孙娟

摘要：时代进步与计算机网络飞速发展推动了社会的发展与进步，但值得注意的是一旦出现计算机网络问题就会带来一定的经济损失，所以正确处理计算机网络问题非常重要，必须及时处理并做好相关保护措施，增强计算机网络连接优化中神经网络算法，对于维护计算机网络的有序运行很有效。

关键词：计算机网络连接；增强优化；神经网络算法

中图分类号：TP393 文献标识码：A 文章编号：1007-9416（2017）03-0146-01

在当前的社会中计算机网络技术得到了极为快速的发展，被广泛的应用于人们生活和工作之中，为人们的生活和工作带来了许多的方便，成为当前社会中非常重要的一种科学技术。虽然从整体上看计算机网络技术在我国已经取得了较大的发展，但是我国在发展时间上仍旧较短，其中仍旧存在着较多的问题，尤其是在计算机网络连接上面。因此，针对这些存在问题的地方还需要进一步优化，为人们提供健康的计算机网络环境。

1 计算机网络连接增强优化

1.1 计算机网络连接增强优化的重要性

网络正常连接对于计算机的运行具有很大的作用，是计算机运行的基本条件。如何使得计算机网络连接增强优化显得尤为重要，特别是在现今这个网络飞速发展的时代，人们对网络的需求是越来越大，突然断网对于任何人、任何企业来说，损失都是巨大的。如网络连接断开，计算机设备就无法与通信网络展开有效信息沟通。正是因为以上这些情况，所以必须对计算机网络连接进行优化，将计算机网络不断拓扑扩展，促使信息交流更加有效于有序，从而有效将损失降低下来。网络技术发展到现在，适当地加入结点，可将计算机网络连接有效率不断完善，网络容量也会在一定程度上得到提高，加强了信息媒介的相互传播，使原有网络得到延伸，在延伸网络拓扑的同时，也为计算机网络的正常连接提供了重要的保障。截止到目前为止，提高计算机网络连接效率的措施非常之多，必须采取适当且合理的计算机网络连接优化措施，并且以最小经济支出增强优化神经网络算法。

1.2 计算机网络拓扑结构

计算机网络拓扑结构是一种物理构成模式，是由三方面组成，即网络计算机或网络设备、网络传输媒介中的结点和线。计算机网络拓扑结构的形成和产生与通信子网之间有着密切的联系，该结构的形成使得网络信息数据系统更加的完整、可靠安全，其还包括实现数据内容的互换、云共享等功能。一般计算机网络是用G= 来表示，其中V是一个网络结点集，E是一个链路集。如用Va表示增加结构中结点集，用Eb表示增加结构中连接集，那么就可以得出计算机网络的结构是：G=。

2 基于计算机网络连接优化中的神经网络算法

2.1 神经网络算法

在思维学中有着这样一种看法，大脑思维包括三种基本方式，分别是形象思维、抽象思维与灵感思维。抽象思维是逻辑化的一种思想，形象思维是直观化的一种思想，灵感思维是顿悟性和创造性的一种思想。神经网络思维与大脑思维类似，其建立在理论实践基础之上，通过分析总结，模拟出人类的大脑思維，这实质上也可以看作另一种思维表达方式。人工神经网络是一个基于非线性动力学理论的神经网络系统，其主要特色可以归结为两点：信息存储的分布式和并行处理的协同性。通常情况下对于单个的神经元结构而言是非常简单的，这种神经元结构的功能也相对较为简单，但如果是网络系统由大量神经元构成，也就是将众多的简单功能组合在一起，可以让其功能显得特别的强大，其中的实现行为也会变得更加的丰富多彩。如果再在此基础上配置上合适的网络算法和网络模型，对网络信号的正确处理等功能，那么就会让该系统实现智能化。

处于如今这一阶段，在社会中，应用人工神经网络的领域是越来越广，可以说在实际生活生产中具有很好的效果。因此，人工网络算法也受到了人们的广泛关注，随着社会经济的发展，网络算法也再不断的优化中，发挥着监管的作用。也会影响计算机网络的连接效果。

2.2 均场神经网路算法

在建立科学合理场均神经网络模型基础上，可以有效增强优化计算机网络连接，在已优化的网络连接中研究均场神经网络算法，之后就可以对网络效果进行相关评判。特别注意，采用函数法来构建相关模型，最重要的是重视构建目标函数工作，在实际操作时，可采取以下方式对模型构建进行表达，具体如下：其中用Fi来表示Hopfield计算网络神经元的状态，当Fi=1，就表示网络此时选择连接的是i，且可正常进行连接；当Fi=0，就表示网络对于i没有选中，且不能正常进行连接。这时就可利用罚函数法所构建结构来对网络模型进行创建，但必须保证Z=max（ΣPi*Xi）与ΣMi*Xi≤A是能够成立的，并且有效控制目标函数，目标函数主要包括：I =γ/2*[ΣρiFi]2+ψ/2*[aΣmifi ]2，在该表达式中，a=（γripi-ψmimi）d，Ii=βami，γ和ψ是Lagrange参数，所构造的Lyapunov能量函数如下：E =1/2*ΣΣAiFiFiΣIiFi，Hopfield神经网络的结构如下：Fi=1/2*[1+tanh（Bi/T）]，Bi=ΣAiFi+I。均退火技术被充分利用，就可以实现将随机变量函数均值转变成函数，即得出：〈Fi〉=1/2*[1+tanh{}]，〈Bi〉=〈ΣAiFi+Ii〉=ΣAiFi +Ii。当随机变量均值〈Fi〉变换成均场变量Ri时，就能得到均场网络结构：Ri=1/2[1+tanh（ΣAiRi+Ii/T）]，均场网络能量函数即是：E（v）=1/2ΣΣAiRiRiΣIiRi。简单分析算法步骤发现：首先，参数设置必须建立在充分考虑问题基础上；其次，进行初始化时，Ri=rand（d，1-d），其中i是可以为大于零整数的；最后，以上操作重复进行，直到满足条件后为止。

3 计算机网络连接增强优化中的神经网络算法优势总结性分析

使用神经网络算法对计算机网络连接进行优化的优势是显而易见的，首先，其有效提升了计算机网络的连接效率，使得网络运行速度更快；其次，有效降低了优化计算机网络连接所带来的资金投入增加问题，将资金利用效率最大化，即用最少的资金获得最好的优化效果；再者，将复杂的取均值运算转变为函数式规律运算，大大节省了计算时间，实现网络信息数据的更好交互；最后神经网络算法增加了弥补漏洞模型，一旦Hopfield无法达到目标函数要求，就可以用罚函数法结构来进行对目标函数的控制，这样大大减少的误差率，使得后续网络维护工作更加方便。

4 结语

综上所述，计算机已经渗透在人们生活中的各个领域中，具有十分重要的意义。如果计算机网络出现故障，将威胁到相关企业的工作以及一些设备的正常运转，有损其经济效益。正因如此，必须加强重视计算机网络连接的程度，尽可能采取有效措施对计算机网络进行优化，不断完善连接效率，使得网络连接更加体现出可靠性与稳定性，促进计算机网络更长久且稳定的发展，为未来整个计算机事业的可持续性发展奠定基础，更加方便人们的生活，提高个人与企业收益。

参考文献

[1]朱云.计算机网络连接增强优化中的神经网络算法[J].煤炭技术，2012（04）：203-204.

[2]李霞.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程，2016（03）：25.

[3]王颖华，金爱花.计算机网络连接增强优化中的均场神经网络算法[J].硅谷，2013（08）：61-62.

[4]陈竺.计算机网络连接增强优化中的神经网络算法[J].电子技术与软件工程，2014（19）：16.

[5]李盼池，许少华.基于过程神经网络和遗传算法的系统逆向过程求解[J].计算机测量与控制，2015（10）：948-950.