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

1、從80年代中期開始,神經(jīng)網(wǎng)絡(luò)的研究在美國、日本、西歐等國家再度掀起熱潮,在神經(jīng)網(wǎng)絡(luò)模型、學(xué)習(xí)算法、神經(jīng)計算機實現(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,使計算機具有更多的智能.由于人工神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力、一定的容錯能力和對噪聲的魯棒性,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)堅實,通用性強,但學(xué)習(xí)效率不高,收斂速度慢,極易陷入局部極小點的缺點一直是它的一個應(yīng)用"瓶頸".對此前人已進(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,提出了BP神經(jīng)網(wǎng)絡(luò)的拆分組裝方法,即將一個大的BP網(wǎng)有機地拆分為幾個小的子BP網(wǎng),每個子網(wǎng)的權(quán)值單獨訓(xùn)練,訓(xùn)練好以后,再將每個子網(wǎng)的單元和權(quán)值有機地組裝成原先的B

3、P網(wǎng),從理論和實驗上證明了該方法在解決局部極小值這一問題時是有效的;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)點互為補充,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