人工神经网络范文第1篇
【摘要】结合实际，文章分析了继电保护人工神经网络的特征、模型选取原则、操作过程以及应用实现。供参考。
【关键词】继电保护；人工神经网络；电力应用
继电保护在电力系统和自动化技术的快速发展之下，也有了长足的发展。近些年来，随着电力系统向大机组、高电压以及现代化大电网方向的发展，继电保护中的新技术应用也随之浮出水面，其中人工神经网络的应用就是—例。
1、人工神经网络概述
所谓的人工神经网络，则是在模拟生物神经元结构基础之上而提出的信息处理方法，通过模拟人脑组织结构和人类认知过程的信息处理系统。同时也是神经网络与专家系统融为一体的神经网络专家系统。
人工神经元是人工神经网络的一部分，我们可以把神经元比喻为数学模型.具体如下图所示。
它是多输入单输出的信息处理单元，在实际运用中通过与其相连的其他神经元接收信息，对信息的处理是非线性的。
目前在电力系统中，可以有效地解决难以列出方程式或求解复杂的非线性问题。如果利用人工神经网络的模式识别能力，可有效对电力系统中的故障做出最大量的识别，进一步处理电流对正方向的预报处理和故障。通过对标准样本的学习，调整自身的连接权，将获得的知识分布在网络上，并实现ANN的记忆模式。除此之外，还可以实现暂态，动稳分析，负荷预报，机组最优组合，具有强大的知识获取能力。
2、人工神经网络基本特征
一般地，电力系统继电保护中人工神经网络的特征包含有非线性和非局限性、非常定性。所谓的非线性则是指人工神经元处在激活或者抑制两种不同的状态，同时阙值神经元构成的网络可提高容错性以及存储容量。所谓的非局限性是指一个神经网络是由多个神经元链接的，通过单元间的大量连接模拟大脑非局限性。在非常定性方面，神经网络在处理信息的同时还可以实现多种变化，此时非线性动力的系统也在变化。
3、人工神经网络的操作过程
一般地，人工神经网络的操作可以分为回忆操作和训练学习操作。在回忆操作中对训练好的网络输入信號，可以正常回忆出相应的输出，得到识别结果。在训练学习操作中要把首先准备好的网络信息教传给外部作为网络的输入和要的输出，要确保网络按照某一种规则调节到各处理单元间的连接权值。
4、人工神经网络模型选取
在人工神经网络模型选取上要遵循一定的原则，一般包括执行时间、训练时间。从输入数据加载到已经训练过的网络，再到网络产生为一个选取周期。这个被称之为执行时间的原则。执行时间最主要取决于计算环境和网络的动态特征。
从输入数据加载到网络上传开始训练再到网络权值全部调节结束为一个选取周期。这个被称之为训练时间的原则。训练时间一般要比执行时间长，实际运行中通常是脱机进行。
5、人工神经网络保护装置原理
在实际的继电保护应用中，可以采用上面的人工神经网络保护装置原理技术体现。装置采用了线路和周边数字量以及模拟量，经过模式转化到神经网络，再次对数据评价分析。其中专家系统部分是实现控制和训练，按照最优先的方式收集数据、控制再进行评估。
6、人工神经网络的实现
第一种.人工神经网络的归一化算法。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（僮域为（-1，1））时这条式子适用。
第二种.人工神经网络的newff.函数算法。
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nx2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。
在网络配置参数方面，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。
总结.
综上所述，人工神经网络是人工智能的一个重要分支，在继电保护等领域应用及研究比较广泛。随着我们对人工神经网络不断地探索和研究，在以后的生产生活中将会发挥更大的作用。
人工神经网络范文第2篇
人工神经网络也简称为神经网络或称作连接模型, 是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络是在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征, 但远不是自然神经网络的逼真描写, 而只是它的某种简化抽象和模拟。人工神经网络的以下几个突出的优点使它近年来引起了人们的极大关注: (1) 可以充分逼近任意复杂的非线性关系; (2) 所有定量或定性的信息都等势分布贮存于网络内的各神经元, 故有很强的鲁棒性和容错性; (3) 采用并行分布处理方法, 使得快速进行大量运算成为可能; (4) 可学习和自适应不知道或不确定的系统; (5) 能够同时处理定量、定性知识。神经网络已经在各个领域中应用, 以实现各种复杂的功能。这些领域包括:模式识别、鉴定、分类、语音、翻译和控制系统。
2 基于组合神经网络的时序预测方法
首先, 对时序用一基本神经网络进行建模;然后, 再以基本神经网络模型的预测误差, 作为训练数据组成训练样本, 训练成为一个校正神经网络, 以此来消除单一神经网络预测模型的系统偏差, 减小预测误差;最后, 将两个网络组合起来作为时序预测模型。下面具体阐述组合神经网络的工作原理。
如上所述, 首先构造并训练一个用于时间序列预测的神经网络, 则可以得到其实际输出与期望输出之间的偏差:
其中:N为样本个数, Xi为期望输出, 为网络的实际输出, 即预测值。
然后, di将被校正神经网络处理, 以此发现这些数据的关联作用, 这就使问题简化为用校正神经网络发现并逼近函数f (·) , 从而可根据di-1, di-2, …, di-m得到di的近似值, 使得误差函数E最小:
为此, 用基本神经网络的误差数据{di}来训练校正网络, 使其能够以先前的预测误差为输入而输出对下一步预测误差的估计, 以此校正基本神经网络的输出值。
最后, 将作为组合神经网络的最终预测结果。
3 MATLAB下神经网络的实现
神经网络的实现方案可分为: (1) 基于传统计算机的技术, 包括:软件模拟、并行处理器阵列、传统计算机的加强等; (2) 基于直接硬件实现, 包括:VLSI技术、光学等。但是, 目前最常用的方法还是软件模拟。国际上有许多公司和研究单位设计了通用的ANN模型库, 而MATLAB环境下的神经网络工具箱就是其重要代表。本文主要研究使用在MATLAB下神经网络工具箱对BP网络的训练和仿真。下面将简要论述其调试方法的要点。
(1) 提供网络初始值:BP算法是有指导的训练, 是靠调节各层的权值使网络学会训练样本所表达的规律使用MATLAB下的神经网络工具箱对网络进行训练, 需要给它提供训练样本和权值、阈值的初始值。
(2) 有关函数说明:用软件模拟BP网络时, 需要用到的函数有:initff、trainbp、simuf, ploterr等, 下面分别说明。
在设计BP网络时, 只要已知输入的向量P、各层的神经元数、各层神经元的传递函数, 就可以利用函数initff对BP网络进行初始化。例如, 有一个三层BP网络, 其隐层有5个神经元, 传递函数为tansig (正切S型函数) , 输出层神经元数由目标向量t决定, 传递函数为purelin (纯线性函数) , 则该BP网络的初始化语句为:
神经网络工具箱函数trainbp、trainbpx、trainlm, 用来对BP网络进行训练。它们的用法是类似的, 只是采用的学习规则有所不同。函数trainbp是利用标准BP学习规则训练前馈网络, 使网络完成函数逼近、矢量分类和模式识别;trainbpx则采用了动量法和学习率自适应调整的策略, 从而提高了学习速度, 并且增加了算法的可靠性;trainlm使用了LevenbergMarquardt优化方法, 学习时间更短, 但对于复杂的问题, 这种方法需要很大的存储空间。下面的程序表明了trainlm的调用方法:
df=5;*训练过程显示频率
me=1000;*最大训练步数
eg=0.01;*误差指标
经过训练, 得到了新的权值矩阵w1、w2, 阈值b1、b2, 网络的实际训练次数ep及网络训练误差平方和行矢量tr。
前馈网络由一系列网络层组成。每一层都从前一层得到输入数据, simuff函数可用于仿真最多三层的前馈网络:
a=simuff (q, w1, b1, ‘tansig’, w2, b2, ‘purelin’) 上式q为输入数据, a为预测结果。
Ploterr (e, eg) 用于绘制误差行矢量e随训练次数的变化图, 同时以点线绘出误差指标eg, 其纵轴为对数刻度, 总的训练次数小于e的长度, e的第一个元素为网络训练前的误差。
上述内容讨论了在MATLAB环境下网络的初始化、训练和仿真函数。本文中的仿真实例都是基于MATLAB下神经网络工具箱开发完成的。
总之, 神经网络预测模型的性能取决于许多因素, 如时序的特性, 神经网络结构和其训练过程。神经网络预测模型的性能可通过这些因素的适当组合而大大改进。神经网络是更一般的非线性模型, 所需用户输入较少, 易于使用。神经网络提供了一个有前途的时序预测方法。
摘要：研究了人工神经网络在经济预测中的应用问题, 探讨了人工神经网络的时间序列预测方法。该方法采用多层前馈神经网络及BP算法, 其仿真实现是以MATLAB下神经网络工具箱作为开发工具。
关键词：人工神经网络,预测,时间序列,BP,MATLAB
参考文献
人工神经网络范文第3篇
1 人工神经网络技术
人工神经网络的结构是由基本处理单元与其互联方法决定的。连接结构的基本处理单元与神经生理学类比往往称为神经元, 是神经网络的基本处理单元。图1为一种简化的神经元结构, 是一个多输入、单输出的非线性元件[1]。BP神经网络模型是目前比较成熟且应用较广泛的一种神经网络模型, 它把一组训练样本的输入输出问题变为一个非线性优化问题。BP网络的学习由前向计算过程和误差反向传播过程组成。通过多次学习过程, 使得信号误差达到允许的误差范围之内[2]。
BP网络的算法如下[3]。
设有R个训练样本, 即R个输入输出对 (Sk, Tk) , (k=1, 2, …, k) , 其中Sk为第k个样本输入向量:Sk= (xk1, xk2, …, xkm) , m为输入维数;Tk为第k个样本的目标输出:Tk= (tk1, tk2, …, tkn) , n为输出维数。网络的实际输出为:Ok= (ok1, ok2, …, okn) T;wji为第i个神经元到第j个神经元的权值。具体的算法过程如下: (1) 各层权值、阈值初始化。设wji (0) , θ (0) 为小的随机数值。 (2) 输入训练样本的输入向量Sk及目标输出Tk, 然后对样本进行下面 (3) 到 (5) 的迭代。 (3) 计算实际输出及隐单元的状态。 (4) 计算训练误差。 (5) 调节权值和阈值。 (6) 当多次学习之后, 判断整个样本集的均方误差是否满足精度要求:, ε为目标精度, 为第k个样本的误差。若满足精度, 则结束训练, 否则转到 (3) 继续训练。对一组训练样本, 只需通过上述算法, 调节修正网络单元的权值, 使输出值满足目标要求, 就可进行实际过程的诊断推理。
2 基于BP网络的电梯故障诊断技术
基于人工神经网络的故障诊断技术, 就是通过对故障信息和诊断经验的训练学习, 用分布在网络内部的连接权值来表达所学习的故障诊断知识, 因此它具有对故障模式的联想记忆、模式匹配和相似归纳能力, 实现故障与征兆之间复杂的非线性映射关系。
本节结合B P神经网络的特点及电梯故障诊断的要求, 设计了一个基于BP神经网络的故障诊断系统, 其基本流程如图2所示[4]。该系统的主要诊断步骤如下: (1) 对故障信息进行归一化处理, 建立网络训练样本集。初始样本数据生成后, 要对数据进行归一化处理。归一化处理也称尺度变换, 是指将数据映射到一定的数值区间, 如 (0, 1) 或 (1, -1) 。本文将其变换在[0, 1]的范围内, 神经网络对经过归一化处理的数据更容易训练和学习。 (2) BP网络模型的建立及训练。 (3) 测试样本检测。
3 结语
本文充分利用神经网络的学习功能、大规模并行分布处理功能的优点, 将其应用在电梯的故障诊断中, 可以有效地查找到故障, 缩短维修周期, 对数据量较大、故障原因复杂的电梯系统有一定的使用价值。
摘要：电梯是目前应用较为广泛的一种工具, 电梯故障严重影响着电梯的正常运营。因此, 对其开展故障诊断研究有着重要的实际意义。本文研究了人工神经网络模型的基本原理、网络结构、学习算法, 并将该网络应用于电梯故障诊断中, 该技术可以快速、准确地诊断出电梯的故障类型。
关键词：神经网络,故障诊断,电梯
参考文献
[1] 宗群, 王中海, 罗欣宇.神经网络技术在电梯故障诊断中的应用[J].计算机应用, 2003, 23 (8) :78～80.
[2] 顺廷虎, 钟来林, 黄仁.BP神经网络在旋转机械故障诊断中的应用[J].东南大学学报, 1993, 23 (5) :16～20.
[3] 胡守仁, 余少波, 戴葵.神经网络导论[M].长沙:国防科技出版社, 1992.
人工神经网络范文第4篇
一、网络安全及人工智能技术面临的现状
(一) 关于网络安全方面的问题
随着信息技术的发展, 信息技术的应用范围进一步扩大, 在给人们日常工作生活学习带来便利的同时, 也面临着严峻的网络安全隐患, 关于APT攻击等问题并不罕见, 使得用户的隐私被泄露, 难以保障信息安全。在网络安全背景下, 受专业高级研发人员不足等因素的影响, 全面完善的安全防范类软件尚待研发。厂家也难以针对各个使用者安排专业人员实施指导, 故而在网络安全领域, 合理运用人工智能技术, 符合当前时代发展需求及形式。在当前网络安全领域中, 较为常用的检查技术为虚拟执行, 对处于运行状态的设备开展全面细致的检测工作, 判别其是否存在不足之处。但这种检测技术存在一定缺陷, 即需要耗费较长的检测实践, 且整个检测过程较为复杂繁琐, 所投入的资金相对较高。鉴于这一实际情况, 将人工智能技术合理运用到网络安全领域符合时代发展趋势。
(二) 在网络安全背景下人工智能技术面临的问题
近年来, 人工智能技术呈日新月异的发展态势, 科技含量及科技水平大幅度提升, 并在多个行业领域得到有效运用, 取得了良好的运用效果, 将其运用到网络安全领域符合当今发展形势, 但在实际运用环节仍存在不少亟待改进的环节, 其中最为突出的问题便是在数据收集方面的运用。当前, 厂商所采取的检测措施为, 在全面采集相关数据信息后, 开展模拟检测。然而, 在实际运用环节, 厂商难以快速高效地获取相关信息资讯, 一旦出现信息遗漏或信息错误等问题, 便会影响整体信息的使用价值, 且在实际数据采集环节难免会出现失误或遗漏。人工智能能够利用模拟数据及计算, 实施检测工作, 但实际所起到的作用与预期尚存一定差距。
二、网络安全背景下人工智能技术的优势
人工智能技术凭借其操作简单便捷、工作效率高等诸多优势, 在人们日常生活工作等多个领域得到广泛推广。该技术作为对人类智慧的模拟、拓展及验收, 让机器具备了类似人类智慧的能力, 让机器具备逻辑分析及判断的功能, 能够对有关问题进行分析和处理。在网络信息大爆炸的背景下, 海量信息数据充斥着人们的生活, 在准确甄别和筛选信息上存在一定难度。为此, 将人工智能技术运用到网络安全领域, 有助于强化网络安全维护, 有效克服人类智慧维护网络安全模式中成本高、效率有限等突出问题, 能够提高有效治理网络的效率及速度。
在网络安全背景下, 相较于以往技术手段, 人工智能技术具有诸多优势, 能够准确处理网络中的部分模糊不清的信息, 让网络安全隐患得到有效控制。而网路安全隐患多隐藏在这些含糊不清的信息内, 由于这部分信息难以准确分辨, 存在不少安全风险及应用隐患。人工智能技术具备良好的逻辑分析功能, 能够对模糊信息筛选出来, 并具备主项排查功能, 有效避免出现漏查、错差等情况。在未来发展趋势中, 人工智能技术将在网络安全领域得到广泛推广和运用。随着相关管理理念及决策的升级及发展, 人工智能技术将进一步提升和优化。随着关于知识库研究的升级及完善, 专家系统的应用范围将进一步扩大, 对建设健全的网络安全保障体系具有不可忽视的作用。在网络安全背景下, 人工智能技术的发展, 有助于维护网络安全, 在未来发展中, 人工智能技术将得到进一步发展, 为保障我国网络安全发挥积极作用。
三、基于网络安全背景的人工智能技术应用
随着科学技术的快速发展, 人工智能技术的科技含量及功能日愈提升和完善, 其在网络安全领域得到有效运用。在网络安全背景下, 维护网络安全的紧迫性日愈提升, 例如数据挖掘技术这一人工智能技术在网络安全领域的运用范围逐步扩大。
(一) 智能防火墙的运用
人们在使用电脑时, 在电脑系统中可以发现防火墙及有关设置, 在网络安全防御中, 这是人工智能技术在其在的初步运用, 作为隔离控制技术中的一种。智能防火墙技术属于基础环节的网络安全防护技术, 涉及多诸多技术, 如人工免疫、神经网络技术等。就智能防火墙技术而言, 该技术将人工智能技术和防火墙技术有效结合起来, 属于学习记忆、概率、决策等多种方式的科学整合, 能够对数据实施科学有效的分析控制, 并有效维护网络数据安全, 有效抵御病毒信息对网络系统的恶意攻击及入侵。在网络安全领域, 人工智能技术中的自治AGENT技术属于较为核心的应用技术中的一种, 在知识表达方式上, 具有框架模式、网络模式等, 以网络为基础的分布计算等环节得到科学运用, 并发挥着不可忽视的效果。在分布式入侵检测系统中, AGENT技术在其中的合理运用, 有利于提升数据采集分析的灵活性及独立性, 且数据源不会受到制约和兼容等诸多优势, 从而有助于维护网络安全。
(二) 人工神经网络技术的运用
基于专家系统及人工神经网络系统的入侵检测系统在网络安全领域的科学运用, 在维护网络安全上发挥着不可忽视的作用。在入侵网络系统内, 作为人工智能技术中一种的专家系统在其中得到广泛运用, 基于专家经验性知识, 并辅以知识库就推理机制, 以此构成智能软件系统结构, 将其运用到网络安全领域, 有助于维护网络系统安全。经过多年研究及探索, 在入侵检测系统中, 人工神经网络技术在其中也得到有效运用, 凭借其容错性功能, 针对存在噪音、畸变的输入模式等具有强有力的甄别功能, 且该技术具备较强的学习功能, 属于较早在入侵检测系统内运用的人工智能技术。
(三) 垃圾邮件自动检测技术的运用
在互联网技术快速发展的时代背景下, 邮箱已成为人们日常生活中常用的设备, 在日常生活中, 用户常常接收到不同种类的垃圾邮件, 给人们工作生活带来负面影响。邮件作为传递信息的重要途径, 属于较为正规的信息传递方式。然而, 在邮件制作及发送环节存在一些漏洞, 给不法分子带来了可乘之机, 给人们日常生活带来干扰。垃圾邮件自动检测技术在此背景下应运而生, 具备智能化发来及邮件系统, 能够防止垃圾邮件进入到客户邮件, 并发挥全时段检测功能, 该技术以垃圾启发式扫描引擎为核心, 能够对有关邮件开展全面分析和统计测评, 以智能化的方式针对垃圾邮件实施拦截或删除, 让人为操作量得以明显降低。
四、总结
近年来, 伴随着网络技术水平的日臻完善, 网络技术的应用范围逐步扩大, 给人们日常生活带来诸多便利, 也面临着日趋严峻的网络安全问题。在网络安全背景下, 科学运用人工智能技术, 有利于增强网络安全性能, 提升低于网络风险的能力。本文将针对基于网络安全背景的人工智能技术进行分析和研究, 以期能为维护网络信息安全发挥积极性作用, 促进人工智能技术发展, 并为完善我国网络建设做出贡献。
摘要：随着信息技术的快速发展及日臻成熟, 互联网技术的应用范围逐步扩大, 已逐步渗入到人们日常生活的方方面面, 人们对网络技术的依赖性日益提升。近年来, 各种网络攻击事件并不罕见, 让网络安全问题日愈明显, 必须采取有效措施维护网络安全。在网络安全背景下, 将人工智能技术合理运用其中, 有利于维护网络安全。本文将分析基于网络安全背景的人工智能技术, 以期能维护网络安全, 促进人工智能技术未来发展。
关键词：网络安全,人工智能技术,应用
参考文献
[1] 肖灵.面向物联网应用的人工智能相关技术分析[J].中国新通信, 2018, 20 (18) :168.
[2] 冯明.基于物联网和人工智能的现代物流及仓储应用技术分析[J].现代经济信息, 2018 (14) :344.
人工神经网络范文第5篇
一、人工智能的基本概念和主要优势
(一) 人工智能的基本概念
人工智能是近年来兴起的新技术, 主要是指计算机系统在实际运行过程中, 模拟人类的行动以及思维方式, 人工智能是一项复杂的技术, 涉及到计算机、语言学等多方面的内容, 属于综合性比较强的技术, 利用人工智能技术能够显著提高工作效率, 有效解决日常工作中存在的各种问题, 该技术符合当前社会发展的需求, 具有广阔的应用前景, 利用人工智能技术模拟人类的生活环境以及工作的情境, 自主编写各种程序, 能够实现自动化以及智能化的操作, 更好的服务与人类的基本生活[1]。计算机网络技术的发展为人工智能技术水平的进步提供了充足的动力, 经过多年的研发, 计算机网络已经从简单的数据计算传输发展成为更加智能化的人机互动操作, 能够处理诸多尚未确定的信息, 同时能够显著提高处理问题的效率, 在最短时间之内将信息资源传递给需要信息的人群。利用人工智能技术能够实现信息资源的全面整合, 不同用户能够将资源进行共享, 网络环境以及网络管理能力也会得到不断的优化处理, 降低网络运行过程中的各种物理人力成本, 提高协调能力。
(二) 人工智能的主要优势
计算机网络本身具备动态性、实时性、高速性的特点, 在应用人工技术的过程中需要以此作为基础, 确保计算机网络的稳定性和安全性, 提高操作的灵活性, 利用自身的处理能解决网络系统的各种不确定性的问题。与传统的数学模型相比, 人工智能具有模糊逻辑的基本特点, 在计算机网络中应用该技术能够处理模糊数据, 解决各种不确定性和未知性的问题, 提高网络系统的应用效率。同时人工智能技术具备较强的协作能力, 随着网络结构的深入发展和整体规模的持续增加, 网络管理日趋复杂混乱, 利用人工智能技术能够有效处理各种层级之间的关系, 提高管理效率。人工智能技术算法速度快, 占用空间小, 同时具有较强的学习以及推理能力, 可以解决网络运行中的各种非线性问题, 对各种高层次的信息进行全面优质的管理[2]。
二、计算机网络技术中人工智能的应用
(一) 人工智能在安全管理技术中的应用
当前, 计算机网络安全技术主要包括反垃圾邮件、防火墙、入侵检测, 在这几方面应用人工智能技术能够显著提高计算机网络的安全性。
1. 自治AGENT技术和数据融合技术
自治AGENT技术主要源自与面向对象技术的进步, 其主要的结构位于数据的底层, 能够分析和收集各种数据, 在入侵检测系统框架中利用自治AGENT技术, 将被监控的主机视为IDS系统, 能够显著提高学习能力、自治能力、适应能力、灵活性, 能够对各种入侵实现有效的检测, 也可以有效控制入侵波及的范围, 该技术在很多领域中有比较广泛的应用[3]。
数据融合技术是利用各种数据组合获取信息, 实现资源的协同性, 在计算机网络中应用该技术, 结合共同模式和个体传感器, 充分发挥其自身特点, 提高入侵检测的范围和安全性, 使检测结果更符合基本要求。
2. 专家系统和数据挖掘技术
人工智能在入侵检测方面的应用主要推理机制、数据库、专家经验性知识最为依据, 管理人员在充分了解各种入侵特点后, 编制成固定的入侵规则, 这种规则最终积累成为数据库, 在检测各种入侵时可以依靠这些数据库资源, 判断入侵的危害性和具体的种类, 提高检测的准确性和具体效率。
数据挖掘技术是利用计算机审计程序、网络连接、主机会话技术, 通过全面准确的数据资源提取, 也可以通过网络活动各种规则以及入侵模式规则进行学习和记忆, 当系统出现异常状态时能够及时准确的识别出入侵的信息, 保证检测的效果。
3. 智能防火墙和智能反垃圾邮件技术
防火墙能够通过对数据的识别和处理, 自动拦截各种有害信息, 阻止各种病毒的传播。智能防火墙技术具有更强的运输和决策能力, 对系统的稳定运行作用显著。智能反垃圾邮件技术具备较强的学习以及存储能力, 能够实现对邮件内容的全面监督管理, 也可以实现科学分类, 避免垃圾邮件威胁计算机安全。
(二) 人工智能在计算机网络管理与系统评价中的应用
计算机网络技术能够保证计算机网络管理与评价功能的实现, 通常在评价过程中主要采用人工评价的模式, 容易受到主管因素的影响, 导致网络系统管理不够科学合理。利用人工智能技术能够对计算机网络系统进行全面的评价管理, 发现系统运行问题能够进行自我修复, 保证网络系统的运行效率和稳定性。同时人工智能技术具有决策系统, 能够聚集多种专家经验和知识, 实现对计算机的准确评价, 保证系统整体的安全稳定[4]。在计算机网络中应用人工智能技术, 能够解决传统网络系统中存在的各类问题, 提高系统运行的稳定性和安全性, 满足用户的个性化需求, 更符合人性化的发展趋势, 这得深入进行研究推广。
摘要：目前我国已经步入信息时代, 计算机网络系统已经从传统的数据计算转变为数据知识的处理, 传统的互联网相关技术已经无法满足当前人们对于网络资源的基本需求, 因此人工智能技术在新时期取得了巨大的发展。人工智能属于模拟智能过程中产生的一种技术, 具有比较高的安全性, 智能手机等产品已经改变了人们的生活习惯, 同时能够提高工作效率, 在计算机网络中应用人工智能前景广阔, 值得深入研究。
关键词：计算机网络技术,人工智能,应用浅析
参考文献
[1] 彭昊.大数据时代人工智能在计算机网络技术中的应用[J/OL].电子技术与软件工程, 2018 (20) :169
[2] 王洋.人工智能技术及其在计算机网络和医疗诊断中的应用[J].信息记录材料, 2018 (11) :114-115.
[3] 查黄英.基于大数据时代人工智能在计算机网络技术中的应用研究[J].电子测试, 2018 (19) :130.