神经网络十篇

神经网络篇1

【关键词】计算机网络模型 神经网络算法

计算机网络在人们日常生活越来越重要，被广泛应用到各个行业。随着社会不断发展，人们需求不断加高，使计算机得到良好改善，目前，计算机网络运用集线式服务器来实现网络互连，促进网络发展。但是也有很大弊端，过多的联想信息虽然满足人们需求，但是对技术的要求也更加苛刻，现有的技术满足不了计算机网络运行，使人们日常操作不方便。为了解决这一问题，研究人员需要全面优化计算机网络，提高运行能力和性能，运用神经网络算法，使计算机更加适合现代社会发展，储存更多信息。

1 神经网络算法概论分析

1.1 神经网络算法整体概论

神经网络算法是按照人体大脑的思维方式进行模拟，根据逻辑思维进行推理，将信息概念化形成人们认知的符号，呈现在显示屏前。根据逻辑符号按照一定模式进行指令构造，使计算机执行。目前，神经网络被广泛使用，使直观性的思维方式分布式存储信息，建立理论模型。

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 优化神经网络基本基础

Hopfield神经网络是通过能量函数分析系统，结合储存系统和二元系统的神经网络，Hopfield神经网络能收敛到稳定的平衡状态，并以其认为样本信息，具备联想记忆能力，使某种残缺信息进行回想还原，回忆成完整信息。但是Hopfield神经网络记忆储存量有限，而且大多数信息是不稳定的，合理优化计算机联想问题，使Hopfield神经网络能够建设模型。

1.3 神经网络算法优化步骤简述

人工神经网络是模拟思维，大多是根据逻辑思维进行简化，创造指令使计算机执行。神经网络算法是按照人体思维进行建设，通过反应问题的方法来表述神经思维的解；利用有效条件和能量参数来构造网络系统，使神经网络算法更加可靠；大多数动态信息需要神经网络来根据动态方程计算，得出数据参数来进行储存。

2 神经网络算法的特点与应用

2.1 神经网络主要特点

神经网络是根据不同组件来模拟生物体思维的功能，而神经网络算法是其中一种程序，⑿畔⒏拍罨，按照一定人们认知的符号来编程指令，使计算机执行，应用于不同研究和工程领域。

神经网络在结构上是由处理单元组成，模拟人体大脑神经单元，虽然每个单元处理问题比较简单，但是单元进行组合可以对复杂问题进行预知和处理的能力，还可以进行计算，解决问题能力突出，能够运用在计算机上，可以提高计算机运算准确度，从而保障计算机运行能力。而且一般神经网络有较强容错性，不同单元的微小损伤并不阻碍整体网络运行，如果有部分单元受到损伤，只会制约运算速度，并不妨碍准确度，神经网络在整体性能上能够正常工作。同时，神经网络主干部分受到损伤，部分单元会进行独立计算，依然能够正常工作。

2.2 神经网络信息记忆能力

神经网络信息存储能力非常强，整体单元组合进行分布式存储。目前，神经网络算法是单元互相连接，形成非线性动态系统，每个单元存储信息较少，大量单元互相结合存储信息大量增加。神经网络具备学习能力，通过学习可以得到神经网络连接结构，在进行日常图像识别时，神经网络会根据输入的识别功能进行自主学习，过后在输入相同图像，神经网络会自动识别。自主学习能力给神经网络带来重要意义，能够使神经网络不断成长，对人们未来日常工作能够很好预测，满足人们的需求。

2.3 神经网络的突出优点

近年来，人工神经网络得到越来越多人重视，使神经网络得到足够资源进行良好创新。人工神经网络是由大量基本元件构成，对人脑功能的部分特性进行模仿和简化，人工神经网络具备复杂线性关系，与一般计算机相比，在构成原理和功能特点更加先进，人工神经网络并不是按照程序来进行层次运算，而是能够适应环境，根据人们提供的数据进行模拟和分析，完成某种运算。

人工神经系统具备优良容错性，由于大量信息存储在神经单元中，进行分布式存储，当信息受到损害时，人工神经系统也可以正常运行。人工神经网络必须要有学习准则制约来能够自主学习，然后进行工作。目前，人工神经网络已经逐步具备自适应和自组织能力，在学习或训练过程中改变突触权重值，以适应周围环境的要求。通过一定学习方式和某些规则，人工神经网络可以自动发现环境特征和规律性，更贴近人脑某些特征。

采用并行分布处理方法，使得快速进行大量运算成为可能。神经网络的一个很大的优点是很容易在并行计算机上实现，可以把神经的节点分配到不同的CPU上并行计算。钱艺等提出了一种神经网络并行处理器的体系结构，能以较高的并行度实现典型的前馈网络如BP网络和典型的反馈网络（如Hopfield网络）的算法。该算法以SIMD（Single Instruction Multiple Data）为主要计算结构，结合这两种网络算法的特点设计了一维脉动阵列和全连通的互连网络，能够方便灵活地实现处理单元之间的数据共享。结合粒子群优化算法和个体网络的并行学习机制，提出了一种基于粒子群优化的并行学习神经网络集成构造方法。

3 结束语

全球化的发展，信息交流不断加快，促使各个行业相互融合。神经网络算法具备简单、稳定等不同优势，神经网络研究内容相当广泛，神经网络算法能够与其它算法相互结合，在一定程度提高计算机网络模型运算能力。但是计算机网络模型中神经网络算法学习能力比较低下，梯度下降法不准确，所以需要有关人员进行深度研究，探索神经网络算法，使其更加完善，从而保证计算机整体性能的提高。

参考文献

[1]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程，2014（19）.

[2]史望聪.神经网络在计算机网络安全评价中的应用分析[J].自动化与仪器仪表，2016（06）.

神经网络篇2

【关键词】 基本算法 模糊神经网络 数据挖据

一、故障管理模块

随着计算机网络的迅速发展，网络规模越来越大，网络节点分布的范围越来越广泛，网络的特点趋向于异构性与复杂性，网络管理的难度也不断增加。为了提高大规模网络故障管理的灵活性、智能性和高效性，克服传统的集中式网络故障管理的缺点，本文提出了基于大规模网络的故障管理与健康预测，对网络实施更加高效、实时和准确的管理，在大规模网络的管理方面有针对性的优势。故障因素主要有：CPU、物理内存、流量、负载、环境因子、设备温度。

（1）数据处理模块，主要完成采集到的数据的融合，提取和转换。数据处理模块主要是采用数据挖掘技术的分类算法来完成，这里不做详细说明。

（2）状态监测模块，完成征兆信息的识别和状态的评估任务。

（3）诊断预测模块，包括故障诊断和故障趋势预测功能。该模块选用了模糊集理论下的模糊综合评判模型并利用分布式的神经网络算法来对网络的安全状况做出预测与健康管理。

该模型的工作流程为：首先数据采集和传输，只有及时准确地采集监测数据，才能为故障的预测与健康管理提供可靠的依据，本文采用北斗卫星来实时的采集和传输数据。通过数据处理模块的融合、特征提取和数据转换传输到各个区域的控制中心进行诊断预测。诊断预测模块使用基于模糊神经网络的算法对故障进行诊断与管理。

二、模糊神经网络系统构造

通过对输入特征向量分析，大规模网络的安全状况评价的模糊神经网络有前件网络和后件网络组成，共分为5层，分别为输入层、模糊化层、模糊推理层、去模糊化层以及输出层。每一层的具体工作见图1：

前件网络由前四层构成，用来匹配模糊规则，后件网络作为最后一层，用来产生模糊规则的输出。

（1）输入层。第一层为网络的模式输入层，每个节点与输入向量的各分量直接连接，该层将输入向量x=（x1，x2，…，xn）T传送到第二层，第一层节点数N1=n。第一层需对输入量进行归一化处理，得到输入特征向量。

（2）模糊化层。第二层为网络的隐含层，该层中每一个输入分量对应一组节点，这些节点的个数等于xi进行模糊分级的个数，其中每个节点都代表一个对应的模糊变量。其功能就是计算每个输入分量属于变量值模糊集的隶属度函数，网络综合评价隶属度采用高斯函数表示：

式中：n为输入向量的维数；mi为xi的模糊分割数，i=1，2，…，n；cij和σij分别表示隶属度函数的中心以及宽度，j=1，2，…，m。

（3）模糊推理层。第三层为模糊规则计算层，该层每个节点代表一条模糊规则，用来匹配模糊规则的前件，从而计算出每条规则的相关适用度。

（4）去模糊化层。该层对每条规则的适应度进行归一化计算。

（5）输出层。第五层是后件网络，也叫反模糊化层，用于计算每条规则的后件，在第5层中前件网络的输出作为后件网络的连接权值，此时模糊神经网络的输出值为：

三、仿真实验及分析

首先需要根据cacti采集到的原始的实时监测的物理内存使用情况的数据如下，其他故障因素的数据检测与之类似，不在一一列举，数据监测如图2所示。

本文以项目组安全监控系统在一段时间内所检测的数据为实验基础数据，如表1所示，表1中为时间段内的部分数据，其中故障编号见下节。

本文模糊神经网络训练用单项指标和系统给出的状态作为训练样本训练模糊神经网络，通过matlab对其进行建模仿真，获得模糊神经网络训练的误差下降曲线如图3所示。

通过误差下降曲线可以看出，前段时间下降趋势比较明显，说明神经网络的调节比较快，后面的时间段相对平缓，说明其实调节细微，整个模型趋于稳定，此时说明神经网络训练过程中针对权值等调整基本上趋于合理。 通过训练好的神经网络来进行故障诊断，基于模糊神经网络模型的大规模网络安全评价的误差很小，对于评价网络的安全状况影响很小。

神经网络篇3

1计算机网络安全评价体系的建立

计算机网络自身组成就非常复杂，而影响计算机网络安全的因素也有很多，为了进一步强化对计算机网络安全的评价，就必须要建立起完善的计算机网络安全评价体系。

1.1计算机网络安全评价体系的建立应遵循的原则

1.1.1准确性

计算机网络安全评价体系中的每一项平评价指标必须要保证其真实性以及有效性，这样才能将网络安全在不同阶段的技术水平充分体现出来。

1.1.2独立性

在选取计算机网络安全评价体系的相关评价指标的时候，尽量不要对指标进行重复选择，这样才能保证不同指标指标的保持一定的独立性，将各种指标之间的关联性降到最低，这样才能将计算机网络的安全状况客观的反映出来。

1.1.3完备性

在选取计算机网络安全评价体系相关评价指标选择的时候，要对各种评价指标进行全面的考虑，并进行合理的选择。要充分保证每一项选取的指标能够将计算机网络安全的基本特征都可观的反映出来，只有这样才能充分保证评价指标表的可靠性，并最终保证评价结果的准确性。

1.1.4简要性

在进行计算机网络安全评价体系评价指标选择的过程中既要充分考虑指标的完备性，同时也要兼顾指标评价的实际工作量以及工效率，要尽量选择一些最具代表性的指标，在充分保证评价结果的基础上，最大程度的减少指标评价的工作量。

1.2各评价指标的取值机标准化问题

不同的评价指标描述的具体因素有很大的差距，总体来说计算机网络安全的评价指标主要分为定量以及定性等两种评价指标，这两种评价指标的评价侧重点不同，能够分别从不同的侧面对计算机网络安全进行评价，在实际的计算机网络安全评价过程中不能直接将不同评价指标得取值进行对比，因此，评价指标得取值规则的不同同样会造成结果的差异，因此必须要对不同指标进行相应的标准化处理。

2计算机网络安全评价中神经网络的应用

2.1计算机网络安全

所谓的计算机网络安全是利用的当下的高新科技，并充分结合现代的网络管控措施来充分保证计算机的网络环境中各种数据的可利用性、各种数据信息的完整性、充分保证各种数据保密性等得到最好的保护。计算机网络安全主要可以分为逻辑安全以及物理安全。其中逻辑安全主要指的是要充分保证网络上各种数据得安全、完整、可用。而物理安全则指的是采取物理的手段来对的计算机的相关设备进行充分保护，这样就能避免计算机在运行过程中受到物理损坏。计算机网络安全主要包含了保密性、完成性、可用性、可控性、可审查性等五个特征，计算机网络具有较强得开放性以及自由行性，另外，随着现代计算机网络的快速发展，计算机网络已经具备了国际性，因此计算机网络安全收到的威胁也来自多方面，计算机网络信息传输的物理线路遭受的攻击、计算机的网路通信协议遭受攻击，软件系统楼攻击等。

2.2神经网络的计算机网络安全评价模型设计

2.2.1输入层设计

BP神经网络是一种基于误差的传播算法，在目前的所有神经网络模型中应用最为广泛的一种。在进行输入层神经元接点设计的时候一定要保证节点的数量与计算机网络安全评价指标数量保持一直。例如，如果计算机网络安全评价的体系中设置了18个评价指标，那么在进行计算机网络安全评价体系输入层神经数量设计的时候也必须要保证其数量为18。

2.2.2设计隐含层

在大量实践中我们知道，多数BP神经元网络在实际的时候采用都是单隐含层，而且隐含层中节点的数量对整个计算机网络的性能有很大的影响，必须要给予足够的重视。如果在实际设计过程中，隐含层节点的数量设计过少，就会对计算机网络得非线性映射以及网络的容错性能产生严重的影响；而如果设计的节点数量过多则会造成网络得学习时间大幅增加，不仅会造成学习误差出现的概率增加，同时还严重的影响学习的效率。因此，在进行隐含层接点数量设计的时候要按照经验公式来进行合理的选择。

2.2.3进行输出层的设计

输出层主要是对计算机网络安全评价结果进行直观的反映。然后充分结合评价结果评语结合，如果计算机网络BP输出层的节点设计了2个，而假定其输出结果为（0,0）或者（0,1），则表示计算机网络不安全，而假定其输出结果为（1,0）或者（1,1）那么就表示计算机网络处于安全状态。2.3神经网络的计算机网络安全评价模型学习在进行计算机网络安全评价的过程中应用BP神经网络，其各个层中的初始连接的权值是任意的，因此，在建立计算机网络评价模型前必须要对神经网络进行学习。这样就能充分保证针对网络的安全评价尽量保证与用户期望值相吻合。

2.4神经网络得计算机网络安全评价模型验证

网络评价模型不仅要进行充分的设计和学习，同时为了进一步提升其实际应用效能，必须要对模型进行良好的验证。通过选取样本的形式，将样本输入其中就能验证模型实际的评价功能，保证其准确性。

神经网络篇4

关键词：神经网络技术，ANNBP网络算法

 

1、人工神经网络概述

人工神经网络是模拟生物神经信息处理方法的新型计算机系统，它可以模拟人脑的一些基本特征，（如自适应性，自组织性和容错性），是一个并行、分布处理结构,它由处理单元及其称为联接的无向信号通道互连而成。

人工神经网络力图模仿生物神经系统，通过接受外部输入的刺激，不断获得并积累知识，进而具有一定的判断预测能力。尽管神经网络模型的种类很多，但基本模式都是由大量简单的计算单元（又称为节点或神经元）广泛相互连接而构成的一种并行分布处理网络。。基于神经信息传输的原理，各个节点通过可变的权值彼此相连接，每个节点对N个加权的输入求和，当求和值超过某个阈值时，节点呈“兴奋”状态，有信号输出。节点的特征由其阈值、非线性函数的类型所决定，而整个神经网络则由网络拓扑、节点特征以及对其进行训练所使用的规则所决定。

2、多层前向网络

神经网络按拓扑结构分为前馈型网络和反馈型网络。前馈型网络在结构上采用的是其信息只能从前一层到它下面一层的单元，在网络运算过程中不存在任何反馈。从学习观点看，前馈网络是一种强有力的学习系统，其结构简单,易于编程；从系统观点看，前馈网络是非线性映射，通过简单非线性处理单元的复合映射可获得复杂的非线性处理能力，因此具有较强的分类能力和模式识别能力。

反向传播（BP）网络是典型的前馈型网络，结构上它属于多层前向网络,它的结构如图1所示。它分为输入层、隐含层和输出层，层与层之间多采用全互连方式，同一层之间不存在相互连接。网络中每一层权值都可通过学习来调节,且网络的基本处理单元（输入单元除外）为非线性输入、输出关系，处理单元的输入、输出值可连续变化。由于BP网络可在多个连续的输入和一个或多个连续的输出之间建立非线性映射这一特性，它常被用于智能预测。

多层前向网络是使用最广泛的一种网络结构，它可很好的解决XOR等经典的非线性问题，比起单层的感知器有很大的优越性，尤其80年代中期，Rumelhart和Mcclelland最先提出了多层前馈网络的反向传播学习算法，简称BP算法，它的效率很高，是目前应用最为普遍的训练算法，这使得多层前馈网络应用更加广泛。应该指出，我们常说的BP网络，严格说是基于BP算法的多层前向网络。

图 1 BP网络结构图

4、 BP网络算法

BP网络算法的思想是把一组样本的I/O问题变为一个非线性优化问题，使用了优化中最普通的梯度下降法,用迭代运算求解权对应于学习记忆问题，加入隐含层节点使优化问题的可调参数增加，从而可得到更精确的解。BP网络模型设计的最大特点是网络权值是通过使用网络模型输出值与已知的样本值之间的误差平方和达到期望值而不断调整出来的，并且确定BP神经网络评价模型时涉及隐含层节点数、转移函数、学习参数和网络模型的最后选定等问题。下面简单介绍一下基本BP算法相关数学描述：

(1)梯度下降算法

(2)S(Sigmoid)型函数

BP网络的激活函数经常使用的是Sigmoid对数或正切激活函数和线性函数。对数S型函数 f(x)=1/(1+exp(-x)), Sigmoid 函数具有非线性放大功能，它可以把输入从负无穷大到正无穷大的信号，变换成-1到1之间的输出，对较大的输入信号，放大系数较小，而较小的输入，放大系数较大，所以采用S型激活函数可以去逼近非线性的输入/输出关系。

(3)BP算法

BP网络学习是典型的有导师学习，其学习算法是对简单的学习规则的推广和发展。BP网络实现了多层网络学习的设想，其学习过程包括正向传播和反向传播两部分。。

在正向传播过程中，给定网络的一个输入模式时，输入信息从输入层经过隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态，由输出层单元产生一个输出模式，这是一个逐层状态更新过程，称为前向传播。。如果输出响应与期望输出的模式误差值不满足要求，那么就转入误差反向传播，将误差值沿连接通路逐层传送并修正各层连接权值。对于给定的一组样本，不断用一个个训练模式进行学习，重复前向传播和误差反向传播过程，当各个训练模式都满足要求时，BP网络训练完毕。

其中的激发函数我们采用S型函数， 即f(x)=1/(1+exp(-x))。BP算法描述如下：

（2）提供训练样本：输入矢量Xk ,k=1,2,..n 和期望输出tk, k=1,2,…,m；对每个输入样本进行（3）到（5）的迭代。

（3）计算网络的实际输出okj 。

（4）分别计算输出层和隐含层的训练误差

其中(4-2)为输出层的误差值, (4-3)为隐含层的误差值。

（5）修正权值和阈值

（6）判断实际误差指标是否满足规定误差的要求,满足则到(7)。

（7）结束 。

BP算法是人工神经网络中最为重要的网络之一, 也是迄今为止应用最为广泛的网络算法, 实践证明这种基于误差反传递算法可以解决许多实际问题, 但其算法自身也存在着局部极小点、算法的收敛速度慢等缺陷，需要我们在今后的研究中不断完善改进。

神经网络篇5

在水利及土木工程中经常会遇到地形面，地形面是典型的空间自由曲面，地形面在给出时，往往只给出一些反映地形、地貌特征的离散点，而无法给出描述地形面的曲面方程。然而有时需要对地形面进行描述，或者当给出的地形面的点不完整时，需要插补出合理的点。以往大多用最小二乘法或其它曲面拟合方法如三次参数样条曲面、Bezier曲面或非均匀有理B样条曲面等，这些拟合方法的缺点是：型值点一旦给定，就不能更改，否则必须重新构造表达函数；在构造曲线曲率变化较大或型值点奇异时，容易产生畸变，有时需要人为干预；此外，这些方法对数据格式都有要求。

神经网络技术借用基于人类智能（如学习和自适应）的模型、模糊技术方法，利用人类的模糊思想来求解问题，在许多领域优于传统技术。用神经网络进行地形面构造，只要测量有限个点（可以是无序的），不需要其它更多的地形面信息和曲面知识，当地形面复杂或者是测量数据不完整时，用神经网络方法更具优势，而且还可以自动处理型值点奇异情况。

本文提出用BP神经网络结合模拟退火算法进行地形面的曲面构造。

2模型与算法的选择

为了对地形面进行曲面构造，首先要有一些用于神经网络训练的初始样本点，对所建立的神经网络进行学习训练，学习训练的本质就是通过改变网络神经元之间的连接权值，使网络能将样本集的内涵以联结权矩阵的方式存储起来，从而具有完成某些特殊任务的能力。权值的改变依据是样本点训练时产生的实际输出和期望输出间的误差，按一定方式来调整网络权值，使误差逐渐减少，当误差降到给定的范围内，就可认为学习结束，学习结束后，神经网络模型就可用于地形面的构造。

BP网是一种单向传播的多层前向网络。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。其节点单元传递函数通常为Sigmoid型。BP算法使神经网络学习中一种广泛采用的学习算法，具有简单、有效、易于实现等优点。但因为BP算法是一种非线性优化方法，因此有可能会陷入局部极小点，无法得到预期结果，为解决BP算法的这一缺点，本文将模拟退火算法结合到BP算法中。

模拟退火算法是神经网络学习中另一种被广泛采用的一种学习算法。它的基本出发点就是金属的退火过程和一般组合优化问题之间的相似性。在金属热加工过程中，要想使固体金属达到低能态的晶格，需要将金属升温熔化，使其达到高能态，然后逐步降温，使其凝固。若在凝固点附近，温度降速足够慢，则金属一定可以形成最低能态。对优化问题来说，它也有类似的过程，它的解空间中的每一个点都代表一个解，每个解都有自己的目标函数，优化实际上就是在解空间中寻找目标函数使其达到最小或最大解。

（如果将网络的训练看成是让网络寻找最低能量状态的过程，取网络的目标函数为它的能量函数，再定义一个初值较大的数为人工温度T。同时，在网络的这个训练过程中，依据网络的能量和温度来决定联结权的调整量（称为步长）。这种做法与金属的退火过程非常相似，所以被称为模拟退火算法。）

模拟退火算法用于神经网络训练的基本思想是，神经网络的连接权值W可看作物体体系内的微观状态，网络实际输出和期望输出的误差e可看作物体的内能，对网络训练的目的就是找到恰当的状态W使其内能e最小，因此设置一个参数T来类比退火温度，然后在温度T下计算当前神经网络的e与上次训练的e的差e，按概率exp(-e/T)来接受训练权值，减小温度T，这样重复多次，只要T下降足够慢，且T0，则网络一定会稳定在最小的状态。

模拟退火算法虽然可以达到全局最优，但需要较长时间，BP算法采用梯度下降方式使收敛速度相对较快。为取长补短，我们将两种算法结合起来，采用BP算法的梯度快速下降方式，同时利用模拟退火算法技术按概率随机接受一个不成功的训练结果，使梯度快速下降过程产生一些随机噪声扰动，从而既保证了网络训练的快速度下降，又保证了训练结果的最优性。

3网络结构与学习算法

3.1网络结构

如何选择网络的隐层数和节点数，还没有确切的方法和理论，通常凭经验和实验选取。本文采用的BP网络结构如图1所示，输入层两个节点，分别输入点的x坐标和y坐标；两层隐层，每层10个节点，输出层一个节点，输出点的z坐标。

3.2学习算法

学习算法的具体过程如下：

其中Out_node为输出神经元集合.

4计算实例

为了检验本文算法的有效性,我们用本文算法对黄河下游河滩地形面进行曲面构造,地形面数据按截面给出,我们用奇数截面上的点为学习样本,偶数截面上的点用于检验本算法的精度.表1给出了测量值z1与本文算法计算结果z2,z2为本算法经过大约3500次迭代的结果.由这些数据可以看出，本文算法计算出的值与测量值的误差大约在0.02左右.完全可以满足实际工程要求的精度.

5结语

用神经网络进行地形面的曲面构造,不必求出曲面的方程,只需知道有限个点即可,而且这些点可以是散乱点.与传统方法相比,神经网络方法具有很强的灵活性.

本文将BP算法和模拟退火算法结合起来,解决了BP算法容易陷入局部极小的致命缺点.但仍然没有解决BP算法收敛速度慢的缺点.

NEURALNETWORKMETHODTOCONSTRUCTTERRAINSURFACE

LiuXue-mei1,2,DondWen-sheng1,2,ZhangShu-sheng1

(1NorthweasternPolytechnicalUniversity，ShanxiXiAn710072)

(2NorthChinaInstituteofWaterConservancyandHydroelectricPower,HenanZhengzhou450045)

Abstract

Thispaperpresentsanartificialneuralnetworkapproachtosolvetheproblemofterrainsurfaceconstruction.ThismethodtakesadvantageoftheglobalminimumpropertyofSimulatedProcedureonthebasisofBPalgorithm,thuscanjumpoutofthelocalminimumandconvergetotheglobalminimum..ThismethodwerevalidatedbysimulatingbottomlandterrainofYellowRiver.

Keywords:terrainsurface;freeformsurface;neuralnetwork;BPalgorithm;simulatedannealing

参考文献

[1]王铠，张彩明.重建自由曲面的神经网络算法[J].计算机辅助设计与图形学学报，1998，10（3）：193-199

神经网络篇6

1、BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。

2、BP神经网络算法是在BP神经网络现有算法的基础上提出的，是通过任意选定一组权值，将给定的目标输出直接作为线性方程的代数和来建立线性方程组，解得待求权，不存在传统方法的局部极小及收敛速度慢的问题，且更易理解。

（来源：文章屋网 ）

神经网络篇7

2016年春，韩国首尔四季酒店。谷歌人工智能围棋计算机程序“AlphaGo”与韩国九段棋手李世石进行了一场五番棋“人机大战”。最终，双方的比分定格在“1：4”，“AlphaGo”战胜人类代表李世石。

1000公里之外的北京，黄晓庆全程关注了这场比赛。他感慨：“从‘人机大战’在全球的热度来看，大家现在对人工智能、机器人的关注度越来越高，也普遍认同了这个产业。”

黄哓庆是科技界一名传奇人士。他19岁从华中科技大学毕业后留学美国，加入贝尔实验室。1995年，黄晓庆与陆弘亮、吴鹰等创立UT斯达康并担任公司CTO。2007年，黄晓庆回国担任中国移动研究院院长一职。他曾参与许多重要通信技术的开发工作，包括模拟调制解调器、接入网、IP电话等项目。

2015年3月，黄晓庆正式从中国移动离职。当所有人都在猜测他职业的下一站会是哪家大公司时，黄晓庆出乎所有人意料地选择了创业一一成立达闼科技有限公司（以下简称“达闼科技”），担任公司CEO兼CTO。

让黄晓庆在知天命的年纪重燃创业激情的就是人工智能。在他看来，机器人技术已逐渐成熟，3年内在服务领域有效取代人工的服务型机器人将会上量，10年内家庭保姆机器人将进入千家万户。达闼科技也成为第一家云端智能机器人公司。

“机器人产业的方向肯定是云端智能机器人。”黄晓庆预计，“达闼科技的目标就是要成为云端智能机器人时代的运营商。”黄晓庆表示，“不过，由于云端智能机器人还未出现，达闼科技首先要打造的是一个包括云端、网络、智能终端的产业链和生态环境。”

理论家

“做任何科技创新研究都要解决一个重要的问题――‘科学的基础’。”做了半辈子研究的黄晓庆谈到技术时更像一名学者，“2012年我提出的‘云端智能’概念就是从理论基础上佐证了云端智能机器人条件趋于成熟。”

首先，云端智能最核心的基础是电脑和人脑的差距。科学家们认为，人脑有1D0亿～10000亿个神经元，若想让已有技术完成一个集成如此多神经元的电路需要2000吨重的芯片，耗电27兆瓦。这意味着即便能造出一个拥有“人脑”的智能机器人，它也无法扛起自己2000吨重的“脑袋”。不过，人脑的速度比电脑的速度慢1D0万倍，这则意味着可让100万个机器人共享这个庞大的“大脑”。

其次，从生物学角度来看，通信网络的发展为机器人技术提供了第二个理论基础。人脑发出一个信号传到人体器官会延迟30到50毫秒。而3G移动通信网络延迟时间大概是150到300毫秒，4G移动通信网络延迟时间大概是50毫秒以下，即将到来的5G移动通信网络的延迟时间只有1毫秒，比人还要敏捷。移动通信网络就如同智能机器人的“神经系统”，解决了电脑反应速度问题。

再次，按照云端智能机器人的设想，若机器人“大脑”在云端，移动通信网络是机器人的“神经系统”，机器人还需要强大的传感器、电源、操作系统等支撑，而这些恰恰已被谷歌无人驾驶汽车等已经面世的产品所证明，能量存储技术、传感器技术、驱动技术都已达到一个凝聚点，在技术驱动之下云端智能机器人产业链应运而生。

“这就是达闼科技为什么相信10年内能制造出家庭保姆机器人的重要原因，这个产业已有了技术保障。”黄晓庆自信地表示，“不过，未来10年产业还是会由自然语言、视觉、听觉这类信息机器人走向护理、清洁等垂直服务机器人，然后才会出现通用型服务机器人，即人形、人性化机器人。”

黄晓庆是一位颇有前瞻性的技术专家。1997年他提出用lP技术实现下一代移动交换，即软交换，不过当时很多专家都认为时机远未成熟。但仅仅4年过后，全球所有主流设备制造商、运营商都开始研究和发展软交换。2004年，黄晓庆带领团队制造了世界上第一台支持1000万用户的软交换机，2007年在全球市场，软交换机完全取代传统程控交换机。

再次创业的黄晓庆也相信，虽然目前机器人产业看似遥远，但随着技术的不断进步，未来10年人工智能市场也将发生翻天覆地的变化，家庭保姆机器人将会走入寻常家庭，为普通家庭服务。

不过，技术和市场从来都是一步一步累积出来的。“我们很清醒地认识到，如果现在就瞄准去做家庭保姆机器人将来一定会死的很惨，我们一定是要把自己的核心技术不断变现，支持技术不断往前。”黄晓庆坦言。据他透露，达闼科技研发的Meta导盲机器人在云端、网络、智能终端整个体系开始进入产品阶段。

中国有600万盲人，加上重度弱视患者，总数接近2000万。Meta导盲机器人就是利用机器视觉、机器学习和智能语音等人工智能高科技手段，让盲人群体能更精准地感知周围环境、获取信息、参与社交，使盲人可以更为公平、自信、独立地融入社会，成为社会发展的参与者和贡献者。

实践者

著名科幻小说《星际迷航》中有一个名为“Data”的机器人角色。他“出生”于2336年，大脑有着相当出色的运算能力，在联邦星舰“进取号”上担任执行长官、二副职务，后又担任大副和指挥官职务。“Data”的制造者宋博士为他制造了一个情感芯片，只要插入此芯片，“Data”便有了人类的情感。

黄晓庆是个科幻迷，也是《星际迷航》的粉丝，他看了几百本《星际迷航》小说，100集《星际迷航》电视剧及电影。黄哓庆很喜欢“Data”这个角色，他认为“Data”就是人类理想中智能机器人的模型。所以，黄晓庆把公司命名为“达闼”，即是“Data”的音译。 《星际迷航》的长盛不衰折也射出人类对机器人、对人工智能的追求。一直关注人工智能市场的黄晓庆在2012年向中国移动提出“云端智能机器人”概念，但在庞大的中国移动体系内要推进一个看似毫不相干的项目异常困难。黄晓庆决定自己创业，并且要把达闼科技做成一个平台公司。

“达闼科技同时兼具了云计算、移动通信、智能终端领域的人才组合，就是为打造一个平台运营公司来设立的。未来机器人产业一个很重要的基础就是建立在规模上，规模越大就越成功。”黄晓庆这样理解。

不过，黄晓庆也承认：“云端智能机器人的产业链非常长、非常大，所以达闼科技绝对不能全部都做，而且也不应该全部都做，我们将聚焦两个领域――云端智能机器人的‘大脑’――云，以及支撑‘大脑’运行的信息网络。”

黄晓庆认为，这需要一家能构建云端大脑、神经网络、终端的运营公司来将三者连接起来，达闼科技正在着力构建机器人云端大脑体系，铺设一张全球互联的神经网络――“天网”，为实现云端智能机器人的运营打好基础。

“天网”必须具备两个特性――全球互联和安全互联。“只有实现全球互联，机器人才能实现全球知识共享；只有实现安全互联，才能保障机器人大脑的安全。”黄晓庆表示，“‘天网’的安全级别甚至能达到美国国防部的安全标准。”

2015年9月，达闼科技完成种子融资，融资金额3000万美元，估值1亿美元，投资人包括软银、富士康等。目前，A轮融资接近尾声，2016年6月左右将公布具体融资情况。融资将用于达闼科技的下一步研发和技术的产品化、市场化。

工程师

2014年6月，黄晓庆出差日本，对云端智能机器人仍恋恋不忘的他拜访了老熟人――软银创始人孙正义。黄晓庆把自己“云端智能机器人”的想法与孙正义进行了交流。

“在没有任何书面材料、只说了一个概念的情况下孙正义就答应要投资。”黄晓庆回忆，“我们创立UT斯达康时孙正义投资了，我第二次创业做软交换时他也投了，现在我要做机器人他更兴奋，因为他本人也特别喜欢机器人。”

2015年3月，黄晓庆正式从中国移动离职。一听“老大”要创业，中国移动研究院许多系统、移动标准、云计算平台专家也纷纷加入达闼科技。此外，大批来自BAT（百度、阿里巴巴、腾讯）、Google、三星、华为、IBM的技术人员也慕名而来。短短一年时间，达闼科技员工接近160人，技术人员占70%以上，在北京、深圳、成都、日本、美国硅谷都设有研发机构。

市场研究公司IDC的《全球商用机器人消费指南》显示，全球机器人行业及相关服务市场规模年复合增长率达17%，2019年行业规模将达到1354亿美元。而2015年机器人行业规模为710亿美元。达闼科技正全力练好内功争夺这个千亿美元的大市场。

事实上，达闼科技是黄晓庆的第三次创业。在外界看来，黄晓庆并不需要在功成名就之后还这么辛苦地创业。黄晓庆则有着自己的理解：“达闼科技让我实现了一个最伟大的梦想――让发明家和企业能够共享发明的成果。”

达闼科技有着有史以来对发明者最慷慨的回报政策：所有的发明创造只要在公司产品之外产生了收入，10%分给发明家，90%留给企业，这些收入包括授权、诉讼或转让等。

黄晓庆认为自己骨子里还是一名非常标准的工程师。他庆幸自己现在有更多的时间聚焦于科技创新。每天，他都能和一群优秀的工程师在一起。“我们共同将梦想照进现实。所以，我现在挺幸福的。”黄晓庆笑道。

神经网络篇8

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.

神经网络篇9

作为重要的人工智能分支领域，神经网络是用来处理非线性问题的有效工具。在特性上，神经网络具有较好的非线性映射能力，并且具有较好的适应性和容错性。在应用神经网络进行问题的计算时，不需要先验模型就可以直接从数据中获得学习规律。所以，可以用神经网络解决一些传统数学方法难以解答的问题，也可以完成对建模困难的复杂问题的处理。所谓的建筑经济管理，其实就是对建筑活动进行有效的预测和控制。在这一过程中，需要完成对建筑活动的真实描述和分析，并利用规律完成对各种现象的合理解释。但在实际工作中，建筑经济管理将涉及大量的变量，并且大多变量具有模糊性。在这种情况下，变量与常量之间常常体现出非线性的关系，继而难以利用传统数学解析式完成对变量的合理解释。而就目前来看，在建筑经济管理方面，利用神经网络可以解决管理中的复杂问题的处理。在工程造价预测、经济预警和招投标等多个方面，神经网络都具有较好的应用前景。

2建筑经济管理中的神经网络的应用

2.1在造价预测方面的应用

在建筑工程造价预测方面，神经网络可以应用于工程费用的估计。利用BP网络可以构造出工程成本预测模型，并真实完成对工程生产、管理等各个环节活动的模拟。而通过分析成本的各种组成，并完成对工程价值链构成的跟踪，则可以适应工程的成本变化，继而完成对工程造价成本的预测。就目前来看，已经有工程实例对神经网络在造价预测方面的应用进行了验证，而其取得的应用效果显然要好于传统方法。在应用神经网络进行工程估价时，可以利用网络的“特征提取器”完成对工程特征的提取。从大量的工程资料中，神经网络可以找出预算资料与工程特征之间的规律关系，并且完成对其它因素造成的资料偏差的纠偏，以便确保预测结果的有效性。此外，由于神经网络采用的是并行方式进行数据的处理，所以其能够尽快完成工程造价预测，继而满足建筑工作的造价分析需求。而利用神经网络完成工程造价预测，则可以帮助建筑承包商更好的完成项目资金的管理，继而避免出现资金短缺等问题。

2.2在风险预警方面的应用

在建筑管理活动中，将存在财务风险、金融风险和市场风险等多种风险，继而使建筑经济管理具有一定的风险性。而利用神经网络可以完成对风险的预警，继而使建筑经济管理的风险性得到降低。在利用神经网络进行工程经营风险和收益的评估时，神经网络系统可以算作是一种投资决策工具。具体来讲，就是需要对神经网络的非线性映射和模式分析能力进行利用，以便建立动态的风险预警系统。在此基础上，则需要将风险来源因素当做是系统的输入单元，继而得出相应的风险等级，并得出风险可能出现的区间。而输入的风险来源因素有多种，如项目复杂程度和不可预见因素等等。就现阶段来看，一个风险预警系统需要由多个神经网络构成，比如建筑项目投资风险预警系统就由多个ART网络、BP网络和一个MAXNET网络构成。

2.3在工程投标方面的应用

在激烈的市场竞争环境中，建筑企业需要提前分析出影响工程项目投标决策的因素，以便在竞争中取得胜利。而涉及的因素包含了市场条件、竞争对手情况和工程情况等多个领域的内容，并且因素本身多为模糊变量，所以很难确定因素对投标报价的影响。但是，利用神经网络则可以根据以往相似工程信息分析出因素与投标报价之间的关系，继而完成对工程报价的推理。而承包商根据这一推理结果，则可以确定需要采取的投标策略。同时，结合工程造价预测结果，承包商则可以完成对投标价格的确定，继而获得更大的竞争优势。就目前来看，神经网络在工程投标管理方面已经取得了一定程度的应用，有关的工程投标报价决策支持系统和招投标报价专家系统已经得到了提出[4]。通过将管理费率、竞争对手情况和市场条件等因素输入到系统的输入层，则可以得出工程投标报价的报价率。

2.4在其他方面的应用

除了以上几个方面，神经网络在建筑经济管理的其他很多方面都可以得到应用。首先，在建筑企业管理者制定经营决策时，神经网络可以为管理者提供决策支持。就目前来看，虽然可以利用统计学模型帮助管理者制定决策，但是这些方法无法处理数据不完整的复杂非线性问题。而神经网络可以从不可预见的数据中总结规律，继而为管理者解决复杂问题提供决策支持。其次，想要降低建筑工程成本，还要使工程资源得到优化配置。但就目前来看，没有数学模型可以完成对设计变更和设备条件等各种要素的影响效果的分析，继而难以帮助管理者合理配置建设资源。而神经网络可以完成对资源的预测，并确定资源的优先级，继而可以帮助管理者优化资源配置。此外，利用神经网络可以完成对已有数据和信息的全面分析，继而帮助管理者选择建筑材料、设备和施工方法。

3结论

神经网络篇10

关键词：神经网络 计算机网络 安全评价

随着计算机技术的广泛应用，当前社会已逐渐进入了信息时代，网络应成为人们日常生活、工作和学习不可或缺的一部分。但是，人们在使用计算机网络的过程中，会遇到许多的安全问题，给日常计算机网络的使用带来很大的不便。神经网络在计算机网络安全评价的应用，能够为计算机网络系统的安全提供了可靠的保障。

一、计算机网络的概念

计算机网络安全主要是应用新进的计算机技术和网络管理，促使计算机网络信息的安全可靠，保障计算机网络系统正常稳定地运行，保证计算机网络服务的可靠性[1]。目前，计算机网络安全的涉及范围非常广泛，不仅涉及到信息安全技术、网络技术，还逐渐发展到复杂的内部网、外部网以及全球互联网。人们在使用计算机网络的过程中，对计算机的网络安全要求也越来越高。例如，在计算机网络密码技术中，企业要求计算机网络系统能够为企业的信息安全提供保密技术。避免企业商业信息的泄漏，导致企业核心竞争力的下降。而在网络运行中，人们要求计算机网络技术能够控制和保护本地网络信息的操作，保障信息的安全。

二、神经网络在计算机网络安全评价中的具体应用

1.计算机网络安全评价体系的建立

计算机网络安全评价体系，只要是对计算机网络的安全隐患建立起相应的体系，利用计算机网络安全评价体系，可以全面、客观地了解计算机网络中存在安全隐患[2]。在计算机网络安全评价体系的评价指标选取过程中，要综合选取各种影响计算机网络安全的因素，这样就可以保证计算机网络安全的评价可以正确的地反映计算机安全信息，使得神经网络在计算机网络安全评价中能够有效运行。

（1）评价指标集的建立

计算机网络安全评价体系的评价指标集要遵循准确性、完备性、独立性、简要性以及可靠性的原则。评价指标的准确性主要是指网络评价体系中的评价指标能够准确体现网络安全技术水平的具体情况。完备性主要是指评价指标在选择的过程中，要选取能够全面地反映网络安全情况的评价指标，准确地反映评价的结果。独立性的原则主要在评价指标选取的过程中，要尽量减少重复有关联的指标体系。简要性原则主要是在评价指标的选择中，可以选取具有代表性、层次分明的评价指标。而可行性主要是指在网络评价体系的评价指标，在运行过程中，能够与实际的测评工作相符合，能够稳定地运行操作。

另外，计算机网络安全评价体系的建立不仅要遵循以上的几点原则，还需要建立的网络安全评价指标体系的一级指标，其中主要包括物理安全、逻辑安全以及管理安全。在一级物理安全评价指标中包含设备安全、线路安全以及网络机房安全等二级评级指标。在逻辑安全中，主要包含数据加密、病毒防范、访问控制等几个二级指标。在管理安全方评价指标方面，主要包含应急响应机制、安全组织体系等几个二级指标。

（2）各个评价指标的取值和标准化

正是因为各个评价指标集描述的因素不同，对定量评价和定性评价这两种指标的评价侧重点有所区别，都是从各自的方面对计算机网络安全状况进行反映，这就使得各个指标的取值不能进行直接的对比。因此，在各种评价指标的取值规则中，也要做出相应的调整，对定量评价和定性评价标准化处理。

对于定量评价来说，在实际的评价过程中，要根据所评价的计算机网络系统的具体状况，进行取值，科学地分析问题[3]。另外，由于各个评价指标的衡量单位有所区别，在进行标准化处理当中，可以把取值的范围确定在0-1之间。而定性标准，可以通过打分的方式，对不同的计算机网络系统机型等级评价，同时也要对定性指标进行相应的标准化处理。

（3）评价结果评语集的建立

根据计算机网络安全评价指标的特点，可以对评价结果建立起相应的评语集。例如可以根据网络安等级，将评语定为安全、较为安全、不安全和很不安全这四个等级集合。并且在这四个评语集上面，附加上相应的评价说明，让人们清楚地了解计算机网络安全的评价结果。

2.基于BP神经网络的计算机网络安全评价模型的设计

在神经网络网络的应用中，BP神经网络的应用最为广泛。它的主要是通过对样本信号进行不断地传播训练，以减小传播信号的误差，使之达到预定的限度，从而能够在实际应用中产生效果。对于BP神经网络的计算机网络安全评价模式设计，首先在输入层的设计中，生警员接的数量一定要符合评价指标的数量。其次，对于隐含才能够的设计，BP神经网络大多数都是采用单隐含层，要重视隐节点数量对网络性能产生的影响作用。最后，对于输入层的设计，可以根据评价结果以及评语集进行设计，保证计算机网络完全评价结果的准确可靠性。

三、结语

神经网络在计算机网络安全的应用，可以有效避免传统计算机网络安全中存在的缺陷，为计算机网络安全管理提供技术上的依据。虽然神经网络技术的取得了长足发展和各领域的广泛应用，但是神经网络的技术还存在一定的缺陷，技术发展并不够成熟，因此要积极加强对神经网络技术的研究，促使计算机网络完全评价能够更加稳定可靠。

参考文献

[1]杨鹏，顾冠群.计算机网络的发展现状及网络体系结构涵义分析[J].计算机科学，2012（15）：13-15.

[2]于学军，程博.基于BP神经网络的工作量估算模型[J].计算机科学，2013（9）：60-62.