精华内容
下载资源
问答
  • 网络基本原理

    千次阅读 2020-06-27 22:53:36
    路由:路由是指导IP报文发送的路径信息。也可以理解为路由是寻找路径的过程。 路由器:路由器具有路由的功能,作用是数据包转发。 二、VPN 1. VPN(虚拟专用网络)简单地说就是利用公网架设专用网络,VPN属于...

                                                                                            网络基本原理

    一、路由

       路由:路由是指导IP报文发送的路径信息。也可以理解为路由是寻找路径的过程。

       路由器:路由器具有路由的功能,作用是数据包转发。

    二、VPN

    1. VPN(虚拟专用网络)简单地说就是利用公网架设专用网络,VPN属于远程访问技术。

       比如我们要访问外国的某个网站,就可以利用虚拟专用网络(VPN)进行访问,也称之为“翻墙”。

    2.我们可以把中国看作成一个巨大的局域网,想要访问到国外的网站就要翻墙。

    3.VSP:VSP是虚拟服务器,用户可以对VSP发起攻击,也可以在VSP上建立VPN。

    三、互联网(Internet)

       局域网用过运营商连接在一起形成互联网。

    四、防火墙

    1.   防火墙是系统的第一道防线,其作用是防止非法用户的进入,防火墙是位于内网和外网之间的屏障,它按照系统管理员预先           定义好的规则来控制数据包的进出。

    2.防火墙的种类

    • 网络层防火墙
    • 应用层防火墙
    • 数据库防火墙

    五、局域网与广域网

    1.局域网常用设备:HUB、交换机、路由器。

    2.局域网的特点:距离短,延迟小,传输速率高,传输可靠。

    3.广域网常用设备:Modern,路由器,广域网交换机,接入服务器。

       外网常用光纤来传递信号(光纤通过光信号传播,光纤不可折)

    六、网络世界的规则

       网络世界中存在着一个标准协议

    1.标准:数据通信标准分为两类 (事实和法定标准)

    • 事实标准:未经组织团体承认但已在应用中被广泛使用和接受的就是事实标准。
    • 法定标准:由官方认可的团体制定的标准被称为法定标准。

    七、OSI参考模型

    1.OSI RM:开放系统互连参考模型

    2.OSI的优点:

    • 简化了相类似的网络操作
    • 提供设备间的兼容性和标准接口
    • 促进标准化工作
    • 结构上可以分隔
    • 易于实现和维护

    3.OSI分层

    4.OSI七层的作用

    八、IP地址(网络协议地址)

    (在之前的文章中有讲到对ip地址的解释)

    1.IP地址是一个32位的二进制数,通常被分割为4个“8位二进制数”(也就是4个字节) 

        IP地址通常用点分十进制表示成(a.b.c.d)的形式,其中a,b,c,d都是0-255之间的十进制整数。

    例如:点分十进制ip地址(100.4.5.6)实际上是32位的二进制数

                (01100100.00000100.00000101.00000110)

    2.IP地址在网络层唯一标识一台网络设备

       ip地址包含两部分:

    •   网络位
    •   主机位

        网络位不可变,主机位可变

    3.IP地址的分类

        IP地址分为A类地址,B类地址和C类地址

    九、交换机

    1.交换机(Switch)意为“开关”,是一种用于电(光)信号转发的网络设备,它可以为接入交换机的任意两个网络节点提供独享的电信号通路。最常见的交换机是以太网交换机,其他常见的还有电话语音交换机,光纤交换机等。

    2.交换机的工作原理:通过ARP协议,ARP协议只访问本地地址或MAC地址。

     

     

    展开全文
  • 网络编程的基本原理

    千次阅读 2017-07-07 23:11:39
    1.计算机网络的定义 所谓计算机网络就是一些互相连接的、自治的计算机的集合。 分类: ⑴根据不同的范围分为:广域网(WAN)、城域网(MAN)、局域网(LAN)、个人区域网(PAN)。 ⑵根据不同的使用者分为:公用网...

    1.计算机网络的定义

    所谓计算机网络就是一些互相连接的、自治的计算机的集合。
    分类:
    ⑴根据不同的范围分为:广域网(WAN)、城域网(MAN)、局域网(LAN)、个人区域网(PAN)。
    ⑵根据不同的使用者分为:公用网和专用网。
    

    2.计算机网络的通信模式

    计算机网络通信模式有线路交换和包交换两种方式。
    线路交换:是通过在发送端和接收端之间建立一条特定的线路,进行数据的传输;
    包交换:是通过将所有的计算机放到几个共同的网络连接中,数据的发送端将要传输的数据分割成几份,然后将每一份数据封装成一个包,包中含有接受段的属性信息等,而且没报都是单独传输的。
    

    3.计算机网络的体系结构

    开放式系统互联(Open System Interconnection,OSI),是国际标准化组织(ISO)为了实现计算机网络的标准化而颁布的参考模型。OSI参考模型采用分层的划分原则,将网络中的数据传输划分为7层,每一层使用下层的服务,并向上层提供服务。
    
    层 次名称功能描述
    第7层应用层(Application)负责网络中应用程序与网络操作关系之间的联系,例如:建立和结束使用者之间的连接,管理建立相互连接使用的应用资源
    第6层表示层(Presentation)用于确定数据交换的格式,它能够解决应用程序之间在数据格式上的差异,并负责设备之间所需要的字符集和数据的转换
    第5层会话层(Session)用户应用程序与网络层接口,它能够建立与其它设备的连接(即会话),并且能够对会话进行有效的管理
    第4层传输层(Transport)提供会话层和网络层之间的传输服务,该服务从会话层获得数据,必要时对数据进行分割,然后将数据传递到网络层,并确保数据能正确无误的传送到网络层
    第3层网络层(Network)能够将传输的数据封包,然后通过路由选择、分段组合等控制,将信息从源设备传送到目标设备
    第2层数据链路层(Data Link)主要是修正传输过程中的错误信号,它能够提供可靠的通过物理介质传输数据的方法
    第1层物理层(Physical)利用传输介质为数据链路层提供物理连接,它规范了网络硬件的特性、规格和传输速度

    今天先写到这里,下一篇我会介绍套接字编程原理。有兴趣的朋友可以关注我的博客。

    这里写图片描述

    展开全文
  • 计算机网络:NAT基本原理

    千次阅读 2019-01-15 10:01:55
    1. 前言 最近在研究搭建Vmware虚拟机环境,所以不得不重新学习NAT虚拟机网络配置。在Vmware中虚拟机网络配置有三种:Host-Only(主机...公有IP地址:也叫全局地址,是指合法的IP地址,它是由NIC(网络信息中心)或...

    1. 前言

    最近在研究搭建Vmware虚拟机环境,所以不得不重新学习NAT虚拟机网络配置。在Vmware中虚拟机网络配置有三种:Host-Only(主机模式)、Bridge(桥接模式)、NAT(网络地址转换模式)。在使用网络地址转换的时候遇到了一些问题,所以这里我将重新复习一些计算机网络知识NAT模式。

    2. 名称概念

    公有IP地址:也叫全局地址,是指合法的IP地址,它是由NIC(网络信息中心)或者ISP(网络服务提供商)分配的地址,对外代表一个或多个内部局部地址,是全球统一的可寻 址的地址。

    私有IP地址:也叫内部地址,属于非注册地址,专门为组织机构内部使用。因特网分配编号委员会(IANA)保留了3块IP地址做为私有IP地址:

    10.0.0.0 ——— 10.255.255.255

    172.16.0.0——— 172.16.255.255

    192.168.0.0———192.168.255.255

    地址池:地址池是有一些外部地址(全球唯一的IP地址)组合而成,我们称这样的一个地址集合为地址池。在内部网络的数据包通过地址转换到达外部网络时,将会在地址池中选择某个IP地址作为数据包的源IP地址,这样可以有效的利用用户的外部地址,提高访问外部网络的能力。

    3. NAT简介

    NAT英文全称是“Network Address Translation”,中文意思是“网络地址转换”,它是一个IETF(Internet Engineering Task Force, Internet工程任务组)标准,允许一个整体机构以一个公用IP(Internet Protocol)地址出现在Internet上。顾名思义,它是一种把内部私有网络地址(IP地址)翻译成合法网络IP地址的技术

    在这里插入图片描述

    用大白话的语句来讲,NAT就是在局域网中使用内部地址,而当内部节点要与外部网络进行通讯时,就在网关处,将内部地址替换成公用地址,从而在外部公网(internet)上正常使用,NAT可以使多台计算机共享Internet连接,这一功能很好地解决了公共 IP地址紧缺的问题。通过这种方法,可以只申请一个合法IP地址,就把整个局域网中的计算机接入Internet中。这时,NAT屏蔽了内部网络,所有内部网计算机对于公共网络来说是不可见的,而内部网计算机用户通常不会意识到NAT的存在。如下图所示。这里提到的内部地址,是指在内部网络中分配给节点的私有IP地址,这个地址只能在内部网络中使用,不能被路由转发。

    在这里插入图片描述

    #4 NAT分类
    NAT可以分为三种类型:分别是静态NAT(Static NAT)、动态地址NAT(Pooled NAT)、网络地址端口转换NAPT(Port-Level NAT)。

    在这里插入图片描述

    4.1 静态NAT

    静态转换是指将内部网络的私有IP地址转换为公有IP地址,IP地址对是一对一的,是一成不变的,某个私有IP地址只转换为某个公有IP地址。借助于静态转换,可以实现外部网络对内部网络中某些特定设备(如服务器)的访问。

    对于以上网络拓扑图,当内网主机 192.168.1.2如果要与外网的主机202.20.65.4通信时,主机(IP:192.168.1.2)的数据包经过路由器时,路由器通过查找NAT table 将IP数据包的源IP地址(192.168.1.2)改成与之对应的全局IP地址(202.20.65.4),而目标IP地址202.20.65.4保持不变,这样,数据包就能到达202.20.65.4。而当主机HostB(IP:202.20.65.4) 响应的数据包到达与内网相连接的路由器时,路由器同样查找NAT table,将IP数据包的目的IP 地址改成192.168.1.2,这样内网主机就能接收到外网主机发过来的数据包。在静态NAT方式中,内部的IP地址与公有IP地址是一种一一对应的映射关系,所以,采用这种方式的前提是,机构能够申请到足够多的全局IP地址。

    4.2 动态NAT

    动态转换(亦称NAT pool)是指不建立内部地址和全局地址的一对一的固定对应关系。而通过共享NAT地址池的IP地址动态建立NAT的映射关系。当内网主机需要进行NAT地址转换时,路由器会在NAT地址池中选择空闲的全局地址进行映射,每条映射记录是动态建立的,在连接终止时也被收回。

    在这里插入图片描述

    动态NAT方式适合于 当机构申请到的全局IP地址较少,而内部网络主机较多的情况。内网主机IP与全局IP地址是多对一的关系。当数据包进出内网时,具有NAT功能的设备对IP数据包的处理与静态NAT的一样,只是NAT table表中的记录是动态的,若内网主机在一定时间内没有和外部网络通信,有关它的IP地址映射关系将会被删除,并且会把该全局IP地址分配给新的IP数据包使用,形成新的NAT table映射记录。

    4.3 网络地址端口转换NAPT

    网络地址端口转换NAPT(Network Address Port Translation)则是把内部地址映射到外部网络的一个IP地址的不同端口上。它可以将中小型的网络隐藏在一个合法的IP地址后面。NAPT与 动态地址NAT不同,它将内部连接映射到外部网络中的一个单独的IP地址上,同时在该地址上加上一个由NAT设备选定的端口号。

    NAPT是使用最普遍的一种转换方式,它又包含两种转换方式:SNAT和DNAT。

    • 源NAT(Source NAT,SNAT):修改数据包的源地址。源NAT改变第一个数据包的来源地址,它永远会在数据包发送到网络之前完成,数据包伪装就是一具SNAT的例子。
    • 修改数据包的目的地址。Destination NAT刚好与SNAT相反,它是改变第一个数据包的目的地地址,如平衡负载、端口转发和透明代理就是属于NAT。

    5. NAT 基本原理

    NAT的基本工作原理是,当私有网主机和公共网主机通信的IP包经过NAT网关时,将IP包中的源IP或目的IP在私有IP和NAT的公共IP之间进行转换。

    5.1 地址转换(静态NAT)

    NAT的基本工作原理是,当私有网主机和公共网主机通信的IP包经过NAT网关时,将IP包中的源IP或目的IP在私有IP和NAT的公共IP之间进行转换。

    如下图所示,NAT网关有2个网络端口,其中公共网络端口的IP地址是统一分配的公共 IP,为202.20.65.5;私有网络端口的IP地址是保留地址为192.168.1.1。私有网中的主机192.168.1.2向公共网中的主机202.20.65.4发送了1个IP包(Dst=202.20.65.4,Src=192.168.1.2)。

    在这里插入图片描述

    当IP包经过NAT网关时,NAT Gateway会将IP包的源IP转换为NAT Gateway的公共IP并转发到公共网,此时IP包(Dst=202.20.65.4,Src=202.20.65.5)中已经不含任何私有网IP的信息。由于IP包的源IP已经被转换成NAT Gateway的公共IP,Web Server发出的响应IP包(Dst= 202.20.65.5,Src=202.20.65.4)将被发送到NAT Gateway。

    这时,NAT Gateway会将IP包的目的IP转换成私有网中主机的IP,然后将IP包(Des=192.168.1.2,Src=202.20.65.4)转发到私有网。对于通信双方而言,这种地址的转换过程是完全透明的。转换示意图如下。

    在这里插入图片描述

    5.2 连接跟踪

    在上述过程中,NAT Gateway在收到响应包后,就需要判断将数据包转发给谁。此时如果子网内仅有少量客户机,可以用静态NAT手工指定;但如果内网有多台客户机,并且各自访问不同网站,这时候就需要连接跟踪(connection track)。如下图所示:

    在这里插入图片描述

    5.3 端口转换(网络地址端口转换NAPT)

    以上述客户机访问服务器为例,当仅有一台客户机访问服务器时,NAT Gateway只须更改数据包的源IP或目的IP即可正常通讯。但是如果Client A和Client B同时访问Web Server,那么当NAT Gateway收到响应包的时候,就无法判断将数据包转发给哪台客户机,如下图所示。

    在这里插入图片描述

    此时,NAT Gateway会在Connection Track中加入端口信息加以区分。如果两客户机访问同一服务器的源端口不同,那么在Track Table里加入端口信息即可区分,如果源端口正好相同,那么在实行SNAT和DNAT的同时对源端口也要做相应的转换,如下图所示。

    在这里插入图片描述

    6. 总结

    NAT技术无可否认是在ipv4地址资源的短缺时候起到了缓解作用;在减少用户申请ISP服务的花费和提供比较完善的负载平衡功能等方面带来了不少好处。但是在ipv4地址在以后几年将会枯竭,NAT技术不能改变ip地址空间不足的本质。然而在安全机制上也潜在着威胁,在配置和管理上也是一个挑战。如果要从根本上解决ip地址资源的问题,ipv6才是最根本之路。在ipv4转换到ipv6的过程中,NAT技术确实是一个不错的选择,相对其他的方案优势也非常明显。

    NAT模式包括三种类型:静态NAT(网关中含有多个外网IP地址)、动态NAT(共享网关中的地址池实现网络地址转换)、网络地址端口转换NPAT(连接跟踪,使用端口转换)

    展开全文
  • 神经网络基本原理

    千次阅读 2017-03-17 16:15:31
    本文主要内容包括: (1) 介绍神经网络基本原理,(2) AForge.NET实现前向神经网络的方法,(3) Matlab实现前向神经网络的方法 。 第0节、引例   本文以Fisher的Iris数据集作为神经网络程序的测试数据集...
    本文主要内容包括: (1) 介绍神经网络基本原理,(2) AForge.NET实现前向神经网络的方法,(3) Matlab实现前向神经网络的方法 。 
    


    第0节、引例 

           本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris数据集可以在http://en.wikipedia.org/wiki/Iris_flower_data_set  找到。这里简要介绍一下Iris数据集:

    有一批Iris花,已知这批Iris花可分为3个品种,现需要对其进行分类。不同品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度会有差异。我们现有一批已知品种的Iris花的花萼长度、花萼宽度、花瓣长度、花瓣宽度的数据。

      一种解决方法是用已有的数据训练一个神经网络用作分类器。

      如果你只想用C#或Matlab快速实现神经网络来解决你手头上的问题,或者已经了解神经网络基本原理,请直接跳到第二节——神经网络实现。


    第一节、神经网络基本原理 

    1. 人工神经元( Artificial Neuron )模型 

           人工神经元是神经网络的基本元素,其原理可以用下图表示:

    图1. 人工神经元模型

     

           图中x1~xn是从其他神经元传来的输入信号,wij表示表示从神经元j到神经元i的连接权值,θ表示一个阈值 ( threshold ),或称为偏置( bias )。则神经元i的输出与输入的关系表示为:

     

      图中 yi表示神经元i的输出,函数f称为激活函数 ( Activation Function )或转移函数 ( Transfer Function ) ,net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0,则上面的式子可以简化为:

     

      若用X表示输入向量,用W表示权重向量,即:

    X = [ x0 , x1 , x2 , ....... , xn ]

     

      则神经元的输出可以表示为向量相乘的形式:

     

     

           若神经元的净激活net为正,称该神经元处于激活状态或兴奋状态(fire),若净激活net为负,则称神经元处于抑制状态。

           图1中的这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model ),也称为神经网络的一个处理单元( PE, Processing Element )


    2. 常用激活函数 

           激活函数的选择是构建神经网络过程中的重要环节,下面简要介绍常用的激活函数。

    (1) 线性函数 ( Liner Function )

     

    (2) 斜面函数 ( Ramp Function )

     

    (3) 阈值函数 ( Threshold Function )

     


     

           以上3个激活函数都属于线性函数,下面介绍两个常用的非线性激活函数。

    (4) S形函数 ( Sigmoid Function )

      该函数的导函数:

    (5) 双极S形函数 

      该函数的导函数:

      S形函数与双极S形函数的图像如下:


    图3. S形函数与双极S形函数图像

      双极S形函数与S形函数主要区别在于函数的值域,双极S形函数值域是(-1,1),而S形函数值域是(0,1)。

      由于S形函数与双极S形函数都是可导的(导函数是连续函数),因此适合用在BP神经网络中。(BP算法要求激活函数可导)


    3. 神经网络模型 

           神经网络是由大量的神经元互联而构成的网络。根据网络中神经元的互联方式,常见网络结构主要可以分为下面3类:

    (1) 前馈神经网络 ( Feedforward Neural Networks )

           前馈网络也称前向网络。这种网络只在训练过程会有反馈信号,而在分类过程中数据只能向前传送,直到到达输出层,层间没有向后的反馈信号,因此被称为前馈网络。感知机( perceptron)与BP神经网络就属于前馈网络。

           图4 中是一个3层的前馈神经网络,其中第一层是输入单元,第二层称为隐含层,第三层称为输出层(输入单元不是神经元,因此图中有2层神经元)。

    图4. 前馈神经网络

     

      对于一个3层的前馈神经网络N,若用X表示网络的输入向量,W1~W3表示网络各层的连接权向量,F1~F3表示神经网络3层的激活函数。

      那么神经网络的第一层神经元的输出为:

    O1 = F1( XW1 )

      第二层的输出为:

    O2 = F2 ( F1( XW1 ) W2 )

      输出层的输出为:

    O3 = F3( F2 ( F1( XW1 ) W2 ) W3 )

           若激活函数F1~F3都选用线性函数,那么神经网络的输出O3将是输入X的线性函数。因此,若要做高次函数的逼近就应该选用适当的非线性函数作为激活函数。

    (2) 反馈神经网络 ( Feedback Neural Networks )

           反馈型神经网络是一种从输出到输入具有反馈连接的神经网络,其结构比前馈网络要复杂得多。典型的反馈型神经网络有:Elman网络和Hopfield网络。

    图5. 反馈神经网络

     

    (3) 自组织网络 ( SOM ,Self-Organizing Neural Networks )

           自组织神经网络是一种无导师学习网络。它通过自动寻找样本中的内在规律和本质属性,自组织、自适应地改变网络参数与结构。

    图6. 自组织网络

     

    4. 神经网络工作方式 

           神经网络运作过程分为学习和工作两种状态。

    (1)神经网络的学习状态 

           网络的学习主要是指使用学习算法来调整神经元间的联接权,使得网络输出更符合实际。学习算法分为有导师学习( Supervised Learning )无导师学习( Unsupervised Learning )两类。

           有导师学习算法将一组训练集 ( training set )送入网络,根据网络的实际输出与期望输出间的差别来调整连接权。有导师学习算法的主要步骤包括:

    1)  从样本集合中取一个样本(Ai,Bi);

    2)  计算网络的实际输出O;

    3)  求D=Bi-O;

    4)  根据D调整权矩阵W;

    5) 对每个样本重复上述过程,直到对整个样本集来说,误差不超过规定范围。

      BP算法就是一种出色的有导师学习算法。

           无导师学习抽取样本集合中蕴含的统计特性,并以神经元之间的联接权的形式存于网络中。

           Hebb学习律是一种经典的无导师学习算法。

    (2) 神经网络的工作状态 

           神经元间的连接权不变,神经网络作为分类器、预测器等使用。

      下面简要介绍一下Hebb学习率与Delta学习规则 。

    (3) 无导师学习算法:Hebb学习率 

      Hebb算法核心思想是,当两个神经元同时处于激发状态时两者间的连接权会被加强,否则被减弱。 

           为了理解Hebb算法,有必要简单介绍一下条件反射实验。巴甫洛夫的条件反射实验:每次给狗喂食前都先响铃,时间一长,狗就会将铃声和食物联系起来。以后如果响铃但是不给食物,狗也会流口水。

    图7. 巴甫洛夫的条件反射实验

     

      受该实验的启发,Hebb的理论认为在同一时间被激发的神经元间的联系会被强化。比如,铃声响时一个神经元被激发,在同一时间食物的出现会激发附近的另一个神经元,那么这两个神经元间的联系就会强化,从而记住这两个事物之间存在着联系。相反,如果两个神经元总是不能同步激发,那么它们间的联系将会越来越弱。

      Hebb学习律可表示为:

           其中wij表示神经元j到神经元i的连接权,yi与yj为两个神经元的输出,a是表示学习速度的常数。若yi与yj同时被激活,即yi与yj同时为正,那么Wij将增大。若yi被激活,而yj处于抑制状态,即yi为正yj为负,那么Wij将变小。

    (4) 有导师学习算法:Delta学习规则

      Delta学习规则是一种简单的有导师学习算法,该算法根据神经元的实际输出与期望输出差别来调整连接权,其数学表示如下:

     

           其中Wij表示神经元j到神经元i的连接权,di是神经元i的期望输出,yi是神经元i的实际输出,xj表示神经元j状态,若神经元j处于激活态则xj为1,若处于抑制状态则xj为0或-1(根据激活函数而定)。a是表示学习速度的常数。假设xi为1,若di比yi大,那么Wij将增大,若di比yi小,那么Wij将变小。

           Delta规则简单讲来就是:若神经元实际输出比期望输出大,则减小所有输入为正的连接的权重,增大所有输入为负的连接的权重。反之,若神经元实际输出比期望输出小,则增大所有输入为正的连接的权重,减小所有输入为负的连接的权重。这个增大或减小的幅度就根据上面的式子来计算。

    (5)有导师学习算法:BP算法 

      采用BP学习算法的前馈型神经网络通常被称为BP网络。

    图8. 三层BP神经网络结构

     

      BP网络具有很强的非线性映射能力,一个3层BP神经网络能够实现对任意非线性函数进行逼近(根据Kolrnogorov定理)。一个典型的3层BP神经网络模型如图7所示。

      BP网络的学习算法占篇幅较大,我打算在下一篇文章中介绍。

     

    第二节、神经网络实现 

     

    1. 数据预处理 

           在训练神经网络前一般需要对数据进行预处理,一种重要的预处理手段是归一化处理。下面简要介绍归一化处理的原理与方法。

    (1) 什么是归一化? 

    数据归一化,就是将数据映射到[0,1]或[-1,1]区间或更小的区间,比如(0.1,0.9) 。

    (2) 为什么要归一化处理? 

    <1>输入数据的单位不一样,有些数据的范围可能特别大,导致的结果是神经网络收敛慢、训练时间长。

    <2>数据范围大的输入在模式分类中的作用可能会偏大,而数据范围小的输入作用就可能会偏小。

    <3>由于神经网络输出层的激活函数的值域是有限制的,因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层若采用S形激活函数,由于S形函数的值域限制在(0,1),也就是说神经网络的输出只能限制在(0,1),所以训练数据的输出就要归一化到[0,1]区间。

    <4>S形激活函数在(0,1)区间以外区域很平缓,区分度太小。例如S形函数f(X)在参数a=1时,f(100)与f(5)只相差0.0067。

    (3) 归一化算法 

      一种简单而快速的归一化算法是线性转换算法。线性转换算法常见有两种形式:

           <1>

    y = ( x - min )/( max - min )

      其中min为x的最小值,max为x的最大值,输入向量为x,归一化后的输出向量为y 。上式将数据归一化到 [ 0 , 1 ]区间,当激活函数采用S形函数时(值域为(0,1))时这条式子适用。

           <2>

    y = 2 * ( x - min ) / ( max - min ) - 1

           这条公式将数据归一化到 [ -1 , 1 ] 区间。当激活函数采用双极S形函数(值域为(-1,1))时这条式子适用。

    (4) Matlab数据归一化处理函数 

      Matlab中归一化处理数据可以采用premnmx , postmnmx , tramnmx 这3个函数。

    <1> premnmx

    语法:[pn,minp,maxp,tn,mint,maxt] = premnmx(p,t)

    参数:

    pn: p矩阵按行归一化后的矩阵

    minp,maxp:p矩阵每一行的最小值,最大值

    tn:t矩阵按行归一化后的矩阵

    mint,maxt:t矩阵每一行的最小值,最大值

    作用:将矩阵p,t归一化到[-1,1] ,主要用于归一化处理训练数据集。

    <2> tramnmx

    语法:[pn] = tramnmx(p,minp,maxp)

    参数:

    minp,maxp:premnmx函数计算的矩阵的最小,最大值

    pn:归一化后的矩阵

    作用:主要用于归一化处理待分类的输入数据。

    <3> postmnmx

    语法: [p,t] = postmnmx(pn,minp,maxp,tn,mint,maxt)

    参数:

    minp,maxp:premnmx函数计算的p矩阵每行的最小值,最大值

    mint,maxt:premnmx函数计算的t矩阵每行的最小值,最大值

    作用:将矩阵pn,tn映射回归一化处理前的范围。postmnmx函数主要用于将神经网络的输出结果映射回归一化前的数据范围。

    2. 使用Matlab实现神经网络 

    使用Matlab建立前馈神经网络主要会使用到下面3个函数:

    newff :前馈网络创建函数

    train:训练一个神经网络

    sim :使用网络进行仿真

     下面简要介绍这3个函数的用法。

    (1) newff函数

    <1>newff函数语法 

           newff函数参数列表有很多的可选参数,具体可以参考Matlab的帮助文档,这里介绍newff函数的一种简单的形式。

    语法:net = newff ( A, B, {C} ,‘trainFun’)

    参数:

    A:一个n×2的矩阵,第i行元素为输入信号xi的最小值和最大值;

    B:一个k维行向量,其元素为网络中各层节点数;

    C:一个k维字符串行向量,每一分量为对应层神经元的激活函数

    trainFun :为学习规则采用的训练算法

    <2>常用的激活函数

      常用的激活函数有:

      a) 线性函数 (Linear transfer function)

    f(x) = x

      该函数的字符串为’purelin’。

     

    b) 对数S形转移函数( Logarithmic sigmoid transfer function )

        该函数的字符串为’logsig’。

    c) 双曲正切S形函数 (Hyperbolic tangent sigmoid transfer function )

      也就是上面所提到的双极S形函数。

     

      该函数的字符串为’ tansig’。

      Matlab的安装目录下的toolbox\nnet\nnet\nntransfer子目录中有所有激活函数的定义说明。

    <3>常见的训练函数

        常见的训练函数有:

    traingd :梯度下降BP训练函数(Gradient descent backpropagation)

    traingdx :梯度下降自适应学习率训练函数

    <4>网络配置参数

    一些重要的网络配置参数如下:

    net.trainparam.goal  :神经网络训练的目标误差

    net.trainparam.show   : 显示中间结果的周期

    net.trainparam.epochs  :最大迭代次数

    net.trainParam.lr    : 学习率

    (2) train函数

        网络训练学习函数。

    语法:[ net, tr, Y1, E ]  = train( net, X, Y )

    参数:

    X:网络实际输入

    Y:网络应有输出

    tr:训练跟踪信息

    Y1:网络实际输出

    E:误差矩阵

    (3) sim函数

    语法:Y=sim(net,X)

    参数:

    net:网络

    X:输入给网络的K×N矩阵,其中K为网络输入个数,N为数据样本数

    Y:输出矩阵Q×N,其中Q为网络输出个数

    (4) Matlab BP网络实例 

           我将Iris数据集分为2组,每组各75个样本,每组中每种花各有25个样本。其中一组作为以上程序的训练样本,另外一组作为检验样本。为了方便训练,将3类花分别编号为1,2,3 。

      使用这些数据训练一个4输入(分别对应4个特征),3输出(分别对应该样本属于某一品种的可能性大小)的前向网络。

           Matlab程序如下:

    复制代码
    %读取训练数据
    [f1,f2,f3,f4,class] = textread('trainData.txt' , '%f%f%f%f%f',150);
    
    %特征值归一化
    [input,minI,maxI] = premnmx( [f1 , f2 , f3 , f4 ]')  ;
    
    %构造输出矩阵
    s = length( class) ;
    output = zeros( s , 3  ) ;
    for i = 1 : s 
       output( i , class( i )  ) = 1 ;
    end
    
    %创建神经网络
    net = newff( minmax(input) , [10 3] , { 'logsig' 'purelin' } , 'traingdx' ) ; 
    
    %设置训练参数
    net.trainparam.show = 50 ;
    net.trainparam.epochs = 500 ;
    net.trainparam.goal = 0.01 ;
    net.trainParam.lr = 0.01 ;
    
    %开始训练
    net = train( net, input , output' ) ;
    
    %读取测试数据
    [t1 t2 t3 t4 c] = textread('testData.txt' , '%f%f%f%f%f',150);
    
    %测试数据归一化
    testInput = tramnmx ( [t1,t2,t3,t4]' , minI, maxI ) ;
    
    %仿真
    Y = sim( net , testInput ) 
    
    %统计识别正确率
    [s1 , s2] = size( Y ) ;
    hitNum = 0 ;
    for i = 1 : s2
        [m , Index] = max( Y( : ,  i ) ) ;
        if( Index  == c(i)   ) 
            hitNum = hitNum + 1 ; 
        end
    end
    sprintf('识别率是 %3.3f%%',100 * hitNum / s2 )
    复制代码


      以上程序的识别率稳定在95%左右,训练100次左右达到收敛,训练曲线如下图所示:

    图9. 训练性能表现

     

    (5)参数设置对神经网络性能的影响 

           我在实验中通过调整隐含层节点数,选择不通过的激活函数,设定不同的学习率,

     

    <1>隐含层节点个数 

      隐含层节点的个数对于识别率的影响并不大,但是节点个数过多会增加运算量,使得训练较慢。

     

    <2>激活函数的选择 

           激活函数无论对于识别率或收敛速度都有显著的影响。在逼近高次曲线时,S形函数精度比线性函数要高得多,但计算量也要大得多。

     

    <3>学习率的选择 

           学习率影响着网络收敛的速度,以及网络能否收敛。学习率设置偏小可以保证网络收敛,但是收敛较慢。相反,学习率设置偏大则有可能使网络训练不收敛,影响识别效果。

     

    3. 使用AForge.NET实现神经网络 

    (1) AForge.Net简介 

           AForge.NET是一个C#实现的面向人工智能、计算机视觉等领域的开源架构。AForge.NET源代码下的Neuro目录包含一个神经网络的类库。

    AForge.NET主页:http://www.aforgenet.com/

    AForge.NET代码下载:http://code.google.com/p/aforge/

    Aforge.Neuro工程的类图如下:

     

    图10. AForge.Neuro类库类图

     

    下面介绍图9中的几个基本的类:

    Neuron — 神经元的抽象基类

    Layer — 层的抽象基类,由多个神经元组成

    Network —神经网络的抽象基类,由多个层(Layer)组成

    IActivationFunction - 激活函数(activation function)的接口

    IUnsupervisedLearning - 无导师学习(unsupervised learning)算法的接口ISupervisedLearning - 有导师学习(supervised learning)算法的接口

     

    (2)使用Aforge建立BP神经网络 

           使用AForge建立BP神经网络会用到下面的几个类:

    <1>  SigmoidFunction : S形神经网络

      构造函数:public SigmoidFunction( double alpha )

       参数alpha决定S形函数的陡峭程度。

    <2>  ActivationNetwork :神经网络类

      构造函数:

      public ActivationNetwork( IActivationFunction function, int inputsCount, params int[] neuronsCount )

                             : base( inputsCount, neuronsCount.Length )

      public virtual double[] Compute( double[] input )

     

    参数意义:

    inputsCount:输入个数

    neuronsCount :表示各层神经元个数

    <3>  BackPropagationLearning:BP学习算法

     构造函数:

    public BackPropagationLearning( ActivationNetwork network )

     参数意义:

    network :要训练的神经网络对象

    BackPropagationLearning类需要用户设置的属性有下面2个:

    learningRate :学习率

    momentum :冲量因子

    下面给出一个用AForge构建BP网络的代码。

     

    复制代码
       
    // 创建一个多层神经网络,采用S形激活函数,各层分别有4,5,3个神经元
    //(其中4是输入个数,3是输出个数,5是中间层结点个数) ActivationNetwork network = new ActivationNetwork( new SigmoidFunction(2), 4, 5, 3); // 创建训练算法对象 BackPropagationLearning teacher = new BackPropagationLearning(network); // 设置BP算法的学习率与冲量系数 teacher.LearningRate = 0.1; teacher.Momentum = 0; int iteration = 1 ; // 迭代训练500次 while( iteration < 500 ) { teacher.RunEpoch( trainInput , trainOutput ) ; ++iteration ; } //使用训练出来的神经网络来分类,t为输入数据向量 network.Compute(t)[0]
    复制代码

     

           改程序对Iris 数据进行分类,识别率可达97%左右 。


         点击下载源代码


      文章来自:http://www.cnblogs.com/heaad/  

     转载:http://www.cnblogs.com/heaad/archive/2011/03/07/1976443.html

    展开全文
  • 网络代理的基本原理

    千次阅读 2018-12-10 18:55:41
    我们在做爬虫的过程中经常会遇到这样的情况,最初爬虫正常运行,正常抓取数据,...比如,服务器会检测某个IP在单位时间内的请求次数,如果超过了这个阈值,就会直接拒绝服务,返回一些错误信息,这种情况可以称为封...
  • 一文搞定BP神经网络——从原理到应用(原理篇)

    万次阅读 多人点赞 2017-10-11 09:31:25
    神经网络结构以及前向传播过程 损失函数和代价函数 ...Hello,对于神经网络原理,我入门了好多次,每次都觉得懂了,但是其实内部原理并没有理解透彻。经过不懈努力,终于茅塞顿开,遂总结此文。 本
  • 神经网络基本原理及编程入门

    千次阅读 2015-11-24 20:39:18
    本文主要内容包括: (1) 介绍神经网络基本原理,(2) AForge.NET实现前向神经网络的方法,(3) Matlab实现前向神经网络的方法 。 第0节、引例   本文以Fisher的Iris数据集作为神经网络程序的测试数据集。Iris...
  • 神经网络基本原理和matlab代码实例

    千次阅读 2014-07-21 21:02:45
    本文主要内容包括: (1) 介绍神经网络基本原理,(2) AForge.NET实现前向神经网络的方法,(3) Matlab实现前向神经网络的方法 。 第0节、引例   本文以Fisher的Iris数据集作为神经网络程序的测试数据集...
  • 网络蜘蛛基本原理  网络蜘蛛即Web Spider,是一个很形象的名字。把互联网比喻成一个蜘蛛网,那么Spider就是在网上爬来爬去的蜘蛛。网络蜘蛛是通过网页的链接地址来寻找网页,从网站某一个页面(通常是首页)开始...
  • 这是一篇关于神经网络算法设计的几个基本问题的理论分析的专题文章,涉及到比较多的原理推导。文章的主体来自Ian Goodfellow 的《Deep Learning》;Andrew Ng在Coursera的《Machine Learning》课程;周志华老师的...
  • 计算机网络——网络硬件和网络设备及其工作原理

    万次阅读 多人点赞 2018-10-09 01:26:36
    计算机网络——网络硬件和网络设备及其工作原理 常见的网络硬件有网卡、中继站、集线器、桥连接器、交换机、路由器。 一. 网卡: 网卡是工作在链路层的网络组件,是局域网中连接计算机和传输介质的接口,不仅能实现...
  • 分布式计算的基本原理

    千次阅读 2019-02-03 12:54:08
    分布式计算的基本原理
  • 比特币基本原理系列

    万次阅读 2019-05-13 18:41:17
    工作量证明给了我们不可更改性,不可更改性给了我们不受……的货币,而这种货币,可能会潜在地改变这个社会组织自身的方式(要更深入地思考,请看尼克·萨博的绝妙文章 《社会可扩展性》 )。 作者注1:在电子...
  • 网络通信原理

    万次阅读 多人点赞 2019-06-02 17:13:06
    一.操作系统基础 操作系统:(Operating System,简称OS)是管理和控制计算机硬件与软件资源的计算机程序...网络通信原理 2.1 互联网的本质就是一系列的网络协议 一台硬件设备有了操作系统,然后装上软件你就可以...
  • NAT基本原理及应用

    万次阅读 多人点赞 2017-07-03 20:31:36
    原文出处:...公有IP地址:也叫全局地址,是指合法的IP地址,它是由NIC(网络信息中心)或者ISP(网络服务提供商)分配的地址,对外代表一个或
  • H264的基本原理

    万次阅读 多人点赞 2020-05-19 21:01:05
    H264压缩技术 H264的基本原理其实非常简单,我们就简单的描述一下H264压缩数据的过程。通过摄像头采集到的视频帧(按每秒 30 帧算),被送到 H264 编码器的缓冲区中。编码器先要为每一幅图片划分宏块。 H264采用的...
  • 【Kubernetes】浅析基本概念和原理

    万次阅读 2021-05-30 12:44:12
    Pod 内可以有一个或者多个容器,Pod 中的容器运行在一台机器上且共享网络,有一个唯一的 IP,每个 Pod 中会有一个 Pause 容器,Pause 容器作为根容器,将 Pod 中的其他容器连接在一起。Pod 会负责内部容器的健康
  • UPnP基本原理介绍

    万次阅读 多人点赞 2014-11-28 11:26:02
    业界各大厂商都提出了自己的解决方案,其中以微软提出的UPnP最具有发展前途,也获得了最广泛的支持,目前UPnP基本是家庭网络设备必须支持的特性之一。 UPnP是通用即插即用(Universal Plug and P
  • WAF基本原理与部署方式

    万次阅读 多人点赞 2020-06-14 10:34:16
    故障恢复快 性能好 劣势: 对特殊构造攻击取决于WAF缓存大小 WAF关键技术 WAF的透明代理技术原理: 图:WAF透明代理技术原理 透明代理技术基于TCP连接,网络协议栈应用层的代理技术,实现与客户端以及服务器双向独立...
  • nginx基本原理介绍

    万次阅读 多人点赞 2018-10-05 18:35:03
    nginx的介绍基本到这就结束了,这篇博文呢基本不是自己写的,我只是将一些好的博客里面的重点部分给组织了一下,后面会开始学习分布式dubbo和zookerper。下面的几个几个链接都是我参考的博客 1.最好的nginx介绍...
  • openstack neutron基本原理

    万次阅读 2016-12-23 14:34:31
    今天分享的思路是:OpenStack网络基础、Neutron的软件实现、Nova虚拟机启动时的网络处理以及OVS流表分析。 一、Openstack网络基础 下面对Openstack和Neutron的介绍,要从几个关键词入手。 1. 三代网络网络这...
  • 网络原理知识点汇总

    万次阅读 多人点赞 2019-12-03 16:28:14
    OSI七层模型 vs. TCP/IP 五层模型(有时候也说四层)及各层协议 七层:物理层:为数据端... 网络层:IP选址及路由选择,IP,ICMP 传输层:建立,管理和维护端到端的连接,TCP,UDP 会话层:建立,管理和维护会...
  • 网络基本功(十九):细说NAT原理与配置   转载请在文首保留原文出处:EMC中文支持论坛https://community.emc.com/go/chinese      介绍   NAT技术让少数公有IP地址被使用私有地址的大量主机所...
  • 数据恢复基本原理

    千次阅读 2012-09-05 20:53:23
    硬盘存放数据的基本单位为扇区,我们可以理解为一本书的一页 。当我们装机或买来一个移动硬盘,第一步便是为了方便管理--分区。无论用何种分区工具,都会在硬盘的第一个扇区标注上硬盘的分区数量、每个分区的大小,...
  • Cat的基本原理

    万次阅读 2017-06-11 14:52:36
    CAT选择固定维度建模,可以理解成将这5个维度组织成深度为5的树,访问时总是从根开始,逐层往下进行。 CAT服务端为每个报表单独分配一个线程,所以不会有锁的问题,所有报表模型都是非线程安全的,其数据是可变的...
  • 本文主要对网络通讯中的硬件组网设备,如中继器、集线器、网桥、二层交换机、路由器和三层交换机的原理进行分析。组网设备是网络通讯的基础,了解组网设备是学习计算机网络不可缺少的环节。
  • SDN网络的工作原理

    千次阅读 2020-06-23 23:51:46
    SDN的工作原理 SDN网络架构的三层模型 架构主要分为协同应用层,控制层,转发层三层,网络架构本身包括管理平面,控制平面和转发平面,与这三层对应。 传统的IP网络具有转发平面,控制平面和管理平面。 协同应用层...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 103,852
精华内容 41,540
关键字:

网络信息组织的基本原理