前言：中文期刊網精心挑選了常見的神經網絡算法范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。

常見的神經網絡算法范文1

基金項目:云南省自然科學基金（2009ZC128M）.

作者簡介:楊華芬（1981-），女，碩士，講師.主要研究方向:神經網絡與遺傳算法.

摘要: 傳統遺傳算法優化神經網絡存在“近親繁殖”、“早熟收斂”、收斂速度慢和容易陷入局部極小等缺點.將適應度與相應的個體數目相聯系，提出一種自適應交叉變異概率，并將其用于遺傳操作，使得個體具有較強的多樣性，一定程度緩解種群“早熟”；將單純形法和遺傳算法結合到一起，使遺傳算法的搜索更具有方向性，提高遺傳算法的搜索能力，加快收斂速度.仿真實驗進一步證明本文提出的算法對加快收斂速度，防止“近親繁殖”，保持種群多樣性比較有效.

關鍵詞: 單純形法；交叉概率；變異概率；遺傳算法；神經網絡

中圖分類號:TP18

文獻標識碼:A文章編號:1672-8513(2010)04-0301-04

An Adaptive Neural Network Optimization Based on Hybrid Genetic Algorithms

YANG Huafen

(Department of Computer Science and Engineering, Qujing Normal University, Qujing 655000，China)

Abstract: There are such defects in the traditional genetic algorithms as “inbreeding”, “prematurity”, slow convergence speed and easy orientation to the local minimum. Through the improving of crossover probability and mutation probability, the diversity of the network could be maintained and it avoids prematurity to some extent. The combination of the simplex method and the genetic algorithm makes the genetic algorithm search more directional and improves the search ability of genetic algorithms. The experiments show that this approach of neural network avoids effectively “prematurity” and “inbreeding” while increasing the convergence speed and maintaining the diversity.

Key words: simplex method; crossover probability; mutation probability; genetic algorithms; neural network

神經網絡(Neural Network，NN)以其并行分布處理、自組織、自適應、自學習、具有魯棒性和容錯性等獨特的優良性質在模式識別、預測等方面得到廣泛應用.應用較為廣泛的就是BP網絡［1-2］，但傳統的BP網絡學習時容易陷入局部極小，以及收斂速度慢等缺點.遺傳算法（Genetic Algorithms，GA）具有較好的全局搜索能力和魯棒性，將NN和GA結合可以優勢互補，但在進化過程中容易出現“早熟收斂”.出現這一現象的根本原因是種群經過進化以后，優勝劣汰，種群的適應度趨同，用這些個體進行遺傳操作難以產生優良個體［3］.為改進GA的性能，國內外學者做了大量的研究，提出許多改進算法.文獻［4］對適應度進行變換；文獻［5］提出自適應交叉變異概率；文獻［6］采用自適應比例選擇策略，依據種群性狀的改變而動態地調整選擇壓力；文獻［7］提出了一種基于實數編碼的自適應多親遺傳算法；文獻［8］根據個體的最大適應度和平均適應度提出自適應交叉和變異概率.但種群的某一個個體的適應度大不能代表種群的整體適應度大，因此，文獻［8］提出的交叉/變異概率不能隨著種群個體適應度的變化而變化.

遺傳算法為指導性搜索算法，全局搜索能力較強，但其局部搜索能力較弱，導致優化解質量不高.單純形法(Simplex Method，SM)［9］，也稱可變多面體搜索法，是確定性下降方法，局部搜索能力很強.將搜索機制上存在如此差異的2種算法進行混合，有利于豐富搜索行為，增強全局和局部意義下的搜索能力和效率.

本文提出一種基于混合算法的自適應神經網絡優化設計方法.首先，將個體適應度和相應的個體數目聯系，提出自適應交叉概率（pc）和變異概率（pm），讓pc和pm隨著個體適應度的變化而變化，既能開發優良個體又能保證算法收斂；其次，將單純型算法用于優化自適應遺傳算法得到的個體，指導遺傳算法進行尋優.該混合算法不僅具有遺傳算法通用、簡單、全局隨機搜索的優點，而且融入了局部搜索法的快速尋優并收斂的優點，在一定程度上保持種群的多樣性，防止“種群早熟”，提高學習速度.

1 改進遺傳算法

1.1 神經網絡的基因編碼

常見的神經網絡編碼有二進制和實數編碼，若采用二進制編碼，會造成編碼串太長，且需要再解碼為實數，影響網絡學習的精度.本文采用實數編碼，如圖1所示的網絡，編碼為：xij,θj,yjk，其中i,j，k分別

3.2 仿真實驗

本文以表1所給的的數據（番茄常見病害特征參數），作為所要構建的神經網絡的輸入，網絡的輸出作為診斷所得到病害.7個輸出參數：x1為發病部位；x2為病斑顏色；x3為病斑形狀；x4為霉層顏色；x5為霉層形狀；x6為生長特征；x7為其他特征.4個網絡輸出y1，y2，y3，y4為二值輸出，其輸出的16種狀態分別表示16種常見的病害（番茄莖基腐病、番茄白絹病、番茄斑枯病等）.

在建立基于混合遺傳算法的BP神經網絡模型時網絡連接權的基本解空間初步設定為［-15，15］，閾值解空間初步設定為［－10，13］，隱節點個數為15.遺傳算法進化過程中初始種群數目L=50，總的進化代數為K=150，根據(2)和(3)式求取交叉變異概率.

常見的神經網絡算法范文2

Abstract： FIR filter is designed by the genetic algorithm based on BP neural network. Aimed at the difficulty of global optimization and the slow computational rate, an improved method is given. The algorithm takes advantage of the global search capabilities of genetic algorithm and the strong search efficiency of BP neural network. It optimizes the search time and improves the performance of the algorithm. It is particularly effective for solving large-scale optimization problems. The example of low-pass filter designed by the improved algorithm shows its feasibility.

關鍵詞： FIR濾波器；遺傳算法；BP神經網絡

Key words： FIR filter；genetic algorithm；BP neural network

中圖分類號：TP39 文獻標識碼：A文章編號：1006-4311（2011）17-0037-02

0引言

在數字信號處理中，濾波器一直占有重要的地位，數字濾波器在語音、圖像處理和譜分析等應用中經常使用，其優化設計一直受到廣大研究者和工程人員的關注。其中FIR數字濾波器有自己突出的優點：系統總是穩定的，易于實現線性相位，允許設計多通帶或多阻帶濾波器等。因此FIR濾波器在數字信號處理中得到廣泛的應用。

窗函數法設計數字濾波器是最常見方法，但是一些常見窗口函數，如矩形窗、漢寧窗等，窗口形狀固定，不能很好地滿足多樣性需求[1]。而利用凱塞給出的經驗公式則需要多次嘗試。利用Parks-McClellan算法能夠設計出性能最優的數字濾波器，但是算法實現過程十分復雜。FIR數字濾波器設計的問題是一個多變量多極值的尋優問題。遺傳算法正是求解最優問題的有效方法，所以在濾波器設計中應用廣泛。但是其本身也存在一些缺陷，所以可以對遺傳算法進行改進，使其達到更優的效果。

1改進的遺傳算法

遺傳算法（Genetic Algorithm，簡稱GA）是模擬生物在自然環境中的遺傳和進化過程而形成的一種自適應全局優化概率搜索算法。它提供了一種求解復雜系統優化問題的通用框架，它不依賴于問題的領域和種類，具有很強的魯棒性。

但是，遺傳算法很難實現全局最優，為了使所求的解盡量靠近全局最優，避免早熟現象的出現，雖然曾有人提出對算法的流程進行改進，但是結果收斂速度非常慢，需要花十幾分鐘才能得到一個較滿意的結果，此時對于那些對時間要求苛刻的系統就很難滿足要求了[2]。通過參考相關文獻[2][3]，結合BP（BackPropagation）神經網絡的優點，將BP神經網絡引入遺傳算法，這就是改進的遺傳算法，即基于BP神經網絡的遺傳算法，充分利用遺傳算法全局搜索功能強和BP神經網絡算法局部搜索能力強的特點，對于求解大規模多極值優化問題特別有效。

2FIR濾波器

2.1 FIR數字濾波器的頻率特性數字濾波器是對一個數字信號按照一定的要求進行運算，然后以數字形式輸出的系統。輸出僅與過去以及現在的輸入有關的數字濾波器稱為有限沖激響應FIR數字濾波器。可以表示為[4] [5]：

3改進的遺傳算法的實現

將BP神經網絡與遺傳算法相融合，一方面由遺傳算法保證學習的全局收斂性，克服BP對初始值的依賴性和局部收斂問題；另一方面，與BP算法的結合也克服了單純遺傳算法所帶有的隨機性和概率性問題，而有助于提高它的搜索效率。該算法實現的基本思想[7][8]是：在遺傳算法每完成一定代數的進化后，保存當前最優個體，對其余個體進行一次神經網絡的優化汁算，產生新的個體，這些新個體和保存的最優個體一起，形成新的一代種群，再參與到下一代的進化中。

具體流程[2][9]如下：

第1步：隨機產生初始種群，個體數目一定，每個個體表示為染色體的基因編碼；

第2步：分成三個小的步驟，分別如下：

A．判斷進化代數或者誤差是否滿足設定值，若滿足則轉C；

B．計算個體的適應度，并判斷是否符合優化準則，若符合，輸出最佳個體及其代表的最優解，并結束訓算；否則轉向第3步；

C．保留最優個體，其余個體參加BP神經網絡的優化計算，產生的新個體和保留的最優個體一起構成新的種群，轉B。

第3步：依據適應度選擇再生個體，適應度高的個體破選中的概率高，適應度低的個體可能被淘汰；

第4步：按照一定的交叉概率和交叉方法，生成新的個體；

第5步：按照一定的變異概率和變異方法，生成新的個體；

第6步：按照交叉和變異產生新一代的種群，返回第2步。

在選擇BP神經網絡算子時，每當進化進行了指定的代數，便保留最優個體，其余的個體全部參加BP神經網絡算法，產生全新的個體。我們選擇這個代數為10至20代。

下面以一個實例進行說明：

例設計一個低通濾波器，其參數分別為wp=0.2?仔，ws=0.3?仔，ap=0.25dB，as=50dB，初始階數可以由文獻[5]確定為M=42。

在此例中，選定初始種群為600，截斷概率為0.5，交叉概率為0.1，變異概率為0.01。在運用BP網絡時，設置網絡隱含層的神經元數為5個（當神經元數為3，4，5時，其輸出精度都相仿。一般的講，網絡神經元的選擇原則是：在能夠解決問題的前提下，再加上一個到兩個神經元用以加快誤差的下降速度。而當神經元數過大時，會產生其它的問題）。在隱含層選擇作為傳遞函數，用作為網絡訓練函數，則由改進的遺傳算法設計出來的結果M=48（窗函數法設計M=61，頻率采樣法M=61）。

4結論

本文方法對遺傳算法進行了改進，利用改進的遺傳算法成功地完成了對FIR低通濾波器的優化設計。例子表明文中的濾波器設計的結果優于窗函數法和頻率采樣法，得到了較低的濾波器階數。也進一步證明了遺傳算法全局搜索功能強和BP神經網絡算法局部搜索能力強。通過改變參數，也可以實現其他類型的優化設計。

參考文獻：

[1]王秋生，袁海文，黃嬌英.基于遺傳算法和余弦序列的數字濾波器設計[J].電子測量與儀器學報，2008增刊：212.

[2]邵仕泉.基于BP神經網絡的遺傳算法在數字濾波器設計中的應用[D].成都：電子科技大學，2005.

[3]周燕.遺傳算法與BP神經網絡相結合的說話人識別系統[J].傳感器與微系統，2009,28（6）:98-99.

[4]Robert Meddins. Introduction to Digital Signal Processing[M]. Newnes,2000.

[5]余成波.數字信號處理及MATLAB實現（第2版）[M].北京：清華大學出版社，2008.

[6]楊福寶.基于遺傳算法的FIR數字濾波器的優化設計[J].武漢理工大學學報，2002,26（4）：55.

[7]胡玉蘭，苑薇薇，王雷.基于改進的混合基因算法的-./數字濾波器設計[J].數據采集與處理，2006，21(2):223-224.

常見的神經網絡算法范文3

【關鍵詞】 圖像識別技術 神經網絡識別

模式識別研究的目的是用機器來模擬人的各種識別能力―比如說模擬人的視覺與聽覺能力，因此圖像識別的目的是對文字、圖像、圖片、景物等模式信息加以處理和識別，以解決計算機與外部環境直接通信這一問題。可以說，圖像識別的研究目標是為機器配置視覺“器官”，讓機器具有視覺能力，以便直接接受外界的各種視覺信息。

一、圖像識別系統

一個圖像識別系統可分為四個主要部分：被識圖像、圖像信息獲取、圖像預處理、圖像特征提取、分類判決。

二、圖像識別方法

圖像識別的方法很多，可概括為統計（或決策理論）模式識別方法、句法（或結構）模式識別方法、模糊模式識別方法以及神經網絡識別方法。重點介紹神經網絡識別方法。

2.1神經網絡識別方法

2.1.1人工神經網絡的組成

人工神經網絡（簡稱ANN）是由大量處理單元經廣泛互連而組成的人工網絡，用來模擬腦神經系統的結構和功能。而這些處理單元我們把它稱作人工神經元。

2.1.2人工神經網絡的輸出

2.1.3人工神經網絡的結構

人工神經網絡中，各神經元的不同連接方式就構成了網絡的不同連接模型。常見的連接模型有：前向網絡、從輸入層到輸出層有反饋的網絡、層內有互聯的網絡及互聯網絡。

2.1.4 學習算法

1）感知器模型及其算法

算法思想：首先把連接權和閾值初始化為較小的非零隨機數，然后把有n個連接權值的輸入送入網絡中，經加權運算處理后，得到一個輸出，如果輸出與所期望的有較大的差別，就對連接權值參數按照某種算法進行自動調整，經過多次反復，直到所得到的輸出與所期望的輸出間的差別滿足要求為止。

2）反向傳播模型及其算法

反向傳播模型也稱B-P模型，是一種用于前向多層的反向傳播學習算法。

算法思想是：B-P算法的學習目的是對網絡的連接權值進行調整，使得調整后的網絡對任一輸入都能得到所期望的輸出。學習過程包括正向傳播和反向傳播。正向傳播用于對前向網絡進行計算，即對某一輸入信息，經過網絡計算后求出它的輸出結果；反向傳播用于逐層傳遞誤差，修改神經元之間的連接權值，使網絡最終得到的輸出能夠達到期望的誤差要求。

B-P算法的學習過程如下：

第一步：選擇一組訓練樣例，每一個樣例由輸入信息和期望的輸出結果兩部分組成；第二步：從訓練樣例集中取出一樣例，把輸入信息輸入到網絡中；第三步：分別計算經神經元處理后的各層節點的輸出；第四步：計算網絡的實際輸出和期望輸出的誤差；第五步：從輸出層反向計算到第一個隱層，并按照某種原則（能使誤差向減小方向發展），調整網絡中各神經元的權值；第六步：對訓練樣例集中的每一個樣例重復一到五的步驟，直到誤差達到要求時為止。

3）Hopfield模型及其學習算法

它是一種反饋型的神經網絡，在反饋網絡中，網絡的輸出要反復地作為輸入再送入網絡中，使得網絡具有了動態性，因此網絡的狀態在不斷的改變之中。

算法思想是：

（a） 設置互連權值

其中xis是s類樣例的第i個分量，它可以為1或0，樣例類別數為m，節點數為n。

（b） 未知類別樣本初始化。 Yi（0）=Xi 0≤i≤n-1

其中Yi（t）為節點I在t時刻的輸出，當t=0時，Yi（0）就是節點I的初始值，Xi為輸入樣本的第I個分量。

（c） 迭代直到收斂

常見的神經網絡算法范文4

1基于GA算法改進的BP神經網絡

1.1BP神經網絡

BP神經網絡是一種基于誤差反向傳播算法的前饋型網絡，通常由輸入層、隱層和輸出層組成，各層具有若干個神經元。網絡訓練包含信號正向傳播和誤差反向傳播2種過程，通過輸出層的輸出結果與期望輸出的誤差來間接調整網絡各層的權值，直至獲取最優結果。BP神經網絡模型如圖1所示神經元節點的激活函數定義了對神經元輸出的映射關系。作為激活函數求解神經網絡中神經元的總數、目標值以及誤差值，此處采用S型函數（1）在保證計算精度的前提下，應盡可能減少隱層的節點數量，使網絡具備良好的性能和泛化能力，避免發生訓練過擬合現象。

1.2遺傳算法優化的BP神經網絡

為了提升BP神經網絡性能，采用遺傳算法來優化BP神經網絡的初始權閾值，以加快學習收斂速度，優化后網絡的結構如圖2所示。流程關鍵節點描述：（1）編碼方式GA算法多采用二進制編碼方式，存在著連續函數離散化時的映射誤差。個體長度較短則達不到精度要求；較長時則會提升解碼難度，算法搜索空間變大，搜索效率得不到保證。因而采用浮點編碼法來降低計算的復雜性，提升算法在較大空間的遺傳搜索能力，以較小的個體長度來滿足高精度要求。并隨機產生初始種群。（2）適應度函數的求解該函數用于評估種群中的個體，個體的適應度越高，被選中的概率越大。利用適應度函數能夠縮小初始權閾值的最優解分布范圍，避免網絡陷入局部極小，從而降低訓練次數，加速網絡收斂。適應度函數最后，得出最優個體，并將其作為BP網絡的初始權值閾值進行學習訓練。

2試驗過程

減速器的眾多故障中，齒輪與軸承故障率占比較高。常見的齒輪故障類型主要有：齒輪崩齒、中軸竄動、軸承內圈劃傷以及齒面點蝕、磨損、膠合等。部分故障模型分別如圖3所示。為了獲取減速器的實際振動數據，以ZQ-650型減速器為研究對象，利用轉矩轉速傳感器和加速度傳感器獲取測試點的振動信號。試驗過程中，利用傳感器采集正常工況下齒輪箱的振動信號，并通過在試驗對象相關部位人為設置故障以模擬故障工況。故障檢測模型如圖4所示。為了確保所獲取信號具備全面性和真實性，3處測試分別為箱體上表面、右側面以及軸承座的受力方向側。采樣參數：采樣點數4096，頻率分別為850、1100、1400、2700Hz。依據實際作業情況，通過對振動信號的時域和頻域分析，得出減速器的故障特征參數，并從特征參數集中提取較為敏感的7個特征值作為故障特征向量，分別為頻譜重心、波形指標、裕度指標、峭度指標、偏態指標、頻域方差以及相關因子，并將其作為檢測模型的輸入。模型的輸出為5位的故障編碼。本文中減速器正常與故障類型樣本各取53個，共計315個。故障樣本如表1所示。

3試驗分析

為了使試驗結果具備可比性，分別建立傳統BP與GA-BP網絡的減速器故障診斷模型，并采用同樣的數據進行測試。其中，BP神經網絡拓撲結構為7-13-5，學習算法采用梯度下降法，學習率為0.01，最大迭代次數為4000，網絡訓練目標為0.01。GA-BP神經網絡初始種群規模設置為20，交叉和變異概率分別為0.61、0.02，拓撲結構及其他參數設置與BP神經網絡相同。圖5為2種網絡的訓練樣本誤差變化曲線。3200次迭代后，訓練精度為0.3101，相較于傳統BP網絡的0.6092，提高了96.45%。并且傳統BP網絡經過1150迭代后收斂速度變緩，訓練精度提升不顯著，易導致網絡陷入局部最優。可以表明，GA-BP網絡具備良好的容錯能力，學習訓練的速度較快，故障分類效果更為優秀。運用2種網絡故障診斷模型，分別對測試樣本進行故障檢測與分類試驗，針對不同故障識別結果對比如表2中所示。檢測準確率為檢測正確總數與測試樣本總數的比值。由表2可知，GA-BP網絡的故障檢測準確率相較于傳統BP網絡，提高了21.13%，檢測能力提升較為明顯。各類型故障的檢測準確數量均高于未優化的BP網絡，尤其是針對齒面點蝕(G2)、軸承內圈劃傷(G4)、齒輪崩齒(G5)3類故障，檢測準確率分別提高了28.3%、24%、24%。由此可以表明，基于GA算法改進的BP算法訓練結果較為理想，能夠對減速器故障檢測預測起到良好的效果。

4結語

常見的神經網絡算法范文5

關鍵詞：模糊C均值聚類；BP神經網絡算法；鑄體薄片圖像；孔隙識別

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2013）30-6872-02

在油氣預測、油氣儲量計算過程中，儲層孔隙度是非常重要的參數，因此求取儲層孔隙度及其他參數是地質建模中的關鍵一步。在科技迅猛發展過程中，運用鑄體薄片圖像分析技術手段作為主體技術，對孔隙識別和求取物性參數有直觀的技術優勢，并且為準確識別油氣層奠定了堅實的基礎[1]。彩色圖像比灰度圖像包含更多有價值的空間信息，選取合適的彩色空間是有效分割彩色圖像的基礎，常見的顏色空間有RGB空間、HSV空間、CIE Lab空間、CMYK空間等，其中CIE Lab是建模于人類視覺感知的，具有感知上的均勻性，而且該空間具有歐式距離不變性[2]。該文使用的圖像主要內容為巖石顆粒和孔隙，其中孔隙呈紅色分布，該文的主要目的就是將紅色的孔隙區域與背景分割開并運用BP神經網絡算法將其識別。

1 FCM聚類算法

4 總結

本文利用模糊c均值聚類和BP神經網絡相結合的方法處理彩色圖像分割問題，針對現有的鑄體薄片圖像，該方法達到了良好的分割效果，下一步的工作是將該方法應用于實時采集的圖像中，并對分割出來的目標區域進行一系列參數計算，為后期三維重構提供支持。

參考文獻：

[1] 劉慶利，吳國平，胡劍策.鑄體薄片圖像分析法求取儲層孔隙度[J].測繪科學技術學報，2009，26（1）：69-71.

[2] 陳麗雪，陳昭炯.基于Lab 空間的圖像檢索算法[J].計算機工程，2008，34（13）：224-226.

[3] 劉一超，全吉成，王宏偉，等.基于模糊c均值聚類的遙感圖像分割方法[J].Image Processing and Multimedia Technology，2011，30（1）：34-37.

[4] 謝文蘭，石躍祥，肖平.應用BP神經網絡對自然圖像分類[J].計算機工程與應用，2010，46（2）：163-166.

常見的神經網絡算法范文6

關鍵詞：神經網絡；計算機網絡安全評價；應用探析

現如今，人們的日常生活和工作都已經離不開計算機，但各類安全風險也屢次出現在使用過程中，給用戶帶來很多的擔憂和不便。神經網絡在多個方面都具有智能人工算法技術，如組織能力和適應能力等，能為計算機網絡安全評價起到了極大的作用。

1 神經網絡的概念

（一）神經網絡的發展

神經網絡（neural network，NN）是對神經單元通過大量處理，而組建的網絡復雜結構，具有簡化和模擬人體大腦的功能。在儲存信息上，神經網絡的學習能力和適用能力都很強大，并具有十分可觀的容錯能力，是傳統信息算法的有效突破，可以將處理信息的方式按照人體大腦思維模式來進行。人工神經網絡于20世紀40年代開始初步研究，同時對MP神經元模型有了認識。到了20世紀50年代末，研究者們通過MP神經元模型將感知器這一實物進行了設計。美國國防部于20世紀90年代初對神經網絡的各個應用領域進行了進一步開發，第一是地震信號監測；第二是識別目標；第三是識別和處理聲吶信號等，并具有很大的進展。神經網絡技術在中國的起步開始于20世紀80年代末，雖然起步較落后于其它國家，但在研究成果上也有很大的成效。

（二）神經網絡的特點

神經網絡的特點可以分為四點，第一是學習能力；第二是分布式；第三是并行性；第四是非線性等。首先，較好的學習能力是神經網絡的主要特點，其可以根據抽象訓練而得到樣本的相關數據特征，這不僅說明神經網絡的智能運用，更是充分體現了強大的網絡計算機適應功能。其次，分布式在傳統計算機中是串行運行的，在不同的單元中儲存信息，如果其中一個存儲單元遭到破壞都將對整個信息存儲造成影響。但在神經網絡中，其是通過神經元來分散儲存信息，連接權值和單獨的神經元必須進行組織才能發揮作用。如果損壞到連接權值或是單一神經元，不會影響到整體信息，這是神經系統具有強大穩定性和容錯能力的表現。同時，在外界干擾下輸入信號，不會產生較大畸變的輸出信號。再次，神經網絡的聯想能力通^分布式的結構來實現，其主要體現在對人體大腦結構通過網絡來進行模擬。在信息被神經元接收并進行處理時，每個神經元都是單獨的，對接收信息進行分別處理再各自輸出，這是神經網絡的并行性，其具有極高效率的信息處理能力。最后是神經網絡的非線性，其能對輸入和輸出的非線性映射有效實現，輸入與輸出的分線性關系通過神經網絡，可以對大部分無模型的非線性關系加以模擬，是研究非線性系統的主要途徑。

2 計算機所存在的網絡安全問題

計算機所面對的網絡安全問題大致可以分為幾類，第一是病毒危害；第二是黑客攻擊；第三是IP地址盜用等。網絡安全有保密性、完整性、可用性、可控性、可審查性等五個方面的特點。網絡安全問題中，計算機病毒是最常見的，具有極大的破壞性和隱蔽性，并具有高傳播速度。常見的計算機病毒有蠕蟲和震網等，其能嚴重破壞計算機網絡，要對其進行清除也有很大難度。近年來，黑客攻擊頻率也在不斷增加，且具有一定的目的性，這些黑客為了窺探他人隱私，對用戶計算機隱私進行竊取。部分黑客的目的是為了報復或抗議某些事件，對公共網絡和政府網絡進行大肆攻擊，企圖對網頁內容進行篡改，造成一定的社會負面影響。另外，IP地址盜用也是計算機網絡安全中的主要問題，對用戶IP進行盜取，并騷擾和破壞使用用戶的個人信息等，給用戶的個人信息安全帶來了極大隱患。

3 計算機網絡安全評價中神經網絡的應用

（一）安全評價體系的建立

計算機網絡安全評價對于計算機相關安全隱患都有所包含，其可以通過神經網絡來對網絡安全評價體系進行建立，預防潛在威脅對計算機網絡造成的破壞。第一步需要對安全評價指標進行確立，其應當具有最基本的幾項原則，第一是獨立；第二是準確；第三是可靠。在進行評價時，應當選擇評價對象強層分明的代表性。第二步是對評價指標進行各項標準化和取值。由于每個評價指標具有不同對象的評價，所以每個評價指標的標準和取值也是有差別的。第三步是評價結果庫的建立，其完整的建立應當根據不同評價指標的不同特點來進行參考。如要對網絡安全級別進行結果評價，可以分為幾個等級，第一是安全；第二是比較安全；第三是不安全；第四是嚴重危害等，并對每個評價做出詳細的說明，使計算機網絡安全形成的原因、結果和評價得到用戶的清楚認識。要對網絡安全評價體系進行建立，可以通過幾個原則來進行，第一是準確性；第二是完整性；第三是獨立性；第四是簡要性。

（二）BP神經網絡的應用

在計算機網絡的應用中，使用最為廣泛的是BP（Back Propagation）神經網絡。BP神經網絡具有學習、記憶和自適應等能力，能夠有效處理非線性、不確定性或模糊關系。BP神經網絡通過對樣本信號不斷傳播和訓練，保證最低限度的誤差傳播，其在實際應用過程中，具有很大的安全作用。在識別對象和分類上，BP神經網絡的靈敏度都十分優越，可以對網絡安全中心進行快速的診斷和監督。但是，BP神經網絡的缺陷在于魯棒性和容錯率相對較低，在快速實現安全監測的同時，難以保證準確度。另外，收斂效果不佳也是BP神經網絡算法存在的問題，其缺少標準統一的網絡隱層節點。安全評價模型依靠BP神經網絡來建立，首先要使神經元接數量在輸入層設計中達到評價指標。然后利用單層結構來設計隱層含，對選取的節點數量進行網絡綜合考量。最后是安全評價結果利用輸入層來進行設計，以保證精確性的安全評價。

（三）ART神經網絡的應用

ART（Adaptive Resonance Theory）神經網絡，即自適應共振理論神經網絡，是一種自組織神經網絡結構，是無教師的學習網絡。ART能自組織地產生對環境認識編碼。ART神經網絡適用的網絡安全評價包括有謠言散播和攻擊他人等一些非安全性操作。在功能上來講，ART主要對語音、圖像、文字等進行識別，對其安全程度進行判斷，并通過搜索大量數據來對模式建立固定的安全評價模型。ART神經網絡的優勢在于穩定性強、聚類效果好，其適應能力能在多變復雜的環境進行轉變，且算法相對簡單。但是，ART的缺陷在于是對模型和參數進行確定，還需學習和優化其網絡結構。ART神經網絡可以有效監測對信息數據的傳播，然后通過模型庫來對比傳播信息的安全程度，并作出相對應的處理程序。所以，ART可以為用戶的網絡環境起到凈化作用，帶來安全良性的網絡空間。

4 結束語

在計算機網絡的快速發展中，網絡安全是使用者們最為擔心的障礙。神經網絡通過高科技技術手段，可以對計算機網絡安全評價體系做出全面優化，保證網絡安全的精確性和穩定性。

參考文獻

[1]李忠武，陳麗清. 計算機網絡安全評價中神經網絡的應用研究[J]. 現代電子技術，2014，10：80-82.

[2]岳陽. 基于BP神經網絡的計算機網絡安全評估[J]. 電腦知識與技術，2013，18：4303-4307.

[3]孫立權，楊素錦. 計算機網絡安全評價中神經網絡的應用[J]. 信息系統工程，2015，01：81.