要写好一篇逻辑清晰的论文,离不开文献资料的查阅，小编为大家找来了《神经网络算法计算机网络论文(精选3篇)》，供需要的小伙伴们查阅，希望能够帮助到大家。摘要：随着我国社会不断进步，计算机网络也在迅速发展，在计算机网络迅速发展的过程中，需要全面提高计算机网络的整体性能，计算机网络模型算法具有分布式信息存储、规模性的并行信息处理特点，并且还具有优化和联想记忆的优势，基于计算机网络模型中的神经网络算法研究，是计算机网络和神经网络算法优化方式相结合的表现。
神经网络算法计算机网络论文 篇1：
计算机网络连接增强优化中的均场神经网络算法
摘 要 计算机网络带给人们生活便利，这一点是毋庸置疑的，但并不排除计算机网络问题会损害经济这一情况。因此在计算机网络运行中，务必要做好计算机网络问题预防，及时并快速的发现和处理网络问题，以保证计算机网络的正常运行。鉴于此，本文提出一种实际、可行的计算机网络连接优化方法——均场神经网络算法，并基于网络拓扑结构，计算机均长神经网络算法作详细论述，得出相关结论供同行参考。
关键词 计算机网络；连接优化；神经网络算法
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=
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.
[3]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，2000，22（2）：8O-82.
[4]高坚，贺秉庚.网络结构拓扑扩展的混合遗传算法[J].计算机工程与科学，2002（03）.
作者：王颖华 金爱花
神经网络算法计算机网络论文 篇2：
计算机网络模型中的神经网络算法分析
摘要：随着我国社会不断进步，计算机网络也在迅速发展，在计算机网络迅速发展的过程中，需要全面提高计算机网络的整体性能，计算机网络模型算法具有分布式信息存储、规模性的并行信息处理特点，并且还具有优化和联想记忆的优势，基于计算机网络模型中的神经网络算法研究，是计算机网络和神经网络算法优化方式相结合的表现。
关键词：计算机网络模型；神经网络算法；分析
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，他们的动态方程分別为：
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<0）]，式子中的N表示神经元的数量，ui表示第i个神经元的输入，vi表示第i个神经元的输出。
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，还鞥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.
[2]朱云.计算机网络连接增强优化中的神经网络算法[J].煤炭技术，2012，31（4）：16-16.
[3] 倪顾伟.基于神经网络的数字水印算法的研究与实现[D].南京理工大学，2012.
作者：王建国
神经网络算法计算机网络论文 篇3：
基于BP神经网络的计算机网络故障检测方法及维护策略
摘要：随着计算机网络技术的飞速发展，各种网络应用平台迅速崛起，吸引力大量网络用户，然而高频率出现的计算机网络故障，严重了影响了用户信息的安全性，为此提出基于BP神经网络的计算机网络故障检测方法及维护策略。通过建立、实现基于BP神经网络的计算机网络故障检测模型，结合计算机网络故障出现的多种原因，制定计算机网络维护策略，最终实现了基于BP神经网络的计算机网络故障检测方法及维护策略。通过仿真实验证明，基于BP神经网络的计算机网络故障检测方法可以快速准确的检测出计算机网络故障，具有较高的有效性。
关键词：BP神经网络；计算机网络；网络故障检测；维护策略；
通过对网络故障进行及时检测、诊断，来加强网络管理，是提高网络安全性、网络性能、网络设备利用率以及服务质量的最有效手段之一。随着网络设备和规模日益复杂化，传统网络故障检测方法不在实用，基于BP神经网络的计算机网络故障检测成为当前的使用率最高的检测方法。计算机网络故障检测就是一种故障状态集的非线性映射过程，BP神经网络模型能够对非线性映射进行很好的处理，通过搭建基于BP神经网络的计算机网络故障检测模型，依托故障检测算法，使得故障检测模型动作，得出计算机网络故障不仅仅是软件问题，还受网络硬件设备影响。因此要多方位全面的对计算机网络进行维护，确保信息数据的安全性。
1基于BP神经网络的计算机网络故障检测方法
随着网络技术的飞速发展，SNMP作为一个网络管理协议已被全面应用到计算机网络设备状态信息中，SNMP能够将计算机网络管理中地理位置分布广泛、设备数量众多、种类繁多等问题转化为简单标准化的网络管理[1]。通过检测SNMP管理信息库中的状态参数，就可获得计算机网络的运行情况，但是不能作为故障诊断的直接判断条件。因此搭建基于BP神经网络故障检测模型，通过该模型对网络参数进行分析和计算，将计算后的参数作为故障诊断的征兆量。
1.1搭建计算机网络故障检测模型
基于BP神经网络的计算机网络故障检测模型不需要预先给出判断函数，是一种自动检测识别模型。基于BP神经网络的计算机网络故障检测模型融合多种技术，利用BP神经网络和免疫算法来实现智能化检测。BP神经网络都是和免疫算法都是以生物学原理为基础的技术，二者在人工原理和生物学原理上各有异同。将免疫原理、BP神经网络应用在计算机故障检测中，可以提升计算机网络故障检测模型的性能[2]。
在计算机网络故障检测模型中，每一个计算机网络故障检测器的基本性质都相同，但是所具有的形式确各有不同。因此，每个计算机网络故障检测器的激活函数都是可变，大大提升了计算机网络故障检测模型的有效性。
1.2计算机网络故障检测的实现
通过在检测过程中不断调整网络故障参数，使得基于BP神经网络的计算机网络故障检测模型工作。当计算机网络系统中某一网络出现问题，必将影响计算机系统的正常运行。基于BP神经网络的计算机网络故障检测方法的应用，主要是为了在计算机网络系统发生故障之前，通过其对整个计算机系统自动进行检测，寻找可能会出现故障的地方，在故障发生前，通过采取数据备份、复制、轉移等手段对计算机网络系统进行处理，来保证数据的完整性、安全性[3]。计算机网络故障检测算法如下所示：
Var Dp： //初始进程p
Then：//检测网络故障模块
Rp『π』：初始进程p对个计算机网络故障抗体库υ
And：//SNMP管理信息库δ中的任何一个进程都有对应的定时器；
初始化：
Dp=φ；
For all data if q do rp『q』=δ+υ；
开始检测，间隔时间ξ发送消息：
For all data if q do send
接收结果， q接收到
Rp『q』=δ+υ；
检测故障，当 rp『q』超间隔时间δ时：
Dp=Dp∪『q』
该计算机网络故障检测方法是以网络数据信息延迟为主要依据，ξ为信息故障检测的发送周期，网络数据节点按ξ周期发送
通过建立、实现基于BP神经网络的计算机网络故障检测模型，得出计算机网络故障不仅仅是软件问题，还受网络硬件设备影响，即客观与主观两个方面，因此要从各个方面对计算机网络进行维护。
2计算机网络维护策略
在基于BP神经网络的计算机网络故障检测方法上，结合计算机网络故障出现的多种原因，制定计算机网络维护策略。通过合理设置相应维护体系，在网络系统中设置多重防护，实现预防为主的网络安全维护策略。
首先要增强用户网络信息安全意识，用户在实际应用计算机工作时，不要轻易打开脚本特殊的文件，以及来路不明的e-mail，尽量在各大应用平台上下载游戏程序以及软件程序，不要在不正规的网站上下载[5]。除此之外，计算机网络密码应采取数字与字母混合的方式设置，这样可以给黑客恶意攻击增加困难系数。然后还要安装防火墙软件，防火墙软件能够有效阻止黑客攻击，在计算机网络系统中设置一个安全屏障，确保计算机信息处于安全系数比较高的区域内。接下来还要在计算机网络维护中，有效隐藏IP地址，IP地址在计算机网络中的重要性不容忽视。IP地址能够将内部网络与外部网络有效转接，从而合理化控制用户的访问类型。最后用户还需提高警惕，及时备份资料，用户要将网络信息维护工作重视起来，提高警惕，日常进行杀毒，严密保管资料信息。
计算机网络维护策略主要途径是规范网络秩序，时刻保持警惕，强化网络信息安全意识，从用户自身角度将计算机网络维护水平提高。
3仿真实验
本文以计算机的四种主要网络故障诊断为实验依据，仿真验证基于BP神经网络的计算机网络故障检测方法和传统网络故障检测方法的有效性。
3.1数据准备
计算机的四种主要网络故障分别是：模块硬件故障、线路故障、配置文件错误以及网络协议错误。为了比较基于BP神经网络的计算机网络故障检测方法和传统网络故障检测方法检测速度和准确率，将多种参数设为相同值，借助Matlab的logsig函数，得出检测速度和准确率。
3.2实验分析
实验后基于BP神经网络的计算机网络故障检测方法和传统网络故障检测方法的实验结果如图1所示。
横坐标为故障检测时间，纵坐标为故障检测准确率，由图1可知，基于BP神经网络的计算机网络故障检测方法可以快速准确的检测出计算机网络故障，而传统计算机网络故障检测方法随着检测时间的增加准确率有所增加，想要确保准确率就要花费大量检测时间。由实验证明，本文提出的检测方法具有较高的有效性。
4总结
网络技术发展的主要障碍是计算机网络信息安全问题，如何及时检测出计算机网络故障，如何维护网络安全，成为来人们普遍关注的问题。通过建立、实现基于BP神经网络的计算机网络故障检测模型，结合计算机网络故障出現的多种原因，制定计算机网络维护策略，最终实现了基于BP神经网络的计算机网络故障检测方法及维护策略。希望本文能为计算机网络故障检测以及安全维护提供参考依据。
参考文献：
[1] 李笑竹，陈志军，樊小朝，等.基于ACS-SA文化基因算法的BP神经网络变压器故障诊断[J].高压电器，2018（6）.
[2] 贾嵘，李云桥，张惠智，等.基于改进BP神经网络的光伏阵列多传感器故障检测定位方法[J].太阳能学报，2018（7）.
[3] 朱文辉，黄晋英，卫洁洁，等.基于DHMM和BP神经网络的齿轮箱故障诊断研究[J].组合机床与自动化加工技术，2018（7）.
[4] 于德亮，李妍美，丁宝，等.基于思维进化算法和BP神经网络的电动潜油柱塞泵故障诊断方法[J].信息与控制，2017（6）：62-69.
[5] 张一茗，李少华，陈士刚.基于ReliefF特征量优化及BP神经网络识别的高压隔离开关故障类型与位置诊断方法[J].高压电器，2018（2）.
【通联编辑：光文玲】
作者：程虹