朱巍

摘 要：本文將預(yù)測分析理論引入網(wǎng)絡(luò)運(yùn)行管理中，在運(yùn)用多種數(shù)學(xué)模型和專家經(jīng)驗(yàn)分析對(duì)網(wǎng)絡(luò)運(yùn)行指標(biāo)數(shù)據(jù)進(jìn)行分析、預(yù)測和適應(yīng)性評(píng)價(jià)的基礎(chǔ)上，本文提供了一個(gè)新的預(yù)測模型—收斂神經(jīng)網(wǎng)絡(luò)算法，該模型和傳統(tǒng)預(yù)測模型相比具有更好的準(zhǔn)確性和實(shí)效性。

關(guān)鍵詞：網(wǎng)絡(luò)管理；預(yù)測；神經(jīng)網(wǎng)絡(luò)

1 引言

預(yù)測是對(duì)事物的發(fā)展趨勢及其影響做出估計(jì)和判斷。在機(jī)械工業(yè)中，預(yù)測技術(shù)多用于市場需求預(yù)測和采用新技術(shù)的發(fā)展預(yù)測。傳統(tǒng)的預(yù)測方法和手段比較簡單。20世紀(jì)60年代以來，科學(xué)技術(shù)的進(jìn)步為預(yù)測提供了比較可靠的科學(xué)方法和手段。預(yù)測技術(shù)應(yīng)用的步驟是：確定預(yù)測目標(biāo)；收集和處理有關(guān)的信息和情報(bào)資料；建立預(yù)測模型；分析評(píng)價(jià)；修正預(yù)測值等。在通信網(wǎng)管理中應(yīng)用預(yù)測分析技術(shù)，能夠全面分析網(wǎng)絡(luò)運(yùn)行狀態(tài)，幫助決策者從宏觀上掌握網(wǎng)絡(luò)運(yùn)行的基本情況和變化趨勢，有效的了解通信網(wǎng)系的運(yùn)行質(zhì)量和保障能力，從而為通信管理部門科學(xué)調(diào)整通信網(wǎng)絡(luò)組織、合理運(yùn)用網(wǎng)絡(luò)資源提供依據(jù)，進(jìn)一步促進(jìn)通信網(wǎng)保障能力的提高。

2 預(yù)測方法的相關(guān)技術(shù)研究

為使網(wǎng)絡(luò)運(yùn)行指標(biāo)預(yù)測取得良好的效果，在預(yù)測前應(yīng)反復(fù)認(rèn)真地分析和研究所收集的各種有關(guān)資料，對(duì)不完整和不適用的資料進(jìn)行必要的補(bǔ)充、推算和調(diào)整，以保證資料的完整性和可靠性。預(yù)測中應(yīng)密切注意定性分析和定量計(jì)算相結(jié)合，專家經(jīng)驗(yàn)和數(shù)學(xué)模型相結(jié)合，長期規(guī)劃和中、近期目標(biāo)相結(jié)合。同一指標(biāo)需經(jīng)多種預(yù)測方法相互驗(yàn)證，進(jìn)行修正。調(diào)整后，選擇比較接近實(shí)際的合理結(jié)果。

目前，預(yù)測技術(shù)和方法多種多樣，各種方法都是出自不同角度考慮問題，故有一定的優(yōu)點(diǎn)和缺陷。預(yù)測時(shí)，遵照決策者的指導(dǎo)思想，根據(jù)實(shí)際情況選擇恰當(dāng)?shù)哪Ｐ秃陀?jì)算方法。根據(jù)軍事通信網(wǎng)絡(luò)運(yùn)行質(zhì)量的實(shí)際情況，采用時(shí)間序列模型、增長曲線模型、指數(shù)平滑模型、灰色系統(tǒng)模型和多元回歸分析模型等多種模型進(jìn)行預(yù)測。

3 基于快速收斂神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型設(shè)計(jì)

3.1 神經(jīng)網(wǎng)絡(luò)算法

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)又稱為多層前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。這種網(wǎng)絡(luò)不僅有輸入層結(jié)點(diǎn)，輸出層結(jié)點(diǎn)，而且有一層或多層隱含結(jié)點(diǎn)。對(duì)于輸入信息，要先向前傳播到隱含層結(jié)點(diǎn)上，經(jīng)過各單元的特性為Sigmoid型的激活函數(shù)運(yùn)算后，把隱含結(jié)點(diǎn)的輸出信息傳播到輸出結(jié)點(diǎn)，最后給出輸出結(jié)果。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。在正向傳播過程中，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò)。如果輸出層不能得到期望輸出，就是實(shí)際輸出值與期望輸出值之間有誤差，那么轉(zhuǎn)入反向傳播過程，將誤差信號(hào)沿原來的傳播通路返回，通過修改各層神經(jīng)元的權(quán)值，逐次地向輸入層傳播去進(jìn)行計(jì)算，再經(jīng)過正向傳播過程，這兩個(gè)過程的反復(fù)運(yùn)用，使得誤差信號(hào)最小。實(shí)際上，誤差達(dá)到人們所希望的要求時(shí)，網(wǎng)絡(luò)的學(xué)習(xí)過程就結(jié)束[1]。

綜上所述，BP神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是，各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接，各層內(nèi)神經(jīng)元之間無任何連接，各層神經(jīng)元之間無反饋連接，其輸入與輸出關(guān)系是一個(gè)高度非線性映射關(guān)系，如果輸入結(jié)點(diǎn)數(shù)為，輸出結(jié)點(diǎn)數(shù)為，則BP網(wǎng)絡(luò)是從 維歐氏空間到 維歐氏空間的映射。因此，我們可以將用于軍事通信網(wǎng)運(yùn)行質(zhì)量評(píng)估的各指標(biāo)屬性值進(jìn)行歸一化處理后作為BP網(wǎng)絡(luò)模型的輸入向量，將評(píng)估結(jié)果作為BP網(wǎng)絡(luò)模型的輸出，用足夠多的樣本訓(xùn)練這個(gè)網(wǎng)絡(luò)，使其獲取評(píng)估專家的經(jīng)驗(yàn)、知識(shí)、主觀判斷及其對(duì)指標(biāo)重要性的傾向，這樣BP網(wǎng)絡(luò)模型所具有的那組權(quán)系數(shù)值便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確知識(shí)內(nèi)部表示，訓(xùn)練好的BP網(wǎng)絡(luò)模型根據(jù)待評(píng)估的軍事通信網(wǎng)運(yùn)行質(zhì)量各指標(biāo)的屬性值，就可得到對(duì)軍事通信網(wǎng)運(yùn)行質(zhì)量的評(píng)估結(jié)果，再現(xiàn)專家的經(jīng)驗(yàn)、知識(shí)、主觀判斷及其對(duì)指標(biāo)重要性的傾向，實(shí)現(xiàn)定性與定量的有效結(jié)合，保證評(píng)估的客觀性和一致性。

BP算法雖然在運(yùn)行質(zhì)量預(yù)測分析方面有很好的優(yōu)勢，但是由于其算法的收斂速度太慢，一方面不滿足實(shí)際工程的需求；另一方面也很難滿足我軍通信管理實(shí)時(shí)性的要求。為此，本文提出了改進(jìn)后的預(yù)測算法——快速收斂神經(jīng)網(wǎng)絡(luò)算法（Fast Convergence Back Propagation，F(xiàn)CBP）進(jìn)一步提高了收斂速度。

3.2 快速收斂神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

快速收斂神經(jīng)網(wǎng)絡(luò)算法（Fast Convergence Back Propagation，F(xiàn)CBP）是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合通信網(wǎng)運(yùn)行質(zhì)量預(yù)測分析的實(shí)際需求所設(shè)計(jì)的，它的設(shè)計(jì)不僅提高了預(yù)測分析的精度，而且便于實(shí)現(xiàn)。

設(shè)L為網(wǎng)絡(luò)層數(shù)，Nk為第k層神經(jīng)元數(shù)（k=1，2，…，L），N0為輸入端數(shù)目，λ為遺忘因子， 為第k層第i個(gè)神經(jīng)元輸出， 為第k層第i個(gè)神經(jīng)元輸入且取值如下：

⑴當(dāng) 時(shí)， ；

⑵當(dāng) 時(shí)， ；

⑶當(dāng) 時(shí)， 。

為第k層第i個(gè)神經(jīng)元期望輸出， 為第k層第i個(gè)神經(jīng)元誤差。FCBP算法是從多層前向網(wǎng)絡(luò)推導(dǎo)而來，在最小平方的遞歸執(zhí)行中，引入一個(gè)誤差性能測度 。

推導(dǎo)后可以得到改進(jìn)的FCBP算法：

式中 為單位矩陣，

其中， 或任意隨機(jī)數(shù)。

改進(jìn)的FCBP算法由直接推導(dǎo)得到，存在顯式解，且不存在近似誤差，理論上該算法能收斂到零，因此說明改進(jìn)的算法比經(jīng)典BP算法預(yù)測精度高。

[參考文獻(xiàn)]

[1]http：//www.ietf.org.

[2]http：//www.iso.org.

[3]http：//www.omg.org.

[4]Jia Lianxing，Zhu Wei，Zhai Chenggong.Research on an Integrated Network Management System[C].Eighth ACIS International Conference on Software Engineering， Artificial Intelligence，Networking，and Parallel/Distributed Computing， Qidao，China，July 2007.

[5]Zhu Wei，Liu Ningning，Shan Weifeng.Design of the Next Generation Military Network Management System based on NETCONF[C].Fifth International Conference on Information Technology：New Generations，Las Vegas，American，April，2008.endprint

摘 要：本文將預(yù)測分析理論引入網(wǎng)絡(luò)運(yùn)行管理中，在運(yùn)用多種數(shù)學(xué)模型和專家經(jīng)驗(yàn)分析對(duì)網(wǎng)絡(luò)運(yùn)行指標(biāo)數(shù)據(jù)進(jìn)行分析、預(yù)測和適應(yīng)性評(píng)價(jià)的基礎(chǔ)上，本文提供了一個(gè)新的預(yù)測模型—收斂神經(jīng)網(wǎng)絡(luò)算法，該模型和傳統(tǒng)預(yù)測模型相比具有更好的準(zhǔn)確性和實(shí)效性。

關(guān)鍵詞：網(wǎng)絡(luò)管理；預(yù)測；神經(jīng)網(wǎng)絡(luò)

1 引言

預(yù)測是對(duì)事物的發(fā)展趨勢及其影響做出估計(jì)和判斷。在機(jī)械工業(yè)中，預(yù)測技術(shù)多用于市場需求預(yù)測和采用新技術(shù)的發(fā)展預(yù)測。傳統(tǒng)的預(yù)測方法和手段比較簡單。20世紀(jì)60年代以來，科學(xué)技術(shù)的進(jìn)步為預(yù)測提供了比較可靠的科學(xué)方法和手段。預(yù)測技術(shù)應(yīng)用的步驟是：確定預(yù)測目標(biāo)；收集和處理有關(guān)的信息和情報(bào)資料；建立預(yù)測模型；分析評(píng)價(jià)；修正預(yù)測值等。在通信網(wǎng)管理中應(yīng)用預(yù)測分析技術(shù)，能夠全面分析網(wǎng)絡(luò)運(yùn)行狀態(tài)，幫助決策者從宏觀上掌握網(wǎng)絡(luò)運(yùn)行的基本情況和變化趨勢，有效的了解通信網(wǎng)系的運(yùn)行質(zhì)量和保障能力，從而為通信管理部門科學(xué)調(diào)整通信網(wǎng)絡(luò)組織、合理運(yùn)用網(wǎng)絡(luò)資源提供依據(jù)，進(jìn)一步促進(jìn)通信網(wǎng)保障能力的提高。

2 預(yù)測方法的相關(guān)技術(shù)研究

為使網(wǎng)絡(luò)運(yùn)行指標(biāo)預(yù)測取得良好的效果，在預(yù)測前應(yīng)反復(fù)認(rèn)真地分析和研究所收集的各種有關(guān)資料，對(duì)不完整和不適用的資料進(jìn)行必要的補(bǔ)充、推算和調(diào)整，以保證資料的完整性和可靠性。預(yù)測中應(yīng)密切注意定性分析和定量計(jì)算相結(jié)合，專家經(jīng)驗(yàn)和數(shù)學(xué)模型相結(jié)合，長期規(guī)劃和中、近期目標(biāo)相結(jié)合。同一指標(biāo)需經(jīng)多種預(yù)測方法相互驗(yàn)證，進(jìn)行修正。調(diào)整后，選擇比較接近實(shí)際的合理結(jié)果。

目前，預(yù)測技術(shù)和方法多種多樣，各種方法都是出自不同角度考慮問題，故有一定的優(yōu)點(diǎn)和缺陷。預(yù)測時(shí)，遵照決策者的指導(dǎo)思想，根據(jù)實(shí)際情況選擇恰當(dāng)?shù)哪Ｐ秃陀?jì)算方法。根據(jù)軍事通信網(wǎng)絡(luò)運(yùn)行質(zhì)量的實(shí)際情況，采用時(shí)間序列模型、增長曲線模型、指數(shù)平滑模型、灰色系統(tǒng)模型和多元回歸分析模型等多種模型進(jìn)行預(yù)測。

3 基于快速收斂神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型設(shè)計(jì)

3.1 神經(jīng)網(wǎng)絡(luò)算法

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)又稱為多層前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。這種網(wǎng)絡(luò)不僅有輸入層結(jié)點(diǎn)，輸出層結(jié)點(diǎn)，而且有一層或多層隱含結(jié)點(diǎn)。對(duì)于輸入信息，要先向前傳播到隱含層結(jié)點(diǎn)上，經(jīng)過各單元的特性為Sigmoid型的激活函數(shù)運(yùn)算后，把隱含結(jié)點(diǎn)的輸出信息傳播到輸出結(jié)點(diǎn)，最后給出輸出結(jié)果。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。在正向傳播過程中，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò)。如果輸出層不能得到期望輸出，就是實(shí)際輸出值與期望輸出值之間有誤差，那么轉(zhuǎn)入反向傳播過程，將誤差信號(hào)沿原來的傳播通路返回，通過修改各層神經(jīng)元的權(quán)值，逐次地向輸入層傳播去進(jìn)行計(jì)算，再經(jīng)過正向傳播過程，這兩個(gè)過程的反復(fù)運(yùn)用，使得誤差信號(hào)最小。實(shí)際上，誤差達(dá)到人們所希望的要求時(shí)，網(wǎng)絡(luò)的學(xué)習(xí)過程就結(jié)束[1]。

綜上所述，BP神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是，各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接，各層內(nèi)神經(jīng)元之間無任何連接，各層神經(jīng)元之間無反饋連接，其輸入與輸出關(guān)系是一個(gè)高度非線性映射關(guān)系，如果輸入結(jié)點(diǎn)數(shù)為，輸出結(jié)點(diǎn)數(shù)為，則BP網(wǎng)絡(luò)是從 維歐氏空間到 維歐氏空間的映射。因此，我們可以將用于軍事通信網(wǎng)運(yùn)行質(zhì)量評(píng)估的各指標(biāo)屬性值進(jìn)行歸一化處理后作為BP網(wǎng)絡(luò)模型的輸入向量，將評(píng)估結(jié)果作為BP網(wǎng)絡(luò)模型的輸出，用足夠多的樣本訓(xùn)練這個(gè)網(wǎng)絡(luò)，使其獲取評(píng)估專家的經(jīng)驗(yàn)、知識(shí)、主觀判斷及其對(duì)指標(biāo)重要性的傾向，這樣BP網(wǎng)絡(luò)模型所具有的那組權(quán)系數(shù)值便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確知識(shí)內(nèi)部表示，訓(xùn)練好的BP網(wǎng)絡(luò)模型根據(jù)待評(píng)估的軍事通信網(wǎng)運(yùn)行質(zhì)量各指標(biāo)的屬性值，就可得到對(duì)軍事通信網(wǎng)運(yùn)行質(zhì)量的評(píng)估結(jié)果，再現(xiàn)專家的經(jīng)驗(yàn)、知識(shí)、主觀判斷及其對(duì)指標(biāo)重要性的傾向，實(shí)現(xiàn)定性與定量的有效結(jié)合，保證評(píng)估的客觀性和一致性。

BP算法雖然在運(yùn)行質(zhì)量預(yù)測分析方面有很好的優(yōu)勢，但是由于其算法的收斂速度太慢，一方面不滿足實(shí)際工程的需求；另一方面也很難滿足我軍通信管理實(shí)時(shí)性的要求。為此，本文提出了改進(jìn)后的預(yù)測算法——快速收斂神經(jīng)網(wǎng)絡(luò)算法（Fast Convergence Back Propagation，F(xiàn)CBP）進(jìn)一步提高了收斂速度。

3.2 快速收斂神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

快速收斂神經(jīng)網(wǎng)絡(luò)算法（Fast Convergence Back Propagation，F(xiàn)CBP）是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合通信網(wǎng)運(yùn)行質(zhì)量預(yù)測分析的實(shí)際需求所設(shè)計(jì)的，它的設(shè)計(jì)不僅提高了預(yù)測分析的精度，而且便于實(shí)現(xiàn)。

設(shè)L為網(wǎng)絡(luò)層數(shù)，Nk為第k層神經(jīng)元數(shù)（k=1，2，…，L），N0為輸入端數(shù)目，λ為遺忘因子， 為第k層第i個(gè)神經(jīng)元輸出， 為第k層第i個(gè)神經(jīng)元輸入且取值如下：

⑴當(dāng) 時(shí)， ；

⑵當(dāng) 時(shí)， ；

⑶當(dāng) 時(shí)， 。

為第k層第i個(gè)神經(jīng)元期望輸出， 為第k層第i個(gè)神經(jīng)元誤差。FCBP算法是從多層前向網(wǎng)絡(luò)推導(dǎo)而來，在最小平方的遞歸執(zhí)行中，引入一個(gè)誤差性能測度 。

推導(dǎo)后可以得到改進(jìn)的FCBP算法：

式中 為單位矩陣，

其中， 或任意隨機(jī)數(shù)。

改進(jìn)的FCBP算法由直接推導(dǎo)得到，存在顯式解，且不存在近似誤差，理論上該算法能收斂到零，因此說明改進(jìn)的算法比經(jīng)典BP算法預(yù)測精度高。

[參考文獻(xiàn)]

[1]http：//www.ietf.org.

[2]http：//www.iso.org.

[3]http：//www.omg.org.

[4]Jia Lianxing，Zhu Wei，Zhai Chenggong.Research on an Integrated Network Management System[C].Eighth ACIS International Conference on Software Engineering， Artificial Intelligence，Networking，and Parallel/Distributed Computing， Qidao，China，July 2007.

[5]Zhu Wei，Liu Ningning，Shan Weifeng.Design of the Next Generation Military Network Management System based on NETCONF[C].Fifth International Conference on Information Technology：New Generations，Las Vegas，American，April，2008.endprint

摘 要：本文將預(yù)測分析理論引入網(wǎng)絡(luò)運(yùn)行管理中，在運(yùn)用多種數(shù)學(xué)模型和專家經(jīng)驗(yàn)分析對(duì)網(wǎng)絡(luò)運(yùn)行指標(biāo)數(shù)據(jù)進(jìn)行分析、預(yù)測和適應(yīng)性評(píng)價(jià)的基礎(chǔ)上，本文提供了一個(gè)新的預(yù)測模型—收斂神經(jīng)網(wǎng)絡(luò)算法，該模型和傳統(tǒng)預(yù)測模型相比具有更好的準(zhǔn)確性和實(shí)效性。

關(guān)鍵詞：網(wǎng)絡(luò)管理；預(yù)測；神經(jīng)網(wǎng)絡(luò)

1 引言

預(yù)測是對(duì)事物的發(fā)展趨勢及其影響做出估計(jì)和判斷。在機(jī)械工業(yè)中，預(yù)測技術(shù)多用于市場需求預(yù)測和采用新技術(shù)的發(fā)展預(yù)測。傳統(tǒng)的預(yù)測方法和手段比較簡單。20世紀(jì)60年代以來，科學(xué)技術(shù)的進(jìn)步為預(yù)測提供了比較可靠的科學(xué)方法和手段。預(yù)測技術(shù)應(yīng)用的步驟是：確定預(yù)測目標(biāo)；收集和處理有關(guān)的信息和情報(bào)資料；建立預(yù)測模型；分析評(píng)價(jià)；修正預(yù)測值等。在通信網(wǎng)管理中應(yīng)用預(yù)測分析技術(shù)，能夠全面分析網(wǎng)絡(luò)運(yùn)行狀態(tài)，幫助決策者從宏觀上掌握網(wǎng)絡(luò)運(yùn)行的基本情況和變化趨勢，有效的了解通信網(wǎng)系的運(yùn)行質(zhì)量和保障能力，從而為通信管理部門科學(xué)調(diào)整通信網(wǎng)絡(luò)組織、合理運(yùn)用網(wǎng)絡(luò)資源提供依據(jù)，進(jìn)一步促進(jìn)通信網(wǎng)保障能力的提高。

2 預(yù)測方法的相關(guān)技術(shù)研究

為使網(wǎng)絡(luò)運(yùn)行指標(biāo)預(yù)測取得良好的效果，在預(yù)測前應(yīng)反復(fù)認(rèn)真地分析和研究所收集的各種有關(guān)資料，對(duì)不完整和不適用的資料進(jìn)行必要的補(bǔ)充、推算和調(diào)整，以保證資料的完整性和可靠性。預(yù)測中應(yīng)密切注意定性分析和定量計(jì)算相結(jié)合，專家經(jīng)驗(yàn)和數(shù)學(xué)模型相結(jié)合，長期規(guī)劃和中、近期目標(biāo)相結(jié)合。同一指標(biāo)需經(jīng)多種預(yù)測方法相互驗(yàn)證，進(jìn)行修正。調(diào)整后，選擇比較接近實(shí)際的合理結(jié)果。

目前，預(yù)測技術(shù)和方法多種多樣，各種方法都是出自不同角度考慮問題，故有一定的優(yōu)點(diǎn)和缺陷。預(yù)測時(shí)，遵照決策者的指導(dǎo)思想，根據(jù)實(shí)際情況選擇恰當(dāng)?shù)哪Ｐ秃陀?jì)算方法。根據(jù)軍事通信網(wǎng)絡(luò)運(yùn)行質(zhì)量的實(shí)際情況，采用時(shí)間序列模型、增長曲線模型、指數(shù)平滑模型、灰色系統(tǒng)模型和多元回歸分析模型等多種模型進(jìn)行預(yù)測。

3 基于快速收斂神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型設(shè)計(jì)

3.1 神經(jīng)網(wǎng)絡(luò)算法

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)又稱為多層前饋神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖1所示。這種網(wǎng)絡(luò)不僅有輸入層結(jié)點(diǎn)，輸出層結(jié)點(diǎn)，而且有一層或多層隱含結(jié)點(diǎn)。對(duì)于輸入信息，要先向前傳播到隱含層結(jié)點(diǎn)上，經(jīng)過各單元的特性為Sigmoid型的激活函數(shù)運(yùn)算后，把隱含結(jié)點(diǎn)的輸出信息傳播到輸出結(jié)點(diǎn)，最后給出輸出結(jié)果。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。在正向傳播過程中，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元網(wǎng)絡(luò)。如果輸出層不能得到期望輸出，就是實(shí)際輸出值與期望輸出值之間有誤差，那么轉(zhuǎn)入反向傳播過程，將誤差信號(hào)沿原來的傳播通路返回，通過修改各層神經(jīng)元的權(quán)值，逐次地向輸入層傳播去進(jìn)行計(jì)算，再經(jīng)過正向傳播過程，這兩個(gè)過程的反復(fù)運(yùn)用，使得誤差信號(hào)最小。實(shí)際上，誤差達(dá)到人們所希望的要求時(shí)，網(wǎng)絡(luò)的學(xué)習(xí)過程就結(jié)束[1]。

綜上所述，BP神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是，各層神經(jīng)元僅與相鄰層神經(jīng)元之間有連接，各層內(nèi)神經(jīng)元之間無任何連接，各層神經(jīng)元之間無反饋連接，其輸入與輸出關(guān)系是一個(gè)高度非線性映射關(guān)系，如果輸入結(jié)點(diǎn)數(shù)為，輸出結(jié)點(diǎn)數(shù)為，則BP網(wǎng)絡(luò)是從 維歐氏空間到 維歐氏空間的映射。因此，我們可以將用于軍事通信網(wǎng)運(yùn)行質(zhì)量評(píng)估的各指標(biāo)屬性值進(jìn)行歸一化處理后作為BP網(wǎng)絡(luò)模型的輸入向量，將評(píng)估結(jié)果作為BP網(wǎng)絡(luò)模型的輸出，用足夠多的樣本訓(xùn)練這個(gè)網(wǎng)絡(luò)，使其獲取評(píng)估專家的經(jīng)驗(yàn)、知識(shí)、主觀判斷及其對(duì)指標(biāo)重要性的傾向，這樣BP網(wǎng)絡(luò)模型所具有的那組權(quán)系數(shù)值便是網(wǎng)絡(luò)經(jīng)過自適應(yīng)學(xué)習(xí)所得到的正確知識(shí)內(nèi)部表示，訓(xùn)練好的BP網(wǎng)絡(luò)模型根據(jù)待評(píng)估的軍事通信網(wǎng)運(yùn)行質(zhì)量各指標(biāo)的屬性值，就可得到對(duì)軍事通信網(wǎng)運(yùn)行質(zhì)量的評(píng)估結(jié)果，再現(xiàn)專家的經(jīng)驗(yàn)、知識(shí)、主觀判斷及其對(duì)指標(biāo)重要性的傾向，實(shí)現(xiàn)定性與定量的有效結(jié)合，保證評(píng)估的客觀性和一致性。

BP算法雖然在運(yùn)行質(zhì)量預(yù)測分析方面有很好的優(yōu)勢，但是由于其算法的收斂速度太慢，一方面不滿足實(shí)際工程的需求；另一方面也很難滿足我軍通信管理實(shí)時(shí)性的要求。為此，本文提出了改進(jìn)后的預(yù)測算法——快速收斂神經(jīng)網(wǎng)絡(luò)算法（Fast Convergence Back Propagation，F(xiàn)CBP）進(jìn)一步提高了收斂速度。

3.2 快速收斂神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

快速收斂神經(jīng)網(wǎng)絡(luò)算法（Fast Convergence Back Propagation，F(xiàn)CBP）是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，結(jié)合通信網(wǎng)運(yùn)行質(zhì)量預(yù)測分析的實(shí)際需求所設(shè)計(jì)的，它的設(shè)計(jì)不僅提高了預(yù)測分析的精度，而且便于實(shí)現(xiàn)。

設(shè)L為網(wǎng)絡(luò)層數(shù)，Nk為第k層神經(jīng)元數(shù)（k=1，2，…，L），N0為輸入端數(shù)目，λ為遺忘因子， 為第k層第i個(gè)神經(jīng)元輸出， 為第k層第i個(gè)神經(jīng)元輸入且取值如下：

⑴當(dāng) 時(shí)， ；

⑵當(dāng) 時(shí)， ；

⑶當(dāng) 時(shí)， 。

為第k層第i個(gè)神經(jīng)元期望輸出， 為第k層第i個(gè)神經(jīng)元誤差。FCBP算法是從多層前向網(wǎng)絡(luò)推導(dǎo)而來，在最小平方的遞歸執(zhí)行中，引入一個(gè)誤差性能測度 。

推導(dǎo)后可以得到改進(jìn)的FCBP算法：

式中 為單位矩陣，

其中， 或任意隨機(jī)數(shù)。

改進(jìn)的FCBP算法由直接推導(dǎo)得到，存在顯式解，且不存在近似誤差，理論上該算法能收斂到零，因此說明改進(jìn)的算法比經(jīng)典BP算法預(yù)測精度高。

[參考文獻(xiàn)]

[1]http：//www.ietf.org.

[2]http：//www.iso.org.

[3]http：//www.omg.org.

[4]Jia Lianxing，Zhu Wei，Zhai Chenggong.Research on an Integrated Network Management System[C].Eighth ACIS International Conference on Software Engineering， Artificial Intelligence，Networking，and Parallel/Distributed Computing， Qidao，China，July 2007.

[5]Zhu Wei，Liu Ningning，Shan Weifeng.Design of the Next Generation Military Network Management System based on NETCONF[C].Fifth International Conference on Information Technology：New Generations，Las Vegas，American，April，2008.endprint