實現，因而在網絡流量檢測等網絡安全領域得到了廣泛應用。但是RBF神經網絡的性能特別依賴網絡參數選取的好壞，而傳統RBF神經網絡參數通常由人為按經驗或隨機選取，因此網絡的性能具有較強的隨機性[3?4]。
近年來，群智能優化算法逐漸發展并得到較為廣泛的應用，其中粒子群優化算法是一種能夠全局優化，具有建模速度快、收斂效率高的群智能優化算法，然而使用常規PSO算法優化神經網絡仍然存在收斂速度和全局優化能力不能夠達到平衡等問題[5?7]。因此本文研究一種基于量子自適應粒子群優化算法（QAPSO），對RBF神經網絡的基函數中心[Ci]、基函數的寬度[σi]以及輸出層與隱含層的連接權值[wi]進行優化。
1 基于群智能優化的神經網絡算法
本文研究的QAPSO優化算法主要分為4部分，分別為初始化種群、估計進化狀態、控制參數自適應以及處理變異[8]。
1.1 初始化種群
2 實例分析
為驗證本文建立基于QAPSO優化RBF神經網絡的網絡流量檢測模型的性能，使用基于Libsvm軟件包的C#程序并結合數值計算軟件Matlab R2014對網絡流量進行采集、計算以及分類。網絡流量檢測類型如表2所示。
表2 網絡流量檢測類型
使用常規PSO優化算法及HPSO優化算法對RBF神經網絡進行優化，并建立同樣的網絡流量檢測模型，使用同樣的訓練數據樣本進行訓練，使用同樣的測試數據樣本進行性能測試。常規PSO優化算法的參數為空間維度[D=24]，粒子數量[N=30]，最大迭代次數[tmax=200]，連接權值[w=0.9～0.4]，加速系數[c1]和[c2]均為2。HPSO優化算法的參數為空間維度[D=24]，粒子數量[N=30]，最大迭代次數[tmax=200]，連接權值[w=0.8～0.2]，加速系數[c1]和[c2]均為2.5，[Vmaxd=0.5×Range]。QAPSO算法的參數為空間維度[D=24]，粒子數量[N=30]，最大迭代次數[tmax=200]，連接權值[w=0.8～0.2]，加速系數[c1]和[c2]為1.5～2.5，[Vmaxd=Range]，[r1d]和[r2d]為0～1之間的隨機數。
從圖1可以看出，常規PSO優化算法使得適應度函數收斂到穩定值時的迭代次數為171次，HPSO優化算法使用了112次，而本文研究的QAPSO優化算法只使用了76次。同時，本文研究的QAPSO優化算法的收斂值更低，適應度函數的值即為RBF神經網絡的訓練誤差，因此適應度函數越小，RBF神經網絡的訓練誤差越小，性能越好。因此，本文研究的QAPSO優化算法相比另外兩種PSO優化算法具有更快的收斂速度和更高的收斂精度，極大地提高了RBF神經網絡的泛化能力。使用本文研究的QAPSO?RBF檢測模型及常規PSO和HPSO優化RBF算法的檢測模型對實驗數據進行識別。表3為三種檢測模型的檢測準確率與反饋率對比。圖2為三種模型的平均檢測率和反饋率對比。
通過表3的數據可以看出，本文研究的QAPSO?RBF檢測模型對12種類型網絡服務與應用均有較好的識別準確率和反饋率，平均識別準確率達到了92.81%，比HPSO?RBF算法的平均識別準確率高出3.49%，比PSO?RBF算法的平均識別準確率高出6.99%。QAPSO?RBF識別算法的平均識別反饋率達到了94.81%，比HPSO?RBF算法的平均識別反饋率高出3.51%，比PSO?RBF算法的平均識別反饋率高出7.28%?？杀砻飨啾绕渌Ｗ尤簝灮惴?，本文研究的QAPSO優化算法在進行多次迭代后仍然具有較好的活躍性，跳出局部最優解，對最佳值的全局搜索能力具有非常顯著的提高，加快了算法收斂速率，提高了識別準確率。
3 結 論
本文研究一種群智能優化神經網絡算法的網絡流量檢測模型。通過實際測試驗證，相比其他粒子群優化算法，本文研究的QAPSO優化算法在進行多次迭代后仍然具有較好的活躍性，跳出局部最優解，對最佳值的全局搜索能力具有非常顯著的提高，加快了算法收斂速率，提高了識別準確率。
參考文獻
[1] 盧金娜.基于優化算法的徑向基神經網絡模型的改進及應用[D].太原：中北大學，2015.
[2] 鐘建坤，周永福.群智能算法優化神經網絡在網絡安全的應用研究[J].激光雜志，2015，36（4）：143?146.
[3] 李博.粒子群優化算法及其在神經網絡中的應用[D].大連：大連理工大學，2005.
[4] 蔣林利.改進的PSO算法優化神經網絡模型及其應用研究[D].廈門：廈門大學，2014.
[5] 陳偉.基于群體智能算法的人工神經網絡優化及其應用[D].無錫：江南大學，2007.
[6] 劉曉剛.群體智能算法在RBF神經網絡中的應用[D].青島：青島大學，2008.
[7] 馬汝輝.基于網絡流量異常檢測的網絡安全技術研究[D].無錫：江南大學，2008.
神經網絡算法范文4
關鍵詞 計算機網絡；連接優化；神經網絡算法
中圖分類號：TP393 文獻標識碼：A 文章編號：1671-7597（2013）15-0061-01
自計算機網絡產生以來，人們的生活、工作都獲得了極大的便利。計算機網絡作為一門先進的應用技術，為了避免其因滿足不了用戶需求而被時代淘汰，就必須在應用發展過程中不斷創新。而在當前，國內計算機網絡連接環節相對薄弱，網絡連接問題頻繁發生，甚至于無法為用戶創設一個良好的上網環境。為了改善這一狀況，必須對計算網絡連接進行優化，并采取適當措施進行計算機網絡拓撲擴展，達到提高網絡容量，優化網絡效率的目的。針對計算機網絡連接優化問題，現就網絡連接優化下的均場神經網絡算法作相關論述。
1 計算機網絡連接增強優化
1.1 計算機網絡連接增強優化的必要性
眾所周知，對于計算機網絡來說，如果網絡連接出現問題，那么計算機設備與通信網絡之間是沒有辦法進行信息交流的，或者說信息的交流交互性會受到影響而大大減小，這時就需要對其網絡連接加以優化，也可稱為計算機網絡拓撲擴展。而如何增強優化計算網絡的連接，拓撲擴展計算機網絡結構？這便需要選擇合適的結點，并將其添加到現有網絡環境中，以此來提高網絡容量和連接效率，達到網絡結構拓撲擴展，增強信息交流交互性的目的。
在當前情況下，能夠實現計算機網絡連接增強效率，提高計算機網絡的容量，優化用戶上網環境的方法很多，但大多數優化方法都不具備良好的經濟實用性，而如何在利益最大化情況下實現計算機網絡連接優化又正好是計算機網絡應用的基本要求，鑒于此，就必須采用增強優化下的均場神經網絡算法。
1.2 計算機網絡拓撲結構
計算機網絡拓撲結構主要指計算機連接網絡以后，自身設備與傳輸媒介所形成的一種的物理構成模式。計算機網絡拓撲結構的形式由通信子網來決定。結構的主要功能是實現數據信息的網絡交換、處理以及共享，并在一定程度上提高網絡數據信息系統運行的可靠性。從網絡拓撲結構來看，計算機網絡結構的主要構成部分是結點和鏈路，也就是說，計算機網絡其實是由一組結點和多條鏈路共同組成起來的一種模擬結構。
一般用圖G=來表示計算機網絡，圖中的V代表網絡結點集，E表示鏈路集。而如果我們用Va來表示結構中增加的結點集，用Eb來表示增加的連接集，那么應該得到拓撲擴展的計算網絡結構應該為G′=。
2 基于計算機網絡連接優化下的均場神經網絡算法
本文中所指的均場神經網絡算法，實質上是均場退火技術和神經網絡算法的結合，利用該方法來增強計算機網絡連接，能得到更快、更優化的連接效果。從某種意義上說，均場網絡算法其實是一種利潤最大化的網絡優化算法，能最大限度的提高計算機網絡的性價比。
2.1 神經網絡算法
思維學將人的大腦思維分為抽象、形象以及靈感等三個部分，認為人類大腦思維是由邏輯思維、直觀思維以及頓悟思維共同組成的。其中邏輯思維是一中抽象化思想，直觀思維是客觀、形象化思想，靈感則屬創造性。根據這一理論，可以判斷出神經網絡便是對人類大腦思維第二種方式的模擬。
人工神經網絡屬于非線性動力學系統，能夠對信息進行分布式存儲和協同處理。立足于人工神經網絡之上的人工神經網絡應用系統，能夠利用網絡模型和網絡算法來處理某種信號，或對某種運行模式進行識別，進而構建成一個獨立的專家系統，或者構成機器人。當前，人工神經網絡在多個生產領域中都得到了廣泛的應用，在其基礎之上發展起來的人工神經網絡算法作為一種監督性學習算法，也越來越受到人們的關注。但是，由于人工神經網絡算法在實際應用時存在顯著的收斂速度慢的問題，沒有辦法保證將收斂程度壓制到全局的最小點，進而造成計算機網絡學習和記憶的不穩定性增強，影響計算機網絡連接效果，所以在實際生活中，人們對改進神經網絡算法的探討一直持續。
2.2 均場神經網絡算法
2.2.1 網絡模型構建
基于計算機網絡連接增強優化下的均場神經網絡算法，在對其進行研究，并想要判斷其網絡效果時，首要任務是建立一個比較完整的均場神經網絡模型。建立時應重點管理好以下幾個方面，嚴格控制好函數法構造過程中的目標函數。
2.3 實例仿真分析
根據上述計算所得的結果，最后判定出均場網絡算法的可行有效性。計算結果比較圖如圖1。
在上述所例舉的例子中，分別采用遺傳算法、模擬退火算法以及均場神經算法來進行分別計算，計算次數保持在100次乃至以上，最后得出利用模擬退火算法需要計算99次，才能計算出規定的連接集，并獲得一定的利潤；而遺傳算法需要86次，均場神經網絡算法需要98次。
從實驗計算結果比較圖可以看出，在均場神經網絡計算法、遺傳算法以及模擬退火算法三種方法中，均場神經網絡算法所獲得的網絡連接效果相對來說更加快速、有效，更適用于計算機網絡連接的增強優化以及網絡結構的拓撲擴展。
3 結束語
綜上所述，隨著計算機網絡技術以及國民經濟的不斷進步，計算機網絡在人們生活、生產中的應用已經十分廣泛，甚至于社會中各個生產企業或工作部門在開展經濟管理活動時都會計算機網絡。在這樣的前提條件下，為了防止計算機網絡連接出現故障，給企業或計算機上網用戶造成影響，損害其經濟利益，就必須在計算機網絡的應用基礎上，增強優化連接效率，提高計算機網絡容量和效率，促進計算機網絡技術進一步發展。本文通過對均場神經網絡算法的分析，指出利用均場神經算法可實現計算機網絡連接優化目標，并適宜在計算機網絡系統中進行應用。
參考文獻
[1]彭國震，邱毓蘭，彭德純.計算機網絡連接增強問題的模擬退火解決方法[J].計算機工程與科學，2000（02）.
[2] Saha D An Efi cient Link Enhancement Strategy for ComputerNetworks Using Genetic Algofithm[J].Compu～r Com munication.1997.20（9）：2206-2210.
神經網絡算法范文5
>> 基于MATLAB的BP神經網絡算法在多元非線性系統建模中的應用 改進的求解非線性方程組的迭代神經網絡算法 基于非線性粒子群算法與神經網絡的天氣預測 演化算法在非線性方程求解方面的應用 基于BP神經網絡的非線性函數擬合 非線性倒立擺系統的神經網絡辨識 基于遺傳小波神經網絡的非線性動態自治網絡故障診斷仿真算法 一種基于正交基神經網絡的非線性衛星信道預失真補償算法 神經網絡在電路故障診斷方面的應用 神經網絡在鋼鐵企業質量預測方面的應用 BP神經網絡在坐標轉換方面的應用 人工神經網絡在電渦流傳感器非線性補償中的應用研究 基于神經網絡的通用非線性神經自適應控制研究 基于BP神經網絡的非線性網絡流量預測 改進的基于神經網絡的非線性多元回歸分析 基于徑向基神經網絡的非線性系統辨識 基于OBF神經網絡的溫度傳感器非線性補償方法 基于RBF神經網絡的非線性控制系統 群智能算法優化神經網絡在網絡安全的應用 淺談基于BP神經網絡的水源熱泵在建筑節能方面的應用 常見問題解答 當前所在位置：中國 > 教育 > 神經網絡算法非線性優化方面的應用 神經網絡算法非線性優化方面的應用 雜志之家、寫作服務和雜志訂閱支持對公帳戶付款！安全又可靠！ document.write("作者： 方達 胡忠剛")
申明:本網站內容僅用于學術交流，如有侵犯您的權益，請及時告知我們，本站將立即刪除有關內容。 摘 要：文章通過神經網絡算法對一類非線性優化方面的問題進行了分析，得到了應用神經網絡非線性優化算法求解該類問題的具體步驟和算法方案，并給出了實例進行驗證，證明了神經網絡非線性優化算法是有效的，具有理論意義和實用價值。 關鍵詞：：神經網絡算法;MTLAB;非線性優化最優化
中圖分類號：G622 文獻標識碼：B 文章編號：1002-7661（2014）22-002-01
人工神經網絡是由簡單的處理單元所組成的大量并行分布的處理機，這種處理機具有儲存和應用經念知識的自然特性，它與人腦的相似之處概括兩個方面：一是通過學習過程利用神經網絡從外部環境中獲取知識;二是內部神經元（突觸權值）用來存儲獲取的知識信息。
一、神經網絡非線性優化求解鐵路空車調度組合優化問題
目前鐵路局對空車調度計劃是利用表上作業法，采用計算機輔助統計，要經過分局管內各主要站和各區段的車種別空車調度，分局間分界站車種別交接空車數的確定;局間分界站車種別交接空車數的確定來編制整個鐵路局的空車調度計劃.下面用神經網絡優化方法解決該問題。
空車調度問題一般指的是：設有個空車發送站，個空車到達站數的距離為，設空車產生站 到空車需求站的空車數為，由發出的空車數為，則應滿足
空車需求站接受到的空車數為，則應滿足
假設空車產生數等于空車的需求數，即平衡運輸，則
總的空車走行公里數為
由于神經元的輸出值在之間，而空車數目是大于1的數，則將（ ）作為實際空車數，這樣就可以保證在（ ）之間，求為在中所占的百分比，為了用Hopfield神經網絡求解空車調度問題，建立能量函數如下
式中
表示空車發送站的空車數應等于的約束，當且僅當發車數為時，該項為0; 表示空車到達站所需的空車數應等于的約束，當且僅當到達的空車數為時，該項為0;
表示對空車調度的總體約束;
表示對目標項的約束;
表示懲罰項系數，為目標項系數.
當計算能量函數 達到最小時，對應于空車調整計劃的一個最佳計劃方案.其算法如下
則動態迭代過程為
其中 ，分別代表迭代次數，選取0.001.
二、結束語
神經網絡算法范文6
>> 基于PCA—LDA與蟻群優化BP神經網絡的人臉識別算法 基于粒子群算法和神經網絡的人臉識別分類器研究 基于卷積神經網絡的人臉識別研究 基于BP神經網絡的人臉識別研究 基于PCA算法的人臉識別技術研究 基于改進PCA算法的人臉識別研究 基于MB_LBP和PCA算法的人臉識別研究 基于BP神經網絡的人臉識別算法的實現 基于模糊混沌神經網絡的人臉識別算法 基于卷積神經網絡的人臉識別 基于子圖分割和BP神經網絡的人臉識別方法 基于EMPCA和RBF神經網絡的人臉識別 基于改進PCA與FLD算法的人臉識別 基于模糊人工神經網絡的人臉識別研究 基于改進的LBP和PCA算法的人臉識別 基于并行PCA算法的人臉識別系統的研究 基于PCA和SVM的人臉識別 基于PCA和FLD的人臉識別方法 基于快速PCA―SVM的人臉識別研究 基于主分量分析的BP神經網絡人臉圖像識別算法 常見問題解答 當前所在位置：l.
[6]劉學勝.基于PCA和SVM算法的人臉識別[J].計算機與數字工程，2011（7）.
[7]廖海濱，陳慶虎. 基于因子分析的實用人臉識別研究[J].電子與信息學報，2011（7）.
[8]蔡曉曦，陳定方.特征臉及其改進方法在人臉識別中的比較研究[J].計算機與數字工程，2007（4）.
