神經(jīng)網(wǎng)絡總結

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡總結范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡總結范文第1篇

神經(jīng)網(wǎng)絡據(jù)有學習能力和聯(lián)想化的功能和混沌行為的特點，被廣泛的應用于計算機網(wǎng)絡通信中。本文詳細論述神經(jīng)網(wǎng)絡的原理，在此基礎上以車牌計算機識別定位系統(tǒng)為例，對神經(jīng)網(wǎng)絡相關分類方法、工作流程等進行了計算機通信的應用解析，綜合分析其在通訊系統(tǒng)中的應用。

【關鍵詞】神經(jīng)網(wǎng)絡技術 計算機通訊 運用

由于神網(wǎng)絡的獨特性能，神經(jīng)網(wǎng)絡技術不但大量應用于故障分析、模式識別、自動控制領域，還在計算機網(wǎng)絡通訊領域也被廣泛的使用。正是因為神經(jīng)網(wǎng)絡具有學習映射、聯(lián)想花功能、混沌行為的特點，所以它可以在目前的寬帶網(wǎng)技術問題上提供理論上的解決辦法。當前，計算機技術的車牌識別定位系統(tǒng)所需要識別的圖像大部分都是室外攝像頭拍攝到的，若是遇到強降雨或者大霧等惡劣天氣，車牌上面的數(shù)字就很難采集到，神經(jīng)系統(tǒng)可以有效解決這一問題，雖然神經(jīng)系統(tǒng)應用于識別車牌是沒有必要的，但是本文將基于這個簡單的系統(tǒng)來介紹神經(jīng)網(wǎng)絡技術。

1 車牌計算機識別定位技術

車牌識別技術是我國智能交通系統(tǒng)的一個關鍵的組成部分，被廣泛的應用于數(shù)字圖像技術、生物識別技術和人工智能技術領域。車牌識別系統(tǒng)被廣泛的用于公安刑偵部門的車輛違規(guī)行駛檢測、失竊車輛檢測、車輛違章停車，交通管理部門的實時路況檢測、高速公路收費，物業(yè)管理部門的小區(qū)停車收費系統(tǒng)、進出入安全系統(tǒng)等。實際應用中采用的較多的車牌識別系統(tǒng)方法有特征檢驗法、模板匹配法和神經(jīng)網(wǎng)絡法。其中，大多數(shù)基于神經(jīng)網(wǎng)絡的車牌識別定位系統(tǒng)都是首先要采集足夠數(shù)量的車牌圖像樣本作為帶檢測的圖像，利用BP神經(jīng)網(wǎng)絡對圖像進行識別，檢測達到預定的正確率后即可停止；然后對需要識別定位的車牌圖像用圖像二值化、直方圖等方法進行預處理，降低外界光線對車牌圖像的影響，之后利用濾波器消除圖像的噪聲干擾，最后將完成預處理的車牌圖像傳送到神經(jīng)網(wǎng)絡搜索系統(tǒng)來對車牌進行定位。

2 神經(jīng)網(wǎng)絡技術介紹

2.1 神經(jīng)網(wǎng)絡的分類方法

常見的神經(jīng)網(wǎng)絡的分類方法有遵循網(wǎng)絡連接拓撲結構的分類方法和遵循網(wǎng)絡內(nèi)部數(shù)據(jù)流向的分類方法。按照網(wǎng)絡拓撲結構可以將神經(jīng)網(wǎng)絡分為層次型結構和互聯(lián)型結構，其中層次型結構式指網(wǎng)絡中層與層之間有神經(jīng)元相互連接但同一層次的神經(jīng)元之間沒有連接；而互聯(lián)型結構網(wǎng)絡中的每個神經(jīng)元之間都可以相互連接，互聯(lián)型結構還可以細分為稀疏互聯(lián)型、局部互聯(lián)型和全部互聯(lián)型。按照內(nèi)部數(shù)據(jù)流向可以分為前饋性神經(jīng)網(wǎng)絡和反饋型神經(jīng)網(wǎng)絡，前饋性神經(jīng)網(wǎng)絡結構與層次型網(wǎng)絡結構相似，數(shù)據(jù)流的方向統(tǒng)一從網(wǎng)絡輸入層傳遞到網(wǎng)絡隱藏層，最后傳遞到網(wǎng)絡輸出層，傳遞過程中網(wǎng)絡沒有反饋回路，應用比較廣泛的是BP神經(jīng)網(wǎng)絡和徑向基神經(jīng)網(wǎng)絡。反饋型神經(jīng)網(wǎng)絡結構域單層互聯(lián)網(wǎng)結構相似，反饋型神經(jīng)網(wǎng)絡中的每一個節(jié)點都可以進行數(shù)據(jù)處理和向外界輸出數(shù)據(jù)，其代表是Hopfield神經(jīng)網(wǎng)絡。并且一般前反饋型神經(jīng)網(wǎng)絡的識別能力和分類能力都優(yōu)于反饋型神經(jīng)網(wǎng)絡。

2.2 前反饋型神經(jīng)網(wǎng)絡

前反饋型神經(jīng)網(wǎng)絡的基本數(shù)據(jù)信號包括函數(shù)信號和誤差信號兩種，其中函數(shù)信號是要由網(wǎng)絡輸入端傳遞進入經(jīng)過網(wǎng)絡隱藏層神經(jīng)元的處理，逐步傳遞到網(wǎng)絡的輸出層形成正向傳播的輸出層函數(shù)信號。誤差信號是在網(wǎng)絡實際輸出的誤差高于設定的預計誤差時產(chǎn)生的信號，它的傳遞方向與函數(shù)信號相反，從網(wǎng)絡輸出層傳遞到網(wǎng)絡隱藏層到網(wǎng)絡的輸入層，通過修改權值使誤差達到最初的要求。

前反饋型神經(jīng)網(wǎng)絡包括學習和識別兩個過程，學習是把準備好的信息樣本輸入到前饋神經(jīng)網(wǎng)絡中，通過網(wǎng)絡隱藏層和輸出層的處理得到實際的輸出數(shù)值，將輸出數(shù)值與預定的期望數(shù)值進行比較，確定誤差數(shù)值在允許的范圍之內(nèi)后輸入下一個樣本；若是超出允許范圍，就要進行反向傳播并修改權值，再繼續(xù)下個學習過程，重復上述過程。識別過程是把待識別的信息樣本傳遞輸入到前反饋型神經(jīng)網(wǎng)絡之中得到識別結果，由于神經(jīng)網(wǎng)絡具有良好的記憶能力和聯(lián)想能力，識別與之前的學習樣本相似待識別的信息樣本，得到正確識別的幾率很高，又由于神經(jīng)網(wǎng)絡具有良好的糾錯性和容錯性，就算待識別的樣本與之前學習的樣本不同，甚至是有較大的噪聲和干擾，按照整體的特征對樣本進行記憶，依然能夠有效地對樣本進行正確識別。

3 車牌識別定位系統(tǒng)

本文中介紹的車牌定位識別系統(tǒng)中包括車牌定位模塊、字符分隔模塊和字符識別模塊。車牌定位模塊包括車牌圖像的灰度化、圖像平滑化、圖像增強和車牌定位；字符分割模塊包括車牌圖像為之校正、提出車牌上下便可、車牌字符分隔、車牌字符歸一化處理；字符識別模塊則包括神經(jīng)網(wǎng)絡訓練和識別。神經(jīng)網(wǎng)絡具有很強的自適應能力、學習能力強、聯(lián)想容錯功能強、抗噪聲干擾能力強的優(yōu)點，使其在各個領域都被廣泛的研究和應用。目前，大多數(shù)車牌識別定位技術都是基于BP算法的前饋性神經(jīng)網(wǎng)絡，并且具有很好的效果，但是其中還是存在一些問題，車牌定位識別技術還可以進一步發(fā)展。由于BP算法是基于梯度不斷下降的，很容易在學習的過程中陷入到局部尋優(yōu)中，從而無法得到全局的最優(yōu)解，除此之外，BP算法的網(wǎng)絡初始值的是根據(jù)經(jīng)驗而設置的，若是初始值的選擇不合理，就會出現(xiàn)算法收斂速度下降甚至是不收斂的現(xiàn)象。若是在其中引入遺傳算法，就可以彌補其中的不足之處，可以取得更好的效果。

4 總結

科學技術的不斷發(fā)展，使人們的生活越來越方便，神經(jīng)網(wǎng)絡技術在通信中的運用，可以幫助解決之前無法解決的一些技術難題，除了在車牌定位識別系統(tǒng)中的應用之外，還應用于ATM網(wǎng)絡通訊系統(tǒng)、輔助測量識別系統(tǒng)等系統(tǒng)中，它在各個領域應用的同時也存在著一些問題，需要專業(yè)人士不斷地改進，為人類的生活提供更加便利的條件。

參考文獻

[1]孫蓓蓓.神經(jīng)網(wǎng)絡技術在計算機通信中的應用[J].煤炭技術，2014，33（01）：202-204.

神經(jīng)網(wǎng)絡總結范文第2篇

【關鍵詞】測試 GRNN類神經(jīng)網(wǎng)絡 應用 探討

1 類人工神經(jīng)網(wǎng)絡特性

類人工神經(jīng)網(wǎng)絡技術（Artificial Neural Networks）是近年發(fā)展起來的一個新的研究領域，反映了人腦功能的若干基本特性，從而使計算機能夠模仿人的大腦，具有較強的形象思維能力。

我們目前應用的神經(jīng)網(wǎng)絡多是模糊神經(jīng)網(wǎng)絡，即神經(jīng)網(wǎng)絡與模糊系統(tǒng)的結合，此方法既改進了原有的測試系統(tǒng)的實時性能，又使神經(jīng)網(wǎng)絡學習得到了指導，有利于收斂。但是，此方法單純地強調(diào)了無模型的冗余式學習和模擬，必然造成對計量對象以及計量目標本身的忽略。所以，我們開始嘗試使用多層反饋式神經(jīng)網(wǎng)絡，即本文要探討的GRNN（Generlized Regnssion Neurl Network）神經(jīng)網(wǎng)絡。通過上面的介紹我們可以總結出類人工神經(jīng)網(wǎng)絡具有以下優(yōu)點非線性映射逼近能力；

（1）對信息的并行分布處理能力；

（2）高強的容錯能力；

（3）對學習結果的泛化和自適應能力；

（4）很強的信息綜合能力；

（5）信息的優(yōu)化計算能力；

（6） 便于集成實現(xiàn)和計算模擬

2 建議在石油領域應用類人工神經(jīng)網(wǎng)絡于產(chǎn)量預測

由于上述類神經(jīng)網(wǎng)絡的優(yōu)點，我們可以知道可以通過監(jiān)督學習的方法，將專家的故障分析經(jīng)驗傳遞給神經(jīng)網(wǎng)絡，或用神經(jīng)網(wǎng)絡來建立參數(shù)觀測系統(tǒng)，從而避免了數(shù)學建模的困難，同時，診斷信息還能被用于系統(tǒng)的容錯控制。我們利用三層GRNN神經(jīng)網(wǎng)絡來訓練網(wǎng)絡，可以根據(jù)輸入到網(wǎng)絡的一些樣本提供一套權重來進行石油領域的一些預測，在網(wǎng)絡訓練之后，可以將任何新輸入的資料劃分為有效產(chǎn)能或無效產(chǎn)能。

雖然神經(jīng)網(wǎng)絡作為一種分類工具似乎比其他方法較具吸引力，在石油領域解決實際問題的應用到目前為止還不多。神經(jīng)網(wǎng)絡（ANN）人工智能方法能處理一系列的信息輸入如比率等，并能產(chǎn)生相應的輸出，而其運算分析能生成一個成功反映所有輸入輸出變量相應關系的模式。除此之外，神經(jīng)網(wǎng)絡并不依賴于變量之間必須線性相關或是相互獨立的假設。變量之間存有微妙聯(lián)系，如同數(shù)據(jù)不連續(xù)或不完全一樣，均可被系統(tǒng)辨識并生成定性評估。簡而言之，除了部分不明確的結果之外，神經(jīng)網(wǎng)絡能夠在相似點和類似點方面給出有根據(jù)的結論，在很大程度上，神經(jīng)網(wǎng)絡方法在油井的判別上有相似的

作用。

3 GRNN類神經(jīng)網(wǎng)絡模型數(shù)學模型及計算

3.1 GRNN類神經(jīng)網(wǎng)絡模型數(shù)學模型

GRNN（Generlized Regnssion Neurl

Network）是徑向基函數(shù)神經(jīng)網(wǎng)絡的一種，主要用于函數(shù)逼近。GRNN 網(wǎng)絡為含1個輸入層、1個隱層和1個輸出層的3層結構神經(jīng)網(wǎng)絡。隱層傳遞函數(shù)為徑向基函數(shù)Radbas，輸出層為線性函數(shù)Purelin：Radbs（x）=exp（-x2），Purelin（x）=x，GRNN網(wǎng)絡設置隱層的權重W1為：W1=P’式中為P’輸入向量P的轉置矩陣：隱層的偏差b1為：b1 =0.8326/ spread

式中spread為徑向基函數(shù)的展形。輸出層的權重W2=T，T為目標向量。

模型設計輸入變量為油井的平均壓力和平均氣溫，輸出變量為油井的月平均流量。為防止部分神經(jīng)元達到過飽和，提高網(wǎng)絡收斂程度和計算速度，對原始資料應做標準化處理。

3.2 GRNN類神經(jīng)網(wǎng)絡模型數(shù)學計算

測試實驗目的是了解新的井身結構及管柱所允許的單井產(chǎn)能，并盡可能求取最大產(chǎn)量。設計采用6個油嘴進行回壓法測試。回壓測試結束后用21.57mm油嘴測試，日產(chǎn)油300.44×104m3，預測生產(chǎn)壓差6.056MPa。井下入四支高精度PPC型存儲式井下電子壓力溫度計同時測試。采用MCALLSTER型的直讀式電子井下壓力溫度計，取得了較好效果。

井筒中的動力異常是造成壓力異常的主要原因。分隔器密封不嚴、節(jié)流影響、井筒積液、溫度變化都會造成井筒中的動力異常。采用變井筒溫度模型井的試井數(shù)據(jù)進行了校正，校正后的平均地層壓力上升了約1.2MPa，壓力恢復曲線也呈上升趨勢。從圖1中看出GRNN模擬效果極好，驗證結果也基本令人滿意。

4 結論和展望

4.1 結論

大慶油田由于多年開采，井下地質條件復雜，使用神經(jīng)網(wǎng)絡模型（如GRNN和BP神經(jīng)網(wǎng)絡）進行監(jiān)測效果分析，可獲得比較好的結果；

在儲層四性特征及其四特性關系研究的基礎上，以巖心分析數(shù)據(jù)為標定，測井為工具，GRNN神經(jīng)網(wǎng)絡為方法，基本可以實現(xiàn)儲層物性參數(shù)的精確預測，且比常規(guī)數(shù)理方法具有較高的精度，顯示出BP神經(jīng)網(wǎng)絡在儲層參數(shù)預測中具有較為廣闊的應用前景。

多層反饋式神經(jīng)網(wǎng)絡具有特定的標準結構和非線性收斂特性。在求解具體問題時，只要把具體確定的能量函數(shù)與標準能量函數(shù)相對應，就能確定相應的神經(jīng)網(wǎng)絡參數(shù)。在合適的能量函數(shù)指導下，根據(jù)計量目標設計基于反饋式神經(jīng)網(wǎng)絡的系統(tǒng)結構和動態(tài)參數(shù)，并將基于此網(wǎng)絡的參數(shù)辯識和計量結合起來，使其具有更強的自適應性。

4.2 展望

（1）如何在矢量控制的框架下補償參數(shù)隨時間常數(shù)的變化對計量性能帶來的影響，是一個重要的研究課題，也是我們以往研究結果的基礎上進一步努力的方向；

（2）GRNN神經(jīng)網(wǎng)絡的優(yōu)越特性必然能在其它的石油領域中得到更廣泛的應用，關于此項的研究任務是一項長期的任務。

參考文獻

神經(jīng)網(wǎng)絡總結范文第3篇

[關鍵詞]：貝葉斯BP神經(jīng)網(wǎng)絡 預測流程 預測模型 仿真分析

一、貝葉斯正則化BP神經(jīng)網(wǎng)絡算法

為了解決在工程中遇到的一些基于BP神經(jīng)網(wǎng)絡的問題，可通過減少神經(jīng)網(wǎng)絡的參數(shù)數(shù)量，降低網(wǎng)絡規(guī)模，這樣就不會出現(xiàn)過擬合的現(xiàn)象，這就是正則化（regularization）方法。為保證用此方法設置的參數(shù)能夠自適應神經(jīng)網(wǎng)絡并且能夠優(yōu)化，通常采用貝葉斯理論，即通過LevenbergMarquardt（LM）算法實現(xiàn)這一目的，這也就是我們熟知的貝葉斯正則化BP神經(jīng)網(wǎng)絡（Bayesian Regularization BP neural network， BRBPNN ）。

二、基于貝葉斯正則化BP神經(jīng)網(wǎng)絡的性能預測流程

在利用貝葉斯正則化BP神經(jīng)網(wǎng)絡算法來實現(xiàn)對離心泵性能預測時。可按照圖所示的流程圖進行：

三、構建基于貝葉斯正則化BP神經(jīng)網(wǎng)絡性能預測模型

在貝葉斯正則化BP神經(jīng)網(wǎng)絡中，輸入模式對于離心泵性能預測預測結果有比較大影響，選取對離心泵能量性能影響較大的離心泵幾何參數(shù)（葉輪出口直徑（ ）、葉片出口寬度（ ）、葉片出口安放角（ ）、渦殼的基圓直徑（ ）、渦殼進口寬度（ ）、蝸殼第八斷面面積（ ）、葉片包角（ ）以及葉片數(shù)（ ））和設計流量（ ）作為貝葉斯正則化BP神經(jīng)網(wǎng)絡的輸入變量。根據(jù)輸入模式可以確定輸入層神經(jīng)元數(shù)目為9。考慮到BF神經(jīng)網(wǎng)絡的隱含層神經(jīng)元是徑向基函數(shù)，該特性使BF神經(jīng)網(wǎng)絡的擬合特性為局部性，于是本文將泵的揚程和效率預測設計為2個相類似結構的貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型，即離心泵揚程和效率貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型，如圖2所示。

四、仿真實驗

為了考察建立的離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型的有效性，我們采用從沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現(xiàn)代泵技術手冊》選取57組單級單吸離心泵的設計參數(shù)和試驗參數(shù)作為訓練樣本數(shù)據(jù)和目標數(shù)據(jù)。得到訓練樣本數(shù)據(jù)和目標數(shù)據(jù)輸入的離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型進行訓練學習曲線如圖3所示：

為了考察建立的離心泵性能的貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型的效果，我們從沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現(xiàn)代泵技術手冊》選取6組單級單吸離心泵的設計參數(shù)和試驗參數(shù)數(shù)據(jù)作為檢驗樣本，其具體數(shù)據(jù)如表1所示。

采用表1的數(shù)據(jù)和利用已經(jīng)建立的離心泵性能的貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型進行預測離心泵的揚程、效率等性能指標，與譚明高、劉厚林、袁壽其等人所做實驗和撰寫的文獻參數(shù)進行對比，其結果如表2所示。

分析表2的離心泵性能的2種改進型BP神經(jīng)網(wǎng)絡預測模型檢驗樣本預測結果發(fā)現(xiàn)：BRBP神經(jīng)網(wǎng)絡預測的揚程 最大相對誤差的絕對值為6.98% 、最小相對誤差的絕對值為0.41%、均方根相對誤差為5.20%； 效率誤差最大相對誤差的絕對值為5.30% 、最小相對誤差的絕對值為1.67%、均方根誤差為2.98% 。LMBP神經(jīng)網(wǎng)絡預測的揚程 最大相對誤差的絕對值為14.0% 、最小相對誤差的絕對值為0.06%、均方根相對誤差為7.81%；效率誤差 最大相對誤差的絕對值為3.21% 、最小相對誤差的絕對值為0.17%、均方根誤差為1.85%。

通過對上面的結構分析，效率預測精度高一些，揚程預測精度低一些，我們可以推斷，這可能與離心泵的影響因素有關。BRBP神經(jīng)網(wǎng)絡預測離心泵揚程精度最高，LMBP神經(jīng)網(wǎng)絡預測離心泵效率精度最高。

需指出的是，雖然貝葉斯正則化BP神經(jīng)網(wǎng)絡預測離心泵效率精度比LMBP神經(jīng)網(wǎng)絡差一些，但在預測離心泵揚程方面BRBP神經(jīng)網(wǎng)絡預測模型比LMBP神經(jīng)網(wǎng)絡預測模型明顯精度更好一些。這是因為貝葉斯正則化BP神經(jīng)網(wǎng)絡靠貝葉斯統(tǒng)計理論進行確定和訓練，由程序自動確定，相對而言更穩(wěn)定。

五、總結

本章采用貝葉斯正則化BP神經(jīng)網(wǎng)絡算法，建立了離心泵性能預測模型，最后在沈陽水泵研究所編撰的《全國優(yōu)秀水力模型匯編》和江蘇大學關醒凡教授編撰的《現(xiàn)代泵技術手冊》選取57組單級單吸離心泵的設計參數(shù)和試驗參數(shù)進行建模和驗證，結果表明離心泵性能貝葉斯正則化BP神經(jīng)網(wǎng)絡預測模型與原有的離心泵性能LMBP神經(jīng)網(wǎng)絡預測模型一樣有效，并且設置參數(shù)更簡單、更方便，是一種比較有前途的離心泵性能預測方法。

參考文獻：

[1]關醒凡.現(xiàn)代泵技術手冊[M].宇航出版社，1995.

神經(jīng)網(wǎng)絡總結范文第4篇

計算機網(wǎng)絡安全評價是計算機網(wǎng)絡安全保障中的一個重要系統(tǒng)。計算機網(wǎng)絡在應用過程中，會因為受到漏洞、病毒等因素的影響，從而出現(xiàn)各種各樣的安全問題，影響計算機網(wǎng)絡應用安全。這時候也就需要應用計算機網(wǎng)絡安全評價體系，為計算機網(wǎng)絡安全提供有效保障。傳統(tǒng)線性評價方法在目前計算機網(wǎng)絡安全評價中評測精度較低，從而導致評價結果不佳。基于神經(jīng)網(wǎng)絡的計算機網(wǎng)絡評價體系，能夠滿足當前計算機網(wǎng)絡安全應用需求，因此得到廣泛應用。本文重點分析神經(jīng)網(wǎng)絡下的計算機網(wǎng)絡安全評價體系設計。

【關鍵詞】網(wǎng)絡安全；神經(jīng)網(wǎng)絡；評價體系

1計算機網(wǎng)絡安全評價體系

計算機網(wǎng)絡復雜性較高，影響計算機網(wǎng)絡安全因素也比較多，計算機網(wǎng)絡安全評價體系的科學合理化設計，有助于有效發(fā)揮評價體系的作用。其中在具體評價體系設計中，因為描述因素不同，其評價取值規(guī)則也具有差異，之中包括有定量評價指標以及定性評價指標。其中關于定量評價指標，則需要依照評價網(wǎng)絡系統(tǒng)的實際情況確定取值范圍，還有一部分定性指標也可以通過專家評級方式進行確定，依照計算機網(wǎng)絡在評價中的實際情況制定相應的評價等。不同的指標也能夠從不同角度評定計算機網(wǎng)絡的安全性，指標之間的取值范圍沒有可比性。為了能夠確定評價指標，同時考慮到神經(jīng)網(wǎng)絡訓練的收斂問題，則需要是實施指標的標準化處理。其中關于定量指標，基于衡量單位之間的差異，標準化處理確定取值范圍在0~1之間；對于定性指標則采用專家打分法，為例確保其和定量之間的可比性，則也需要對其實施標準化處理。通常來講評價結果分成四個等級，分別為：安全，網(wǎng)絡安全保障能力較強，在應用中安全性較高；基本安全；網(wǎng)絡安全保障能力還可以，應用中可以確保基本安全；不安全，網(wǎng)絡安全保障能力較弱，在應用中存在一定的安全隱患；很不安全，網(wǎng)絡安全保障能力非常差，在應用中安全風險較大。在計算機網(wǎng)絡安全評價體系設計中需要滿足以下幾方面需求，分別為：可行性、簡要性、獨立性、完備性以及準確性。只有這樣才能夠基于實際需求，提高計算機網(wǎng)絡安全評價體系設計的合理性和科學性。

2計算機網(wǎng)絡安全評價體系設計及實施步驟

本文以神經(jīng)網(wǎng)絡為例，分析計算機網(wǎng)絡安全評價體系的設計及實施。

2.1神經(jīng)網(wǎng)絡下計算機網(wǎng)絡安全評價體系設計

關于神經(jīng)網(wǎng)絡下計算機網(wǎng)絡安全評價體系的設計，則主要包括三部分，其中分別為輸入層、隱含層以及輸出層，具體的設計如下：

2.1.1輸入層在輸入層神經(jīng)元節(jié)點數(shù)量確定中，則一定要和計算機網(wǎng)絡安全評價指標數(shù)量一樣。例如在計算機網(wǎng)絡安全評價體系中，二級指標共設計18個，那么在實施輸入層神經(jīng)節(jié)點數(shù)量的時候，必定也是18個。

2.1.2隱含層通常神經(jīng)網(wǎng)絡應用的均為單向隱含層。在對其設計過程中，隱含層節(jié)點數(shù)量對神經(jīng)網(wǎng)絡性能具有直接影響。如果隱含層節(jié)點數(shù)量設計比較多的話，則會延長神經(jīng)網(wǎng)絡的學習時間，甚至還有可能會導致不能收斂；如果隱含層節(jié)點數(shù)量設計比較少的話，則會影響神經(jīng)網(wǎng)絡的容錯能力。因此在其具體設計過程中，則需要依照經(jīng)驗公式確定出現(xiàn)隱含層的節(jié)點數(shù)量，一般情況下隱含層節(jié)點數(shù)量為5個。

2.1.3輸出層關于神經(jīng)網(wǎng)絡輸出層的設計，則主要是針對計算機網(wǎng)絡安全評價結構。假設在神經(jīng)網(wǎng)絡輸出層設計2個節(jié)點，其中如果輸出結果顯示（1，1）則代表安全；如果輸入（1，0）則代表基本安全；如果輸出（0，1）則代表不安全；如果輸出（0，0）則代表非常不安全。

2.2神經(jīng)網(wǎng)絡下計算機網(wǎng)絡安全評價步驟

在計算機網(wǎng)絡安全評價模型中，關于計算機網(wǎng)絡安全的具體評價步驟，則主要分為：①完善計算機網(wǎng)絡安全評價體系設計及構建；②對神經(jīng)系統(tǒng)實施粒子群優(yōu)化算法實施優(yōu)化，以能夠避免神經(jīng)網(wǎng)絡在實際應用中存在的局限性。其中關于其具體優(yōu)化過程則包括：①初始化設置神經(jīng)網(wǎng)絡目標向量、結構以及傳遞函數(shù)等等數(shù)據(jù)；②設計粒子群初始速度、迭代次數(shù)、規(guī)模、初始位置、參數(shù)位數(shù)以及動量系數(shù)等等；③對神經(jīng)網(wǎng)絡實施粒子群訓練集訓練，從而確定其適應度值；④對比分析每個粒子歷史，當前適應度值及最好適應度值。如果對比發(fā)現(xiàn)適應度值更優(yōu)于歷史最好適應度值，那么也就可以保存目前的粒子適應度值，并將其作為是系統(tǒng)的個體粒子歷史最好適應度值；⑤將離子的慣性權值計算出來；⑥更新各個粒子速度及位置，對于各個粒子和粒子群所具有的系統(tǒng)適應度值誤差，則需要對其一一記錄；⑦判定出具體的系統(tǒng)適應度值誤差，如果其誤差結果顯示在允許最大迭代次數(shù)之外，或者已經(jīng)達到設定誤差限值，那么即可以結束訓練。在神經(jīng)網(wǎng)絡中，粒子全局歷史則為其最優(yōu)解，最有位置則是最佳權值。在完善神經(jīng)網(wǎng)絡模型優(yōu)化之后，則可以用來實現(xiàn)計算機網(wǎng)絡安全評價工作。

3結語

在網(wǎng)絡技術迅速發(fā)展環(huán)境下，計算機網(wǎng)絡應用安全也成為關注熱點。其中在神經(jīng)網(wǎng)絡下計算機網(wǎng)絡安全評價體系設計中，神經(jīng)網(wǎng)絡技術能夠保障系統(tǒng)不斷總結自身規(guī)律，適應環(huán)境，從而將其運行過程中的控制、識別以及運算問題有效完成，另外神經(jīng)網(wǎng)絡在應用中還要具有自行處理技術，能夠顯著提高其工作效率，因此在計算機網(wǎng)絡安全評價體系設計中可以不斷加大神經(jīng)網(wǎng)絡應用，以提高計算網(wǎng)絡應用安全。

參考文獻

[1]李忠武，陳麗清.計算機網(wǎng)絡安全評價中神經(jīng)網(wǎng)絡的應用研究[J].現(xiàn)代電子技術，2014，10：80~82.

[2]原錦明.神經(jīng)網(wǎng)絡在計算機網(wǎng)絡安全評價中的應用研究[J].網(wǎng)絡安全技術與應用，2014，04：52~53.

[3]王昱煜.計算機網(wǎng)絡安全評價中神經(jīng)網(wǎng)絡的應用研究[J].信息通信，2015，04：144.

[4]胡波，李俊菊.神經(jīng)網(wǎng)絡在計算機網(wǎng)絡安全評價中的應用[J].網(wǎng)絡安全技術與應用，2015，07：78+81.

[5]夏寧.網(wǎng)絡安全評價量化方法研究[D].長春理工大學，2007.

神經(jīng)網(wǎng)絡總結范文第5篇

關鍵詞： 設施蔬菜病害； 預警； LVQ神經(jīng)網(wǎng)絡； BP神經(jīng)網(wǎng)絡； 黑星病

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）10-0189-03

Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.

Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab

預警是一個軍事術語，指用來對付突然襲擊的防范措施，是組織的一種信息反饋機制，后來逐步引申到現(xiàn)代政治、經(jīng)濟、技術、醫(yī)療、災變、生態(tài)、治安等自然和社會領域[1]。當下，預警在重大氣象災害方面起到重要作用。而創(chuàng)新地把預警應用于設施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設施環(huán)境條件與病害的關聯(lián)關系，把以診治為主的設施蔬菜病害防控模式轉變?yōu)橐灶A防為主，降低了病害防控成本，減少了農(nóng)藥污染，大幅度地提高蔬菜產(chǎn)量和質量，在農(nóng)業(yè)科技和食品安全方面發(fā)揮重要作用[2]。文中以棚室黃瓜為例，構建黃瓜病害靜態(tài)預警模型。通過實時地對溫度，濕度，土壤酸堿度等自然條件的測量，對病蟲害的發(fā)生進行預測，再根據(jù)預測結果調(diào)整當前環(huán)境，從而達到黃瓜病害預警的目的。運用LVQ神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡兩種算法建立黃瓜黑星病靜態(tài)預警模型并比較兩種模型的優(yōu)劣。結果表明，在以黃瓜黑星病為例的蔬菜病害靜態(tài)預警實驗中，運用BP神經(jīng)網(wǎng)絡算法所構建的模型優(yōu)于LVQ神經(jīng)網(wǎng)絡，在實際的蔬菜病害靜態(tài)預警的應用中更有參考價值。

1 模型的構建及分析

以黃瓜黑星病為例，分別使用LVQ神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡兩種算法構建黃瓜黑星病靜態(tài)預警模型，并從時間、空間復雜度和模型預測的確診率三個方面對兩種模型的適用性和可行性進行比較分析。

1.1 樣本指標的選取與數(shù)據(jù)收集

構建基于LVQ神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡算法的黃瓜黑星病靜態(tài)預警模型，其基礎的工作是進行黃瓜黑星病樣本指標的選取和對所選取的樣本指標進行數(shù)據(jù)收集。這兩項工作為模型的構建提供數(shù)據(jù)支持。

1.1.1 樣本指標的選取

黃瓜是一種常見的蔬菜，甘甜爽口，清淡香脆，是城鎮(zhèn)居民常備的家常菜之一。黃瓜在生長過程中容易發(fā)生各種病害而導致減產(chǎn)，如霜霉病、白粉病、黑星病等等。因此，在黃瓜的生長過程中，可通過對當前溫度，光照，土壤ph值等環(huán)境條件的測量，預測黃瓜得病的可能性而調(diào)整當前環(huán)境。文中以黃瓜黑星病為例測試模型的性能。此病的病因為瓜瘡痂枝孢菌，病菌以菌絲體附著在病株殘體上，在田間、土壤、棚架中越冬，成為翌年侵染源，也可以分生孢子附在種子表面或以菌絲體潛伏在種皮內(nèi)越冬，成為近距離傳播的主要來源。病菌在棚室內(nèi)的潛育期一般3～10天。整個生育期均可侵染發(fā)病，幼瓜和成瓜均可發(fā)病。幼瓜受害，病斑處組織生長受抑制，引起瓜條彎曲、畸形。該病菌在低溫高濕等一系列復合條件下容易發(fā)生和流行。一般在2月中下旬就開始發(fā)病，到5月份以后氣溫高時病害依然發(fā)生[3-4]。文中選用容易感染此種病害的品種津研四號進行試驗[5-6]。經(jīng)查閱資料可知：黃瓜黑星病發(fā)病的因素有土壤ph值，空氣相對濕度，溫度，光照，黃瓜栽培品種等等。其中土壤ph值，空氣相對濕度，溫度這三個因素在黃瓜發(fā)病過程中起主要作用。致使黃瓜黑星病發(fā)病的各因素范圍如下：ph值：2.5-7 ； 空氣相對濕度：>=90；溫度：15℃-25℃。

1.1.2 數(shù)據(jù)收集

黃瓜黑星病的發(fā)病是一個過程，是多個發(fā)病因素相互交叉、共同作用的產(chǎn)物。根據(jù)黃瓜病害書籍資料，搜集所需的數(shù)據(jù)。共330組數(shù)據(jù)，290組數(shù)據(jù)作為訓練集，40組數(shù)據(jù)作為測試集。290組訓練集作為樣本數(shù)，每個樣本數(shù)中有三個輸入特征數(shù)據(jù)，即土壤ph，空氣相對濕度，溫度等三類，所有樣本數(shù)共分為2個類別，即正常與異常。分別用LVQ神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡兩種算法測試模型的可行性并對其進行比較分析，為預測模型的選擇提供參考。

1.2 LVQ神經(jīng)網(wǎng)絡預警模型

構建基于LVQ神經(jīng)網(wǎng)絡的黃瓜黑星病靜態(tài)預警模型，測試模型的可行性，并對模型進行優(yōu)化，進而比較優(yōu)化前、后的黃瓜黑星病預警模型，分析模型的適用性。

1.2.1 LVQ神經(jīng)網(wǎng)絡思想

LVQ神經(jīng)網(wǎng)絡[7-8]（Learning Vector Quantization）是在有“導師”狀態(tài)下對競爭層進行訓練的一種學習算法，屬于前向有監(jiān)督神經(jīng)網(wǎng)絡類型，在模式識別和優(yōu)化領域有著廣泛的應用。LVQ神經(jīng)網(wǎng)絡由三層組成，即輸入層、隱含層和輸出層，網(wǎng)絡在輸入層與隱含層間為完全連接，而在隱含層與輸出層間為部分連接，每個輸出層神經(jīng)元與隱含層神經(jīng)元的不同組相連接。隱含層和輸出層神經(jīng)元之間的連接權值固定為1。在網(wǎng)絡訓練過程中，這些權值被修改。隱含層神經(jīng)元和輸出神經(jīng)元都具有二進制輸出值。當某個輸入模式被送至網(wǎng)絡時，參考矢量最接近輸入模式的隱含神經(jīng)元因獲得激發(fā)而贏得競爭，因而允許它產(chǎn)生一個“1”，而其他隱含層神經(jīng)元都被迫產(chǎn)生“0”。與包含獲勝神經(jīng)元的隱含層神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，而其他輸出神經(jīng)元均發(fā)出“0” 。網(wǎng)絡結構如圖1：

1.2.2 網(wǎng)絡創(chuàng)建及測試

在Matlab R2012b的平臺上進行預測。建立一個3層的向量量化神經(jīng)網(wǎng)絡函數(shù)，隱含層神經(jīng)元首次嘗試設置為15個，學習速率設置為默認值0.01，權值學習函數(shù)也設置為默認函數(shù)：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1’）。

利用LVQ神經(jīng)網(wǎng)絡算法開始模型訓練，訓練結束后將會生成相應的神經(jīng)網(wǎng)絡，再通過相關驗證數(shù)據(jù)的輸入將計算出的預測值與期望輸出進行比較分析，得出相關的結論。40組數(shù)據(jù)作為測試集進行10次預測，測試結果如表1：

經(jīng)計算，當隱含層神經(jīng)元為15個時，正常、異常黃瓜的平均確診率分別為91.508%、91.05%，平均確診率高達90%，此設定準確率較高。經(jīng)過多次運行，運行時間數(shù)量級皆為1級。表明LVQ神經(jīng)網(wǎng)絡用于模式識別是有效的，在黃瓜黑星病的預警中具有很大的參考價值和指導意義。

1.2.3 隱含層神經(jīng)元個數(shù)優(yōu)化

在LVQ神經(jīng)網(wǎng)絡算法基礎上，為了得到可靠穩(wěn)定的模型，提高正確率，可使用帶有交叉驗證功能的LVQ神經(jīng)網(wǎng)絡程序進行預測。此功能可確定最佳的隱含層神經(jīng)元個數(shù)。常見的交叉驗證形式之一為K-fold cross-validation。K次交叉驗證，初始采樣分割成K個子樣本，一個單獨的子樣本被保留作為驗證模型的數(shù)據(jù)，其他K-1個樣本用來訓練。交叉驗證重復K次，每個子樣本驗證一次，平均K次的結果或者使用其他結合方式，最終得到一個單一估測。這個方法的優(yōu)勢在于，同時重復運用隨機產(chǎn)生的子樣本進行訓練和驗證，每次的結果驗證一次。在此采用常用的5折交叉驗證法進行訓練。

每一次網(wǎng)絡的訓練都會產(chǎn)生不同的最佳隱含層神經(jīng)元個數(shù)，這是由于每次訓練集和測試集是由計算機隨機產(chǎn)生，且每次訓練過程都不相同造成的。經(jīng)過多次實驗，發(fā)現(xiàn)隱含層神經(jīng)元個數(shù)在11～20范圍內(nèi)較為適宜。運行一次帶有交叉驗證功能的LVQ算法程序需要的時間數(shù)量級是3級。運行時間較長，但在確診率上沒有明顯的改善。因此，帶有交叉驗證功能的LVQ神經(jīng)網(wǎng)絡模型在確定無交叉驗證功能的LVQ神經(jīng)網(wǎng)絡模型隱含層神經(jīng)元個數(shù)范圍方面起重要的借鑒作用，但由于其所需預測時間較長，不適用于實際預測的應用。

1.3 BP神經(jīng)網(wǎng)絡預警模型

構建基于BP神經(jīng)網(wǎng)絡的黃瓜黑星病靜態(tài)預警模型，調(diào)整網(wǎng)絡參數(shù)進行仿真訓練，并分析模型的適用性。

1.3.1 BP神經(jīng)網(wǎng)絡思想

BP神經(jīng)網(wǎng)絡[8-10] （Back Propagation）是一種采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡，其主要特點是信息正向傳播，誤差反向傳播。在傳遞過程中，輸入信號經(jīng)過輸入層、隱含層的逐層處理，直至輸出層，若在輸出層得不到期望值，則反向傳播，根據(jù)預測誤差調(diào)整權值和閾值，使BP神經(jīng)網(wǎng)絡的輸出不斷逼近預測輸出值。網(wǎng)絡結構如圖2：

1.3.2 網(wǎng)絡創(chuàng)建及測試

同樣在matlab R2012b的平臺上進行預測。在該三層網(wǎng)絡中，第一層傳遞函數(shù)默認為‘tansig’， 第二層傳遞函數(shù)設置為‘purelin’，訓練函數(shù)設置為‘trainlm'，隱含層神經(jīng)元個數(shù)設置為10個，輸出層神經(jīng)元為1個。創(chuàng)建該網(wǎng)絡，進行訓練，仿真并測試返回結果。相關程序為：

net=newff（minmax（P_train），[10 1]，{‘tansig’，‘purelin’}，‘trainlm’）

net.trainParam.epochs=1000；

net.trainParam.show=10；

net.trainParam.lr=0.1；

net.trainParam.goal=0.1；

net=train（net，P_train，Tc_train）；

T_sim=sim（net，P_test）；

for i=1：length（T_sim）

if T_sim（i）

T_sim（i）=1；

else

T_sim（i）=2；

end

end

對于多層前饋網(wǎng)絡來說，隱層節(jié)點數(shù)的確定是成敗的關鍵。若數(shù)量太少，則網(wǎng)絡所能獲取的用以解決問題的信息太少；若數(shù)量太多，不僅增加訓練時間，更重要的是隱層節(jié)點過多還可能出現(xiàn)所謂“過渡吻合”問題，即測試誤差增大導致泛化能力下降，因此合理選擇隱層節(jié)點數(shù)非常重要。關于隱層數(shù)及其節(jié)點數(shù)的選擇比較復雜，一般原則是：在能正確反映輸入輸出關系的基礎上，應選用較少的隱層節(jié)點數(shù)，以使網(wǎng)絡結構盡量簡單。隱含層神經(jīng)元個數(shù)選擇是一個較為復雜的問題，往往需要設計者多次試驗來決定，因而不存在一個理想的解析式來表示。確定隱含層神經(jīng)元個數(shù)方法可參考公式[n2=log2n1]和[n2=2×n1+1]（是輸入層神經(jīng)元數(shù)，是隱含層神經(jīng)元數(shù)）[11]。對黃瓜黑星病預測實驗而言，=3，則網(wǎng)絡訓練需要從隱含層神經(jīng)元個數(shù)為=1訓練到個數(shù)為=7。理論上最佳隱含層神經(jīng)元個數(shù)在1～7個左右，但仍需要多次測試來確定。適當增加隱含層神經(jīng)元個數(shù)可以減少訓練誤差。經(jīng)驗證，當隱含層神經(jīng)元個數(shù)設為7時，進行10次預測，模型測試確診率較高。如此既保證正確率，又能較節(jié)省時間。預測結果如表2：

如表2，經(jīng)計算，在10次預測中，正常黃瓜平均確診率為91.511%，異常黃瓜平均確診率為94.542%。運行時間數(shù)量級為0級，速度更快。經(jīng)多次運行、測試總結可得，BP神經(jīng)網(wǎng)絡模型在準確率上不次于LVQ神經(jīng)網(wǎng)絡模型，在時間上也遠快于LVQ神經(jīng)網(wǎng)絡模型。由此看出，BP神經(jīng)網(wǎng)絡算法在黃瓜黑星病的預測過程中，效果更好，參考價值更高。

1.4 兩種模型比較分析

算法，是預測黃瓜黑星病的核心。在評價哪種算法更適用于黑星病的預警時，應兼顧時間、空復雜度和確診率。這兩種模型空間復雜度基本相同。相比空間需求，實際操作中，我們更關注程序運行的時間和確診率。兩種神經(jīng)網(wǎng)絡算法在訓練預測過程中各有利弊，但預測結果的準確性都高達90%左右。因此，時間開銷便成了兩種模型適用性的最重要因素。分別運行兩種模型20次，得到程序運行的時間開銷折線圖如圖3。由圖3可知，運用BP神經(jīng)網(wǎng)絡可快速得到預測結果，在實際運用過程中實時性更突出。

2 總結

本文研究發(fā)現(xiàn)兩種模型均可用于黃瓜黑星病的預警，模型預測的準確率相差無幾高達90%左右。這進一步表明了數(shù)據(jù)的準確性、指標建立的合理性和模型建立的可行性。也證明把預警應用于設施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設施環(huán)境條件與病害的關聯(lián)關系這一構想的合理性和可操作性。

若結合結果的準確率和時間開銷，BP神經(jīng)網(wǎng)絡模型在實際的黃瓜黑星病及其他病害的預測過程中比LVQ神經(jīng)網(wǎng)絡模型更勝一籌，具有更高的時效性。

參考文獻：

[1] 霍松濤.旅游目的地旅游預警系統(tǒng)研究[D].開封：河南大學，2006.

[2] 邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：電子工業(yè)出版社，2003.

[3] 王生榮，楊升炯.黃瓜黑星病菌生物學特性及流行規(guī)律研究[J].甘肅科學學報，1999，11（3）：83-86.

[4] 易齊，王蔚，王傳英，等.黃瓜黑星病及其蔓延為害現(xiàn)狀[J].植物保護，1987，13（6）：40-41.

[5] 許勇，朱其杰.黃瓜黑星病抗病性離體子葉接種鑒定方法[J].北京農(nóng)業(yè)大學學報，1994（1）：31-34.

[6] 朱建蘭，陳秀蓉.黃瓜品種對黑星病的抗性鑒定結果[J].甘肅農(nóng)業(yè)科技，1998（7）：32-33.

[7] 段明秀，何迎生.基于LVQ神經(jīng)網(wǎng)絡的手寫字母識別[J].吉首大學學報，2010，31（2）：41-43.

[8] 史忠植.神經(jīng)網(wǎng)絡[M].北京： 高等教育出版社，2009.

[9] 王文劍.BP神經(jīng)網(wǎng)絡模型的優(yōu)化[J].計算機工程與設計，2000，21（6）：8-10.