基于神經(jīng)網(wǎng)絡(luò)的ATM帶寬動(dòng)態(tài)分配設(shè)計(jì).pdf

1、從80年代中期開始,神經(jīng)網(wǎng)絡(luò)的研究在美國(guó)、日本、西歐等國(guó)家再度掀起熱潮,在神經(jīng)網(wǎng)絡(luò)模型、學(xué)習(xí)算法、神經(jīng)計(jì)算機(jī)實(shí)現(xiàn)和應(yīng)用等方面,取得了令人鼓舞的眾多成果,出現(xiàn)了近百種網(wǎng)絡(luò)模型,新的算法及其改進(jìn)算法更是層出不窮,使計(jì)算機(jī)具有更多的智能.由于人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力、一定的容錯(cuò)能力和對(duì)噪聲的魯棒性,所以它在很多領(lǐng)域得到了廣泛的應(yīng)用.BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一類.BP算法,即誤差逆向傳播算法是各種神經(jīng)網(wǎng)絡(luò)算法中最基礎(chǔ)、最

2、重要的一種.它解決了多層前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)問題,它的理論依據(jù)堅(jiān)實(shí),通用性強(qiáng),但學(xué)習(xí)效率不高,收斂速度慢,極易陷入局部極小點(diǎn)的缺點(diǎn)一直是它的一個(gè)應(yīng)用"瓶頸".對(duì)此前人已進(jìn)行了一些研究,目前還存在一些缺陷.該文從BP網(wǎng)的結(jié)構(gòu)出發(fā),以減小BP神經(jīng)網(wǎng)絡(luò)的規(guī)模為手段來克服陷入局部極小點(diǎn),提出了BP神經(jīng)網(wǎng)絡(luò)的拆分組裝方法,即將一個(gè)大的BP網(wǎng)有機(jī)地拆分為幾個(gè)小的子BP網(wǎng),每個(gè)子網(wǎng)的權(quán)值單獨(dú)訓(xùn)練,訓(xùn)練好以后,再將每個(gè)子網(wǎng)的單元和權(quán)值有機(jī)地組裝成原先的B

3、P網(wǎng),從理論和實(shí)驗(yàn)上證明了該方法在解決局部極小值這一問題時(shí)是有效的;在拆分組裝方法基礎(chǔ)上,該文詳細(xì)闡述了輸入樣本的預(yù)處理過程,更進(jìn)一步地減小了BP網(wǎng)絡(luò)的規(guī)模,使子網(wǎng)的學(xué)習(xí)更加容易了;對(duì)于子網(wǎng)的學(xué)習(xí),該文采用了最速梯度--遺傳混合算法(即GDR--GA算法),使GDR算法和GA算法的優(yōu)點(diǎn)互為補(bǔ)充,提高了收斂速度;最后該文闡述了用以上方法進(jìn)行ATM帶寬動(dòng)態(tài)分配的過程.該文主要包括以下內(nèi)容:第2部分闡述BP神經(jīng)網(wǎng)絡(luò)基本理論,第3部分介紹了拆分