使用思科模拟器设计企业网络拓扑，使用思科模拟器设计企业网络拓扑，使用思科模拟器设计企业网络拓扑，使用思科模拟器设计企业网络拓扑，使用思科模拟器设计企业网络拓扑，使用思科模拟器设计企业网络拓扑

基于连续粒子群算法的贝叶斯网络结构学习

随着万维网和在线社交网站的发展,规模大、结构复杂、动态性强的大规模网络应用而生.发现这些网络的潜在结构,是分析和理解网络数据的基本途径.概率模型以其灵活的建模和解释能力、坚实的理论框架成为各领域研究网络结构发现任务的有效工具,但该类方法存在计算瓶颈.近几年出现了一些基于概率模型的大规模网络结构发现方法,主要从网络表示、结构假设、参数求解这3 个方面解决计算问题.按照模型参数求解策略将已有方法归为两类:随机变分推理(stochastic variational inference)方法和在线EM(online expectation maximazation)方法,详细分析各方法的设计动机、原理和优缺点.定性和定量地对比、分析典型方法的特点和性能,并提出大规模网络结构发现模型的设计原则.最后,概括该领域研究的核心问题,展望未来发展趋势.

本代码主要针对煤岩体等多孔介质材料，代码简单明了易操作，只需在程序中输入孔隙度即可自动生成二维孔隙网络结构，

常用的神经网络是通过固定的网络结构得到最优权值,使网络的实用性受到影响。引入了一种基于方向的交叉算子和变异算子,同时把模拟退火算法引入了遗传算法,结合遗传算法和模拟退火算法的优点,提出了一种优化神经网络结构的遗传——模拟退火混合算法,实现了网络结构和权值的同时优化。仿真实验表明,与遗传算法和模拟退火算法相比,该算法优化的神经网络收敛速度较快、预测精度较高,提高了网络的处理能力。

深度神经网络在图像识别、语言识别和机器翻译等人工智能任务中取得了巨大进展，很大程度上归功于优秀的神经网络结构设计。神经网络大都由手工设计，需要专业的机器学习知识以及大量的试错。

针对在线社会网络中用户间的关系存在多种关系复合的情况，采用多子网复合复杂网络的模型理论，将豆瓣网中用户关注关系子网和用户影评关系子网进行复合，设计了一个基于多子网复合复杂网络拓扑演化模型，该模型考虑了多关系间的相互影响。最后通过仿真实验，得出了基于多子网复合复杂网络模型的网络节点个数、网络边数、网络平均最短路径等网络特征和同等实际网络的网络特征较为吻合。

卷积神经网络研究综述

该项目是对论文《参数共享的高效神经网络结构搜索（Efficient Neural Architecture Search (ENAS) via Parameters Sharing）》的实现。ENAS 做什么？高效神经网络结构搜索，即 ENAS 减少了计算需求，将 NAS 的 GPU 计算时间减少了 1000 倍。他们通过共享大型计算图中的子图模型之间的参数共享来完成此操作。 如何使用它的过程已经在 GitHub 页面上得到了很好的展示。实现这个库的先决条件是： Python 3.6+ 需要 PyTorch tqdm，imageio，graphviz，tqdm，tensorboardX

本文提出了一种改进的遗传算法 ,并用其实现BP神经网络的拓扑结构和参数的优化。改进的遗传算法采用了一种新的编码方式 ,并对遗传操作进行了改进。仿真试验的结果表明 ,这种算法能够有效地提高BP神经网络结构和参数的优化效率