返回论文网在线首页
  • 论文网在线-首页
  • 免费学术论文
  • 学术期刊
  • 论文网在线网站简介
  • 征稿授权

计算机网络连接增强优化中的神经网络算法

作者:摘 要 来源:电子技术与软件工程 论文栏目:计算机论文     更新时间:2019-06-12   浏览

本学术论文《计算机网络连接增强优化中的神经网络算法》,转载自学术期刊《电子技术与软件工程》2014年17期 发表过的职称 论文,原文作者:摘 要,由中国学术论文网编辑整理录入,仅供您在计算机网络连接增强,优化,神经网络算法等方面参考学习。

摘 要

计算机网络技术的飞速发展,给人们的日常生活带来诸多的便利,为了保证计算机网络的正常运行,需要在实际应用中选择良好的计算机网络连接增强优化算法,本文就主要在第计算机网络连接增强优化进行简单分析的基础上,对计算机网络连接增强优化中的神经网络算法进行分析。

【关键词】计算机网络连接增强 优化 神经网络算法

计算机网络技术在发展过程中,为了避免由于不能很好满足用户的需求而被市场淘汰的现象产生,需要在其应用发展的过程中不断的进行技术创新。就我国的计算机网络技术现状来看,其连接环节相对来讲存在一些不足和缺陷,网络连接问题出现的概率比较大。为了有效的改善这一问题,本文就主要针对此予以简单分析研究。

1 计算机网络连接增强优化

计算机网络拓扑结构主要是指计算机连接网络之后,其自身设备与传输媒介所共同组成的一种物理构成模式,其网络拓扑结构的形式主要是由通信子网来决定的,其结构的主要功能是实现数据信息的网络共享、处理及交换,并要在一定程度上提升网络数据信息运行的可靠性,站在网络拓扑的结构来讲,计算机网络结构的主要部分是链路与结点,计算机网络实质上是由一组结点以及多条链路所共同组成的一种模拟结构。计算机网络通常表示为:G=,其中V表示的是网络结点集,E表示的是链路集,如果应用Va来表示结构中增加的结点集,Eb来表示增加的连接集,那么就能够得到其拓扑扩展的计算机网络结构为G=

2 基于计算机网络连接优化中的神经网络算法

本次研究中分析的均场神经网络算法实际上是一种神经网络算法与均场退火技术相结合的算法,应用这种方法能够有效的增强计算机的网络连接,并且达到更优化、更快的连接效果,这其实是一种利润最大化的网络优化算法,其能够最大限度的提高计算机网络的性价比。

2.1 神经网络算法

人工神经网络属于非线性动力学系统,其能够对信息进行分布式的存储及协同处理,其在人工神经网络之上的人工神经网络系统的基础之上,应用网络算法及网络模型进行各种信号的处理,或者是对某种运行模式进行识别,从而建立其一个独立的专家系统,或者是构成机器人,当前在多个领域中,人工神经网络系统都得到了广泛的应用,在该基础上所发展起来的人工神经网络算法是一种监督性的学习算法,人们对于其重视程度逐渐增加,但是在实际的应用中,其存在收敛速度较慢的缺陷,难以保证将收敛程度压制到全局的最小点,容易导致计算机网络学习及记忆不稳定性增强的问题,这会对计算机网络的连接效果造成直接的影响,做好其网络连接的优化非常的必要。

2.2 均场神经网络算法

在基于计算机网络连接增强优化下的均场神经网络算法的研究中,对其网络效果进行判断,需要建立起一个完整的场均神经网络模型,在模型的构建过程中,应该做好函数法构造过程中的目标函数的构建问题,具体的构建方式表现为:应用Si来表示Hopfield计算网络中的一个神经元状态,并且规定当Si=1时,表示的含义是网络选中了连接i,可以实现正常的连接,当Si=0时,表示的含义是:网络中没有选中连接i,网络无法实现正常连接,再应用罚函数法就结构来进行网络模型的创建,保证下式成立:

F=max(ΣPi*Xi)

ΣCi*Xi≤W

那么需要控制的目标函数表示为:

上式中,w=(αripi-βcici)d,Ii=βwci,其中α,β表示的是Lagrange参数,构造Lyapunov能量函数表示为:

,Hopfield神经网络的结构表示为:

引入均退火技术,也就是以随机变量均值的函数代替随机变量函数的均值,得到下式:

上式中,表示的含义是:x的均值,应用均场变量Vi来代替随机变量均值就能够得到均场网络的结构,将其应用下式来进行表示:

均场网络的能量函数值可以表示为:

显而易见,网络的稳定状态对应于超立方体{0,1}“的2”个角,也就是上式定义的能量函数的局部最小值。

对其算法步骤进行简单分析,主要表现为:

(1)依据问题进行参数设定,包括:停止准则、热平衡准则、起始温度、Lagrange参数。

(2)初始化,Vi=rand(d,1-d),i=1,2,3,4…,N,其中rand(d,1-d)随机生成分布在d与1-d之间。

(3)重复上述操作,直到其能够满足停止准则。

2.3 实例分析

根据上文中分析的计算方法,在得到计算结果之后,能够对均场网络算法的可行性及有效性进行判定,我们分别采用模拟退火算法、遗传算法、均场神经网络算法进行比较,结果显示模拟退火算法需要计算99次,这样才能保证计算出规定的连接集,并从中获取一定的利润值,在遗传算法中需要进行96次的计算,在均场神经网络算法中,需要实施88次的计算,均场神经网络算法在获得网路连接效果等方面,更快、更加有效,更适宜应用于计算机网络连接的增强优化以及网络结构拓扑的扩展工作中。

3 结束语

随着计算机网络技术的快速发展,其在人们的日常生产生活中具有非常广泛的应用,在其网络运行过程中,出现的各种网络连接故障对于用户的正常应用具有非常大的影响,造成严重的经济损失,在现有基础上,增强计算机网络优化连接效率是非常必要的,本文就主要针对此进行了简单分析,对于实际的网络连接增强优化工作具有一定的参照作用。

参考文献

[1]朱云.计算机网络连接增强优化中的神经网络算法[J].煤炭技术,2012(04).

[2]王颖华,金爱花.计算机网络连接增强优化中的均场神经网络算法[J].硅谷,2013(08).

作者简介

陈竺(1982-),女,重庆市人。硕士学位。现为重庆电子工程职业学院计算机学院讲师。主要研究方向为计算机应用技术、高职教育。

作者单位

重庆电子工程职业学院计算机学院 重庆市 401331

摘 要

计算机网络技术的飞速发展,给人们的日常生活带来诸多的便利,为了保证计算机网络的正常运行,需要在实际应用中选择良好的计算机网络连接增强优化算法,本文就主要在第计算机网络连接增强优化进行简单分析的基础上,对计算机网络连接增强优化中的神经网络算法进行分析。

【关键词】计算机网络连接增强 优化 神经网络算法

计算机网络技术在发展过程中,为了避免由于不能很好满足用户的需求而被市场淘汰的现象产生,需要在其应用发展的过程中不断的进行技术创新。就我国的计算机网络技术现状来看,其连接环节相对来讲存在一些不足和缺陷,网络连接问题出现的概率比较大。为了有效的改善这一问题,本文就主要针对此予以简单分析研究。

1 计算机网络连接增强优化

计算机网络拓扑结构主要是指计算机连接网络之后,其自身设备与传输媒介所共同组成的一种物理构成模式,其网络拓扑结构的形式主要是由通信子网来决定的,其结构的主要功能是实现数据信息的网络共享、处理及交换,并要在一定程度上提升网络数据信息运行的可靠性,站在网络拓扑的结构来讲,计算机网络结构的主要部分是链路与结点,计算机网络实质上是由一组结点以及多条链路所共同组成的一种模拟结构。计算机网络通常表示为:G=,其中V表示的是网络结点集,E表示的是链路集,如果应用Va来表示结构中增加的结点集,Eb来表示增加的连接集,那么就能够得到其拓扑扩展的计算机网络结构为G=

2 基于计算机网络连接优化中的神经网络算法

本次研究中分析的均场神经网络算法实际上是一种神经网络算法与均场退火技术相结合的算法,应用这种方法能够有效的增强计算机的网络连接,并且达到更优化、更快的连接效果,这其实是一种利润最大化的网络优化算法,其能够最大限度的提高计算机网络的性价比。

2.1 神经网络算法

人工神经网络属于非线性动力学系统,其能够对信息进行分布式的存储及协同处理,其在人工神经网络之上的人工神经网络系统的基础之上,应用网络算法及网络模型进行各种信号的处理,或者是对某种运行模式进行识别,从而建立其一个独立的专家系统,或者是构成机器人,当前在多个领域中,人工神经网络系统都得到了广泛的应用,在该基础上所发展起来的人工神经网络算法是一种监督性的学习算法,人们对于其重视程度逐渐增加,但是在实际的应用中,其存在收敛速度较慢的缺陷,难以保证将收敛程度压制到全局的最小点,容易导致计算机网络学习及记忆不稳定性增强的问题,这会对计算机网络的连接效果造成直接的影响,做好其网络连接的优化非常的必要。

2.2 均场神经网络算法

在基于计算机网络连接增强优化下的均场神经网络算法的研究中,对其网络效果进行判断,需要建立起一个完整的场均神经网络模型,在模型的构建过程中,应该做好函数法构造过程中的目标函数的构建问题,具体的构建方式表现为:应用Si来表示Hopfield计算网络中的一个神经元状态,并且规定当Si=1时,表示的含义是网络选中了连接i,可以实现正常的连接,当Si=0时,表示的含义是:网络中没有选中连接i,网络无法实现正常连接,再应用罚函数法就结构来进行网络模型的创建,保证下式成立:

F=max(ΣPi*Xi)

ΣCi*Xi≤W

那么需要控制的目标函数表示为:

上式中,w=(αripi-βcici)d,Ii=βwci,其中α,β表示的是Lagrange参数,构造Lyapunov能量函数表示为:

,Hopfield神经网络的结构表示为:

引入均退火技术,也就是以随机变量均值的函数代替随机变量函数的均值,得到下式:

上式中,表示的含义是:x的均值,应用均场变量Vi来代替随机变量均值就能够得到均场网络的结构,将其应用下式来进行表示:

均场网络的能量函数值可以表示为:

显而易见,网络的稳定状态对应于超立方体{0,1}“的2”个角,也就是上式定义的能量函数的局部最小值。

对其算法步骤进行简单分析,主要表现为:

(1)依据问题进行参数设定,包括:停止准则、热平衡准则、起始温度、Lagrange参数。

(2)初始化,Vi=rand(d,1-d),i=1,2,3,4…,N,其中rand(d,1-d)随机生成分布在d与1-d之间。

(3)重复上述操作,直到其能够满足停止准则。

2.3 实例分析

根据上文中分析的计算方法,在得到计算结果之后,能够对均场网络算法的可行性及有效性进行判定,我们分别采用模拟退火算法、遗传算法、均场神经网络算法进行比较,结果显示模拟退火算法需要计算99次,这样才能保证计算出规定的连接集,并从中获取一定的利润值,在遗传算法中需要进行96次的计算,在均场神经网络算法中,需要实施88次的计算,均场神经网络算法在获得网路连接效果等方面,更快、更加有效,更适宜应用于计算机网络连接的增强优化以及网络结构拓扑的扩展工作中。

3 结束语

随着计算机网络技术的快速发展,其在人们的日常生产生活中具有非常广泛的应用,在其网络运行过程中,出现的各种网络连接故障对于用户的正常应用具有非常大的影响,造成严重的经济损失,在现有基础上,增强计算机网络优化连接效率是非常必要的,本文就主要针对此进行了简单分析,对于实际的网络连接增强优化工作具有一定的参照作用。

参考文献

[1]朱云.计算机网络连接增强优化中的神经网络算法[J].煤炭技术,2012(04).

[2]王颖华,金爱花.计算机网络连接增强优化中的均场神经网络算法[J].硅谷,2013(08).

作者简介

陈竺(1982-),女,重庆市人。硕士学位。现为重庆电子工程职业学院计算机学院讲师。主要研究方向为计算机应用技术、高职教育。

作者单位

重庆电子工程职业学院计算机学院 重庆市 401331

摘 要

计算机网络技术的飞速发展,给人们的日常生活带来诸多的便利,为了保证计算机网络的正常运行,需要在实际应用中选择良好的计算机网络连接增强优化算法,本文就主要在第计算机网络连接增强优化进行简单分析的基础上,对计算机网络连接增强优化中的神经网络算法进行分析。

【关键词】计算机网络连接增强 优化 神经网络算法

计算机网络技术在发展过程中,为了避免由于不能很好满足用户的需求而被市场淘汰的现象产生,需要在其应用发展的过程中不断的进行技术创新。就我国的计算机网络技术现状来看,其连接环节相对来讲存在一些不足和缺陷,网络连接问题出现的概率比较大。为了有效的改善这一问题,本文就主要针对此予以简单分析研究。

1 计算机网络连接增强优化

计算机网络拓扑结构主要是指计算机连接网络之后,其自身设备与传输媒介所共同组成的一种物理构成模式,其网络拓扑结构的形式主要是由通信子网来决定的,其结构的主要功能是实现数据信息的网络共享、处理及交换,并要在一定程度上提升网络数据信息运行的可靠性,站在网络拓扑的结构来讲,计算机网络结构的主要部分是链路与结点,计算机网络实质上是由一组结点以及多条链路所共同组成的一种模拟结构。计算机网络通常表示为:G=,其中V表示的是网络结点集,E表示的是链路集,如果应用Va来表示结构中增加的结点集,Eb来表示增加的连接集,那么就能够得到其拓扑扩展的计算机网络结构为G=

2 基于计算机网络连接优化中的神经网络算法

本次研究中分析的均场神经网络算法实际上是一种神经网络算法与均场退火技术相结合的算法,应用这种方法能够有效的增强计算机的网络连接,并且达到更优化、更快的连接效果,这其实是一种利润最大化的网络优化算法,其能够最大限度的提高计算机网络的性价比。

2.1 神经网络算法

人工神经网络属于非线性动力学系统,其能够对信息进行分布式的存储及协同处理,其在人工神经网络之上的人工神经网络系统的基础之上,应用网络算法及网络模型进行各种信号的处理,或者是对某种运行模式进行识别,从而建立其一个独立的专家系统,或者是构成机器人,当前在多个领域中,人工神经网络系统都得到了广泛的应用,在该基础上所发展起来的人工神经网络算法是一种监督性的学习算法,人们对于其重视程度逐渐增加,但是在实际的应用中,其存在收敛速度较慢的缺陷,难以保证将收敛程度压制到全局的最小点,容易导致计算机网络学习及记忆不稳定性增强的问题,这会对计算机网络的连接效果造成直接的影响,做好其网络连接的优化非常的必要。

2.2 均场神经网络算法

在基于计算机网络连接增强优化下的均场神经网络算法的研究中,对其网络效果进行判断,需要建立起一个完整的场均神经网络模型,在模型的构建过程中,应该做好函数法构造过程中的目标函数的构建问题,具体的构建方式表现为:应用Si来表示Hopfield计算网络中的一个神经元状态,并且规定当Si=1时,表示的含义是网络选中了连接i,可以实现正常的连接,当Si=0时,表示的含义是:网络中没有选中连接i,网络无法实现正常连接,再应用罚函数法就结构来进行网络模型的创建,保证下式成立:

F=max(ΣPi*Xi)

ΣCi*Xi≤W

那么需要控制的目标函数表示为:

上式中,w=(αripi-βcici)d,Ii=βwci,其中α,β表示的是Lagrange参数,构造Lyapunov能量函数表示为:

,Hopfield神经网络的结构表示为:

引入均退火技术,也就是以随机变量均值的函数代替随机变量函数的均值,得到下式:

上式中,表示的含义是:x的均值,应用均场变量Vi来代替随机变量均值就能够得到均场网络的结构,将其应用下式来进行表示:

均场网络的能量函数值可以表示为:

显而易见,网络的稳定状态对应于超立方体{0,1}“的2”个角,也就是上式定义的能量函数的局部最小值。

对其算法步骤进行简单分析,主要表现为:

(1)依据问题进行参数设定,包括:停止准则、热平衡准则、起始温度、Lagrange参数。

(2)初始化,Vi=rand(d,1-d),i=1,2,3,4…,N,其中rand(d,1-d)随机生成分布在d与1-d之间。

(3)重复上述操作,直到其能够满足停止准则。

2.3 实例分析

根据上文中分析的计算方法,在得到计算结果之后,能够对均场网络算法的可行性及有效性进行判定,我们分别采用模拟退火算法、遗传算法、均场神经网络算法进行比较,结果显示模拟退火算法需要计算99次,这样才能保证计算出规定的连接集,并从中获取一定的利润值,在遗传算法中需要进行96次的计算,在均场神经网络算法中,需要实施88次的计算,均场神经网络算法在获得网路连接效果等方面,更快、更加有效,更适宜应用于计算机网络连接的增强优化以及网络结构拓扑的扩展工作中。

3 结束语

随着计算机网络技术的快速发展,其在人们的日常生产生活中具有非常广泛的应用,在其网络运行过程中,出现的各种网络连接故障对于用户的正常应用具有非常大的影响,造成严重的经济损失,在现有基础上,增强计算机网络优化连接效率是非常必要的,本文就主要针对此进行了简单分析,对于实际的网络连接增强优化工作具有一定的参照作用。

参考文献

[1]朱云.计算机网络连接增强优化中的神经网络算法[J].煤炭技术,2012(04).

[2]王颖华,金爱花.计算机网络连接增强优化中的均场神经网络算法[J].硅谷,2013(08).

作者简介

陈竺(1982-),女,重庆市人。硕士学位。现为重庆电子工程职业学院计算机学院讲师。主要研究方向为计算机应用技术、高职教育。

作者单位

重庆电子工程职业学院计算机学院 重庆市 401331

技术文

咨询论文发表及论文撰写
论文网在线收录7500余种期刊杂志,种
类遍及教育、医学、经济、管理、工业等
多门类杂志的杂志推荐服务。
版权所有@2006-2019
信息产业部备案:闽ICP备05018688号-1
论文网 职称论文 职称论文发表 论文发表
值班电话
15377980356
15377980356

在线客服
228523050

咨询电话
15377980356
邱老师
业务内容
优秀杂志
支付方式
常见问题
网站地图
经营许可