網絡態勢神經學習網絡預測模型有哪些

網絡態勢神經學習網絡預測模型有以下這些：

• 線性神經網絡：線性神經網絡由一個或多個線性神經元組成，是一種層次性前向網絡，其傳遞函數為線性函數，學習算法為最小均方（LMS）算法是通過調整線性神經網絡的權重和閾值，使均方差最小。線性神經網絡適用于對線性關系的數據進行預測。

• BP神經網絡：反向傳播網絡，是指基于誤差反向傳播算法的多層前向神經網絡，BP神經網絡通常采用基于BP神經元的多層前向神經網絡結構形式，由輸入層、若干個隱含層和輸出層所構成，各層次之間的神經元形成全互聯連接，各層次內的神經元之間沒有連接。當供給網絡一組學習樣本后，神經元的激活值從輸入層經過各隱含層向輸出層傳播，輸出層的神經元獲得輸出。然后以期望輸出和實際輸出的誤差為反方向，由輸出層經過各隱含層到輸入層，調節、修正網絡連接權值。隨著這種根據誤差逆向傳播來不斷修正權值，網絡對輸入模式的適應性不斷上升。

• Elaman神經網絡：是一種層次性反饋網絡，一般分為四層輸入層、中間層（隱含層）、承接層和輸出層，傳遞函數可以采用線性或非線性函數，各層連接類似于前向網絡。承接層用來記憶隱含層單元前一時刻的輸出值，可視為一個一步延時算子。因此把該網絡用作流量中非線性關系數據預測的網絡單元可以保證流量的非平穩性特征。

• Hopfield神經網絡：一種循環神經網絡，它可用作連接存儲器的互連網絡。它從輸出到輸入是有反饋的連接，主要可分為離散型和連續型兩種類型。由于其輸出端到輸入端是有反饋的，所以Hopfield網絡在輸入的激勵下會產生不斷變化的狀態。當有輸入之后，可以求得輸出，這個輸出反饋到輸入再產生新的輸出，循環往復。如果Hopfield網絡是一個能收斂的穩定網絡，那么這個反饋與迭代的計算過程所產生的變化會越來越小，一旦到達穩定平衡狀態，網絡就會輸出一個穩定的恒值。對于一個Hopfield網絡來說，關鍵在于確定它在穩定條件下的權系數。

• Kohonen神經網絡：Kohonen模型的思想在本質上是希望解決有關外界信息在人腦中自組織地形成概念的問題。對于一個系統來說，就是要解決一個系統在受外界信息作用時在內部自組織地形成對應表示形式的問題，這其中涉及神經網絡的權系數調整。以發出信號的神經元為圓心，對近鄰的神經元的交互作用表現為興奮性側反饋；同時以發出信號的神經元為圓心，對遠鄰的神經元的交互作用表現為抑制性側反饋。這種規則說明近鄰者相互激勵，而遠鄰者相互抑制。自組織特征映射網絡學習正是以此為理論基礎而產生的。

回答所涉及的環境：聯想天逸510S、Windows 10。