推荐星级:
- 1
- 2
- 3
- 4
- 5
融合双重BP神经网络组合模型的Python解析计算机网络上传数据算法
资料介绍
针对手工提取网络上传数据过程烦琐、工作量大的问题,提出一种融合双重BP神经网络组合模型(A combination model of dual BP neural network,CMDBPNN)的Python解析计算机网络上传数据算法.该算法对BP神经网络组合模型的空间实施网络化处理,且对于网络单元中的信息也可以借助相似的方法来进行记录,依据优化之后的金字塔时间结构对其中潜藏的网格单元来实施有效的存储,以实现Python解析计算机网络上传的数据算法.最后,利用真实数据集与仿真数据集进行实验.结果表明:该算法具有良好的适用性和有效性.
部分文件列表
文件名 | 大小 |
融合双重BP神经网络组合模型的Python解析计算机网络上传数据算法.pdf | 1M |
部分页面预览
(完整内容请下载后查看)21
4
(
西安文理学院学报 自然科学版
)
Vol. 21 No. 4
Jul. 2018
第
卷第
期
2018
7
月
Journal of Xi'an University ( Natural Science Edition)
年
: 1008-5564( 2018) 04-0054-04
文章编号
BP
融合双重
神经网络组合模型的
Python
解析计算机网络上传数据算法
施艳昭
(
,
安徽电子信息职业技术学院 经济管理系 安徽 蚌埠
233000)
:
、
,
BP
摘
要 针对手工提取网络上传数据过程烦琐 工作量大的问题 提出一种融合双重
神经网络组
解析计算机网络上传数据算
神经网络组合模型的空间实施网络化处理 且对于网络单元中的信息也可以借助相似
( A combination model of dual BP neural network,CMDBPNN) Python
合模型
的
.
BP
,
法 该算法对
的方法来进行记录 依据优化之后的金字塔时间结构对其中潜藏的网格单元来实施有效的存储 以实现
Python
,
,
.
,
.
:
解析计算机网络上传的数据算法 最后 利用真实数据集与仿真数据集进行实验 结果表明 该算
.
法具有良好的适用性和有效性
BP
:
关键词 双重
; Python
;
;
神经网络
解析 计算机网络 上传数据
: A
文献标志码
: TP393. 09
中图分类号
Python Analytical Computer Network Uploading Data Algorithm
Which Combines A Combination Model of Dual BP Neural Network
SHI Yan-zhao
( Department of Economic Management,Anhui Vocational College of Electronics &
Information Technology,Bengbu 233000,China)
Abstract: In view of the cumbersome and heavy workload of the manual extraction of data from
the network,a kind of Python analytical computer network uploading data algorithm which com-
bines a combination model of dual BP neural network( CMDBPNN) is proposed. The algorithm
is used to deal with the space of a combination model of dual BP neural network,and the infor-
mation in the network unit can also be recorded with the aid of a similar method. According to
the optimized Pyramid time structure,the latent grid unit is stored effectively to realize the data
algorithm uploaded by the Python computer network. Finally,the experiments are carried out
by using the real data sets and the simulation data sets,and the results show that the algorithm
has good applicability and effectiveness.
Key words: dual BP neural network; Python analysis; computer network; uploading data
[1]
,
近年来 社会各界对于
BP
,
神经网络组合模型十分关注 对此开展了很多研究和分析
.
为了能够
[2]
BP
,
神经网络组合模型 对于解析计算机网络上传数据算法有了更高的要求
.
针对
更好地挖掘与分析
: 2018-03-03
收稿日期
: 2018
( KJ2018A0875) : “ ”
基于云集群的一体化学习平台构建研究
基金项目
年度安徽高校自然科学研究重点项目
:
作者简介 施艳昭
( 1978—) , , , , ,
男 安徽蚌埠人 安徽电子信息职业技术学院经济管理系讲师 硕士 主要从事网络技
,
术 图形算法研究
.
55
4
:
施艳昭 融合双重
BP
Python
神经网络组合模型的 解析计算机网络上传数据算法
第
期
[3]
,
有限空间的环境下 结合分治思想构建了
STREAM
.
算法 这种算法并未对数据变化进行充分的反映
.
CLUSTREAM
BP , :
神经网络组合模型 在计算机网络上传数据划分为两个阶段 第
构建的
算法可以利用
, ,
一个阶段是微计算机网络上传数据 第二阶段为自适应宏计算机网络上传数据 以实现计算机网络上传
[4]
.
BP ,
神经网络组合模型的双重特征 提出了可以通过投影计算机网络上传数据实现有效的
数据
针对
[5]
.
,
k - means
,
解决
要不足是无法实现对任意形式分布的计算机网络上传数据
BP Python .
解析计算机网络上传数据算法 整个算法
在上述几种算法中 其依据的根本思想都是
计算机网络上传数据思想 这种思想的主
[6]
.
本文提出一种融合双重
神经网络组合模型的
: .
的主要构成部分为 在线网格单元数据统计部分和自适应聚类演化部分 将数据空间进行网络化处理
,
. ,
随后对于在线部分对应的网格单元信息可通过近似技术来进行合理的统计与分析 而且 能够依据改进
, .
之后的金字塔时间结构将潜在密集网格单元进行存储 采取的是快照形式 进入到
Python
,
解析阶段 则
,
是利用深度优先搜索方式来实施计算机网络上传数据 而且借助实验对算法可行性进行了有效的分析
.
1 Python
解析计算机网络上传数据算法
A = { A ,A ,…,A }
1 2 k
, k
代表欧氏空间下对应的属性集合 可将其 维数据空间表示为
S = A × A ×
1 2
以
… × A ,
k
t, S BP X = < x ,x ,…,x > ,x = < x ,
在 上的 神经网络组合即可表示为
i
那么此时在某时刻
1
2
p
i1
x ,…,x
i2
>
.
代表的为某个数据点 可以依据其各属性维度 将
, BP
,
神经网络进行平均分割 进而可得到 ξ
ik
k
, S , ,
个区间 而其中的 能够被分割得到 ξ 个超立方体单元 而且彼此是不相交的 此时每个超立方体与一
.
个网格单元是相对应的
1
BP X [t - h,t], density( u) = count( u) /(
给定一个 神经网络组合模型 上的时间段 称
)
为
N
定义
u .
单元 的密度 其中
:
BP
,count( u)
神经网络组合总量
u
代表的则是在单元 中具有的数据点个数
.
为
N
2
[t - h,t] X , , ,
假定 表示的是在 上的某个时间段 其密度阈值为 τ ε 表示其误差因子 假如满
定义
density( u)
- , u ;
≥ τ ε 那么可以证明此时该单元 为密集的 若
density( u) >
, u
ε 则网格单元 是潜在密
足
;
集的 若
density( u)
, u
≤ ε 则网格单元 是非密集的
.
T , 0
那么此时在第 层具有的最小时间粒度则可表示为
c
假如从开始至今所经过的总时间表示为
T
.
:
如下所述即为改进金字塔的时间结构定义 ① 其最大层数表示为
log ( T /T ) ,
α α 一般的取值为
min
min
c
i
i+1
2,4,8;
( ( T /T ) mod ) = 0and( ( T /T ) mod
α
min
)
0, i
那此时将取 为时刻
T
,
时
② 如果满足条件
α
≠
c
min
c
c
; ,
对应的存储快照层次 ③ 在每层所可存储的快照仅为最近的 β 个 其中 β 取值为大于 α 的正整数
;
i
T
i
α 表示的则是第 层对应的时间跨度
.
④
min
, ,
对比未改进之前的金字塔时间结构 将其进行改进之后 对于参数存储快照是可以结合用户的精度
,
需求来进行设置的 包括
T
, ,
等参数 而且使得快照是不会出现冗余问题的 也不用进行删除处理
.
min
1
, T , h
在改进后的金字塔时间结构下 假如将当前时间点以 表示 用户指定时间跨度则以 表
c
性质
, T ,
示 那么要求在 时刻 存在快照满足
s
T - T
c
2h.
≤
s
Python
, ,
解析计算机网络上传数据算法能够使得维数降低 在此基础上来进行编码 通过映射即可获
[1…M]
,
,
,
得
的整数 而且还可对这些网格单元密度进行有效的估计 随后通过自底向上的搜索策略 对
BP DS
进行
.
k
维
于更多的子空间对应的网格单元密度也能够计算得出 假设可以将
神经网络组合模型
l
j
i
, , l ,
分割 使得每维都能够得到 ξ 个间隔 而且 为其维数阈值 那么此时存在
M =
C
ξ 可以将存储于内
k
∑
i = 1
k
SET
3
进一步分为 个部分 即
, LGE、DSET、HCDSET.
DEST =
D ,D
代表的是
e
存中的数据结构
e( 1ek)
并且
LGE , id
中的组结构 其中的 代表的则
∪
e
e = 1
. ( id,Count,n)
维子空间密集网格单元集
代表的是存储在
u
是组对应网格单元 的标识
,Count
u ,n LGE
反映的则是在 中所含有的数据点个数 表示在 中插入组之
,
前 在前一个快照存储的时刻对应的
BP
. HCDSET DSET
和
( id,
中所存储的组结构为
神经网络组合总量
Count,level) ,level
u
表示的则是 的维数
.
, r
依据改进金字塔结构 能够得到在第 个时刻产生的时间序列可表示为
t ,t
r
代表的则是起始时刻
0
全部评论(0)