前言：中文期刊网精心挑选了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。
神经网络算法范文1
【关键词】深度学习 卷积神经网络 权值共享 下采样 R-CNN Fast-R-CNN
1 绪论
随着电子信息技术的快速发展，芯片的设计与生产进入了纳米时代，计算机的计算能力与计算速度得到了空前的提高，但是人们的需求是无限的，要求计算机能更加任性化的服务于我们的生活，这也就要求计算机本身能像人一样识别与感知周围的环境，并对复杂的环境做出正确的判断。而图片信息是我们周围环境最直观的，最容易获取的信息，要求计算机能对为的环境做出识别与判断也就要求计算机能够智能的识别图像信息。深度学习是机器学习中的一个新的研究领域。通过深度学习的方法构建深度网络来抽取目标特征进而识别周围的环境。卷积神经网络对图像的处理具有平移，旋转，扭曲不变的优良特性。在处理图像是更加快捷和便利。卷积神经网络使得计算机在感知识别周围环境的能力有了巨大的提升，使得计算机更加智能。卷积神经网络拥有强大的特征提取能力，使得其在图像分类识别，目标跟踪等领域有着强大的运用。
1.1 国内外研究现状
1986年，Rumelhart和Mc Celland提出BP算法。BP算法反向传导神经网络输出误差进行训练神经网络。通过BP算法，神经网络能够从大量训练数据中的学习到相关统计信息，学习到的数据统计信息能够反映关于输入-输出数据模型的函数映射关系。
自2006年以来，Geoffery Hinton教授提出深度信念网络。从此深度学习在学术界持续升温。深度学习不仅改变着传统的机器学习方法，也影响着我们对人类感知的理解，迄今已在语音识别和图像理解等应用领域引起了突破性的变革。各种相关的算法和模型都取得了重要的突破，使得深度学习在图像分类，语音识别，自然语言处理等领域有广泛的运用。
2013年百度成立百度深度学习研究院以来我国的人工智能领域取得了长足的进步。在人工智能专家吴恩达的带领下，百度陆续推出一系列人工智能产品，无人驾驶技术，DuerOS语音交互计算平台，人脸识别技术，美乐医等优秀产品。此外Imagenet图像识别大赛中也诞生了一系列经典的神经网络结构，VGG，Fast-R-CNN，SPP-net等等，可以说人工智能技术在近几年得到了空前的发展。
2 深度学习概述
深度学习是机器学习的一个新方向，通过学习样本数据内在规律和深层特征深度，深度学习神经网络能够像人一样有分析和学的能力，尤其在文字处理，图像识别，语音等领域更加突出。能够自主学习一些新的东西。目前深度学习使用的典型技术是通过特征表达和分类器来进行目标识别等任务的。并在语音识别、图像处理、机器翻译等领域取得很多成果。
深度学习不同于以往的浅层学习，浅层学习模型值包含一个隐藏层，或者不存在隐藏层，深度学习则是由很多隐藏层组成的，上一层的输出作为下一层的输入，实验对输入信息进行分级表达。目前深度学习框架主要包含三种深度学习框架，如图1、2、3所示。
3 卷积神经网络
卷积神经网络的结构层次比传统的神经网络复杂，卷积神经网络包含大量的隐藏层，相邻的卷积核或者下采样核采用局部感受野全链接，神经元权值共享的规则，因此卷积神经网络训练参数的数量远比传统神经网络少，卷积神经网络在训练和前向测试的复杂度大幅度降低，同时也减少了神经网络训练参数过拟合的几率。卷积神经网络主要有两部分，分别是卷积核和下采样核。卷积核主要对上一层的图像进行卷积运算，提取图像特征，下采样核则是对上层的数据进行将为处理，减少神经网络的复杂度。
卷积神经网络中每一个神经元的输入与前一层的局部感受野相连，提取局部感受野的特征，比如图像的轮廓，颜色等特征，而这些特征不仅包括传统人类能理解的特征，也包括神经网络自身能够识别的特征，卷积核全职共享，因此这些特征提取与图像的位置无关。
图4是经典的LeNet5卷积神经网络架构，LeNet5架构中卷积核和下采样核交替出现，下采样核及时的将卷积核生成的特征向量进行降维，减少神经网络的运算量。LeNet5算法在1962年幼Hubel等人提出，在识别手写数字mnist中有极高的准确率。
4 R-CNN、Fast-R-CNN对比分析
卷积神经网络在对图像进行识别具有平移，旋转，扭曲不变的优良特性，并且能够实现高准确率识别图像，但是在现实生活运用中往往需要神经网络标记出目标的相对位置，这是传统卷积神经网络不具备的功能。因此在前人传统卷积神经网路基础上对卷积神经网络进行改进，产生了具有对图像中目标进行识别和定位的卷积神经网络R-CNN，Fast-R-CNN等改良算法。
4.1 R-CNN
R-CNN为Region Convoluntional Neural Network的缩写即对图像进行局部区域的卷积处理，其核心思想主要是利用候选区图像对物体探测中位置信息进行精确处理和利用监督式预训练和区域特殊化的微调方法，代替了传统的非监督式预训练和监督式微调。
在CNN中，全连接层输入是固定大小的，因此R-CNN用计算机视觉算法将每一张图片分割成1000-2000张的候选区图片后，要将这些候选区图片进行变换，生成固定大小的候选图片，在训练提取特征时一般采用经过预训练的模型参数进行finetuning，榱嗽黾友盗费本，模型在也将生成的候选框以及标定的标签作为训练样本进行训练。R-CNN采用SVMs分类器对特征向量进行分类，在训练SVMs时将候选框经过卷积神经网络提取的特征和SVM标定结果输入到SVMs分类器训练分类器模型。而在测试时将图像全部候选框经过卷积神经网络提取的特征输入到SVMs分类器中，得到每一类的评分结果。但是R-CNN在处理一张图片是要处理需要对一张图片1000-2000个候选区图像进行前向运算，保存所有后选取图片的特征值，要求计算硬件有大量的存储空间，同时处理每一张图片的时间也会增加。由于训练集庞大，本文采用hard negative mining method方法提高存储的利用率。
R-CNN的体现出了极大的优势，其中MAP也可以大幅度提高，但是正如本文上述，R-CNN计算的时间成本很大，达不到实时的计算效果，R-CNN在对候选区进行处理时会使得图像失真，部分信息丢失。
4.2 Fast-R-CNN
Fast-R-CNN则是再次改进的一种基于卷积神经网络目标跟踪定位算法。相比于R-CNN，Fast-R-CNN从单输入变为双输入，在全连接层后有了两个输出，引入了Rol层。
Fast-R-CNN在运行的时候同样会生成大量的候选区，同时将原始的图片用卷积神经网络进行特征提取，将原始图片提取的特征与生成的候选区坐标送入Rol层为每一个候选区生成一个固定大小的特征向量。最后将Rol生成的特征向量全连接层产生最终的LOSS。Fast-R-CNN中的LOSS采用多LOSS模式，SoftMax LOSS用于计算K+1分类的损失，K为第K个目标，1为背景；Regression LOSS计算候选区的四个角的坐标。
Fast-R-CNN在MAP上有了大幅度的提升，速度也得到了提升，但是在计算候选区是仍存在瓶颈，这也是限制Fast-R-CNN速度的因素。
5 实验测试
对于本文提出的卷积神经网络识别图像定位图像目标算法R-CNN，Fast-R-CNN，在本章给出实验结果。实验平台为基于Linux系统的debian8下运行caffe进行训练，采用显卡K620进行实验。
训练模型初始化参数在是服从高斯随机分布，R-CNN采用的网络结构如图7所示，Fast-R-CNN的网络结构如图8所示。
本次实现的训练样本为录制实验室视频数据，将视频数据转换成帧图片，对每张图片数据进行裁剪，裁剪后图像大小在256*256，共有500张，再将裁剪后的图片进行旋转，平移，扭曲，镜像，加噪声等处理，最后生成144万张样本图片，其中136.8万张图片作为训练样本，7.2万张作为测试样本。
6 总结
在目标识别定位领域，卷积神经网络具有强大的图像处理能力，对图像的识别定位具有很高度平移，旋转，扭曲不变形的优良性能。卷积神经网络架构R-CNN和Fast-R-CNN都有强大的图像处理能力。Fast-R-CNN在识别准确率上比R-CNN高。R-CNN算法复杂，对一张图片需要进行1000-2000次的卷积运算，特征重复提取。因此在训练和前向测试时，R-CNN用的时间长，不能很好的适用于处理实时图片数据，尤其视频数据。R-CNN在对每个候选区进行特征提取之后需要将提取的特征向量存入内存，降低训练测试时间的同时也需要耗费大量内存。因此从各方面分析可知，Fast-R-CNN性能优于R-CNN。
参考文献
[1]谢宝剑.基于卷积神经网络图像分类方法研究[D].合肥工业大学，2015.
[2]郑胤，陈权崎，章毓晋.深度学习及其在目标和行为识别中的新进展[J].中国图象图形学报，2014（02）：175-184.
[3]陈先昌.基于卷积神经网络的深度学习算法与运用研究[D].杭州：浙江工商大学，2006（04）：603-617.
[4]李彦冬，郝宗波，雷航等.卷积神经网络研究综述[J].计算机应用，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.
神经网络算法范文2
关键词：计算机网络模型；神经网络算法；分析
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）35-0212-02
计算机网络是人们多年研究科技进步最重要的成果，其被广泛运用到教育、工作、科学等方面，也具有良好的成就。目前，基于服务器的集线式网络具有实现网络互连的功能，但也成为了网络进一步发展的阻碍。虽然大量的信息能够丰富网络中的内容，但是其中的多媒体技术发展却使网络运行力不从心，比如图像、声音等，全面优化计算机网络整体性能是其发展的必要途径。将神经网络算法与计算机网络相结合，能够有效解决大规模复杂性的问题。
1浅析神经网络算法
1.1神经网络算法内涵
思维界认为，人类大脑思维包括灵感思维、逻辑思维、形象思维三种方式，神经网络模拟的就是人类思维的形象思维，是一种非线性动力学系统。神经网络算法指的是逻辑性思维根据逻辑规则推理的过程。神经网络的内容目前被广泛研究，包括建立理论模型、生物原型研究、建立网络模型与算法研究、人工神经网络应用系统等。
优化网络的神经网络主要是Hopfield神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hopfield神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。
1.2神经网络优化的基础
Hopfield神经网络其实是一个分线性动力系统演变的过程，通过能量函数分析系统的稳定性，将能量函数看做需要优化的问题目标函数。将能量函数的初始状态转变为稳定点这一过程，就成为求解优化问题过程，这个过程也可以称为在计算机联想记忆基础上解决优化问题的过程。
1.3神经网络优化模型的算法
反馈网络的联想记忆和优化是相对的，通过优化计算得知W，其目的就是为了找出E的最小稳定状态；联想记忆的稳定状态是特定的，要通过一些过程才能够找到适合的W。这个过程中的关键就是将问题的目标函数通过二次型能量函数进行表达。如下式所述：
Hopfield神经网络比较常见的类型有DHNN（离散型）和CHNN（连续性）两种，他们的动态方程分e为：
DHNN（离散型）动态方程：ui=fi（v1，v2，...，vN）
Vi=g（ui），vi∈{0，1}，i=1，2，...，N
式子中的gi表示为阶跃函数，vi=g（ui）[（1， ui>0）（0， ui
CHNN（连续性）动态方程：dui/dt=fi（v1，v2，...，vN）
Vi=gi（ui），i=1，2，...，N
式子中的gi表示为常用函数sigmoid，vi=gi（ui）=1/2[1+tanh（ui/u0）]，u0表示的为可控函数的斜率，当u0=0的时候，gi就为阶跃函数。【1】
1.4神经网络算法的优化步骤
其一，通过合适的问题将方法表述出来，使神经网络的输出和这一问题的解相互对应；
其二，创建有效的能量函数，要求问题的最优解能够对应最小值；
其三，使用有利条件和能量函数创建网络参数；
其四，创建对应的动态方程和神经网络；
其五，使用有效的初值，要求网络根据动态方程进行验算，直到收敛。
2基于神经网络算法的网络流优化模型
网络流优化模型的关键就是最小切割、图的划分和最大流问题，下面一一描述：
最小切割：最小切割是指寻找使隔集容量达到最小的切割。图的切割是指划分一个N―n1Un2，一个隔集为一组弧（i，j），i∈n1，j∈n2，隔集弧的权值总和为它的容量。使N=（W，T）是T=0的网络，要求能量最小为N图的最小切割。
图的划分：图的划分指的是将图划分为K个部分，要求每个部分中的节点数都相等。
最大流问题。要求有向图G（v，e）中的开始点为S，结束点为Z，边容量为Cij。如果每条边都有非负数fij，并且每条边为fij≤Cij且除了S和Z之外具有∑fij=∑fki。当S和Z有∑fsi=∑fiz=W的时候，W的最大值≤任何切割的容量。【2】
3基于神经网络算法的动态路由选择模型
通信网中的物理网络的连接一般是点到点，其可以用无向图G=（v，e）来表示，将交换节点表示为顶点，通路表示为边，每一边都有最大容量，为了能够满足网络中点和点能够相互通信，还E能够根据网络业务的量和用户呼叫为基础进行路由安排。现在一般使用的都是静态方式，能够提供给动态路由一些可能性，其的优化模型是：
如果网络图是G=（v，e），而且对网络中的边进行编号，路径经过的边表示为1，路径不经过的边表示为0，L*M神经元表示为L需要这多个路由，将备选的路由数量表示为M，如果通信网中具有N个节点，那么目标函数就是E=E1+E2+E3。【3】
4结束语
基于神经网络算法的优化网络模型有着简单、稳定、快速、规范的优势，其与其他算法相结合，能够较大程度的提高计算机网络模型的整体性能。但是Hopfield神经网络算法中的优化网络模型并不严格，它有着核心策略下降的缺点，那么在使用过程中会出现网络收敛的最优解呈局面状态、网络收敛解不可行、网络参数的不正当选择会导致偏差等，所以在今后就要深入研究计算机网络模型中的神经网络算法，使其更加完善。
参考文献：
[1]丁建立.基于神经网络算法的计算机网络优化模型研究[J].洛阳师范学院学报，2003， 22（2）：59-62.
神经网络算法范文3
关键词： 网络流量检测； 群智能算法； RBF神经网络； 网络安全
中图分类号： TN926?34； TP393 文献标识码： A 文章编号： 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
随着互联网技术不断发展和普及，互联网络中的应用和服务类型不断增加，为了提高网络安全，保护网民、公司企业以及政府部门等的财产与利益，需要对网络流量进行高效的监测[1?2]。
RBF神经网络具有强大的非线性拟合能力，即非线性映射能力，以及自学能力，同时便于计算机实现，因而在网络流量检测等网络安全领域得到了广泛应用。但是RBF神经网络的性能特别依赖网络参数选取的好坏，而传统RBF神经网络参数通常由人为按经验或随机选取，因此网络的性能具有较强的随机性[3?4]。
近年来，群智能优化算法逐渐发展并得到较为广泛的应用，其中粒子群优化算法是一种能够全局优化，具有建模速度快、收敛效率高的群智能优化算法，然而使用常规PSO算法优化神经网络仍然存在收敛速度和全局优化能力不能够达到平衡等问题[5?7]。因此本文研究一种基于量子自适应粒子群优化算法（QAPSO），对RBF神经网络的基函数中心[Ci]、基函数的宽度[σi]以及输出层与隐含层的连接权值[wi]进行优化。
1 基于群智能优化的神经网络算法
本文研究的QAPSO优化算法主要分为4部分，分别为初始化种群、估计进化状态、控制参数自适应以及处理变异[8]。
1.1 初始化种群
2 实例分析
为验证本文建立基于QAPSO优化RBF神经网络的网络流量检测模型的性能，使用基于Libsvm软件包的C#程序并结合数值计算软件Matlab R2014对网络流量进行采集、计算以及分类。网络流量检测类型如表2所示。
表2 网络流量检测类型
使用常规PSO优化算法及HPSO优化算法对RBF神经网络进行优化，并建立同样的网络流量检测模型，使用同样的训练数据样本进行训练，使用同样的测试数据样本进行性能测试。常规PSO优化算法的参数为空间维度[D=24]，粒子数量[N=30]，最大迭代次数[tmax=200]，连接权值[w=0.9～0.4]，加速系数[c1]和[c2]均为2。HPSO优化算法的参数为空间维度[D=24]，粒子数量[N=30]，最大迭代次数[tmax=200]，连接权值[w=0.8～0.2]，加速系数[c1]和[c2]均为2.5，[Vmaxd=0.5×Range]。QAPSO算法的参数为空间维度[D=24]，粒子数量[N=30]，最大迭代次数[tmax=200]，连接权值[w=0.8～0.2]，加速系数[c1]和[c2]为1.5～2.5，[Vmaxd=Range]，[r1d]和[r2d]为0～1之间的随机数。
从图1可以看出，常规PSO优化算法使得适应度函数收敛到稳定值时的迭代次数为171次，HPSO优化算法使用了112次，而本文研究的QAPSO优化算法只使用了76次。同时，本文研究的QAPSO优化算法的收敛值更低，适应度函数的值即为RBF神经网络的训练误差，因此适应度函数越小，RBF神经网络的训练误差越小，性能越好。因此，本文研究的QAPSO优化算法相比另外两种PSO优化算法具有更快的收敛速度和更高的收敛精度，极大地提高了RBF神经网络的泛化能力。使用本文研究的QAPSO?RBF检测模型及常规PSO和HPSO优化RBF算法的检测模型对实验数据进行识别。表3为三种检测模型的检测准确率与反馈率对比。图2为三种模型的平均检测率和反馈率对比。
通过表3的数据可以看出，本文研究的QAPSO?RBF检测模型对12种类型网络服务与应用均有较好的识别准确率和反馈率，平均识别准确率达到了92.81%，比HPSO?RBF算法的平均识别准确率高出3.49%，比PSO?RBF算法的平均识别准确率高出6.99%。QAPSO?RBF识别算法的平均识别反馈率达到了94.81%，比HPSO?RBF算法的平均识别反馈率高出3.51%，比PSO?RBF算法的平均识别反馈率高出7.28%。可表明相比其他粒子群优化算法，本文研究的QAPSO优化算法在进行多次迭代后仍然具有较好的活跃性，跳出局部最优解，对最佳值的全局搜索能力具有非常显著的提高，加快了算法收敛速率，提高了识别准确率。
3 结 论
本文研究一种群智能优化神经网络算法的网络流量检测模型。通过实际测试验证，相比其他粒子群优化算法，本文研究的QAPSO优化算法在进行多次迭代后仍然具有较好的活跃性，跳出局部最优解，对最佳值的全局搜索能力具有非常显著的提高，加快了算法收敛速率，提高了识别准确率。
参考文献
[1] 卢金娜.基于优化算法的径向基神经网络模型的改进及应用[D].太原：中北大学，2015.
[2] 钟建坤，周永福.群智能算法优化神经网络在网络安全的应用研究[J].激光杂志，2015，36（4）：143?146.
[3] 李博.粒子群优化算法及其在神经网络中的应用[D].大连：大连理工大学，2005.
[4] 蒋林利.改进的PSO算法优化神经网络模型及其应用研究[D].厦门：厦门大学，2014.
[5] 陈伟.基于群体智能算法的人工神经网络优化及其应用[D].无锡：江南大学，2007.
[6] 刘晓刚.群体智能算法在RBF神经网络中的应用[D].青岛：青岛大学，2008.
[7] 马汝辉.基于网络流量异常检测的网络安全技术研究[D].无锡：江南大学，2008.
神经网络算法范文4
关键词 计算机网络；连接优化；神经网络算法
中图分类号：TP393 文献标识码：A 文章编号：1671-7597（2013）15-0061-01
自计算机网络产生以来，人们的生活、工作都获得了极大的便利。计算机网络作为一门先进的应用技术，为了避免其因满足不了用户需求而被时代淘汰，就必须在应用发展过程中不断创新。而在当前，国内计算机网络连接环节相对薄弱，网络连接问题频繁发生，甚至于无法为用户创设一个良好的上网环境。为了改善这一状况，必须对计算网络连接进行优化，并采取适当措施进行计算机网络拓扑扩展，达到提高网络容量，优化网络效率的目的。针对计算机网络连接优化问题，现就网络连接优化下的均场神经网络算法作相关论述。
1 计算机网络连接增强优化
1.1 计算机网络连接增强优化的必要性
众所周知，对于计算机网络来说，如果网络连接出现问题，那么计算机设备与通信网络之间是没有办法进行信息交流的，或者说信息的交流交互性会受到影响而大大减小，这时就需要对其网络连接加以优化，也可称为计算机网络拓扑扩展。而如何增强优化计算网络的连接，拓扑扩展计算机网络结构？这便需要选择合适的结点，并将其添加到现有网络环境中，以此来提高网络容量和连接效率，达到网络结构拓扑扩展，增强信息交流交互性的目的。
在当前情况下，能够实现计算机网络连接增强效率，提高计算机网络的容量，优化用户上网环境的方法很多，但大多数优化方法都不具备良好的经济实用性，而如何在利益最大化情况下实现计算机网络连接优化又正好是计算机网络应用的基本要求，鉴于此，就必须采用增强优化下的均场神经网络算法。
1.2 计算机网络拓扑结构
计算机网络拓扑结构主要指计算机连接网络以后，自身设备与传输媒介所形成的一种的物理构成模式。计算机网络拓扑结构的形式由通信子网来决定。结构的主要功能是实现数据信息的网络交换、处理以及共享，并在一定程度上提高网络数据信息系统运行的可靠性。从网络拓扑结构来看，计算机网络结构的主要构成部分是结点和链路，也就是说，计算机网络其实是由一组结点和多条链路共同组成起来的一种模拟结构。
一般用图G=来表示计算机网络，图中的V代表网络结点集，E表示链路集。而如果我们用Va来表示结构中增加的结点集，用Eb来表示增加的连接集，那么应该得到拓扑扩展的计算网络结构应该为G′=。
2 基于计算机网络连接优化下的均场神经网络算法
本文中所指的均场神经网络算法，实质上是均场退火技术和神经网络算法的结合，利用该方法来增强计算机网络连接，能得到更快、更优化的连接效果。从某种意义上说，均场网络算法其实是一种利润最大化的网络优化算法，能最大限度的提高计算机网络的性价比。
2.1 神经网络算法
思维学将人的大脑思维分为抽象、形象以及灵感等三个部分，认为人类大脑思维是由逻辑思维、直观思维以及顿悟思维共同组成的。其中逻辑思维是一中抽象化思想，直观思维是客观、形象化思想，灵感则属创造性。根据这一理论，可以判断出神经网络便是对人类大脑思维第二种方式的模拟。
人工神经网络属于非线性动力学系统，能够对信息进行分布式存储和协同处理。立足于人工神经网络之上的人工神经网络应用系统，能够利用网络模型和网络算法来处理某种信号，或对某种运行模式进行识别，进而构建成一个独立的专家系统，或者构成机器人。当前，人工神经网络在多个生产领域中都得到了广泛的应用，在其基础之上发展起来的人工神经网络算法作为一种监督性学习算法，也越来越受到人们的关注。但是，由于人工神经网络算法在实际应用时存在显著的收敛速度慢的问题，没有办法保证将收敛程度压制到全局的最小点，进而造成计算机网络学习和记忆的不稳定性增强，影响计算机网络连接效果，所以在实际生活中，人们对改进神经网络算法的探讨一直持续。
2.2 均场神经网络算法
2.2.1 网络模型构建
基于计算机网络连接增强优化下的均场神经网络算法，在对其进行研究，并想要判断其网络效果时，首要任务是建立一个比较完整的均场神经网络模型。建立时应重点管理好以下几个方面，严格控制好函数法构造过程中的目标函数。
2.3 实例仿真分析
根据上述计算所得的结果，最后判定出均场网络算法的可行有效性。计算结果比较图如图1。
在上述所例举的例子中，分别采用遗传算法、模拟退火算法以及均场神经算法来进行分别计算，计算次数保持在100次乃至以上，最后得出利用模拟退火算法需要计算99次，才能计算出规定的连接集，并获得一定的利润；而遗传算法需要86次，均场神经网络算法需要98次。
从实验计算结果比较图可以看出，在均场神经网络计算法、遗传算法以及模拟退火算法三种方法中，均场神经网络算法所获得的网络连接效果相对来说更加快速、有效，更适用于计算机网络连接的增强优化以及网络结构的拓扑扩展。
3 结束语
综上所述，随着计算机网络技术以及国民经济的不断进步，计算机网络在人们生活、生产中的应用已经十分广泛，甚至于社会中各个生产企业或工作部门在开展经济管理活动时都会计算机网络。在这样的前提条件下，为了防止计算机网络连接出现故障，给企业或计算机上网用户造成影响，损害其经济利益，就必须在计算机网络的应用基础上，增强优化连接效率，提高计算机网络容量和效率，促进计算机网络技术进一步发展。本文通过对均场神经网络算法的分析，指出利用均场神经算法可实现计算机网络连接优化目标，并适宜在计算机网络系统中进行应用。
参考文献
[1]彭国震，邱毓兰，彭德纯.计算机网络连接增强问题的模拟退火解决方法[J].计算机工程与科学，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.
神经网络算法范文5
>> 基于MATLAB的BP神经网络算法在多元非线性系统建模中的应用 改进的求解非线性方程组的迭代神经网络算法 基于非线性粒子群算法与神经网络的天气预测 演化算法在非线性方程求解方面的应用 基于BP神经网络的非线性函数拟合 非线性倒立摆系统的神经网络辨识 基于遗传小波神经网络的非线性动态自治网络故障诊断仿真算法 一种基于正交基神经网络的非线性卫星信道预失真补偿算法 神经网络在电路故障诊断方面的应用 神经网络在钢铁企业质量预测方面的应用 BP神经网络在坐标转换方面的应用 人工神经网络在电涡流传感器非线性补偿中的应用研究 基于神经网络的通用非线性神经自适应控制研究 基于BP神经网络的非线性网络流量预测 改进的基于神经网络的非线性多元回归分析 基于径向基神经网络的非线性系统辨识 基于OBF神经网络的温度传感器非线性补偿方法 基于RBF神经网络的非线性控制系统 群智能算法优化神经网络在网络安全的应用 浅谈基于BP神经网络的水源热泵在建筑节能方面的应用 常见问题解答 当前所在位置：中国 > 教育 > 神经网络算法非线性优化方面的应用 神经网络算法非线性优化方面的应用 杂志之家、写作服务和杂志订阅支持对公帐户付款！安全又可靠！ document.write("作者： 方达 胡忠刚")
申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。 摘 要：文章通过神经网络算法对一类非线性优化方面的问题进行了分析，得到了应用神经网络非线性优化算法求解该类问题的具体步骤和算法方案，并给出了实例进行验证，证明了神经网络非线性优化算法是有效的，具有理论意义和实用价值。 关键词：：神经网络算法;MTLAB;非线性优化最优化
中图分类号：G622 文献标识码：B 文章编号：1002-7661（2014）22-002-01
人工神经网络是由简单的处理单元所组成的大量并行分布的处理机，这种处理机具有储存和应用经念知识的自然特性，它与人脑的相似之处概括两个方面：一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元（突触权值）用来存储获取的知识信息。
一、神经网络非线性优化求解铁路空车调度组合优化问题
目前铁路局对空车调度计划是利用表上作业法，采用计算机辅助统计，要经过分局管内各主要站和各区段的车种别空车调度，分局间分界站车种别交接空车数的确定;局间分界站车种别交接空车数的确定来编制整个铁路局的空车调度计划.下面用神经网络优化方法解决该问题。
空车调度问题一般指的是：设有个空车发送站，个空车到达站数的距离为，设空车产生站 到空车需求站的空车数为，由发出的空车数为，则应满足
空车需求站接受到的空车数为，则应满足
假设空车产生数等于空车的需求数，即平衡运输，则
总的空车走行公里数为
由于神经元的输出值在之间，而空车数目是大于1的数，则将（ ）作为实际空车数，这样就可以保证在（ ）之间，求为在中所占的百分比，为了用Hopfield神经网络求解空车调度问题，建立能量函数如下
式中
表示空车发送站的空车数应等于的约束，当且仅当发车数为时，该项为0; 表示空车到达站所需的空车数应等于的约束，当且仅当到达的空车数为时，该项为0;
表示对空车调度的总体约束;
表示对目标项的约束;
表示惩罚项系数，为目标项系数.
当计算能量函数 达到最小时，对应于空车调整计划的一个最佳计划方案.其算法如下
则动态迭代过程为
其中 ，分别代表迭代次数，选取0.001.
二、结束语
神经网络算法范文6
>> 基于PCA—LDA与蚁群优化BP神经网络的人脸识别算法 基于粒子群算法和神经网络的人脸识别分类器研究 基于卷积神经网络的人脸识别研究 基于BP神经网络的人脸识别研究 基于PCA算法的人脸识别技术研究 基于改进PCA算法的人脸识别研究 基于MB_LBP和PCA算法的人脸识别研究 基于BP神经网络的人脸识别算法的实现 基于模糊混沌神经网络的人脸识别算法 基于卷积神经网络的人脸识别 基于子图分割和BP神经网络的人脸识别方法 基于EMPCA和RBF神经网络的人脸识别 基于改进PCA与FLD算法的人脸识别 基于模糊人工神经网络的人脸识别研究 基于改进的LBP和PCA算法的人脸识别 基于并行PCA算法的人脸识别系统的研究 基于PCA和SVM的人脸识别 基于PCA和FLD的人脸识别方法 基于快速PCA―SVM的人脸识别研究 基于主分量分析的BP神经网络人脸图像识别算法 常见问题解答 当前所在位置：l.
[6]刘学胜.基于PCA和SVM算法的人脸识别[J].计算机与数字工程，2011（7）.
[7]廖海滨，陈庆虎. 基于因子分析的实用人脸识别研究[J].电子与信息学报，2011（7）.
[8]蔡晓曦，陈定方.特征脸及其改进方法在人脸识别中的比较研究[J].计算机与数字工程，2007（4）.
