前言：中文期刊网精心挑选了常见的神经网络算法范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
常见的神经网络算法范文1
基金项目:云南省自然科学基金（2009ZC128M）.
作者简介:杨华芬（1981-），女，硕士，讲师.主要研究方向:神经网络与遗传算法.
摘要: 传统遗传算法优化神经网络存在“近亲繁殖”、“早熟收敛”、收敛速度慢和容易陷入局部极小等缺点.将适应度与相应的个体数目相联系，提出一种自适应交叉变异概率，并将其用于遗传操作，使得个体具有较强的多样性，一定程度缓解种群“早熟”；将单纯形法和遗传算法结合到一起，使遗传算法的搜索更具有方向性，提高遗传算法的搜索能力，加快收敛速度.仿真实验进一步证明本文提出的算法对加快收敛速度，防止“近亲繁殖”，保持种群多样性比较有效.
关键词: 单纯形法；交叉概率；变异概率；遗传算法；神经网络
中图分类号:TP18
文献标识码:A文章编号:1672-8513(2010)04-0301-04
An Adaptive Neural Network Optimization Based on Hybrid Genetic Algorithms
YANG Huafen
(Department of Computer Science and Engineering, Qujing Normal University, Qujing 655000，China)
Abstract: There are such defects in the traditional genetic algorithms as “inbreeding”, “prematurity”, slow convergence speed and easy orientation to the local minimum. Through the improving of crossover probability and mutation probability, the diversity of the network could be maintained and it avoids prematurity to some extent. The combination of the simplex method and the genetic algorithm makes the genetic algorithm search more directional and improves the search ability of genetic algorithms. The experiments show that this approach of neural network avoids effectively “prematurity” and “inbreeding” while increasing the convergence speed and maintaining the diversity.
Key words: simplex method; crossover probability; mutation probability; genetic algorithms; neural network
神经网络(Neural Network，NN)以其并行分布处理、自组织、自适应、自学习、具有鲁棒性和容错性等独特的优良性质在模式识别、预测等方面得到广泛应用.应用较为广泛的就是BP网络［1-2］，但传统的BP网络学习时容易陷入局部极小，以及收敛速度慢等缺点.遗传算法（Genetic Algorithms，GA）具有较好的全局搜索能力和鲁棒性，将NN和GA结合可以优势互补，但在进化过程中容易出现“早熟收敛”.出现这一现象的根本原因是种群经过进化以后，优胜劣汰，种群的适应度趋同，用这些个体进行遗传操作难以产生优良个体［3］.为改进GA的性能，国内外学者做了大量的研究，提出许多改进算法.文献［4］对适应度进行变换；文献［5］提出自适应交叉变异概率；文献［6］采用自适应比例选择策略，依据种群性状的改变而动态地调整选择压力；文献［7］提出了一种基于实数编码的自适应多亲遗传算法；文献［8］根据个体的最大适应度和平均适应度提出自适应交叉和变异概率.但种群的某一个个体的适应度大不能代表种群的整体适应度大，因此，文献［8］提出的交叉/变异概率不能随着种群个体适应度的变化而变化.
遗传算法为指导性搜索算法，全局搜索能力较强，但其局部搜索能力较弱，导致优化解质量不高.单纯形法(Simplex Method，SM)［9］，也称可变多面体搜索法，是确定性下降方法，局部搜索能力很强.将搜索机制上存在如此差异的2种算法进行混合，有利于丰富搜索行为，增强全局和局部意义下的搜索能力和效率.
本文提出一种基于混合算法的自适应神经网络优化设计方法.首先，将个体适应度和相应的个体数目联系，提出自适应交叉概率（pc）和变异概率（pm），让pc和pm随着个体适应度的变化而变化，既能开发优良个体又能保证算法收敛；其次，将单纯型算法用于优化自适应遗传算法得到的个体，指导遗传算法进行寻优.该混合算法不仅具有遗传算法通用、简单、全局随机搜索的优点，而且融入了局部搜索法的快速寻优并收敛的优点，在一定程度上保持种群的多样性，防止“种群早熟”，提高学习速度.
1 改进遗传算法
1.1 神经网络的基因编码
常见的神经网络编码有二进制和实数编码，若采用二进制编码，会造成编码串太长，且需要再解码为实数，影响网络学习的精度.本文采用实数编码，如图1所示的网络，编码为：xij,θj,yjk，其中i,j，k分别
3.2 仿真实验
本文以表1所给的的数据（番茄常见病害特征参数），作为所要构建的神经网络的输入，网络的输出作为诊断所得到病害.7个输出参数：x1为发病部位；x2为病斑颜色；x3为病斑形状；x4为霉层颜色；x5为霉层形状；x6为生长特征；x7为其他特征.4个网络输出y1，y2，y3，y4为二值输出，其输出的16种状态分别表示16种常见的病害（番茄茎基腐病、番茄白绢病、番茄斑枯病等）.
在建立基于混合遗传算法的BP神经网络模型时网络连接权的基本解空间初步设定为［-15，15］，阈值解空间初步设定为［－10，13］，隐节点个数为15.遗传算法进化过程中初始种群数目L=50，总的进化代数为K=150，根据(2)和(3)式求取交叉变异概率.
常见的神经网络算法范文2
Abstract： FIR filter is designed by the genetic algorithm based on BP neural network. Aimed at the difficulty of global optimization and the slow computational rate, an improved method is given. The algorithm takes advantage of the global search capabilities of genetic algorithm and the strong search efficiency of BP neural network. It optimizes the search time and improves the performance of the algorithm. It is particularly effective for solving large-scale optimization problems. The example of low-pass filter designed by the improved algorithm shows its feasibility.
关键词： FIR滤波器；遗传算法；BP神经网络
Key words： FIR filter；genetic algorithm；BP neural network
中图分类号：TP39 文献标识码：A文章编号：1006-4311（2011）17-0037-02
0引言
在数字信号处理中，滤波器一直占有重要的地位，数字滤波器在语音、图像处理和谱分析等应用中经常使用，其优化设计一直受到广大研究者和工程人员的关注。其中FIR数字滤波器有自己突出的优点：系统总是稳定的，易于实现线性相位，允许设计多通带或多阻带滤波器等。因此FIR滤波器在数字信号处理中得到广泛的应用。
窗函数法设计数字滤波器是最常见方法，但是一些常见窗口函数，如矩形窗、汉宁窗等，窗口形状固定，不能很好地满足多样性需求[1]。而利用凯塞给出的经验公式则需要多次尝试。利用Parks-McClellan算法能够设计出性能最优的数字滤波器，但是算法实现过程十分复杂。FIR数字滤波器设计的问题是一个多变量多极值的寻优问题。遗传算法正是求解最优问题的有效方法，所以在滤波器设计中应用广泛。但是其本身也存在一些缺陷，所以可以对遗传算法进行改进，使其达到更优的效果。
1改进的遗传算法
遗传算法（Genetic Algorithm，简称GA）是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。它提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的领域和种类，具有很强的鲁棒性。
但是，遗传算法很难实现全局最优，为了使所求的解尽量靠近全局最优，避免早熟现象的出现，虽然曾有人提出对算法的流程进行改进，但是结果收敛速度非常慢，需要花十几分钟才能得到一个较满意的结果，此时对于那些对时间要求苛刻的系统就很难满足要求了[2]。通过参考相关文献[2][3]，结合BP（BackPropagation）神经网络的优点，将BP神经网络引入遗传算法，这就是改进的遗传算法，即基于BP神经网络的遗传算法，充分利用遗传算法全局搜索功能强和BP神经网络算法局部搜索能力强的特点，对于求解大规模多极值优化问题特别有效。
2FIR滤波器
2.1 FIR数字滤波器的频率特性数字滤波器是对一个数字信号按照一定的要求进行运算，然后以数字形式输出的系统。输出仅与过去以及现在的输入有关的数字滤波器称为有限冲激响应FIR数字滤波器。可以表示为[4] [5]：
3改进的遗传算法的实现
将BP神经网络与遗传算法相融合，一方面由遗传算法保证学习的全局收敛性，克服BP对初始值的依赖性和局部收敛问题；另一方面，与BP算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题，而有助于提高它的搜索效率。该算法实现的基本思想[7][8]是：在遗传算法每完成一定代数的进化后，保存当前最优个体，对其余个体进行一次神经网络的优化汁算，产生新的个体，这些新个体和保存的最优个体一起，形成新的一代种群，再参与到下一代的进化中。
具体流程[2][9]如下：
第1步：随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码；
第2步：分成三个小的步骤，分别如下：
A．判断进化代数或者误差是否满足设定值，若满足则转C；
B．计算个体的适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表的最优解，并结束训算；否则转向第3步；
C．保留最优个体，其余个体参加BP神经网络的优化计算，产生的新个体和保留的最优个体一起构成新的种群，转B。
第3步：依据适应度选择再生个体，适应度高的个体破选中的概率高，适应度低的个体可能被淘汰；
第4步：按照一定的交叉概率和交叉方法，生成新的个体；
第5步：按照一定的变异概率和变异方法，生成新的个体；
第6步：按照交叉和变异产生新一代的种群，返回第2步。
在选择BP神经网络算子时，每当进化进行了指定的代数，便保留最优个体，其余的个体全部参加BP神经网络算法，产生全新的个体。我们选择这个代数为10至20代。
下面以一个实例进行说明：
例设计一个低通滤波器，其参数分别为wp=0.2?仔，ws=0.3?仔，ap=0.25dB，as=50dB，初始阶数可以由文献[5]确定为M=42。
在此例中，选定初始种群为600，截断概率为0.5，交叉概率为0.1，变异概率为0.01。在运用BP网络时，设置网络隐含层的神经元数为5个（当神经元数为3，4，5时，其输出精度都相仿。一般的讲，网络神经元的选择原则是：在能够解决问题的前提下，再加上一个到两个神经元用以加快误差的下降速度。而当神经元数过大时，会产生其它的问题）。在隐含层选择作为传递函数，用作为网络训练函数，则由改进的遗传算法设计出来的结果M=48（窗函数法设计M=61，频率采样法M=61）。
4结论
本文方法对遗传算法进行了改进，利用改进的遗传算法成功地完成了对FIR低通滤波器的优化设计。例子表明文中的滤波器设计的结果优于窗函数法和频率采样法，得到了较低的滤波器阶数。也进一步证明了遗传算法全局搜索功能强和BP神经网络算法局部搜索能力强。通过改变参数，也可以实现其他类型的优化设计。
参考文献：
[1]王秋生，袁海文，黄娇英.基于遗传算法和余弦序列的数字滤波器设计[J].电子测量与仪器学报，2008增刊：212.
[2]邵仕泉.基于BP神经网络的遗传算法在数字滤波器设计中的应用[D].成都：电子科技大学，2005.
[3]周燕.遗传算法与BP神经网络相结合的说话人识别系统[J].传感器与微系统，2009,28（6）:98-99.
[4]Robert Meddins. Introduction to Digital Signal Processing[M]. Newnes,2000.
[5]余成波.数字信号处理及MATLAB实现（第2版）[M].北京：清华大学出版社，2008.
[6]杨福宝.基于遗传算法的FIR数字滤波器的优化设计[J].武汉理工大学学报，2002,26（4）：55.
[7]胡玉兰，苑薇薇，王雷.基于改进的混合基因算法的-./数字滤波器设计[J].数据采集与处理，2006，21(2):223-224.
常见的神经网络算法范文3
【关键词】 图像识别技术 神经网络识别
模式识别研究的目的是用机器来模拟人的各种识别能力―比如说模拟人的视觉与听觉能力，因此图像识别的目的是对文字、图像、图片、景物等模式信息加以处理和识别，以解决计算机与外部环境直接通信这一问题。可以说，图像识别的研究目标是为机器配置视觉“器官”，让机器具有视觉能力，以便直接接受外界的各种视觉信息。
一、图像识别系统
一个图像识别系统可分为四个主要部分：被识图像、图像信息获取、图像预处理、图像特征提取、分类判决。
二、图像识别方法
图像识别的方法很多，可概括为统计（或决策理论）模式识别方法、句法（或结构）模式识别方法、模糊模式识别方法以及神经网络识别方法。重点介绍神经网络识别方法。
2.1神经网络识别方法
2.1.1人工神经网络的组成
人工神经网络（简称ANN）是由大量处理单元经广泛互连而组成的人工网络，用来模拟脑神经系统的结构和功能。而这些处理单元我们把它称作人工神经元。
2.1.2人工神经网络的输出
2.1.3人工神经网络的结构
人工神经网络中，各神经元的不同连接方式就构成了网络的不同连接模型。常见的连接模型有：前向网络、从输入层到输出层有反馈的网络、层内有互联的网络及互联网络。
2.1.4 学习算法
1）感知器模型及其算法
算法思想：首先把连接权和阈值初始化为较小的非零随机数，然后把有n个连接权值的输入送入网络中，经加权运算处理后，得到一个输出，如果输出与所期望的有较大的差别，就对连接权值参数按照某种算法进行自动调整，经过多次反复，直到所得到的输出与所期望的输出间的差别满足要求为止。
2）反向传播模型及其算法
反向传播模型也称B-P模型，是一种用于前向多层的反向传播学习算法。
算法思想是：B-P算法的学习目的是对网络的连接权值进行调整，使得调整后的网络对任一输入都能得到所期望的输出。学习过程包括正向传播和反向传播。正向传播用于对前向网络进行计算，即对某一输入信息，经过网络计算后求出它的输出结果；反向传播用于逐层传递误差，修改神经元之间的连接权值，使网络最终得到的输出能够达到期望的误差要求。
B-P算法的学习过程如下：
第一步：选择一组训练样例，每一个样例由输入信息和期望的输出结果两部分组成；第二步：从训练样例集中取出一样例，把输入信息输入到网络中；第三步：分别计算经神经元处理后的各层节点的输出；第四步：计算网络的实际输出和期望输出的误差；第五步：从输出层反向计算到第一个隐层，并按照某种原则（能使误差向减小方向发展），调整网络中各神经元的权值；第六步：对训练样例集中的每一个样例重复一到五的步骤，直到误差达到要求时为止。
3）Hopfield模型及其学习算法
它是一种反馈型的神经网络，在反馈网络中，网络的输出要反复地作为输入再送入网络中，使得网络具有了动态性，因此网络的状态在不断的改变之中。
算法思想是：
（a） 设置互连权值
其中xis是s类样例的第i个分量，它可以为1或0，样例类别数为m，节点数为n。
（b） 未知类别样本初始化。 Yi（0）=Xi 0≤i≤n-1
其中Yi（t）为节点I在t时刻的输出，当t=0时，Yi（0）就是节点I的初始值，Xi为输入样本的第I个分量。
（c） 迭代直到收敛
常见的神经网络算法范文4
1基于GA算法改进的BP神经网络
1.1BP神经网络
BP神经网络是一种基于误差反向传播算法的前馈型网络，通常由输入层、隐层和输出层组成，各层具有若干个神经元。网络训练包含信号正向传播和误差反向传播2种过程，通过输出层的输出结果与期望输出的误差来间接调整网络各层的权值，直至获取最优结果。BP神经网络模型如图1所示神经元节点的激活函数定义了对神经元输出的映射关系。作为激活函数求解神经网络中神经元的总数、目标值以及误差值，此处采用S型函数（1）在保证计算精度的前提下，应尽可能减少隐层的节点数量，使网络具备良好的性能和泛化能力，避免发生训练过拟合现象。
1.2遗传算法优化的BP神经网络
为了提升BP神经网络性能，采用遗传算法来优化BP神经网络的初始权阈值，以加快学习收敛速度，优化后网络的结构如图2所示。流程关键节点描述：（1）编码方式GA算法多采用二进制编码方式，存在着连续函数离散化时的映射误差。个体长度较短则达不到精度要求；较长时则会提升解码难度，算法搜索空间变大，搜索效率得不到保证。因而采用浮点编码法来降低计算的复杂性，提升算法在较大空间的遗传搜索能力，以较小的个体长度来满足高精度要求。并随机产生初始种群。（2）适应度函数的求解该函数用于评估种群中的个体，个体的适应度越高，被选中的概率越大。利用适应度函数能够缩小初始权阈值的最优解分布范围，避免网络陷入局部极小，从而降低训练次数，加速网络收敛。适应度函数最后，得出最优个体，并将其作为BP网络的初始权值阈值进行学习训练。
2试验过程
减速器的众多故障中，齿轮与轴承故障率占比较高。常见的齿轮故障类型主要有：齿轮崩齿、中轴窜动、轴承内圈划伤以及齿面点蚀、磨损、胶合等。部分故障模型分别如图3所示。为了获取减速器的实际振动数据，以ZQ-650型减速器为研究对象，利用转矩转速传感器和加速度传感器获取测试点的振动信号。试验过程中，利用传感器采集正常工况下齿轮箱的振动信号，并通过在试验对象相关部位人为设置故障以模拟故障工况。故障检测模型如图4所示。为了确保所获取信号具备全面性和真实性，3处测试分别为箱体上表面、右侧面以及轴承座的受力方向侧。采样参数：采样点数4096，频率分别为850、1100、1400、2700Hz。依据实际作业情况，通过对振动信号的时域和频域分析，得出减速器的故障特征参数，并从特征参数集中提取较为敏感的7个特征值作为故障特征向量，分别为频谱重心、波形指标、裕度指标、峭度指标、偏态指标、频域方差以及相关因子，并将其作为检测模型的输入。模型的输出为5位的故障编码。本文中减速器正常与故障类型样本各取53个，共计315个。故障样本如表1所示。
3试验分析
为了使试验结果具备可比性，分别建立传统BP与GA-BP网络的减速器故障诊断模型，并采用同样的数据进行测试。其中，BP神经网络拓扑结构为7-13-5，学习算法采用梯度下降法，学习率为0.01，最大迭代次数为4000，网络训练目标为0.01。GA-BP神经网络初始种群规模设置为20，交叉和变异概率分别为0.61、0.02，拓扑结构及其他参数设置与BP神经网络相同。图5为2种网络的训练样本误差变化曲线。3200次迭代后，训练精度为0.3101，相较于传统BP网络的0.6092，提高了96.45%。并且传统BP网络经过1150迭代后收敛速度变缓，训练精度提升不显著，易导致网络陷入局部最优。可以表明，GA-BP网络具备良好的容错能力，学习训练的速度较快，故障分类效果更为优秀。运用2种网络故障诊断模型，分别对测试样本进行故障检测与分类试验，针对不同故障识别结果对比如表2中所示。检测准确率为检测正确总数与测试样本总数的比值。由表2可知，GA-BP网络的故障检测准确率相较于传统BP网络，提高了21.13%，检测能力提升较为明显。各类型故障的检测准确数量均高于未优化的BP网络，尤其是针对齿面点蚀(G2)、轴承内圈划伤(G4)、齿轮崩齿(G5)3类故障，检测准确率分别提高了28.3%、24%、24%。由此可以表明，基于GA算法改进的BP算法训练结果较为理想，能够对减速器故障检测预测起到良好的效果。
4结语
常见的神经网络算法范文5
关键词：模糊C均值聚类；BP神经网络算法；铸体薄片图像；孔隙识别
中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2013）30-6872-02
在油气预测、油气储量计算过程中，储层孔隙度是非常重要的参数，因此求取储层孔隙度及其他参数是地质建模中的关键一步。在科技迅猛发展过程中，运用铸体薄片图像分析技术手段作为主体技术，对孔隙识别和求取物性参数有直观的技术优势，并且为准确识别油气层奠定了坚实的基础[1]。彩色图像比灰度图像包含更多有价值的空间信息，选取合适的彩色空间是有效分割彩色图像的基础，常见的颜色空间有RGB空间、HSV空间、CIE Lab空间、CMYK空间等，其中CIE Lab是建模于人类视觉感知的，具有感知上的均匀性，而且该空间具有欧式距离不变性[2]。该文使用的图像主要内容为岩石颗粒和孔隙，其中孔隙呈红色分布，该文的主要目的就是将红色的孔隙区域与背景分割开并运用BP神经网络算法将其识别。
1 FCM聚类算法
4 总结
本文利用模糊c均值聚类和BP神经网络相结合的方法处理彩色图像分割问题，针对现有的铸体薄片图像，该方法达到了良好的分割效果，下一步的工作是将该方法应用于实时采集的图像中，并对分割出来的目标区域进行一系列参数计算，为后期三维重构提供支持。
参考文献：
[1] 刘庆利，吴国平，胡剑策.铸体薄片图像分析法求取储层孔隙度[J].测绘科学技术学报，2009，26（1）：69-71.
[2] 陈丽雪，陈昭炯.基于Lab 空间的图像检索算法[J].计算机工程，2008，34（13）：224-226.
[3] 刘一超，全吉成，王宏伟，等.基于模糊c均值聚类的遥感图像分割方法[J].Image Processing and Multimedia Technology，2011，30（1）：34-37.
[4] 谢文兰，石跃祥，肖平.应用BP神经网络对自然图像分类[J].计算机工程与应用，2010，46（2）：163-166.
常见的神经网络算法范文6
关键词：神经网络；计算机网络安全评价；应用探析
现如今，人们的日常生活和工作都已经离不开计算机，但各类安全风险也屡次出现在使用过程中，给用户带来很多的担忧和不便。神经网络在多个方面都具有智能人工算法技术，如组织能力和适应能力等，能为计算机网络安全评价起到了极大的作用。
1 神经网络的概念
（一）神经网络的发展
神经网络（neural network，NN）是对神经单元通过大量处理，而组建的网络复杂结构，具有简化和模拟人体大脑的功能。在储存信息上，神经网络的学习能力和适用能力都很强大，并具有十分可观的容错能力，是传统信息算法的有效突破，可以将处理信息的方式按照人体大脑思维模式来进行。人工神经网络于20世纪40年代开始初步研究，同时对MP神经元模型有了认识。到了20世纪50年代末，研究者们通过MP神经元模型将感知器这一实物进行了设计。美国国防部于20世纪90年代初对神经网络的各个应用领域进行了进一步开发，第一是地震信号监测；第二是识别目标；第三是识别和处理声呐信号等，并具有很大的进展。神经网络技术在中国的起步开始于20世纪80年代末，虽然起步较落后于其它国家，但在研究成果上也有很大的成效。
（二）神经网络的特点
神经网络的特点可以分为四点，第一是学习能力；第二是分布式；第三是并行性；第四是非线性等。首先，较好的学习能力是神经网络的主要特点，其可以根据抽象训练而得到样本的相关数据特征，这不仅说明神经网络的智能运用，更是充分体现了强大的网络计算机适应功能。其次，分布式在传统计算机中是串行运行的，在不同的单元中储存信息，如果其中一个存储单元遭到破坏都将对整个信息存储造成影响。但在神经网络中，其是通过神经元来分散储存信息，连接权值和单独的神经元必须进行组织才能发挥作用。如果损坏到连接权值或是单一神经元，不会影响到整体信息，这是神经系统具有强大稳定性和容错能力的表现。同时，在外界干扰下输入信号，不会产生较大畸变的输出信号。再次，神经网络的联想能力通^分布式的结构来实现，其主要体现在对人体大脑结构通过网络来进行模拟。在信息被神经元接收并进行处理时，每个神经元都是单独的，对接收信息进行分别处理再各自输出，这是神经网络的并行性，其具有极高效率的信息处理能力。最后是神经网络的非线性，其能对输入和输出的非线性映射有效实现，输入与输出的分线性关系通过神经网络，可以对大部分无模型的非线性关系加以模拟，是研究非线性系统的主要途径。
2 计算机所存在的网络安全问题
计算机所面对的网络安全问题大致可以分为几类，第一是病毒危害；第二是黑客攻击；第三是IP地址盗用等。网络安全有保密性、完整性、可用性、可控性、可审查性等五个方面的特点。网络安全问题中，计算机病毒是最常见的，具有极大的破坏性和隐蔽性，并具有高传播速度。常见的计算机病毒有蠕虫和震网等，其能严重破坏计算机网络，要对其进行清除也有很大难度。近年来，黑客攻击频率也在不断增加，且具有一定的目的性，这些黑客为了窥探他人隐私，对用户计算机隐私进行窃取。部分黑客的目的是为了报复或抗议某些事件，对公共网络和政府网络进行大肆攻击，企图对网页内容进行篡改，造成一定的社会负面影响。另外，IP地址盗用也是计算机网络安全中的主要问题，对用户IP进行盗取，并骚扰和破坏使用用户的个人信息等，给用户的个人信息安全带来了极大隐患。
3 计算机网络安全评价中神经网络的应用
（一）安全评价体系的建立
计算机网络安全评价对于计算机相关安全隐患都有所包含，其可以通过神经网络来对网络安全评价体系进行建立，预防潜在威胁对计算机网络造成的破坏。第一步需要对安全评价指标进行确立，其应当具有最基本的几项原则，第一是独立；第二是准确；第三是可靠。在进行评价时，应当选择评价对象强层分明的代表性。第二步是对评价指标进行各项标准化和取值。由于每个评价指标具有不同对象的评价，所以每个评价指标的标准和取值也是有差别的。第三步是评价结果库的建立，其完整的建立应当根据不同评价指标的不同特点来进行参考。如要对网络安全级别进行结果评价，可以分为几个等级，第一是安全；第二是比较安全；第三是不安全；第四是严重危害等，并对每个评价做出详细的说明，使计算机网络安全形成的原因、结果和评价得到用户的清楚认识。要对网络安全评价体系进行建立，可以通过几个原则来进行，第一是准确性；第二是完整性；第三是独立性；第四是简要性。
（二）BP神经网络的应用
在计算机网络的应用中，使用最为广泛的是BP（Back Propagation）神经网络。BP神经网络具有学习、记忆和自适应等能力，能够有效处理非线性、不确定性或模糊关系。BP神经网络通过对样本信号不断传播和训练，保证最低限度的误差传播，其在实际应用过程中，具有很大的安全作用。在识别对象和分类上，BP神经网络的灵敏度都十分优越，可以对网络安全中心进行快速的诊断和监督。但是，BP神经网络的缺陷在于鲁棒性和容错率相对较低，在快速实现安全监测的同时，难以保证准确度。另外，收敛效果不佳也是BP神经网络算法存在的问题，其缺少标准统一的网络隐层节点。安全评价模型依靠BP神经网络来建立，首先要使神经元接数量在输入层设计中达到评价指标。然后利用单层结构来设计隐层含，对选取的节点数量进行网络综合考量。最后是安全评价结果利用输入层来进行设计，以保证精确性的安全评价。
（三）ART神经网络的应用
ART（Adaptive Resonance Theory）神经网络，即自适应共振理论神经网络，是一种自组织神经网络结构，是无教师的学习网络。ART能自组织地产生对环境认识编码。ART神经网络适用的网络安全评价包括有谣言散播和攻击他人等一些非安全性操作。在功能上来讲，ART主要对语音、图像、文字等进行识别，对其安全程度进行判断，并通过搜索大量数据来对模式建立固定的安全评价模型。ART神经网络的优势在于稳定性强、聚类效果好，其适应能力能在多变复杂的环境进行转变，且算法相对简单。但是，ART的缺陷在于是对模型和参数进行确定，还需学习和优化其网络结构。ART神经网络可以有效监测对信息数据的传播，然后通过模型库来对比传播信息的安全程度，并作出相对应的处理程序。所以，ART可以为用户的网络环境起到净化作用，带来安全良性的网络空间。
4 结束语
在计算机网络的快速发展中，网络安全是使用者们最为担心的障碍。神经网络通过高科技技术手段，可以对计算机网络安全评价体系做出全面优化，保证网络安全的精确性和稳定性。
参考文献
[1]李忠武，陈丽清. 计算机网络安全评价中神经网络的应用研究[J]. 现代电子技术，2014，10：80-82.
[2]岳阳. 基于BP神经网络的计算机网络安全评估[J]. 电脑知识与技术，2013，18：4303-4307.
[3]孙立权，杨素锦. 计算机网络安全评价中神经网络的应用[J]. 信息系统工程，2015，01：81.
