基于神经网络的计算机网络故障诊断

摘要

计算机网络是21世纪全球最重要的基础设施之一，随着其规模的日益扩大，计算机网络管理维护工作越来越复杂。网络故障诊断已成为人们关注的焦点。高效的计算机网络离不开好的网络管理。任何故障的发生，即使是短时间的故障都有可能给经济、社会和国防建设等带来巨大的损失。
　　在实际需求的牵引下，故障诊断技术的应用越来越广泛，已经从传统的机械系统和电子系统，渗透到机电一体化系统、工业自动化系统、计算机系统，以及各种广泛意义上的动态系统，包括目标识别系统、组合导航系统等。随着物理学、数学等基础科学的不断进步，以及控制理论、信息科学等应用科学的不断发展，为故障诊断提供了多种有效的技术手段，成为故障诊断技术发展的推动力量。
　　由于现代网络产生故障的因素很多，信息量又大，使得网络管理人员已很难用现有的工具来有效快速地解决用户所提出故障诊断的服务要求。如何将智能技术引入网络故障诊断领域，利用自学习、自适应技术创造和维护故障诊断知识库，提高网络管理效率，一直是众多理论研究和应用研究的热点。
　　随着人工智能的发展，把神经网络技术引入计算机网络故障领域，可以很好的发挥神经网络在故障诊断中的优势。本课题采用自组织特征映射(SOM)神经网络和多层前馈网络(BP)神经网络相结合的方式，将训练样本使用SOM神经网络进行聚类，把聚类的结果重新添加到原始训练样本中并设置一定的权重，通过对权重的不断迭代更新，以提高BP神经网络的收敛速度。在BP神经网络算法上对LM算法进行改进，对在 LM算法中的大型矩阵求逆时使用并行算法求解线性方程组的方式加以改进，并使用计算机网络故障诊断作为实际算例进行计算机仿真和分析，开发了一套计算机网络诊断系统，以期能对理论研究和应用工作提供参考和帮助。

目录

封面

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景

1.2 国内外研究状况

1.3 论文内容和结构

2 神经网络理论及计算机网络故障简介

2.1 神经网络简介

2.2 神经网络在故障诊断中的应用

2.3 BP神经网络模型理论介绍

2.4 SOM神经网络模型

2.5 计算机网络故障简介

3 SOM方法及实例

3.1 样本对SOM神经网络聚类输出的添加

3.2 设置权重

3.3 权重的迭代与更新

3.4 BP神经网络模型的建立

3.5 计算机网络管理协议介绍

3.6 SOM方法在计算机网络故障诊断中的实例

4 LM方法的应用及实例

4.1 LM算法

4.2 并行算法

4.3 LM方法

4.4 LM方法的计算机网络故障诊断实例

5 SOM方法和LM方法结合的实例

5.1 SOM方法和LM方法结合的实例和仿真

5.2 仿真结果分析

5.3 程序分析与实现

6 结论和展望

6.1 全文工作总结

6.2 未来展望

致谢

参考文献

附录