神經網絡算法精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的神經網絡算法主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：神經網絡算法范文
中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2014）28-6643-02
1 概述
人工神經網絡（Artificial Neural Networks，ANN），是基于人類大腦的生物活動所提出的，是一個數學模型。它由眾多節(jié)點通過一定的方式互聯組成，是一個規(guī)模巨大、自適應的系統。其中有一種學習算法是誤差傳遞學習算法即BP算法。BP算法是人工智能最常用到的學習方法，從一定意義上來講，BP算法的提出，終結了多層網絡在學習訓練算法上的空白史，是在實際應用中最有效的網絡訓練方法，對ANN的應用和發(fā)展起到了決定性的作用。
BP算法是使用從輸出層得到的誤差來估算前一層的誤差，再利用該誤差估算更前一層的誤差。依次進行，就會獲得其他所有各層的估算誤差。這樣就實現了將從輸出層的得到誤差沿著與輸入信號傳送相反的方向逐級向網絡的輸入端傳遞的過程[1]。但是，BP算法也存在著不可忽視的缺陷?；诖耍撐目偨Y介紹了BP的改進方法。
2 BP算法的基本思想
2.1 BP算法的基本原理
BP算法是有監(jiān)督指導的算法，它的學習訓練過程一般分為兩步：首先是輸入樣本的正向傳遞；第二步誤差的反向傳遞；其中信號正向傳遞，基本思想是樣本值從輸入層輸入，經輸入層傳入隱藏層，最后通過輸出層輸出，中間層對樣本數據進行處理操作，利用各層的權值和激活函數對數據進行操作然后在輸出層獲得輸出[2]；接下來就是反向傳遞，算法得到的實際輸出值與期望目標輸出之間必然會有誤差，根據誤差的大小來決定下一步的工作。如果誤差值較小滿足訓練的精度要求，則認為在輸出層得到的值滿足要求，停止訓練；反之，則將該誤差傳遞給隱藏層進行訓練，按照梯度下降的方式，對權值和閾值進行調整，接著進行循環(huán)，直到誤差值滿足精度要求停止訓練[3]。
3 BP算法的缺陷
盡管BP算法有著顯著的優(yōu)點，但是在實際應用過程中，BP算法會出現很多問題。尤其是下面的問題，對BP神經網絡更好的發(fā)展有很大影響。有的甚至會導致算法崩潰。
3.1 收斂速度的問題
BP算法在進行訓練學習時，收斂速度慢，特別是在網絡訓練達到一定的精度時，BP算法就會出現一個長時間的誤差“平原”，算法的收斂速度會下降到極慢[4]。如果盲目的加快收斂速度，則會使算法產生震蕩現象。
3.2 局部極小點問題
在一些初始權值的條件下，BP算法在訓練過程中會陷入局部極值。這是由于BP網絡采用最速下降法，誤差曲面非常復雜且分布著許多局部極值點，一旦陷入，BP算法就很難逃脫，進而會使BP網絡的訓練停止。算法可以在某處得到一個收斂值，但是并不能確定取到了誤差曲面的最小值。這樣就會使網絡難以達到事先規(guī)定的誤差精度[5]。
3.3 網絡癱瘓問題
在算法的學習訓練過程中，網絡的權值會變得很大，從而使得節(jié)點的輸入變大，這就會導致其激活函數的導函數在改點取得的值很小，接著會導致算法的訓練速度變得極低，最終會導致BP網絡停止收斂，網絡癱瘓。
3.4 步長問題
BP的收斂是建立在無窮小權修改量的基礎上，而這就意味著網絡所需要的訓練時間是無窮的，這顯然是不可取的。因此，要限定權值修改量的值。這主要是因為，如果步長太小，那么網絡的收斂速度就會下降，如果步長太大，就會使BP神經網絡產生癱瘓和振蕩。學者們經過研究提出一個較好的方法，就是用自適應的步長代替原來的定值步長，以使權值修改量隨著BP網絡的訓練而不斷變化[6]。
4 改進BP算法的方法
BP算法應用廣泛，但它又存在很多缺陷，針對BP算法的問題，國內外許多學者提出各種改進方法，主要的改進方法分為兩類：一是啟發(fā)式改進，如附加動量法和自適應學習率等；二是結合新理論的改進。這些方法在不同程度上提高了網絡的收斂速度，避免了局部最小問題。
4.1 啟發(fā)式改進方法
啟發(fā)式改進方法是建立在BP網絡梯度下降規(guī)則的基礎上，通過對BP神經網絡的權值和學習率的改進，從而解決BP網絡在學習訓練過程中遇到的問題。它的核心思想是：使權重的調整量最大限度的適應誤差下降的要求。該文主要介紹了附加動量法。
傳統的BP算法實際上是運用最速下降規(guī)則來搜索最優(yōu)點的算法，該規(guī)則是順著梯度的反方向進行權值的修正，并不將前一階段積累的經驗考慮進來。因此會在訓練過程中發(fā)生震蕩，導致收斂速度緩慢。但是將動量項引入到BP網絡中后，當輸入樣本依照順序輸入時，則可以將權值的修正公式看作為以t為變量的時間序列，那么權值的修改公式就改變?yōu)槿缦滤荆?/p>
[Δwn=-ηt=0nan-1?Et?Wt]
加入動量項以后若本次[?Et?Wt]與前一次同號時，則加權和增大，使[Δwn]增大；當[?Et?Wt]與上一次符號相反時，說明算法存在一定的震蕩，此時指數加權和減小，使[Δwn]減小[7]。
4.2 BP網絡結構的優(yōu)化
在BP算法中，輸入和輸出節(jié)點的個數由實際問題確定，網絡結構的優(yōu)化主要是針對隱藏層的節(jié)點數和層數。許多研究表明，一個隱藏層就可以解決各種分類問題。那么對于隱藏層節(jié)點的個數的確定，有的學者給出了公式[NH=NI+NO+L]（其中[NH]表示隱藏層節(jié)點數，[NI]表示輸入層節(jié)點數，[NO]表示輸出層節(jié)點數），但是公式缺乏一定的理論支持，所以目前最好的方法是通過經驗和在學習訓練過程中不斷的調整隱藏層節(jié)點數，最后得到一個合適的網絡結構。
4.3 基于新理論的算法改進
隨著對BP網絡結構知識的研究，能夠更加深刻的理解BP算法誤差傳遞的本質。出現了許多基于新興理論的BP算法的改進，這種改進方式是結合了其它領域比較成功的優(yōu)化算法和理論，比如將遺傳算法與BP算法相結合，將遺傳算法高效的全局尋優(yōu)能力引入進來，利用GA算法來優(yōu)化BP算法的權值和閾值，解決BP神經網絡存在容易陷入局部極值和收斂速度慢的問題，兩種算法的結合實現了各自優(yōu)勢的互補，取得了良好的效果[8]；將粒子群優(yōu)化算法用于BP神經網絡的學習訓練，使算法更容易找到全局最優(yōu)解，具有更好的收斂性[9]。很多研究者還將BP算法與模糊數學理論、小波理論、混沌算法等相結合。這些改進使得BP神經網絡得到更進一步的應用。
5 小結
BP算法是目前在神經網絡學習算法中得到最廣泛應用的。該文總結了BP算法的原理，針對BP算法中出現的問題，雖然給出了BP算法的改進方法，但還是有很多不足之處。隨著科學日新月異的發(fā)展，各種新的優(yōu)化算法不斷的提出，BP算法也會得到更廣泛的發(fā)展。
參考文獻：
[1] 胡彩萍.基于BP神經網絡的排序評價算法研究及應用[D].南昌：江西師范大學碩士學位論文，2009.
[2] 劉翔.BP算法的改進及其應用[D].太原：太原理工大學碩士學位論文，2012.
[3] 張璐璐.基于遺傳神經網絡的人民幣識別方法研究[D].長春：吉林大學碩士學位論文，2009.
[4] 張波.DRP決策支持系統及小波網絡在其中的應用[D].成都：四川大學碩士學位論文，2006.
[5]付海兵，曾黃麟.BP神經網絡的算法及改進[J].中國西部科技，2012，11（8）：1671-6396.
[6] 周羽.紅外圖像人臉識別研究[D].大連：大連理工大學碩士學位論文，2007.
[7] 楊賽.BP神經網絡學習問題的分析研究[D].贛州：江西理工大學碩士學位論文，2009.
第2篇：神經網絡算法范文
關鍵詞:無線傳感器網絡;數據融合;神經網絡
中圖分類號:TP393文獻標識碼:A文章編號:1009-3044(2010)18-5050-02
A Wireless Sensor Network Data Fusion Algorithm Based on Neural Network
YAO Li-jun1, LIANG Hong-qian2, ZHAO Lei1
(1.Hengyang Normal University, Hengyang 421008, China;2.Xi'an Wenli College, Xi'an 710065, China)
Abstruct: This paper combined the neural network model and the wireless sensor network, proposed a wireless sensor network data fusion algorithm based on neural network. Experiments show that the algorithm can effectively reduce energy consumption of network, extend network life, it is a more practical wireless sensor network data fusion algorithm.
Key words: wireless sensor network; data fusion; neural network
無線傳感器網絡(wireless sensor network,簡稱WSN)近幾年來是計算機網絡領域中最為熱門的研究內容之一。典型的無線傳感器網絡由大量廉價的傳感器節(jié)點所構成,相互之間通過無線方式進行數據通信。這些傳感器節(jié)點可以通過其攜帶的各種類型的傳感器采集現場的各種數據,并以接力的方式通過其它傳感器節(jié)點將采集到的數據逐跳地發(fā)送到匯聚節(jié)點(Sink)[1]。其中單個傳感器節(jié)點由于能量、計算、存儲、感應及通信能力嚴格受限,所以需要高的覆蓋密度來保證整個網絡的魯棒性和檢測信息的準確性。這就導致相鄰節(jié)點間采集的數據存在一定的冗余,網絡負載隨之增加。為了節(jié)省能量和通信帶寬,減少原始數據的發(fā)送,傳感器節(jié)點需要協同在網處理所收集的原始數據。數據融合就是在網處理的方法之一[2-3]。
神經網絡(Neural Network,簡稱NN)是對人腦或自然神經網絡若干基本特性的抽象和模擬,是一門多個學科領域的邊緣交又學科。它以對大腦的生理研究成果為基礎,旨在模擬大腦的某些機理與機制,實現某個方面的功能[4]。
神經網絡與數據融合具有一個共同的基本特征,即通過對大量的數據進行一定的運算和處理,得到能夠反映這些數據特征的結論性的結果。本文提出一種新的無線傳感器網絡數據融合算法,該算法基于分簇無線傳感器網絡模型,將其中的分簇結構與神經網絡模型相結合,在簇頭節(jié)點利用神經網絡算法對簇成員節(jié)點的數據進行融合處理,以有效地減少網絡中傳輸的數據量,延長網絡使用壽命。
1 無線傳感器網絡模型與神經網絡模型
無線傳感器網絡由大量部署于監(jiān)控區(qū)域的傳感器節(jié)點組成。傳感器節(jié)點分為 3類:基站、簇頭和普通傳感節(jié)點。層次化無線傳感器網絡如圖1所示。
本文采用的神經網絡模型是典型的前饋神經網絡―多層感知器(MLP)[5]。多層感知器由若干層非線性神經元組成,每個神經元都是一個感知器,每層包含多個感知器,相鄰層的神經元用權連接起來。圖2給出了多層感知器的結構示意圖,通常情況下,層與層之間是全連接的,信號沿著前饋方向,即從左邊到右邊,逐層傳遞。
2 具體數據融合算法
本算法基于三層感知器神經網絡模型,對應無線傳感器網絡中的一個簇。其中,輸入層和第一隱層位于簇成員節(jié)點中,而輸出層和第二隱層位于簇頭節(jié)點中。
假設無線傳感器網絡中一個簇內有n個簇成員節(jié)點,每個簇成員節(jié)點采集m種不同類型的數據,那么該神經網絡模型共有n×m個輸入層節(jié)點、n×m個第一隱層神經元。第二隱層神經元的數量、和輸出層神經元的數量k可以根據實際應用的需要進行調整,與簇成員節(jié)點的數量n并沒有聯系。對于不同類型的數據,第二隱層的數量可以不同。在輸入層與第一隱層之間、第一隱層和第二隱層間沒有采用全連接,只是對不同類型的數據分別進行處理;而第二隱層與輸出層之間是全連接的,可以對不同類型的數據進行綜合處理。
根據這樣一種三層感知器神經網絡模型,本文的數據融合算法首先在每個傳感器節(jié)點對所有采集到的數據按照第一隱層神經元函數進行初步處理,然后將處理結果發(fā)送給其所在簇的簇頭節(jié)點。簇頭節(jié)點再根據第二隱層神經元函數和輸出層神經元函數進行進一步地處理。最后,由簇頭節(jié)點將處理結果發(fā)送給匯聚節(jié)點。下面以第一隱層神經元功能模型為例,敘述神經元函數信息處理過程。
第一隱層神經元位于簇成員節(jié)點。每個簇成員節(jié)點中第一隱層神經元的數量是根據傳感器節(jié)點所采集的數據類型來決定的,不同類型的數據由不同的神經元來進行處理。第一隱層神經元功能模型的輸入區(qū)、處理區(qū)和輸出區(qū)三個功能函數如圖3所示。
3 性能仿真
將本文的融合算法與基于卡爾曼濾波的融合方法進行比較,在條件相同的情況下,考察兩算法性能的主要指標,包括:網絡總能耗、節(jié)點平均剩余能量和平均時延三個方面。如圖4所示。
圖中,表示基于神經網絡的融合算法, 表示基于卡爾曼濾波的融合方法,由圖可知,本文基于神經網絡的融合算法在這三方面均優(yōu)于基于卡爾曼濾波的融合方法。
4 結論
本文將神經網絡功能模型與層次化無線傳感器網絡相結合,提出一種基于神經網絡的無線傳感器網絡數據融合算法,通過采用該算法,有效地減少了網絡的能耗,延長了無線傳感器網絡的生存周期,是一種較為實用的無線傳感器網絡數據融合算法。
參考文獻:
[1] 李建中,高宏.無線傳感器網絡的研究進展[J].計算機研究與發(fā)展, 2008 (1):1-15.
[2] Castelluccia C,Mykletun E,Tsudik G.Efficient aggregation of encrypted data in wireless sensor networks[J].Mobile and Ubiquitous Systems:Networking and Services MobiQuitous,2005.
[3] Chen J,Pandurangan G,Xu D.Robust computation of aggregates in wireless sensor networks:Distributed randomized algorithms and analysis[C].IPSN,2005:348-355.
第3篇：神經網絡算法范文
關鍵詞：入侵檢測 神經網絡 人工魚群算法 模型參數
中圖分類號：TP18 文獻標識碼：A 文章編號：1674-2117（2014）20-00-01
1 前言
21世紀是網絡的時代，網絡已進入人們的日常生活，成為人們通信和交流的工具，人們對于網絡的依賴也越來越強。
針對網絡入侵檢測問題，國內外許多學者進行了深入研究，提出了許多有效的網絡入侵檢測模型。在網絡入侵檢測過程，網絡入侵分類器設計是網絡入侵檢測的關鍵，當前網絡入侵分類器主要有基于支持向量機、K最近鄰算法、神經網絡等進行設計。其中出回聲狀態(tài)神經網絡（Echo State Network，ESN）是一種新型的網絡，具有簡單、易實現、泛化能力優(yōu)異等優(yōu)點，成為網絡入侵檢測中的主要研究方向。人工魚群算法（Artificial Fish Swarm Algorithm，AFSA）是一種采用自下而上信息尋優(yōu)模式的智能搜索算法，具有并行性、收斂速度快等優(yōu)點，為回聲狀態(tài)神經網絡參數優(yōu)化提供了一種新的工具。
2 人工魚算法優(yōu)化神經網絡的入侵檢測模型
2.1 回聲狀態(tài)神經網絡
ESN是一種由輸入層、內部儲備池和輸出層組成的非線性遞歸神經網絡，其狀態(tài)方程為：
式中，sigmoid為激活函數；Win和Wx分別為輸入和儲備池內部的連接矩陣；μ（t），x（t）分別表示t時刻的輸入向量和儲備池內部狀態(tài)向量量，sin為輸入項比例系數；ρ為內部儲備池的譜半徑。
那么ESN的輸出方程為
（2）
式中，y（t）為t時刻的輸出向量Wout為輸出連接向量。
輸出權值對ESN性能起著關鍵作用，常采用最小二乘法進行求解，目標函數的最小化形式為
式中 ，
，N為儲備池節(jié)點數；l為訓練樣本數。
根據式（3）式得到解
（4）
式中，為的估計值。
從式（1）可知，參數sin和ρ的選取影響回聲狀態(tài)神經網絡的性能，本文采用人工魚群算法（AFSA）對參數sin和ρ的選擇，以提高網絡入侵的檢測正確率。
2.2 人工魚群算法
工魚群算模擬魚群覓食的行為，人工魚個體的狀態(tài)可表示為向量Xi=（xi1，xi2，…，xiD），食物濃度表示為Y=f（x），其中Y為目標函數值；Visual表示人工魚的感知范圍：Step表示人工魚移動的步長；δ表示擁擠度因子。人工魚的行為包括以下幾種：①覓食行為；②聚群行為；③追尾行為；④隨機行為。
2.3 人工魚群算法優(yōu)化神經網絡參數
（1）初始化人工魚群算法參數，主要包括人工魚群數以及最大迭代次數；（2）初始位置為回聲狀態(tài)神經網絡的參數；（3）計算適應度函數，并選擇適應度函數值最大的人工魚個體進入公告板；（4）人工魚模擬魚群覓食行為，得到新的人工魚位置；（5）與公告板人工魚的位置進行比較，如果優(yōu)于公告板，那么將該人工魚位置記入公告牌；（6）將最優(yōu)公告牌的位置進行解碼，得到回聲狀態(tài)神經網絡最優(yōu)參數；（7）利用最優(yōu)參數建立網絡入侵檢測模型，并對其性能進行測試。
3 仿真實驗
3.1 仿真環(huán)境
數據來自網絡入侵標準測試集KDDCUP99數據集，其包括4種入侵類型：DoS、Probe、U2R和R2L，同時包括正常樣本，每一個樣本共有41個特征，7個符號型字段和34個數值型字段。由于KDDCup99數據集樣本多，從中隨機選擇部分數量的數據進行測試，數據具體分布見下表。為了使本文模型的結果具有可比性，采用PSO算法優(yōu)化回聲狀態(tài)神經網絡（PSO-ESN），遺傳算法優(yōu)化回聲狀態(tài)神經網絡（GA-ESN）進行對比實驗。
樣本集分布情況
入侵類型 訓練樣本 測試樣本
DoS 2000 400
Probe 1000 200
R2L 500 100
U2R 100 20
3.2 結果與分析
所有模型對網絡入侵數據進行建模，仿真結果如圖1和圖2所示。從圖1和圖2進行仔細分析，可以知道，相對于PSO-ESN、GA-ESN，人工魚群算法優(yōu)化神經網絡的入侵檢測性能最優(yōu)，網絡入侵檢測的誤報率更低，具有十分明顯的優(yōu)勢，在網絡安全領域具有廣泛的應用前景。
圖1幾種模型的檢測率比較
圖2幾種模型的誤報率比較
4 結語
針對回聲狀態(tài)神經網絡參數優(yōu)化難題，提出一種人工魚群算法優(yōu)化回聲狀態(tài)神經網絡參數的入侵檢測模型。仿真結果表明，相對于對比模型，本文模型提高了網絡入侵的檢測率，同時誤報率明顯降低，具有一定的實際應用價值。
參考文獻：
[1]唐正軍，李建華.入侵檢測技術[M].北京：清華大學出版社，2004.
第4篇：神經網絡算法范文
關鍵詞：神經網絡 算法 火災探測 自動報警
中圖分類號： TP274 文獻標識碼：A 文章編號：1007-9416（2013）10-0130-02
隨著我國社會進步和經濟的快速發(fā)展，人們的生活水平有了很大提高。然而，火災事故也有增無減。如何防止火災對社會財富和人身安全造成危害是值得研究的重要課題之一。火災的的發(fā)生是一個極為復雜的過程，這樣就一來，在探測火災時候，會給探測器帶來一定的干擾性，做出對信號的正確處理和適當的算法，確保探測器的正確定位，避免錯誤報警，這些是火災報警系統的關鍵點。
神經網絡是一個復雜網絡，它是由大量簡單的處理單元經過連接構成，能夠實現大規(guī)模的并行處理能力、包括處理冗余性、容錯性、非線性映射能力，以及能夠實現自己適應、學習計算和組織能力。在不同情況條件下的環(huán)境對特征參數進行智能處理時，它能夠很好快速處理；并且，對于火災信號的有效定位迅速準確，進而使信號早期能夠報警發(fā)，實現火災的早期發(fā)現和報警，能夠大幅度的提高報警器的安全可靠性。
1 BP算法原理
BP（Back Propagation）網絡是一個多層次的前饋智能神經系統。能夠實現對任意的非線性映射進行從輸入和輸出處理。標準的三層BP網絡是本文所要重點簡介說明的，該神經網絡為的結構如圖1所示。
本次設計采用溫度，煙霧和CO三種參數作為網絡的輸入，如圖2所示。第一步是將信號進行歸一化處理，使其范圍歸一到[0—1]之間的數值； 那么，溫度歸一化計算公式：T=（t-tmin）/（tmax-tmin）。
其中T—歸一化溫度；t—溫度實際值；tmin—樣本集中溫度最小值；tmax—溫度最大值。其它參數與此相同。
其次，將BP網絡的三個參數值數歸一化處理輸入，此時設置的網絡層數為三層，三種變量為網絡的輸出層，他們分別為無火、陰燃火、明火可能性；由于網絡三種變量的輸出為隸屬度函數值，因此，在網絡的隱節(jié)點層（輸入層節(jié)點到隱含層節(jié)點之間）神經元，那么采用正切sigmoid函數科作為傳遞函數：。網絡輸出為：。其中xj為輸入， w ij為輸入節(jié)點與隱層節(jié)點間的網絡權值，Til 為隱層節(jié)點與輸出層之間的網絡權值，b1和b2分別為閾值，Ol為輸出。誤差計算公式為：E=。
其中t—期望輸出。Ol—網絡實際輸出，E—平方和誤差。
利用標準的BP算法學習，盡量使探測的誤差最小，可以通過修改Wij（權值）和閾值b1，b2來實現。本文采用網絡為三層前向，三個神經元的輸入層系統， 他們分別代表溫度信號、煙霧信號和CO信號， 三個神經元在輸出層時候分別表示火災各狀態(tài)（無火、陰燃和明火） 的發(fā)生概率。在隱層神經元個數計算公式主要是根據經驗確定，可以選取公式q=r+s+（1～10）來確定。
2 訓練和測試方法
對所有的測試樣本數據進行一次正向運行，并進行一次反向傳播修改權值稱為訓練（也稱為學習），需要反復的進行計算訓練一直到獲取合適的結果，正常來說，一個過程需要成百上千次的網絡訓練。實施過程，確保權值大小一定，用一組獨立數據進行的網絡輸入，網絡進行正向處理一次為測試。
本文用采用的工具為Matlab神經網絡箱，讓其對數據樣本集進行正常訓練，圖3為訓練程序的流程。
本實驗中，溫度值、CO濃度、煙霧濃度分別為輸入信號；從無火到產生陰燃和明火為輸入范圍的三種狀態(tài)。在網絡訓練以前，首先根據經驗設定好參數，最大程度爭取輸出的無火、陰燃和明火三種狀態(tài)產生的概率，就是實際得出的概率。那么，依據設定的參數進行網絡訓練，其訓練結果如表1所示：
最終通過實驗確定隱層神經元個數為7，將神經網絡訓練達到最佳狀態(tài)，代入測試樣本進行仿真，如表2。
3 結語
基于BP神經網絡的訓練準確度較高達到了10-2，大大提高多傳感器的火災報警系統智能化程度。使用這種特殊的方法對火災信號進行探測處理，能夠加強探測器的靈敏度，又可以實現誤報率的降低，并且抗干擾能力提高，從而很大程度上提高了火災探測系統的安全性和可靠性，能夠有效的降低火災發(fā)生的概率。
參考文獻
[1]王殊，竇征.火災探測及其信號處理[M].武漢：華中理工大學出版社，1999.
第5篇：神經網絡算法范文
關鍵詞：神經網絡；遺傳算法；優(yōu)化理論
一、引言
在人類的歷史上，通過學習與模擬來增強自身適應能力的例子不勝枚舉。模擬飛禽，人類可以翱游天空；模擬游魚，人類可以橫渡海洋；模擬昆蟲，人類可以縱觀千里；模擬大腦，人類創(chuàng)造了影響世界發(fā)展的計算機。人類的模擬能力并不僅僅局限于自然現象和其它生命體。自從20世紀后半葉以來，人類正在將其模擬的范圍延伸向人類自身。
神經網絡是人類對其大腦信息處理機制的模擬，早期的自動機理論假設機器是由類似于神經元的基本元素組成，從而向人們展示了第一個自復制機模型。近年來諸如機器能否思維、基于規(guī)則的專家系統是否能勝任人類的工作、以及神經網絡能否使機器具有生物功能已成為人工智能關注的焦點。
遺傳算法是一種更為宏觀意義下的仿生算法，它模仿的機制是一切生命與智能的產生與進化過程。人類之所以能夠向其自身的演化學習以增強決策問題的能力，是因為自然演化過程本質就是一個學習與優(yōu)化的過程。
神經網絡和遺傳算法都是仿效生物處理模式以獲得智能信息處理功能的理論，二者雖然實施方法各異，但目標相近，有很多特點相同，功能類似，對二者進行深入地對比研究，并取長補短，將二者綜合運用是非常有意義的課題。
二、神經網絡與遺傳算法概述
自1943年第一個神經網絡模型MP模型提出至今，神經網絡的發(fā)展非常迅速，特別是1982年提出的Hopfield網絡模型和1985年提出的8P算法。使神經網絡逐步發(fā)展成為用途廣泛的系統。神經網絡是由大量神經元廣泛互連。形成大規(guī)模并行處理和分布式的信息存儲的復雜網絡系統。單一神經元可以有許多輸入、輸出。神經元之間的相互作用通過連接的權重體現。神經元的輸出是其輸入的函數。雖然每個神經元的結構和功能極其簡單和有限，但大量神經元構成的網絡系統的行為則是豐富多彩的。神經網絡計算的基本特征是大規(guī)模并行處理、容錯性、自適應性和自組織性。大規(guī)模并行處理指能同時處理與決策有關的因素，雖然單個神經元的動作速度不快。但網絡的總體并行處理速度極快。容錯性指由于神經網絡包含的信息是分布存儲的，即使網絡某些單元和連接有缺陷，仍可以通過聯想得到全部或大部分信息。自適應性和自組織性指它可以通過學習，不斷適應環(huán)境，增加知識的容量。
遺傳算法最早由美國密執(zhí)安大學的Holland教授在1975年發(fā)表的論文“自然和人工系統的適配”一文中提出。它是一種借鑒生物界自然選擇思想和遺傳機制的全局隨機搜索算法，其實現方法是，從一個初始種群出發(fā)，不斷重復執(zhí)行選擇、雜交和變異的過程，使種群進化越來越接近某一目標。它的基本特征是大規(guī)模并行處理、通用性、魯棒性。大規(guī)模并行處理指遺傳算法的操作對象是一組可行解而非單個解。搜索路徑有多條而非單條，因而具有良好的并行性。通用性指只需利用目標的取值信息，而無需梯度等高價值信息，因而適用于任何大規(guī)模、高度非線性的不連續(xù)多峰函數的優(yōu)化以及無解析表達式的目標函數的優(yōu)化，具有很強的通用性。魯棒性指算法的擇優(yōu)機制是一種軟選擇，再加上其良好的并行性，使它具有很好的全局優(yōu)化性和穩(wěn)定性。
三、神經網絡與遺傳算法在優(yōu)點上的相似性
(一)二者都可對問題進行大規(guī)模的并行處理。整體上極大提高了運算速度。這是神經網絡和遺傳算法優(yōu)于傳統算法的最重要的特征。
對于神經網絡來說，雖然每個神經元都要計算連接函數和傳遞函數(也稱作用函數)，但神經元的計算可以分布式地并行進行。對于遺傳算法來說，每一個個體都需要根據適應值函數計算適應值，每一代都有很多個體，表面看來也有很大的計算量，但可同時對多個可行解進行操作，所以整體上與傳統的計算方法相比，運算時間很短。從這一點來看，神經網絡和遺傳算法都需要發(fā)展分布式并行計算系統來替代傳統的計算機，這種計算系統不再是傳統計算機順序執(zhí)行命令的運行過程，而是希望對輸入進行平行處理；這種計算系統不再是只包含一個或幾個復雜的計算設備，而是由眾多簡單設備有機組成在一起共同執(zhí)行相同的計算功能；一旦適合這種要求的硬件系統得到發(fā)展，神經網絡和遺傳算法將能得到更加廣泛地應用，更有效地解決更大規(guī)模的實際問題。
(二)二者都具有高度的適應性和容錯性
人工神經網絡在解決某個具體問題時，可以反復用示例來訓練它，在訓練的過程中自組織自學習來適應新的情況。而且，由于神經網絡中信息的分布式存貯，即使個別神經元出錯，也不會導致網絡運行的癱瘓，所以總體上具有較強的可靠性；而遺傳算法通過每一代的選擇過程來淘汰適應值較小的個體，保留適應值較大的個體，從而使收斂的結果趨于適應目標值，通過變異算子將每一代的種群空間擴大到個體空間，使每一個個體都有被選進種群的機會，每一個解都有機會參與計算。
(三)二者都通過對有限個可行解進行操作來獲取對整個解空間的求解，實踐證明對于其中已經相對成熟的算法，二者具有較好的魯棒性。
神經網絡，如BP算法，通過對有限個模式的訓練和學習來實現對所有模式的識別；事實證明效果很好。遺傳算法通過在個體空間中選擇有限數目的個體作為種群進行代代操作來實現對個體空間中最優(yōu)解的搜索。兩種方法都選擇了較少的操作數目，但由于算法本身的優(yōu)越性，仍能取得較好的穩(wěn)定性和收斂性。
四、神經網絡與遺傳算法在缺點上的相似性
(一)二者優(yōu)越性的理論分析有待完善。
神經網絡與遺傳算法各自的種類繁多，神經網絡主要有前饋(BP)神經網絡、Hopfield網絡、自組織特征映射網絡、波爾茲曼機等，其中最有影響的是BP網絡和Hopfleld網絡；遺傳算法主要有簡單遺傳算法、統計遺傳算法、共同進化遺傳算法及其它改進后的遺傳算法；針對要解決問題的性質可以選擇合適的網絡或算法。這些網絡或算法已經被諸多實踐證明其優(yōu)越性。
目前神經網絡和遺傳算法已經在語音識別、模式識別、圖像處理和工業(yè)控制等領域取得了顯著成效。雖然實踐已證明了其無比的優(yōu)越性，但在理論分析上，兩者都略有不足。BP算法和Hopfield網絡雖然給出了算法的執(zhí)行原理及過程，但其優(yōu)越性的理論仍不嚴格，即并未對不同情況定量說明，為什么這種算法能夠快速收斂或快速求解。對遺傳算法來說，早在Holland提出遺傳算法之初就提出了著名的模式定理和穩(wěn)并行性分析來定量說明遺傳算法的優(yōu)越性，并長期以來被人們所接受。但是模式定理只對簡單遺傳算法有效，因為其證明過程依賴于二進制編碼，對非二進制編碼收斂性的分析至今也未得出。除此之外，近年來，有很多著名學者也對模式定理的證明過程提出了質疑。所以，找到神經網絡和遺傳算法優(yōu)越性的理論基礎仍是一項艱巨的科研任務和課題。
(二)在算法的執(zhí)行過程中參數的確定都需要依賴于人的經驗。
建立一個神經網絡需要首先確定它的基本結構、學習規(guī)則以及工作方式(前饋式還是演化式)，網絡結構包括網絡的拓撲結構即網絡中神經元的連接方式和節(jié)點轉換函數兩部分。結構的優(yōu)劣對網絡的處理能力有很大影響，一個好的結構應能圓滿解決問題，同時不出現冗余節(jié)點和冗余連接，但不幸的是，神經網絡結構的設計基本上還依賴于人的經驗，尚沒有一個系統的方法來設計一個適當的網絡結構。目前，人們在設計網絡結構時，只能或者預先指定?；蛘卟捎眠f增或遞減的探測方法。
對遺傳算法來說，需要針對待解決的問題而設計出編碼方案、三個算子(選擇、雜交、變異)、進化機制以及各個概率參數，如雜交概率、變異概率等。參數的確定也沒有理論支持，只是人為地認為雜交概率的值確定在(0.65，0，9)范圍內，變異概率的值確定在(0.001.0.01)比較好，目前，在遺傳算法的實際執(zhí)行過程中一般需要預先指定這兩個參數，近來有學者提出在遺傳算法的執(zhí)行過程中動態(tài)地改變這些參數的方法也取得了較好的效果。
第6篇：神經網絡算法范文
關鍵詞： ATR2神經網絡； 警戒值； 模式漂移； 模式識別
中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）18?0041?03
An improved algorithm based on ART2 neural network
HU Xin， YE Qing， GUO Geng?shan
（Changsha University of Science and Technology， Changsha 410114， China）
Abstract： Aiming at the problems of setting vigilance parameter and pattern drift produced in the process of classification identification of the traditional ART2 neural network， a new ART2 neural network model based on modified algorithm is presen?
ted in this article to solve problems concerning analysis of pattern identification. Reasonable vigilance parameter needed by clustering is deduced through the processing of self?organization， weighting and iteration. In order to conduct reasonable classification of clustering objects， the measures of slowing learning rate which can be realized by modifying the weight training of ART2 neural network to reduce the speed of pattern drifting should be taken. The experimental results have proved that the new model is of high validity and feasibility.
Keywords： ATR2 neural network； security value； pattern drift； pattern recognition
0 引 言
ART2神經網絡的輸入為任意模擬輸入矢量，所以它有非常廣泛的應用范圍，通過對警戒值的調整，ART2神經網絡可以對輸入的模擬矢量進行不同精度的分類。ART2是基于自適應諧振理論的一種自組織神經網絡，通過競爭學習和自穩(wěn)機制原理實現分類，它主要是為了解決下列問題而提出的：設計一個學習系統，同時擁有穩(wěn)定性和可塑性，即系統在不斷學習新知識的時候能保持原有的知識[1?2]。
迄今為止，基于ART網絡的模式分類方法有很大發(fā)展，其中具有代表性的就是S.Grossberg和A.carpenter提出的用于并行分類和自適應模式分類方法[3?4]。
傳統的自適應諧振神經網絡也存在著一些缺陷，主要體現在：傳統的ART神經網絡在網絡訓練前要給出警戒參數，該警戒參數對于網絡聚類結果具有直接的影響。當警戒參數較高時，ART系統對模式的相似性要求就越高，類的劃分就越細，形成的類別就越多；當警戒參數較低時，網絡有較強的容錯能力，因此就產生較少的分類數目[5?6]。
由于傳統的ART2網絡在對輸入模式識別分類時，會產生模式漂移現象，從而無法實現更準確的分類。對部分權值的修正放慢學習速度，將改善模式漂移現象。
1 ART2神經網絡的結構和原理
1.1 ART2神經網絡結構
ART2系統由定向子系統OS和注意子系統AS構成，注意子系統AS由感受層SL和反應層RL和控制增益GC組成，既有短時記憶[OS（t）]和[OR（t）]，又有長時記憶，包括自低向上的長時記憶[Ω（SR）]和自頂向下的長時記憶[Ω（RS）]。作為神經計算的模型，ART2系統是由人工神經元形成的系統。感覺神經元構成了系統的感受層，而反應神經元構成了系統的反應層，ART2網絡的結構如圖1所示。
圖1 ART2神經網絡基本結構
在系統中，各感覺神經元之間的聯結關系包括：[Dab：SLaSLb]，[Dbc：SLbSLc]，[Dcd：SLcSLd]，[Dde：SLdSLe]，[Def：SLeSLf]，[Dda：SLdSLa]，[Dfc：SLfSLc]。各子集[SLk（V（S）k）（k∈{a，b，c，d，e，f}）]之間的聯結關系式對應元素之間的聯結，因而，其聯結關系矩陣[Dij（i，j∈{a，b，c，d，e，f}）]均為對角矩陣。
在感受層SL中，只有子集[SLa（V（s）a）]可以接受外部輸入信號[x]，另外只有子集[SLe（V（S）e）]的狀態(tài)向量[OSe]能作為系統感受層SL的輸出，用于系統的反應層RL[3]。
1.2 ART2神經網絡的工作原理
1.2.1 參數及聯結權值初始化
所有神經元的輸出置0向量，計數器初始值為[C=0]；SL層從下到上的長時記憶初始為：
[Ω（SR）=0.5（1-α3）?mnm]
RL層從上到下的長時記憶初始為：
[Ω（RS）=（0）mn]
各參數確定為：
[α1>0， α2>0，0
1.2.2 計算步驟
ART2網絡的運行按照如下的步驟進行：
（1） [SLa]運算：
[O（S）a=x+α1O（S）d]
（2） [SLb]運算：
[O（S）b=O（S）aε+O（S）a]
（3） [SLc]運算：
[O（S）c=f（O（S）b）+α2f（O（S）f）]
式中：[x>α3]時[f（x）=x]，[x≤α3]時[f（x）=0]。
（4） [SLd]運算：
[O（S）d=O（S）cε+O（S）c]…
（5） [SLe]運算：
[O（S）e=O（S）d， C=0O（S）d+ω（RS）kα4， C>0]
（6） [SLf]運算：
[O（S）f=O（S）eε+O（S）e]
（7） SL測試：如果短時記憶[O（S）i（i∈a，b，c，d，e，f）]沒有達到穩(wěn)定狀態(tài)，轉到步驟（11）。
（8） 計數和轉移：如果[C=0]，轉到步驟（11）。
（9） OS運算：
[r=O（S）d+α4O（S）eε+O（S）d+α4O（S）e]
若[r
（10） 復位操作：如果復位信號[r=1]，則置[O（S）k=0]，抑制[v（R）k]到ART2系統達到“諧振”狀態(tài)，重置短時記憶[OS=0]和[C=0]，轉到步驟（1）；否則[r=0]，轉向步驟（14）。
（11） RL運算：
[O（R）k=α4， ω（SR）TkO（S）e=maxω（SR）TiO（S）e0， 其他]
其中[O（R）k=α4] 的單元[v（R）k]記作競爭獲勝單元。
（12） 引發(fā)期待：[Ω（RS）Tω（RS）k]。
（13） 計數和轉移：[C=C+1]，轉向步驟（5） 。
（14） 諧振：[r=1]說明[x]與[ω（RS）k]匹配，ART2系統達到諧振狀態(tài)，ART2快速學習機制啟動。
（15） 前饋學習：更新前饋聯結關系[Ω（SR）]的第[k]個列向量[ω（SR）k]：
[ω（SR）k=O（S）d1-α4]
（16） 反饋學習：更新反饋聯結關系[Ω（RS）]的第[k]個行向量[ω（RS）k]：
[ω（RS）k=O（S）d1-α4]
（17） 停機條件：若對于任意輸入[x]，[Ω（RS）]和[Ω（SR）]都是穩(wěn)定的，ART2系統停止運行；否則刪除輸入模式，RL中所有被抑制的反應神經元恢復起始，重置短時記憶[OR=0]和[OS=0]，重置計數器[C=0]。
2 改進的ART2神經網絡
在上述傳統的ART2神經網絡算法中對于警戒值[ρ]的選擇是根據經驗所得，這里提出了一種在神經網絡計算前對[ρ]的選取算法。同時為了解決模式漂移的問題，對ART2神經網絡中F2至p層和p層至F2層的權值進行修改，減緩學習速率，從而可以有效地減少模式漂移帶來的誤差[7]。
2.1 具體算法描述
（1） 設置警戒參數初值ρ，開始設置接近l，在初始聚類時，對于接近的輸人向量也會在這個過程進行融合，每個差異較大的輸入向量就會產生一個類別。
（2） 由于ART2模型的輸出端是一維陣列，可按神經元模值將神經元放置在x軸上，以模值大小順序對輸出層神經元的位置進行重新排列，以模值為判斷依據，同時對自頂向下和自低向上權重矩陣進行調整。
（3） 在解決漂移模式問題中，模式漂移現象主要
原因是權值的修正方法不準確引起的，在傳統的ART2算法中，權值修正公式在每次輸入模式結束時，權值都近似等于[O（S）d1-α4]，在學習新的模式之后容易遺忘已經學過的輸入模式，權值總是向當前的輸入數據靠近。所以對ART2神經網絡中F2至p層和p層至F2層的權值進行修改，減緩學習速率，修正后的權值為：
從F2層到p層的權值為：
[Ωnewji=Ωoldji+α（Οd-Ωoldji）]；
從p層到F2層的權值為：
[Ωnewij=Ωoldij+α（Οd-Ωoldij）]；
2.2 具體算法步驟
加入警戒值選擇和權值修改后的改進ART2神經網絡算法如下：
（1） ρ=ρ-del ；del為警戒參數遞減值；
（2） 將第k次迭代神經網絡輸出層的每一個神經元代表的類別向量組成第k+1次迭代神經網絡的輸入向量樣本集X（k+1）；
（3） 按序輸入X（k）樣本集中每個向量，訓練的算法按照步驟（4）整個過程；
（4） 在傳統ART2神經網絡學習中的對步驟（15），步驟（16）進行修改如下：
步驟（15） 前饋學習：更新前饋自適應聯結關系[Ω（SR）]的權值：
[Ωnewji=Ωoldji+α（Οd-Ωoldji）]
步驟（16） 反饋學習：更新反饋自適應聯結關系[Ω（RS）]的權值：
[Ωnewij=Ωoldij+α（Οd-Ωoldij）]停機條件不變。
3 實驗及其結果分析
為了驗證算法改進后的分類效果，對傳統ART?2神經網絡算法和改進后的算法進行了實驗比較[8?10]。本文采用實際數據做為測試數據。實際數據采用來自美國加州Irvine大學信息與計算機科學系中所提供的Glass數據。Glass數據是在記錄玻璃所包含的化學元素情況，記錄中包含了處理過與非處理過的建筑用窗戶、處理過與非處理過的貨車窗戶、容器、餐具以及車燈共7種類別，而在G1ass數據中則有9種不同的化學元素，分別是鋯、鈉、鎂、鋁、硅、鉀、鈣、鋇、鐵九種屬性，Glass數據集一共是214組。在不同用途的玻璃中化學元素的含量不同，如表1所示。
表1 不同用途的玻璃中化學元素的含量
在進行ART2神經網絡的訓練時候，對于參數設為ρ=0.95，a=10，b=10，c=0.1，d=0.9，del=0.01。將神經網絡程序運行結果， 與數據集中正確分類進行對比之后，發(fā)現以前ART2網絡由于模式漂移和警戒參數人工設置問題設置產生了10個分類，產生了較大分錯率。由改進的ART2網絡下運行結果顯示降低了這些問題的影響，只產生了8個分類，而且在每一類的分類中，改進后的神經網絡可以更好地對每一組數據進行正確的分類。如表2所示。
表2 傳統神經網絡和改進后神經網絡的分類比較
4 結 語
針對本文中摘要提出的警戒值選取問題，在改進的ART2神經網絡聚類算法中，利用以前警戒參數訓練神經網絡結果的基礎上迭代，改變了神經網絡主觀設定警戒參數的問題。針對模式漂移的問題，通過改進聯結權值，使改進后的ART2神經網絡網絡減慢了學習速率，近而降低了模式漂移的速度。實驗證明，在改進選取警戒值和對聯結權值修改后的ART2神經網絡更好地實現了聚類分類，同時提高了模式識別的精度。
參考文獻
[1] 陳國燦，高茂庭.ATR2神經網絡的一種改進[J].計算機工程與應用，2013（4）：2?3.
[2] 沈艷超，葉青.車輛特征提取和分類方法的研究[D].長沙：長沙理工大學，2010.
[3] 阮曉剛.神經計算科學[M].北京：國防工業(yè)出版社，2006.
[4] CARPENTER G A， GROSSBERG S. ART2 self?organization of stable category recognition codes for analog input patterns [J]. Applied Optics， 1987， 26（l）： 4920?4927.
[5] 錢曉東，王正歐.基于算法改進的ART2數據聚類方法研究[J].哈爾濱工業(yè)大學學報，2006（9）：1549?1553.
[6] 錢曉東，王正歐.基于神經網絡等技術的數據與文本聚分類研究[D].天津：天津大學，2005.
[7] 譚錦華，鄺獻濤.基于ART2神經網絡與動態(tài)聚類的分類器[J].控制工程，2005（z1）：68?70.
[8] 姚光順.ART?2神經網絡的缺點及其改進[J].儀器儀表用戶，2008（2）：117?118.
第7篇：神經網絡算法范文
關鍵字：神經網絡；粒子群；信息共享；全局搜索；尋優(yōu)
中圖法分類號：TP393 文獻標識碼：A 文章編號：2095-2163（2015）03-
Self-discipline Neural Network Equalization Algorithm Based on the Particle Swarm
ZHAO Huiqing
（Department of Information Science，Xinhua College of Sun Yat-sen University，Guangzhou 510520，China）
Abstract： Existing neural network has a large network error. In response to this problem， the paper puts forward self-discipline neural network equalization algorithm based on the particle swarm. The effect on neural network optimization is realized according to the information sharing and global search feature of particle swarm. And in order to maintain good accuracy， appropriate network constraints are also imposed. The results show that the experiment results are basically consistent with the expected results. It can maintain good accuracy at different channel.
Keywords： Neural Network； Particle Swarm； Information Sharing； Global Search； Optimization
0 引言
從20 世紀 80 年代中期以來，神經網絡以其好的自組織與自學習的獨特優(yōu)勢，現已廣泛地應用于通信領域[1-3]。但通過研究現有的神經網絡則不難發(fā)現，該系統在實際運用中過度依賴于訓練算法與初始權值，從而導致算法陷入了局部的最優(yōu)化；為此，人們提出了許多解決方案[4-7]。其中，基于粒子群優(yōu)化算法的神經網絡算法尤為突出；算法通過結合群體中粒子間的合作與競爭關系，來促使網絡群體的智能尋優(yōu)；這在很大程度上解決了算法的局部最優(yōu)化問題[8-9]。但在實際的運用過程中，又進一步發(fā)現，算法依然存在需要改進的地方，即網絡的適用性較小且精度不高等問題。
為此，本文提出了一種具有自我約束能力的粒子群神經網絡均衡算法。算法依據神經網絡與粒子群算法的特點[10]，將神經網絡算法與粒子群算法有機地結合在一起，并通過兩者間的互補，來提高網絡的整體效率。研究中為了避免算法出現局部最優(yōu)化問題，本文對網絡中的搜索粒子進行了速度的約束；而后，為保證算法的穩(wěn)定性與精確性，又對網絡的搜索進行了約束，由此而保障每一網絡路徑的有效暢通。經由仿真實驗，該算法能夠獲得相比其他算法更高的精度，且其實際應用性也更強。
1. 神經網絡
神經網絡通過模仿動物的行為特征，進而實現分布式并行信息處理；這一方法有效地解決了網絡的信息傳輸問題，通過依靠網絡系統的復雜程度與各節(jié)點的連通性，實現了大量數據的傳輸問題[11]。其中，神經網絡的結構大致可以分為三層，即輸入層，隱含層以及輸出層。
假設 為輸入層到隱層的連接權重， 為隱層到輸出層的連接權重，其中 ， 。其數據傳輸原理與結構圖如圖1所示。
圖1 神經網絡結構圖
Fig.1 Neural network structure diagram
在圖1的神經網絡中，隱層函數如式（1）所示：
（1）
輸出層函數如式（2）所示：
（2）
其中， 為隱層的輸入，而 為隱層的輸出； 為輸出層的輸入，而 為輸出層的輸出。 表示輸出層的輸入與輸出間的傳遞函數，而 表示隱層的輸入信號進行的小波變換。
2粒子群優(yōu)化的網絡均衡處理
2.1 初始化
初始化粒子在當前網絡中的所在位置，令其在最初就以隨機分布的方向進行定義，即 ，其中每個隨機產生的粒子 都代表一個均衡器的一個權向量。同時再令初始位置為 ，初始速度為 ；為了便于后文的計算，在此，定義 為當前網絡中的局部極值；而 則是代表當前網絡中的全局極值。
2.2 速度和位置更新
速度與位置的更新在粒子群優(yōu)化（PSO）算法中是至重要的參數指標項。為此，本文提出一個局部與全局的最佳粒子的搜索信息傳遞速度與位置更新函數，如式（3）所示。
（3）
其中， 為粒子速度的n個維度， 為0到1之間的隨機數， 為比例因子，而 、 為局部最佳粒子 與全局最佳粒子 的擴展因數?；诖?，為了保證其搜索的準度，對粒子的速度進行了限制，即當搜索的粒子速度超過設計的限定速度時，將對速度進行抑制，其方法的表達函數為：
（4）
2.3 網絡的約束
本文采用網絡的覆蓋概率和寬度間隔對當前網絡進行評價，具體求取方式論述如下。
2.3.1區(qū)間的覆蓋概率
網絡的覆蓋概率（ ）是衡量網絡適應與否的指標， 可做如下定義：
（5）
其中，m×n是樣品數量；當 ，目標 ；其他的情況下， ，而 、 則為目標的最小值與最大值。
2.3.2 區(qū)間的寬度間隔
在時間間隔寬度足夠長的情況下，網絡的覆蓋概率會較少。但如果其間隔過寬，卻又會導致資源的浪費，為此，本文對預測區(qū)間內的寬度間隔進行定義，計算公式如下：
（6）
其中，R為潛在目標的范圍。
而對于方根誤差，本文則是用于評價器成功演繹訓練來的指標，通過對預測區(qū)間內歸一化的方根寬度進行定義，來提高神經網絡訓練的效果，其定義函數如下。
（7）
2.3.3 約束條件
在實際的運用中，上述提及的覆蓋概率與寬度間隔存在一定的矛盾關聯，為此需要進行制衡匹配，來提高網絡的整體處理效果。本文中，使用的寬度標準如下所示。
（8）
其中，訓練滿足 ；但作為測試樣品時， 為階躍函數，并需滿足如下條件。
其中， 、 皆為常數，用于懲罰網絡覆蓋現象的發(fā)生。
3仿真算法
為驗證算法的可行性，本文在Matlab 2014a 軟件環(huán)境下進行測試，并進行了多組實驗。實驗中選用的對比算法有傳統的神經網絡算法與文獻[12]中的算法；同時又選用兩種不同的信道進行測試，具體傳輸函數如下所示。
電話信道：
普通信道：
為檢驗算法的精度，本文選用誤碼率進行算法的評價，通過采用上述指定的算法進行測試，測試中以正方形曲線代表傳統的神經網絡算法，圓形曲線代表文獻算法，而三角形圖像代表本文算法。實驗仿真結果如圖2、圖3所示。
圖2電話信道下的誤碼率
Fig.2 Bit error rate in telephone channel
圖3 普通信道下的誤碼率
Fig.3 Bit error rate under common channel
由圖2、圖3可看到，在兩種不同的信道下，本文算法的誤碼率曲線始終保持在另外兩種算法的下方；其中在電話信道下，本文算法隨著信噪比的不斷增強的影響，其誤碼率減少為了、最大；而在普通信道下，本文算法與文獻算法所測誤碼率相接近，但本文算法始終保持在其下方。由仿真測試可知，測試過程有效證明了算法精度，且與其他算法相比更加適用于信道較復雜的網絡。
4 結束語
提出了一種提升網絡精度的神經網絡均衡算法，該算法通過結合粒子群的特性，利用粒子的速度來避免粒子速度過大的造成的數據丟失現象；最后，根據網絡的區(qū)間覆蓋率與間隔寬度等條件對網絡進行尋優(yōu)約束；經實驗驗證，該算法具有較好的搜索精度，但在算法的搜索效率方面仍有較大的提升空間，這將作為下一步的研究方向，用于開展深入研究。
參考文獻
[1]RICHARDSON F， REYNOLDS D， DEHAK N. Deep Neural Network approaches to speaker and language recognition[J]. IEEE SIGNAL PROCESSING LETTERS，2015，22（10）： 1671-1675.
[2]WANG L B， MENG Z， SUN Y Z， et al. Design and analysis of a novel chaotic diagonal recurrent neural network[J]. COMMUNICATIONS IN NONLINEAR SCIENCE AND NUMERICAL SIMULATION， 2015，26（1-3）： 11-23.
[3]ZHOU X H， ZHOU W N， YANG J， et al. A novel scheme for synchronization control of stochastic neural networks with multiple time-varying delays[J]. NEUROCOMPUTING，2015，159： 50-57.
[4]SONG Q K， ZHAO Z J， LIU Y R. Stability analysis of complex-valued neural networks with probabilistic time-varying delays[J]. NEUROCOMPUTING， 2015，159： 96-104.
[5]LIU H， BAN X J. Clustering by growing incremental self-organizing neural network[J]. EXPERT SYSTEMS WITH APPLICATIONS， 2015，42（11）： 4965-4981.
[6]JIANG M H， MEI J， HU J H. New results on exponential synchronization of memristor-based chaotic neural networks[J]. NEUROCOMPUTING， 2015，156： 60-67.
[7]XIONG T， BAO Y K， HU Z Y， et al. Forecasting interval time series using a fully complex-valued RBF neural network with DPSO and PSO algorithms[J]. INFORMATION SCIENCES， 2015，305： 77-92.
[8]AGRAWAL R K， BAWANE N G. Multiobjective PSO based adaption of neural network topology for pixel classification in satellite imagery[J]. APPLIED SOFT COMPUTING，2015，28： 217-225.
[9]KRZYSZTOF P， ARKADIUSZ L. Encoding symbolic features in simple decision systems over ontological graphs for PSO and neural network based classifiers[J]. NEUROCOMPUTING， 2014，144： 338-345
[10]TU J J， ZHAN Y Z， HAN F. Radial basis function Neural Network optimized by Particle Swarm Optimization Algorithm coupling with prior information[J]. JOURNAL OF COMPUTATIONAL AND THEORETICAL NANOSCIENCE，2013，10（12）： 2866-2871.
第8篇：神經網絡算法范文
關鍵詞 粒子群優(yōu)化算法;神經網絡;人工生命;群智能
1 引言
許多群體生物的自適應優(yōu)化現象不斷給人類以啟示,群居生物的群體行為使許多在人類看起來高度復雜的問題得到了完美的解決。自然界那些群居生物表現出來的智能讓人驚嘆不已,比如蜜蜂建造的巢穴結構龐大、復雜而精美;螞蟻能夠完成覓食、清掃、搬運等高效的工作等等。這種生物群體行為的奇妙之處在于個體都很簡單,但他們卻能協同工作,依靠群體的能力,發(fā)揮超出個體的智能,表現出極其復雜而有序的行為。這些奇妙的現象吸引著越來越多的學者進入到這個領域,研究這些簡單的個體如何通過協作涌現出如此復雜而奇妙行為,通過計算機模擬來探索其中的可循規(guī)律,用于指導并解決一些常規(guī)方法沒有解決的傳統問題以及實際應用中出現的新問題 [1-3] 。這些研究孕育并產生了一門新興的學科領域:群體智能(Swarm Intelligence)[1]。優(yōu)化技術是一種以各種形式的數學處理方法為基礎,用于求解各種工程問題優(yōu)化解的應用技術,在諸多工程領域得到普遍的應用。鑒于實際工程問題的復雜性、約束性、非線性、多局部極小和建模困難等特點,尋找各種適合于工程實踐需求的新型智能優(yōu)化方法一直是許多學科的一個重要研究方向。群體智能作為一種新興的智能計算技術已成為越來越多研究者的關注焦點,它與人工生命,特別是進化策略以及遺傳算法有著特殊的聯系。群體智能使得在沒有集中控制且不提供全局模型的前提下,為尋找復雜的分布式問題的解決方案提供了基礎。
2 PSO的產生與發(fā)展 2.1 微粒群算法的起源
微粒群算法[2]最初是為了圖形化地模擬鳥群優(yōu)美而不可預測的運動。自然界中,鳥群運動的主體是離散的,其排列看起來是隨機的,但整體的運動卻使它們保持著驚人的同步性,個體運動非常流暢而極富美感。研究者對鳥群的運動進行了計算機仿真,他們通過對個體設定簡單的運動規(guī)則,來模擬鳥群整體的復雜行為。例如,1986年Craig Reynolds提出了Boid模型用以模擬鳥類聚集飛行的行為,通過對現實世界中這些群體運動的觀察在計算機中復制重建這些運動軌跡,并對這些運動進行抽象建模以發(fā)現新的運動模式。上述模型關鍵在于對個體間距離的操作,即群體行為的同步性在于個體努力維持自身與鄰居之間的距離為最優(yōu),為此每個個體必須知道自身位置和鄰居的信息。生物社會學家Wilson E.O.認為 “至少從理論上,在搜索食物的過程中群體中的個體成員可以得益于所有其它成員的發(fā)現和先前的經歷。當食物源不可預測地零星分布時,這種協作帶來的優(yōu)勢是決定性的,遠大于對食物的競爭帶來的劣勢?！币陨蟽衫f明,群體中個體之間信息的社會共享有助于進化。受上述鳥群運動模型的影響,社會心理學博士JamesK Ennedy和電子工程學博士Russell Eberhart于1995年提出了微粒群算法,微粒群算法是一種演化計算技術,在算法中,將鳥群運動模型中的棲息地類比于所求問題解空間中可能解的位置,通過個體間的信息傳遞,導引整個群體向可能解的方向移動,增加發(fā)現較好解的可能性。群體中的鳥被抽象為沒有質量和體積的“微?！?通過這些“微粒”的相互協作和信息共享,其運動速度受到自身和群體的歷史運動狀態(tài)信息影響,以自身和群體的歷史最優(yōu)位置來對微粒當前的運動方向和運動速度加以影響,較好地協調微粒本身和群體運動之間的關系,在復雜的解空間中尋找最優(yōu)解。
2.2 微粒群算法的發(fā)展
微粒群算法自提出以來,已經歷了許多變形和改進。包括數學家、工程師、物理學家、生物化學家以及心理學家在內的研究者對它進行分析和實驗。到目前為止,國內外的研究者對微粒群算法的研究與發(fā)展,可以歸納為以下幾個方面:[3]
(1) 參數選擇與設計:在微粒群算法中存在幾個顯參數和隱參數,它們的值可被調整,以產生算法搜索問題空間的方式的變化。
(2) 種群拓撲結構:從19世紀40年代起的研究已經表明,組內的交流及最終組的性能要受社會網絡結構的影響。于是,微粒群研究者提出了幾種簡單的社會結構,并對幾種種群結構模型進行了分析與比較。全局最優(yōu)模型(Gbest)和局部最優(yōu)模型(Lbest) 是最常見的兩種類型。
(3) 群體組織與進化[4]:社會心理學研究表明。人們的態(tài)度、信仰和行為傾向于朝同伴的方向變化,他們會根據自己所處群體的規(guī)范選擇自己的意見和行為,受此啟發(fā),提出用簇來表示群體中的子種群,用簇中心代替最優(yōu)值的算法模式。此外,為了保證群體的多樣性,研究者將變異、繁殖和差異進化等思想引入微粒群,并提出了很多改進算法模式。
(4) 混合微粒群算法:將進化計算中的選擇、交叉和變異等特性、混沌、免疫系統的免疫信息處理機制以及熱力學中熵的概念等與微粒群算法中的尋優(yōu)機制相結合,提出了相應的混合算法。
(5) 離散微粒群算法:微粒群算法最初是用來對連續(xù)函數進行優(yōu)化的。而實際中許多問題是組合優(yōu)化問題,因此,Kennedy和Eberhart博士在基本算法的基礎上提出了一種離散二進制決策模型。
3 PSO的基本原理
PSO算法不像遺傳算法那樣對個體進行選擇、交叉和變異操作,而是將群體中的每個個體視為多維搜索空間中一個沒有質量和體積的粒子(點),這些粒子在搜索空間中以一定的速度飛行,并根據粒子本身的飛行經驗以及同伴的飛行經驗對自己的飛行速度進行動態(tài)調整,即每個粒子通過統計迭代過程中自身的最優(yōu)值和群體的最優(yōu)值來不斷地修正自己的前進方向和速度大小,從而形成群體尋優(yōu)的正反饋機制。PSO算法就是這樣依據每個粒子對環(huán)境的適應度將個體逐步移到較優(yōu)的區(qū)域,并最終搜索、尋找到問題的最優(yōu)解。設在一個d維的目標搜索空間中,有m個粒子組成一個群體,其中,在第t次迭代時粒子i的位置表示為Xi(t)=(xi1(t),xi2(t),...,xid(t)),相應的飛行速度表示為Vi(t)
=(vi2(t),vi2(t), ...,vid(t))。開始執(zhí)行PSO算法時,首先隨機初始化m個粒子的位置和速度,然后通過迭代尋找最優(yōu)解,在每一次迭代中,粒子通過跟蹤兩個極值來更新自己的速度和位置:一個極值是粒子本身迄今搜索到的最優(yōu)解,稱為個體極值,表示為Pi(t)=(pi1(t),pi2(t),...,pid (t));另一個極值是整個粒子群到目前為止找到的最優(yōu)解,稱為全局極值,表示為Pg(t)=(pg1 (t),pg2(t),...,pgd(t))。在第(t+1)次迭代計算時,粒子i根據下列規(guī)則來更新自己的速度和位置[5]:
Vik(t+l)=ωVik(t)+c1randl(Pik(t)-Xik(t))+c2rand2(Pgk(t)-Xik(t)) (1)
Xik(t+l)=Xik(t)+Vik(t+l) (2)
式中ω為慣性權重,ω取大值可使算法具有較強的全局搜索能力,ω取小值則算法傾向于局部搜索。一般的做法是將ω初始取0.9并使其隨迭代次數的增加而線性遞減至0.4,這樣就可以先側重于全局搜索,使搜索空間快速收斂于某一區(qū)域,然后采用局部精細搜索以獲得高精度的解;c1,c2為兩個學習因子,一般取為2;randl和rand2為兩個均勻分布在(0,l)之間的隨機數;i=1,2,?,m; k=1,2,?,d。另外,粒子在每一維的速度Vi都被一個最大速度Vmax所限制。如果當前粒子的加速度導致它在某一維的速度超過該維上的最大速度Vmax,則該維的速度被限制為最大速度。
4 PSO在神經網絡中的應用
科學研究與工程實踐中有一些多目標優(yōu)化問題[5](Multi - objective Optimization Problems, MOPs)通常難以處理,實際問題常由多個相互沖突的指標組成,問題的解一般不是單個的最優(yōu)解,而是一組非劣解,因而采用傳統多目標優(yōu)化方法通常無法解決。由于PSO算法的生命力在于工程應用,為此開拓新的PSO算法的應用領域特別是在解決多目標優(yōu)化問題上是一項很有意義的工作。
4.1 神經網絡訓練
PSO用于神經網絡的訓練中[6],主要包含3個方面:連接權重、網絡拓撲結構及傳遞函數、學習算法。各粒子包含神經網絡的所有參數,通過迭代來優(yōu)化這些參數,從而達到訓練的目的。與BP 算法相比,使用PSO訓練神經網絡的優(yōu)點在于不使用梯度信息,可使用一些不可微的傳遞函數。多數情況下其訓練結果優(yōu)于BP 算法,而且訓練速度非?？臁?/p>
PSO訓練神經網絡的流程圖
4. 2 參數優(yōu)化
PSO已廣泛應用于各類連續(xù)問題和離散問題的參數優(yōu)化。例如,在模糊控制器的設計、機器人路徑規(guī)劃、信號處理和模式識別等問題上均取得了不錯的效果。
4. 3 組合優(yōu)化
許多組合優(yōu)化問題中存在序結構如何表達以及約束條件如何處理等問題,離散二進制版PSO不能完全適用。研究者們根據問題的不同,提出了相應問題的粒子表達方式,或通過“+ ”和“×”算子來解決不同問題。目前,已提出了多種解決TSP、VRP、網絡路由選擇以及車間作業(yè)調度等問題的方案。
4. 4 其它應用
除了以上領域外, PSO在電力系統、集成電路設計、多目標優(yōu)化、自動目標檢測、生物信號識別、智能決策調度、模糊系統辨識、計算機視覺、計算機輔助設計以及游戲訓練等方面也取得了一定的成果。特別在材料學中的應用將是現在及未來大多數研究者們感興趣的方向,如磨具配方,各種材料的診斷等[7]。
5 未來的研究及對PSO的展望
PSO算法是一個新的基于群體智能的進化算法,其研究剛剛開始,遠沒有像遺傳算法和模擬退火算法那樣形成系統的分析方法和一定的數學基礎,有許多問題還需要進一步研究。
? (1) 算法分析與應用。PSO在實際應用中被證明是有效的, 但目前還沒有給出收斂性、收斂速度估計等方面的數學證明,已有的工作還遠遠不夠。
(2) 適用范圍。PSO算法應用得最成功的是在進化神經網絡方面,其它的一些應用許多還停留在研究階段。
(3) 粒子群拓撲結構。不同的粒子群鄰居拓撲結構是對不同類型社會的模擬,研究不同拓撲結構的適用范圍,對PSO算法推廣和使用有重要意義。
(4) 參數選擇與優(yōu)化。PSO算法中參數的選擇依賴于具體問題,設計合適的參數需要經過多次試驗。研究如何選擇和設計參數,使其減少對具體問題的依賴,也將大大促進PSO算法的發(fā)展和應用。
(5) 與其它演化計算的融合。如何將其它演化的優(yōu)點和PSO的優(yōu)點相結合,構造出有特色有實用價值的混合算法是當前算法改進的一個重要方向。
參考文獻
[1] 高 尚,楊靜宇. 群智能算法及其應用.中國水利水電出版社,2006.
[2] 楊 維, 李歧強. 粒子群優(yōu)化算法綜述[J].中國工程科學,2004(6):87-94.
YANG Wei, LI Qi2qiang.Survey on particle swarm optimization algorithm [J]. Engineering Science, 2004(6): 87-94.
[3]李愛國, 覃 征, 鮑復民等. 粒子群優(yōu)化算法[J ].計算機工程應用,2002(3) :1-3.
LI Aiguo, QIN Zheng, BAO Fumin,etal. Particle swarm op2timization algorithm [J]. Computation Eng Application, 2002(3):1-3.
[4] 王正志,薄 濤. 進化算法[M].長沙:國防科技大學出版社,2000.
WANG Z，！hengzhi, BO Tao. Manipulation algorithm [M].Changsha: National University of Defense Technology Publisher Press, 2000.
[5] Shi Y, Eberhart R C. A modified particle swarm optimizer [R] .IEEE International Conference of Evolutionary Computation, Anchorage, Alaska, May 1998.
第9篇：神經網絡算法范文
關鍵詞：計算機網絡連接；增強優(yōu)化；神經網絡算法
中圖分類號：TP393 文獻標識碼：A 文章編號：1007-9416（2017）03-0146-01
在當前的社會中計算機網絡技術得到了極為快速的發(fā)展，被廣泛的應用于人們生活和工作之中，為人們的生活和工作帶來了許多的方便，成為當前社會中非常重要的一種科學技術。雖然從整體上看計算機網絡技術在我國已經取得了較大的發(fā)展，但是我國在發(fā)展時間上仍舊較短，其中仍舊存在著較多的問題，尤其是在計算機網絡連接上面。因此，針對這些存在問題的地方還需要進一步優(yōu)化，為人們提供健康的計算機網絡環(huán)境。
1 計算機網絡連接增強優(yōu)化
1.1 計算機網絡連接增強優(yōu)化的重要性
網絡正常連接對于計算機的運行具有很大的作用，是計算機運行的基本條件。如何使得計算機網絡連接增強優(yōu)化顯得尤為重要，特別是在現今這個網絡飛速發(fā)展的時代，人們對網絡的需求是越來越大，突然斷網對于任何人、任何企業(yè)來說，損失都是巨大的。如網絡連接斷開，計算機設備就無法與通信網絡展開有效信息溝通。正是因為以上這些情況，所以必須對計算機網絡連接進行優(yōu)化，將計算機網絡不斷拓撲擴展，促使信息交流更加有效于有序，從而有效將損失降低下來。網絡技術發(fā)展到現在，適當地加入結點，可將計算機網絡連接有效率不斷完善，網絡容量也會在一定程度上得到提高，加強了信息媒介的相互傳播，使原有網絡得到延伸，在延伸網絡拓撲的同時，也為計算機網絡的正常連接提供了重要的保障。截止到目前為止，提高計算機網絡連接效率的措施非常之多，必須采取適當且合理的計算機網絡連接優(yōu)化措施，并且以最小經濟支出增強優(yōu)化神經網絡算法。
1.2 計算機網絡拓撲結構
計算機網絡拓撲結構是一種物理構成模式，是由三方面組成，即網絡計算機或網絡設備、網絡傳輸媒介中的結點和線。計算機網絡拓撲結構的形成和產生與通信子網之間有著密切的聯系，該結構的形成使得網絡信息數據系統更加的完整、可靠安全，其還包括實現數據內容的互換、云共享等功能。一般計算機網絡是用G= 來表示，其中V是一個網絡結點集，E是一個鏈路集。如用Va表示增加結構中結點集，用Eb表示增加結構中連接集，那么就可以得出計算機網絡的結構是：G’=。
2 基于計算機網絡連接優(yōu)化中的神經網絡算法
2.1 神經網絡算法
在思維學中有著這樣一種看法，大腦思維包括三種基本方式，分別是形象思維、抽象思維與靈感思維。抽象思維是邏輯化的一種思想，形象思維是直觀化的一種思想，靈感思維是頓悟性和創(chuàng)造性的一種思想。神經網絡思維與大腦思維類似，其建立在理論實踐基礎之上，通過分析總結，模擬出人類的大腦思S，這實質上也可以看作另一種思維表達方式。人工神經網絡是一個基于非線性動力學理論的神經網絡系統，其主要特色可以歸結為兩點：信息存儲的分布式和并行處理的協同性。通常情況下對于單個的神經元結構而言是非常簡單的，這種神經元結構的功能也相對較為簡單，但如果是網絡系統由大量神經元構成，也就是將眾多的簡單功能組合在一起，可以讓其功能顯得特別的強大，其中的實現行為也會變得更加的豐富多彩。如果再在此基礎上配置上合適的網絡算法和網絡模型，對網絡信號的正確處理等功能，那么就會讓該系統實現智能化。
處于如今這一階段，在社會中，應用人工神經網絡的領域是越來越廣，可以說在實際生活生產中具有很好的效果。因此，人工網絡算法也受到了人們的廣泛關注，隨著社會經濟的發(fā)展，網絡算法也再不斷的優(yōu)化中，發(fā)揮著監(jiān)管的作用。也會影響計算機網絡的連接效果。
2.2 均場神經網路算法
在建立科學合理場均神經網絡模型基礎上，可以有效增強優(yōu)化計算機網絡連接，在已優(yōu)化的網絡連接中研究均場神經網絡算法，之后就可以對網絡效果進行相關評判。特別注意，采用函數法來構建相關模型，最重要的是重視構建目標函數工作，在實際操作時，可采取以下方式對模型構建進行表達，具體如下：其中用Fi來表示Hopfield計算網絡神經元的狀態(tài)，當Fi=1，就表示網絡此時選擇連接的是i，且可正常進行連接；當Fi=0，就表示網絡對于i沒有選中，且不能正常進行連接。這時就可利用罰函數法所構建結構來對網絡模型進行創(chuàng)建，但必須保證Z=max（ΣPi*Xi）與ΣMi*Xi≤A是能夠成立的，并且有效控制目標函數，目標函數主要包括：I =γ/2*[ΣρiFi]2+ψ/2*[aΣmifi ]2，在該表達式中，a=（γripi-ψmimi）d，Ii=βami，γ和ψ是Lagrange參數，所構造的Lyapunov能量函數如下：E =1/2*ΣΣAiFiFiΣIiFi，Hopfield神經網絡的結構如下：Fi=1/2*[1+tanh（Bi/T）]，Bi=ΣAiFi+I。均退火技術被充分利用，就可以實現將隨機變量函數均值轉變成函數，即得出：〈Fi〉=1/2*[1+tanh{}]，〈Bi〉=〈ΣAiFi+Ii〉=ΣAiFi +Ii。當隨機變量均值〈Fi〉變換成均場變量Ri時，就能得到均場網絡結構：Ri=1/2[1+tanh（ΣAiRi+Ii/T）]，均場網絡能量函數即是：E（v）=1/2ΣΣAiRiRiΣIiRi。簡單分析算法步驟發(fā)現：首先，參數設置必須建立在充分考慮問題基礎上；其次，進行初始化時，Ri=rand（d，1-d），其中i是可以為大于零整數的；最后，以上操作重復進行，直到滿足條件后為止。
3 計算機網絡連接增強優(yōu)化中的神經網絡算法優(yōu)勢總結性分析
使用神經網絡算法對計算機網絡連接進行優(yōu)化的優(yōu)勢是顯而易見的，首先，其有效提升了計算機網絡的連接效率，使得網絡運行速度更快；其次，有效降低了優(yōu)化計算機網絡連接所帶來的資金投入增加問題，將資金利用效率最大化，即用最少的資金獲得最好的優(yōu)化效果；再者，將復雜的取均值運算轉變?yōu)楹瘮凳揭?guī)律運算，大大節(jié)省了計算時間，實現網絡信息數據的更好交互；最后神經網絡算法增加了彌補漏洞模型，一旦Hopfield無法達到目標函數要求，就可以用罰函數法結構來進行對目標函數的控制，這樣大大減少的誤差率，使得后續(xù)網絡維護工作更加方便。
4 結語
綜上所述，計算機已經滲透在人們生活中的各個領域中，具有十分重要的意義。如果計算機網絡出現故障，將威脅到相關企業(yè)的工作以及一些設備的正常運轉，有損其經濟效益。正因如此，必須加強重視計算機網絡連接的程度，盡可能采取有效措施對計算機網絡進行優(yōu)化，不斷完善連接效率，使得網絡連接更加體現出可靠性與穩(wěn)定性，促進計算機網絡更長久且穩(wěn)定的發(fā)展，為未來整個計算機事業(yè)的可持續(xù)性發(fā)展奠定基礎，更加方便人們的生活，提高個人與企業(yè)收益。
參考文獻
[1]朱云.計算機網絡連接增強優(yōu)化中的神經網絡算法[J].煤炭技術，2012（04）：203-204.
[2]李霞.計算機網絡連接增強優(yōu)化中的神經網絡算法[J].電子技術與軟件工程，2016（03）：25.
[3]王穎華，金愛花.計算機網絡連接增強優(yōu)化中的均場神經網絡算法[J].硅谷，2013（08）：61-62.
