写论文没有思路的时候，经常查阅一些论文范文，小编为此精心准备了《神经网络论文范文(精选3篇)》，供大家阅读，更多内容可以运用本站顶部的搜索功能。摘要：随着近年来中国网民数量众多而网络给予了众多网民言论自由，因此网络舆情越来越被关注，对网络舆情的预警也越来越迫切。
第一篇：神经网络论文范文
基于神经网络的智慧校园网络安全评估
摘要：利用BP神经网络算法构建了计算机网络安全评价模型。并利用网络系统安全检测算法对网络安全态势预测进行评估，从而预测网络安全态势，从而提前防范网络安全，降低网络安全带来的危害。利用神经网络对计算机网络安全进行评估和模拟，可以有效、准确地预测网络安全形势，可以为我国网络安全的未来发展提供有价值的建设性意见。同时，与其他模型相比，它具有更高效、更准确的特点，可广泛应用于网络安全预测和防御。本文主要分析基于神经网络的智慧校园网络安全评估。
关键词：智慧校园;网络安全;网络安全评估;神经网络
引言
智慧校园这一概念是在2010年的“十二五”规划中由浙江大学提出的。是指促进信息技术与教育融合、提高学与教的效果为目的，以物联网、云计算、大数据分析等新技术为核心技术，提供一种环境全面感知、智慧型、数据化、网络化、协作型一体化的教学、科研、管理和生活服务，并对教育教学、教育管理进行洞察与预测的智慧学习环境。智慧校园网络系统是其的关键载体，担负着整个智慧校园建设信息的交互，且较为重要的一环。
1、神经网络的原理和目前研究情况
神经网络是源于人类对大脑神经结构的认知了解，模仿神经元信号的传导，构建出的具有信息提取能力的网络模型。网络模型大致分为三个部分：输入层、隐藏层、输出层。量化数据由输入层输入再到隐藏层，每两层间一般都采用全连接的连接方式，最后由输出层进行输出。随着科学技术的发展，当前计算机技术和网络技术得到广泛应用，计算机网络安全的评价在计算机网络管理中起着至关重要的作用。随着信息技术的发展和科学技术水平的提高，神经网络技术不断扩展和深化，其在计算机网络安全中的应用具有重要意义和作用，得到了众多学者的研究。为有效解决计算机网络安全问题，相关专家先后提出了多种神经元模型，其中发挥重要作用的神经网络常用于计算机网络安全评估。有学者建立了GABP神经网络模型，并将该模型应用于计算机网络安全评估。为此，设计并实现了网络安全信息评价系统，取得了良好的效果。有学者利用遗传算法对BP神经网络算法改进计算机网络安全评价仿真模型，优化原有模型的效果。根据网络安全的历史信息，预测未来的网络安全是网络安全预测的现实意义。态势预测的原理是收集一定时期内的网络安全攻击，然后根据不同的攻击时间，对网络的时间、频率、类型、威胁等各种因素，采用科学合理的方法对网络进行分析，处理安全攻击数据。将历史网络安全值与时间拟合，形成的函数可以预测未来时间的网络安全。人工神经网络是一种基于人脑的算法。目前只有两组数据，一组是输入数据，另一组是输出数据，但不知道这两组数据是如何关联的。当输入数据不断输入到“网络”中时，会得到不同的输出结果。通过输出调整网络的内部结构，可以获得所需的输入和输出。这是一个简单的神经网络模型原理。BP神经网络也是人工神经网络的一种。它可以通过误差反向传播来计算。主要过程是在输入层的神经元之间传输训练数据，然后在隐藏层和输出层之间拟合数据。如果拟合的输出值和预测值存在误差，且误差精度不满足要求，则通过调整权重和阈值来调整模型，直到输出精度满意为止。BP神经网络是单方向多级前馈网络，由输入层、隐式层（层数不一定是1，可以是多层）和输出层三部分组成。每层由几个神经元组成。每个神经元称为一个节点。上下节点通过权重交互。层与层都是相互联系的，但同一个节点之间是相互独立的。该图显示了一个3层BP神经网络的结构。
2、智慧校园面临的安全问题
智能校园体系结构复杂且脆弱。漏洞风险可以存在于从基本物理设备到网络连接、从主机到系统、从业务应用程序到数据保护的所有级别。因此，构建安全稳定的网络信息环境是高校信息化建设过程中不可或缺的组成部分。高校智能校园安全问题主要集中在以下几个方面：
第一，物理层面临的安全风险，如老化的设备、不稳定的连接、不规则的网络设计和无冗馀的连接备份机制，可能导致网络级别的安全问题。
第二、网络传输级别的安全风险，例如DHCP、ARP欺骗等;
第三，终端主机面临的风险，如.服务器信息泄漏、系统服务账户管理不当、账户分散、密码薄弱、认证方法不当、非法访问控制、恶意入侵等。
第四，业务和数据风险，如SQL注入、XSS攻击、Crawler攻击、恶意扫描等安全威脅。数据因不完整、不可用和泄露而面临潜在的安全风险。法律违规者利用系统漏洞窃取系统数据，操纵业务数据，破坏数据的完整性。
3、智慧校园网络安全管理体系的应对措施
3.1加大资金投入，强加基础设施建设
为适应时代发展的智能校园建设，学校和政府有必要加大基础设施建设资本，完善校园内的通信设施、计算机设施及相关教学手段。只有在这种前提下，网络安全管理系统才能正常发展，维护效率低下的情况不是消除设备模型造成的。构建智能校园时，智能设施和相应的软件支持非常重要。学校在购买基于高性能硬件的设备时，应选择购买具有大量安全系统和智能传感器设备的通信设施。但是，我们应该处理那些严重无法满足校园智能建设需求的陈旧设备，尤其是计算机终端、路由器、网络老化、实验设备、网线等关键硬件。，并更加注意及时升级，以确保使用的质量和安全性。考虑到不同工厂生产的设备在功能和标准方面的差异，建议学校制定统一的采购标准或进行一次性采购，以解决设备之间的兼容性和差异。
3.2智慧校园背景下网络安全体系构建对策
网络安全系统在网络安全组织与领导智能化校园建设的背景下，涉及组织与实施、技术支持、相互关联的宏观决策、组织与领导体系的完善等广泛课题，旨在突破发展方向，明确权利义务，确保可靠的技术。为了根据需要划分安全领域，应事先分析智能校园网的特点和风险，根据具体需要科学划分安全领域，构建统一的网络安全解决方案。加强装备，构筑防御技术屏障。例如，可以在防御系统内设置防火墙，以便实时检测和分析进入校园网络的所有数据流。安全管理采用管理交换机，执行入侵、漏洞检测、数据库扫描、审核等安全管理，通过防火墙和管理交换机限制对核心交换机的访问。综合日志审计终端安全控制装置通过防火墙和服务交换机连接到核心交换机，实现服务与管理之间的操作隔离。安全管理日志收集可识别所有报告的审计数据，集中管理攻击和违规行为，并通过管理和控制系统识别终端访问用户身份，以防止未经授权的用户行为。同时，应改进网络安全监测和预警机制，监测入侵者、特洛伊木马和篡改，同时安全防护运行良好，将被动防御转变为主动防御。完善制度和机制，强化缺失制度，是人才培养网络安全的最大差距。建议高校在加强安全人员法律安全意识的同时，完善技术防范、信息共享、运行维护等领域的管理体制。此外，还需要完善风险评估体系、信息强化修复机制和信息安全防御体系，才能真正实现智能校园背景下的网络安全运行。与此同时，为了提高校园网络管理团队的专业素质，可以邀请专业网络安全人员定期讲课和培训，提高网络安全管理人员和校园网络应用人员的网络安全意识，建设高质量的专业网络安全管理团队，培养高度的责任感和优秀的专业精神，成为智能校园网络安全服务的后备部队，从而为校园网络安全提供指导。
结束语
在智能校园建设的信息化建设中，网络安全是一个关键方面，已成为公众关注的焦点之一。本文运用流行的神经网络技术有效解决了校园智能网络安全的时序问题，取得了良好的效果。得到了一种更加科学、合理和有效的网络安全评价模型。该模型可用于其他相关应用程序，包括智能校园。
参考文献：
[1]张远平.教育管理工具类APP在智慧校园中的应用探究[J].计算机时代，2020（10）：28-31.
[2]刘恋，陈少峰.物联网技术在智慧校园中的应用探究[J].计算机产品与流通，2020（11）：13.
[3]郭轶舟，冯华.互联网产业安全评价指标体系构建[J].统计与决策，2020，36（3）：163-166.
[4]宋岍龙.基于网络数据的网络安全态势感知平台设计[D].广州：暨南大学，2020.
[5]张志东，王志海，刘海洋，等.一种基于树型贝叶斯网络的集成多标记分类算法[J].计算机科学，2018，45（3）：191-197.
作者信息：
孙惠娟（1980--） 吉林省吉林市，硕士学位，副教授。研究方向：最优化理论与算法研究。
河南省高等学校重点科研项目计划 22A520016
省级项目： 河南省科技攻关项目（编号212102310568）
作者：孙惠娟
第二篇：利用BP神经网络对网络舆情进行预警
摘要：随着近年来中国网民数量众多而网络给予了众多网民言论自由，因此网络舆情越来越被关注，对网络舆情的预警也越来越迫切。该文采用了五个指标对“厦门PX事件”、“昆明PX事件”和“宁波PX事件”进行量化描述，通过Matlab建立BP神经网络识别模型中进行学习，然后再对“宁波PX事件”进行预警识别。模型具有较好的识别能力，预警结果的准确率达到了90%以上。
关键词：网络舆情；BP神经网络；预警
互联网这些年来在我国的快速的发展，我国网民人数较之前有了大幅的提升。网络的开放性和灵活性让其成为反映社会舆情的主要载体之一。而近两三年网络舆情引发的事件激增，引起了政府的高度重视，网络俨然已成为政府部门了解民意的又一理想窗口。显然，能够直观表达网络舆情的光定性的解读远远不够，对于决策者更希望得到一个舆论事件过程中所处的量化等级。由于舆情危机产生具有模糊性和随机性是非线性的，因此通过建立预警指标，再利用容错能力高，通过学习复杂数据发现规律进行识别的人工神经网络是不二选择。故本文的核心在于BP神经网络[1]。
1 网络舆情危机预警指标体系
网络舆情危机的发生，受到多种随机因素的影响，而且每个因素对结果所起的效果大小也是不一样的。因此网络舆情危机预警的关键是建立科学、系统的预警指标体系。依据近些年来网络舆情方面专家的调查汇总和政府机构对舆情监督部门的考察，并结合网络舆情与危机预警机制方面的资料，经过多次地调试整理汇总制定出，对网络舆情信息从五个具体的指标构建了网络舆情危机预警指标体系[2]。
1.1 舆情预警指标
1.1.1 舆情信息的敏感度
网络上有各式各样的信息，而这些各式各样的信息其敏感度也是不同的，对于可能造成社会动荡的网络信息则是政府最为关注的。显然各条信息所引起的社会敏感度是不同的，敏感度越高说明产生舆论危机的可能性就越高。这种指标的量化标准采用专家打分的方法得到。得分设定的范围为[0，1]，0、0.5、0.7、1表示的意义依次为“具有敏感性”、“敏感”、“很敏感”、“相当敏感”。
1.1.2 舆情信息的流通量
舆情信息的流通量反映出舆情信息在网络上传播情况和讨论热度。而这些网络上的流通信息会被搜索引擎例如Google、百度等抓取。因此通过限定时间段搜索引擎搜索关键词得到的搜索量可以作为流通量使用。
1.2.3 舆情观点倾向度
舆情观点倾向度主要量化网民对于某个舆论信息观点倾向度。分别由1，0，-1表示正面、中立、反面观点，用[f（x）][f（x）]表示各个观点面倾向度，n表示发表观点的总观点数，此指标用[μ]表示：
其实就是求各个观点总和的均值，其取值范围在（-1，1）。这部分则是通过统计事件讨论最热的贴吧的跟帖信息或者微博评论进行打分得到的。
1.2.4 舆情影响范围
舆情影响范围是指在某一时刻或时间段内，舆情信息所影响的区域性范围。对于这部分的评分依照我国的行政地域划分进行评分。即村＼社区、乡＼镇＼街道、县＼区、市、省、国家。其取值范围为[0，1]。这部分的取值则是通过新闻报道中时间的发展态势进行取值。地域对应的取值见下表：
1.2.5 网络舆情媒体曝光度
网络舆情信息被媒体曝光之后则将网络信息的讨论引到现实社会中，而现实中媒体的报道是有着比网络更为严格的审查制度。媒体的报道无疑对网络舆情有着更为影响力的宣传进而推动着舆论的发展。而这部分的数据则采用Google news中通过对时间段的设定搜索关键词得到相应的搜索到的新闻条数进行量化评价媒体的曝光度。
1.2.6 舆情指标
而结果评级依照《国家突发公共事件总体应急预案》将预警等级设为四个等级：特别严重、严重、较重和一般。而根据网络舆情危机的严重程度、经济程度、可控性等方面将预警设为5个等级：安全、轻警、中警、重警、急警[7]。
2 数据获取与处理
2.1 事件的选取和回顾
在实证分析中以“宁波PX事件”为预警模型的最终目标，而选择了“厦门PX事件”和“昆明PX事件”为学习样本进行学习。这一连串关于PX事件其危害的对象不仅仅是政府形象更是对整个社会和谐稳定造成了较大的影响。尤其是宁波PX事件中，甚至出现了不理智的因受谣言的蛊惑冲击政府机关掀翻执勤警车的情况。倘若能及时且准确地对此类事件进行预警并作出相应的预防措施就能对事件进行有效的控制。
2.2 指标数据的获取
对于所建立的模型而言其关键不仅仅在于预警模型的指标的建立和神经网络的识别。其数据的获取亦是十分关键的一步。根据各个数据的特点，整理各个指标数据获取方式如下。
将厦门PX事件和昆明PX事件作为一个学习样本，其数据清单如表3所示。
同样将模型的预警目标——“宁波PX事件”作为目标数据，其数据清单如表4所示。
2.3 输入数据的标准化处理
网络舆情危机预警指标体系中有5个预警指标，其中存在定性指标和定量指标两大类，并且对各个指标的数据进行了量化处理，然而各个指标的单位的量纲是不同的，为了能够对各个指标进行对比评分 ，需要将它们进行标准化得到[0，1]无量纲指标。
量化的指标均有正负方向均有正负方向之分，自然这些数据的标注化方法均有不同：
1）正向指标处理：正向指标表示值越大越安全，危机等级越小无量纲化以最小值为基准，正向无量纲化处理方程：
2） 负向指标处理：负向指标在文章中表示指标值越小越安全，危机等级越小。无量纲化以最大值为基准，负向的无量纲化处理方程：
其中，X 表示量化后的指标值， [xmin]表示指标的最小值， [xi] 表示指标的实际值， [xmax]表示指标的最大值。
3 舆情预警模型的建立及结果
3.1 模型的建立
神经网络模型是一个典型的“输入-处理-输出”的过程。输入是采集到的指标的实际值，输出是模型识别的结果，即预警的敏感度，而中间过称则采用BP神经网络模型进行学习计算，这部分相当于“黑匣子”。在处理的时候，该文采用三层BP网络（一个输入层、一个隐含层、一个输出层）的网络结构，那么输入、输出节点数分别是5和1[8]。
在设置完参数之后用第四章所讲述的利用Matlab软件完成模型的建立。
3.2 结果及检验
通过搜集得到的数据汇编成的学习样本，并将其中的70%作为样本，30%作为检验样本进行。
通过计算可以得到该表，从该表中容易得到，学习过程中准确率达到了91.76%。并在测过程中抽取了5项进行预测，得到的准确率为92.31%，其较高的准确率。因此有理由认为该模型在未来的预测过程中其准确率应该达到90%以上。
4 研究结论
本文的研究结果表明：基于舆情量化指标的BP神经网络能够对网络舆情信息进行较为准确的预警，无论是学习还是最后实践的识别准确率都达到了80%以上。这种预警方法通过舆情信息的预警指标利用量化评价方法可以降低人为的主管臆断，而实验结果也表明了其拥有较高的识别准确率。并且利用Matlab进行编程得到的预警模型具有广泛的应用前景和使用价值。模型可以为政府提供网络舆情的预警，也为企业的网络声誉进行预警为企业的公关提供预警参考。
参考文献：
[1] 薛圈圈.基于BP神经网络的网络舆情危机预警研究[D].江西：江西财经大学，2010：25-30.
[2] 戴媛.我国网络舆情安全评估指标体系研究[D].北京：北京化工大学，2008：13-22.
[3] 袁越.厦门PX时间[OL].http：//news.sina.com.cn/c/2007-09-27/165713986641.shtml.
[4] 王秀娟.昆明PX事件[N].中国石油石化，2013.
[5] 大公网.镇海PX项目引发群体性事件[OL].http：//www.takungpao.com/mainland/node_13226.htm.
[6] 周子健.基于网络搜索量的上海世博会国际影响力研究[J].艺海，2011（5）：80-82.
[7] 王新辉.基于BP神经网络的国际电子商务信用风险预警模型研究[D].沈阳：沈阳工业大学，2008：7-14.
[8] 杨淑娥，黄礼.基于BP神经网络的上市公司财务预警模型.系统工程理论与实践[J].2005（1）：21-26.
作者：陈乐朋 周家政
第三篇：基于神经网络的计算机网络故障诊断研究
【摘要】 计算机的普及促使现阶段人们的工作与生活方式发生明显的变化，为人们提供优质的服务，但受多种因素影响，计算机网络故障发生较为频繁，进而降低其功能性。基于此，本文从神经网络故障诊断原理和基本算法入手，深入进行分析，探索计算机网络在实际中的应用，分析其网络故障，明确现阶段神经网络下存在的网络故障，以供参考。
【关键词】 神经网络 故障诊断原理 基本算法 计算机
前言：
网络故障诊断实际上是指现阶段针对网络呈现的某种故障进行合理的检测与分析，根据其运行现状找到呈现故障的原因，以保证其正常运行。计算機网络在运行过程中需要合理的开展维护，做好相关的维护记录，以保证发生网络故障时可以为工作人员提供参考，可以及时发现设备在运行过程中存在的故障，有效进行维修。
一、神经网络故障诊断原理和基本算法
1.1工作原理
现阶段的神经网络诊断技术较为独特，主要分为两部分，一部分保证样本来满足神经网络训练，灵活利用其优势开展其处理，对计算机网络进行故障诊断;另一部分对现阶段的实际情况开展分析，分析检测输入状态，通过神经网络来对故障进行诊断与检测，完成故障诊断。通常情况下，想要对计算机网络故障开展诊断，需要提前进行原始数据处理，并分析其检测的训练样本，保证后续的诊断有序的进行。在实际的故障诊断中，其过程主要分为两个步骤，一是进行预处理，二是特征提取，为计算机故障诊断提供诊断需要的数据信息[1]。
1.2故障诊断算法
实际上，对于各种状态下的信息，计算机网络在应用过程中都需要开展实际的训练，并以此为基础，对状态信息开展分析，最终明确其实际的映射关系。受计算机自身的性质因素影响，其自身呈现出明显的适应能力，可以利用计算机网络自主进行分析，当收到外界环境影响时，利用映射的关系进行合理的调整，形成良好的适应功能。
神经元与神经元通过连接构成神经网络，例如BP神经网络现阶段的应用范围较广，以单向传输为主，用过输入层、中间层、输出层形成完整的网络层级，以保证功能的实现。以中间层的神经网络为例，其自身又被分割成多个层次，各个层次的神经元连接上下层次的神经元，单向进行输出，由此保证同层次节点不会出现耦合，每个层次只有对应下一层次，并产生影响[2]。
二、计算机网络在实际中的应用
计算机网络是指现阶段的通信网络，属于多元化网络，以自身为基础，实现资源的整合，提升资源的共享性。计算机网络已经被应用在各个领域中，促使现阶段的各个行业实现创新发展，提升计算机网络的重要性，但在实践过程中，也会不断出现大量的网络问题，进而对其功能与效率产生明显的影响，甚至产生安全性问题，降低整体安全系数，容易造成信息泄露，造成严重的经济损失。因此应积极的创新现有技术，加强整体安全防护，降低安全故障的发生几率[3]。网络传输近年来全面发展，整体的传输速率增大，转变为万M单位计算，但同时也增大了维护与维修的难度，工作人员需要花费较大的精力进行故障处理，增大成本。与从同时，从安全的角度分析，现阶段人们逐渐加强对网络安全的重视力度，以做好安全防护，尤其是针对网络入侵问题，更加注重信息的保密，以设置加密形式，保证网络安全，享受网络带来的便捷性优势[4]。
三、计算机网络故障
计算机网络故障可以说是现阶段最为常见的问题，产生的影响较为严重，并且呈现出明显的动态化与不确定化，故障地点未知，进而增大整体的故障维修难度，产生不良的后果。现有的计算机网络故障常见的类型较多，如网络传输故障、网络设备损坏故障、网络结构故障等，直接影响其各项功能的开展，因此应合理的开展优化，针对性的创新，完善现阶段的技术，高效的处理故障。网络设备故障最为常见，在计算机网络运行过程中，由于设备的老化或者电路损坏而引发规划故障，造成严重的后果[5]。
计算机网络中网络传输与网络结构产生的影响较为直接，还包括网络结构划分与传输失真问题，这些问题都会产生明显的负面影响。因此在发展中英合理的进行优化，采取有效的措施解决计算机网络故障，正确处理现阶段的问题，工作人员可以定期检查，按照故障的类型进行划分，提前进行预防，及时发现问题与安全隐患，并做好相关的记录，为工作人员提供良好的信息服务，以便于呈现故障问题时可以及时的发现位置，尽量降低故障产生的影响，控制整体的计算机网络覆盖范围，实现网络的高效传输，降低故障的发生几率[4]。
四、神经网络下计算机网络故障诊断分析
4.1模式识别神经网络
对于现阶段的网络故障来说，在开展诊断过程中包含两个环节，一是模式分类，另一个是模式识别，在传统的诊断过程中，主要是通过模式识别技术利用函数的识别，最终完成模式的分类，实现最终的归类。在该过程中，主要是通过合理的N维欧式空间的模式样本的特征空间开展分析，同时假设其模式类别，运用数算法进行分类，达到识别的目的。通过定义最大程度的对N维欧式空间进行分割，同时利用模式类别假设进行决策区域的划分，形成完整的区域。与此同时，在该过程中需要保证相关的函数参数被识别，进而根据其参数作出相应的处理，达到修正的目的[5]。
4.2专家诊断神经网络
相对来说，专家诊断神经网络是将当前神经网络与专家系统相结合，形成更为完整的系统，优化其功能性，以开展各项诊断。例如，可以将系统组合成神经网络进行处理，结合优势进行符号转换，形成完整的数值运算推理，保证专家系统的执行率提升，处理各项问题，并利用系统优势开展学习，达到最终的目的。也可以将现阶段的神经网络当成一个知识源进行处理，形成具体的表达模型，将现有的模型与知识模型相结合，发挥出专家系统的优势。从整体上开展分析，将神经网络进行合理的处理，作为现阶段的网络故障诊断的基础前提，做好知识表达，高效进行信息处理，优化各个单元的相互对接，实现节点的高效处理，保证网络信息的精准性，通过其信息进行精准的诊断与推理。发挥出自身的优势，形成简单的方式[6]。
4.3故障预测神经网络
在进行故障预测神经网络应用过程中，现阶段常见的方式主要有两种，一种是神经网络，并以此为基础进行合理的参数预测模拟，以提升整体的诊断效率，该方式在BP神经网络的计算机故障线诊断中也存在，具有良好的应用价值。针对另一种方式，主要通过现阶段的输入与输出关系进行分析，并结合实际的工作参数开展优化，明确其具体的过程，利用反馈链接动态神经网络建立动态模型，从根本上实现网络故障的结高效诊断与检测，满足实际的需求[7]。
4.4神经网络在网络中的故障与解决
神经网络概念的呈现实际上是源自于传统的人体神经学说，其实际上是指现阶段的人工神经网络（Artificial Neural Networks，ANN），属于一种模仿人体神经网络行为的特征，并根据实际情况进行合理的信息处理，优化其处理算法模型，呈现出一定的复杂性。神经网络的系统复杂性较高，内部需要通过节点进行相互连接，优化其信息处理能力，达到最终的目的。神经网络自身具有良好的学习性，可以根据自身的能力进行相应的学习，适应不断变化的环境，如通过预先输入的数据进行处理，形成完整的映射规律，并根据其规律进行预算，获取输出结果，以完成“训练”。
根据实际情况进行合理的处理，明确现阶段神经网络的优势，完善现阶段的模式，针对性的处理，利用其技术优势考虑各种因素的影响，分析神经网络中存在的故障，合理的解决故障，做好记录，将技术输入到计算机网络中，记录产生故障的原因，以便于后续出现问题时可以及时的处理，做好准备工作，以提出有效的解决方案。
对于神经网络来说，在处理过程中由于神经网络占据实际网络较大部分，因此其可以合理的判断出网络中存在的故障，缩短检查存在的时间，降低检修产生的成本，降低成本产生的影响。神经网络在处理故障时，可以充分发挥出自身的优势，利用存在的故障记录信息进行初步的诊断，可以根据实际情况进行其预处理分析，做好神经网络的诊断，做好记录的诊断。最后根据现阶段的诊断系统进行合理的处理，分析其原始数据，在诊断前进行预处理，明确其处理特征，做好选取，提供精准的数据信息，以保证各项工作有序的开展[8]。
五、结论
综上所述，在当前的时代背景下，计算机网络中产生的故障造成较为严重的后果，直接影响人们的使用，因此应加强重视力度，从多个角度创新，完善现阶段的发展模式，针对性的开展处理，灵活运用现有的技术来处理故障，以保证故障得到合理的解决。与此同时，积极的开展技术研究，优化其智能性，以保证现阶段的计算机网络故障得到高效的检测，利用技术的优势开展处理，为人们提供良好的技术支撑，具有广阔的前景。
参 考 文 献
[1]臧博.一种神经网络的计算机网络故障诊断探究[J].电脑编程技巧与维护，2018，16（22）：100-102.
[2]王强.基于神经网络的计算机网络故障诊断[J].信息与电脑（理论版），2019，15（19）：157-158.
[3]张建勋，纪纲，曾庆森.粗糙集-神经网络计算机网络故障诊断方法研究[J].现代机械， 2019，15（03）：48-50.
[4]尚志信，周宇，叶庆卫.基于粗糙集和BP神经网络算法的网络故障诊断模型研究[J].宁波大学学报（理工版），2019，12（03）：3-5.
[5]胡波.基于粗糙集理论与BP神经网络结合的火电厂风机故障诊断研究[J].现代机械， 2018，15（03）：48-50.
[6]孫颖楷，张邦礼，曹龙汉.基于粗糙集理论的人工神经网络故障诊断系统[J]. 重庆大学学报（自然科学版），2019，15（03）：48-50.
[7]张燕军，张彦斌，刘仁伟.基于粗糙集与神经网络相结合的模拟电路故障诊断[J].火力与指挥控制， 2019，15（S1）：78-81.
[8]刘庆珍.基于粗糙集理论和人工神经网络的电力电子电路故障诊断的研究[J].现代机械， 2019，12（03）：4-5.
[9]臧博.一种神经网络的计算机网络故障诊断探究[J].电脑编程技巧与维护，2015（22）：100-102.
[10]张建勋，纪纲，曾庆森，等.粗糙集-神经网络计算机网络故障诊断方法研究[J].现代机械， 2005（3）：48-50.
[11]陶亮.神经网络在网络故障诊断中的应用研究[J].计算机光盘软件与应用，2012（15）：179-179.
作者：张涛