Сети компьютеров в вашем офисе


         

Сети компьютеров в вашем офисе

Трудно себе представить, что вы никогда и ничего не слышали про сети персональных компьютеров. Возможно, вы даже знаете, что бывают локальные и глобальные сети. Наиболее эрудированные из вас знают такие слова, как Ethernet и репитер. Однако при изложении материала мы будем предполагать, что ранее вы никогда не работали в компьютерной сети.

Первое знакомство
Копирование стартовых файлов Novell NetWare
Безопасность данных в Microsoft Windows for Workgroups

Стратегическое планирование сетей масштаба предприятия

Корпоративная сеть - это сложная система, включающая тысячи самых разнообразных компонентов: компьютеры разных типов, начиная с настольных и кончая мейнфремами, системное и прикладное программное обеспечение, сетевые адаптеры, концентраторы, коммутаторы и маршрутизаторы, кабельную систему. Основная задача системных интеграторов и администраторов состоит в том, чтобы эта громоздкая и весьма дорогостоящая система как можно лучше справлялась с обработкой потоков информации, циркулирующих между сотрудниками предприятия и позволяла принимать им своевременные и рациональные решения, обеспечивающие выживание предприятия в жесткой конкурентной борьбе. А так как жизнь не стоит на месте, то и содержание корпоративной информации, интенсивность ее потоков и способы ее обработки постоянно меняются. Последний пример резкого изменения технологии автоматизированной обработки корпоративной информации у всех на виду - он связан с беспрецедентным ростом популярности Internet в последние 2 - 3 года.
Изменения, причиной которых стал Internet, многогранны. Гипертекстовая служба WWW изменила способ представления информации человеку, собрав на своих страницах все популярные ее виды - текст, графику и звук. Транспорт Internet - недорогой и доступный практически всем предприятиям (а через телефонные сети и одиночным пользователям) - существенно облегчил задачу построения территориальной корпоративной сети, одновременно выдвинув на первый план задачу защиты корпоративных данных при передаче их через в высшей степени общедоступную публичную сеть с многомиллионным "населением". Стек TCP/IP сразу же вышел на первое место, потеснив прежних лидеров локальных сетей IPX и NetBIOS, а в территориальных сетях - Х.25.

В чем состоит планирование сети
Популярность Internet оказывает на корпоративные сети не только техническое и технологическое влияние. Так как Internet постепенно становится общемировой сетью интерактивного взаимодействия людей, то Internet начинает все больше и больше использоваться не только для распространения информации, в том числе и рекламной, но и для осуществления самих деловых операций - покупки товаров и услуг, перемещения финансовых активов и т.п.

Предоставление индивидуального
Предоставление индивидуального - 2
Предоставление индивидуального - 3
Предоставление индивидуального - 4
Предоставление индивидуального - 5
Предоставление индивидуального - 6
Предоставление индивидуального - 7
Предоставление индивидуального - 8
Предоставление индивидуального - 9
Выбор технологии магистрали

Виртуальные частные сети в публичных сетях Framerelay, АТМ, Internet
Наличие в сетях Х.25 техники виртуальных каналов создает предпосылки для образования в них VPN. Однако, в технологии Х.25 отсутствует важный элемент, который необходим для образования VPN - поддержка качества обслуживания. Пропускная способность виртуального канала VPN неизвестна. В настоящее время работы по совершенствованию технологии Х.25 в этом направлении не ведутся, поэтому виртуальные каналы в сетях Х.25 трудно отнести к полноценным VPN.

Что такое сетевая операционная система
Что такое сетевая операционная система - 2
Что такое сетевая операционная система - 3
Что такое сетевая операционная система - 4
Критерии выбора корпоративной ОС
Критерии выбора корпоративной ОС - 2
Критерии выбора корпоративной ОС - 3
Файловый сервер и сервер приложений
Файловый сервер и сервер приложений - 2
Справочная служба в борьбе за рынок

Построение физической модели
После того, как для сети выбрана техническая модель, необходимо оценить, насколько она удовлетворяет производственным требованиям. Нужно вернуться к бизнес-модели и сопоставить ее требования с техническими решениями. Вряд ли технические решения будут полностью удовлетворять требованиям бизнес-модели, но к этому надо стремиться.

Разработка технического задания
Разработка технического задания - 2
Разработка технического задания - 3
Разработка технического задания - 4
Разработка технического задания - 5
Разработка технического задания - 6
Разработка технического задания - 7
Разработка технического задания - 8
Средства анализа и оптимизации сетей
Пакеты имитационного моделирования

Основы теории нейронных сетей

Развитие искусственных нейронных сетей вдохновляется биологией. То есть, рассматривая сетевые конфигурации и алгоритмы, исследователи применяют термины, заимствованные из принципов организации мозговой деятельности. Но на этом аналогия заканчивается. Наши знания о работе мозга столь ограничены, что мало бы нашлось точно доказанных закономерностей для тех, кто пожелал бы руководствоваться ими. Поэтому разработчикам сетей приходится выходить за пределы современных биологических знаний в поисках структур, способных выполнять полезные функции. Во многих случаях это приводит к необходимости отказа от биологического правдоподобия, мозг становится просто метафорой, и создаются сети, невозможные в живой материи или требующие неправдоподобно больших допущений об анатомии и функционировании мозга.
Несмотря на то, что связь с биологией слаба и зачастую несущественна, искусственные нейронные сети продолжают сравнивать с мозгом. Их функционирование часто имеет внешнее сходство с человеческим познанием, поэтому трудно избежать этой аналогии. К сожалению, такие сравнения неплодотворны и создают неоправданные ожидания, неизбежно ведущие к разочарованию.

Биологический прототип
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона.

Цель обучения
Обучение с учителем
Обучение без учителя
Алгоритмы обучения
Биологический прототип
Искусственный нейрон
Искусственный нейрон - 2
Однослойные искусственные нейронные сети
Многослойные искусственные нейронные сети
Многослойные искусственные нейронные сети - 2

Персептроны и зарождение искусственных нейронных сетей
В качестве предмета исследования искусственные нейронные сети впервые заявили о себе в 1940-е годы. Стремясь воспроизвести функции человеческого мозга, исследователи создали простые аппаратные (а позже программные) модели биологического нейрона и системы его соединений. Когда нейрофизиологи достигли более глубокого понимания нервной системы человека, эти ранние попытки стали восприниматься как весьма грубые аппроксимации.

Персептронная представляемость
Проблема функции ИСКЛЮЧАЮЩЕГО ИЛИ
Проблема функции ИСКЛЮЧАЮЩЕГО ИЛИ - 2
Линейная разделимость
Преодоление ограничения разделимости
Преодоление ограничения разделимости - 2
Эффективность запоминания
Персептроны и зарождение искусственных НС
Персептроны и зарождение искусственных НС - 2
Персептронная представляемость

Обучение персептрона
Способность искусственных нейронных сетей к обучению является их наиболее интригующим свойством. Подобно биологическим системам, которые они моделируют, эти нейронные сети сами совершенствуют себя в результате попыток создать лучшую модель поведения.

Алгоритм обучения однослойного персептрона
Алгоритм обучения однослойного персептрона - 2
Алгоритм обучения однослойного персептрона - 3
Целочисленность весов персептронов
Двуслойность персептрона
Двуслойность персептрона - 2
Трудности с алгоритмом обучения персептрона
Обучение персептрона
Алгоритм обучения однослойного персептрона
Алгоритм обучения однослойного персептрона - 2

Введение в процедуру обратного распространения
Среди различных структур нейронных сетей (НС) одной из наиболее известных является многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми аксонами нейронов предыдущего слоя или, в случае первого слоя, со всеми входами НС. Такие НС называются полносвязными. Когда в сети только один слой, алгоритм ее обучения с учителем довольно очевиден, так как правильные выходные состояния нейронов единственного слоя заведомо известны и подстройка синаптических связей идет в направлении, минимизирующем ошибку на выходе сети. По этому принципу строится, например, алгоритм обучения однослойного персептрона

Обучающий алгоритм обратного распространения
Дальнейшие алгоритмические разработки
Применение
Введение в процедуру обратного распространения
Алгоритм обратного распространения
Алгоритм обратного распространения - 2
Алгоритм обратного распространения - 3
Алгоритм обратного распространения - 4
Алгоритм обратного распространения - 5
Алгоритм обратного распространения - 6

Переобучение и обобщение
Одна из наиболее серьезных трудностей алгоритма обратного распространения заключается в том, что таким образом мы минимизируем не ту ошибку, которую на самом деле нужно минимизировать, — ошибку, которую можно ожидать от сети, когда ей будут подаваться совершенно новые наблюдения. Иначе говоря, мы хотели бы, чтобы нейронная сеть обладала способностью обобщать результат на новые наблюдения.

Переобучение и обобщение
Переобучение и обобщение - 2
Переобучение и обобщение - 3
Отбор данных
Отбор данных - 2
Как обучается многослойный персептрон
Как обучается многослойный персептрон - 2
Как обучается многослойный персептрон - 3
Предостережения
Паралич сети

Введение в сети встречного распространения
По своим возможностям сети встречного распространения превосходят возможности однослойных сетей. Время же их обучения, по сравнению с обратным распространением, может уменьшаться в сто раз. Встречное распространение не настолько общее, как обратное распространение, но оно может давать решение в тех приложениях, где долгая обучающая процедура невозможна. Будет показано, что, помимо преодоления ограничений других сетей, встречное распространение обладает собственными интересными и полезными свойствами.

Структура сети
Слои Кохонена
Слой Гроссберга
Обучение слоя Кохонена
Предварительная обработка входных векторов
Предварительная обработка входных векторов - 2
Выбор начальных значений весовых векторов
Выбор начальных значений весовых векторов - 2
Примеры обучения
Модификации алгоритма обучения

Использование обучения
Искусственная нейронная сеть обучается с помощью некоторого процесса, модифицирующего ее веса. Если обучение успешно, то предъявление сети множества входных сигналов приводит к появлению желаемого множества выходных сигналов. Имеется два класса обучающих методов: детерминистский и стохастический.

Больцмановское обучение
Больцмановское обучение - 2
Обучение Коши
Метод искусственной теплоемкости
Обратное распространение и обучение Коши
Трудности с обратным распространением
Трудности с алгоритмом обучения Коши
Трудности с алгоритмом обучения Коши - 2
Экспериментальные результаты
Использование обучения

Конфигурации сетей с обратными связями
Рассмотренный нами ранее персептрон относится к классу сетей с направленным потоком распространения информации и не содержит обратных связей. На этапе функционирования каждый нейрон выполняет свою функцию — передачу возбуждения другим нейронам — ровно один раз. Динамика состояний нейронов является неитерационной.

Бинарные системы
Бинарные системы - 2
Устойчивость
Ассоциативность и задача распознавания
Ассоциативность и задача распознавания - 2
Конфигурации сетей с обратными связями
Бинарные системы
Бинарные системы - 2
Бинарные системы - 3
Устойчивость

Модификации правила Хэбба
Ограничения емкости синаптической памяти, а также проблема ложной памяти классической нейронной сети в модели Хопфилда, обученной по правилу Хебба, привели к появлению целого ряда исследований, целью которых было снятие этих ограничений. При этом главный упор делался на модификацию правил обучения.

Матрица Хебба с ортогонализацией образов
Отказ от симметрии синапсов
Алгоритмы разобучения (забывания)
Непрерывные системы
Сети Хопфилда и машина Больцмана
Термодинамические системы
Статистические сети Хопфилда
Обобщенные сети
Аналого-цифровой преобразователь
Аналого-цифровой преобразователь - 2

Структура ДАП
В дальнейшем будем предполагать, что используется пороговая функция активации. Примем также, что существует память внутри каждого нейрона в слоях 1 и 2 и что выходные сигналы нейронов изменяются одновременно с каждым тактом синхронизации, оставаясь постоянными в паузах между этими тактами.

Восстановление запомненных ассоциаций
Кодировка ассоциаций
Кодировка ассоциаций - 2
Емкость памяти
Емкость памяти - 2
Непрерывная ДАП
Адаптивная ДАП
Конкурирующая ДАП
Структура ДАП
Восстановление запомненных ассоциаций

Принцип адаптивного резонанса
Привлекательной особенностью нейронных сетей с адаптивным резонансом является то, что они сохраняют пластичность при запоминании новых образов, и, в то же время, предотвращают модификацию старой памяти. Нейросеть имеет внутренний детектор новизны - тест на сравнение предъявленного образа с содержимым памяти. При удачном поиске в памяти предъявленный образ классифицируется с одновременной уточняющей модификацией синаптических весов нейрона, выполнившего классификацию.

Архитектура АРТ
Описание APT
Упрощенная архитектура APT
Упрощенная архитектура APT - 2
Функционирование сети APT
Функционирование сети APT - 2
Функционирование сети APT - 3
Принцип адаптивного резонанса
Принцип адаптивного резонанса - 2
Архитектура АРТ

Функционирование сетей APT
Для выработки точной классификации полезна возможность изменять коэффициент сходства на протяжении процесса обучения, обеспечивая только грубую классификацию в начале процесса обучения и затем постепенно увеличивая коэффициент сходства.

Пример обучения сети АРТ
Пример обучения сети АРТ - 2
Характеристики АРТ
Инициализация весовых векторов T
Настройка весовых векторов Bj
Инициализация весов bij
Теоремы APT
Нерешенные проблемы и недостатки АРТ-1
Сети АРТ-2 и АРТ-3
Сети АРТ-2 и АРТ-3 - 2

Структура сети
Когнитрон состоит из иерархически связанных слоев нейронов двух типов — тормозящих и возбуждающих. Состояние возбуждения каждого нейрона определяется суммой его тормозящих и возбуждающих входов. Синаптические связи идут от нейронов одного слоя (далее слоя 1) к следующему (слою 2). Относительно данной синаптической связи соответствующий нейрон слоя 1 является пресинаптическим, а нейрон второго слоя — постсинаптическим.

Обучение когнитрона
Обучение когнитрона - 2
Когнитрон как модель зрительной коры мозга
Результаты моделирования
Структура сети
Обучение когнитрона
Обучение когнитрона - 2
Обучение когнитрона - 3
Обучение когнитрона - 4
Когнитрон как модель зрительной коры мозга

Обобщение
Неокогнитрон имеет иерархическую структуру, ориентированную на моделирование зрительной системы человека. Он состоит из последовательности обрабатывающих слоев, организованных в иерархическую структуру. Входной образ подается на первый слой и передается через плоскости, соответствующие последующим слоям, до тех пор, пока не достигнет выходного слоя, в котором идентифицируется распознаваемый образ.

Структура
Обобщение
Вычисления
Обучение
Обучение - 2
Заключение
Структура
Структура - 2
Обобщение
Вычисления

Обучение с учителем и без учителя
Обучающие алгоритмы могут быть классифицированы как алгоритмы обучения с учителем и обучения без учителя. В первом случае существует учитель, который предъявляет входные образы сети, сравнивает результирующие выходы с требуемыми, а затем настраивает веса сети таким образом, чтобы уменьшить различия. Трудно представить такой обучающий механизм в биологических системах; следовательно, хотя данный подход привел к большим успехам при решении прикладных задач, он отвергается теми исследователями, кто полагает, что искусственные нейронные сети обязательно должны использовать те же механизмы, что и человеческий мозг.

Метод обучения Хэбба
Алгоритм обучения Хэбба
Метод сигнального обучения Хэбба
Метод дифференциального обучения Хэбба
Входные и выходные звезды
Обучение входной звезды
Обучение выходной звезды
Обучение персептрона
Метод обучения Уидроу—Хоффа
Метод статистического обучения


Теория Фибоначчи - перейти
Числа Фибоначчи - перейти
Инструменты Фибоначчи - перейти
Торговля с Фибо и ДиНаполи - перейти
Теория Эллиотта - перейти
Теория Доу - перейти
Волны Эллиотта - перейти
Волновой анализ - перейти
Установка Linux Red Hat 7.1 - перейти
Введение - перейти
Что такое Linux? - перейти
Bыбор дистрибутива - перейти
Подготовка к установке LINUX RED HAT 7.1 - перейти
Установка LINUX RED НАТ 7.1 - перейти
Особые варианты установки - перейти