12.2.3 MotivationIf requirements an

12.2.3 Motivation
If requirements and conditions are quantized and represented as a vector, the process of
mapping to protocol configurations may be reduced to a pattern matching exercise. Initial
interest in the use of neural networks was motivated by this fact, as pattern is an application
at which neural networks are particularly adept. The case for neural network adaptation
policies is strengthened by the following factors:
1. Problem data: the problem data is well suited to representation by a neural network.
Firstly extrapolation is never performed due to shaping and bounding in the control
mechanism. Secondly, following shaping the values presented at the input nodes may
not necessarily be discrete. Rather than rounding, as one would in a classic state table,
the networks ability to interpolate allows the suggestion of protocol configurations for
combinations of characteristics and requirements not explicitly trained.
2. Distribution of overheads: the largest overhead in the implementation and operation
of a neural network is the training process. For this application the overheads in off line
activities, such as the time taken to code a new protocol function or adaptation policy,
do not adversely effect the more important runtime performance of the protocol. Thus,
the overheads are being moved from performance sensitive online processing to off line
activities, where the overheads of generating an adaptation policy are minimal
compared to the time required develop and test a new protocol.
3. Execution predictability: the execution overheads of a neural network are constant
and predictable. The quality of solution found does not depend upon an allotted search
time and always results in the best configuration being found (quality of solution is
naturally dependent on the training data

12.2.3 Động lực
Nếu các yêu cầu và điều kiện lượng tử hóa và biểu diễn như là một véc tơ, quá trình
lập bản đồ để cấu hình giao thức có thể được giảm đến một mô hình phù hợp với tập thể dục. Ban đầu
quan tâm đến việc sử dụng các mạng thần kinh đã được thúc đẩy bởi thực tế này, như mô hình là một ứng dụng
mà tại đó các mạng thần kinh đặc biệt là chuyên nghiệp. Các trường hợp cho thích ứng mạng lưới thần kinh
chính sách được củng cố bởi các yếu tố sau:
1. Vấn đề dữ liệu:. Dữ liệu vấn đề là rất phù hợp với đại diện bởi một mạng lưới thần kinh
ngoại suy Thứ nhất không bao giờ được thực hiện do việc hình thành và ranh giới trong việc kiểm soát
cơ chế. Thứ hai, sau việc hình thành các giá trị trình bày tại các nút đầu vào có thể
không nhất thiết phải là rời rạc. Thay vì làm tròn, sẽ là một trong một bảng trạng thái cổ điển,
khả năng mạng để nội suy cho phép đề xuất các cấu hình cho giao thức
kết hợp các đặc điểm và yêu cầu không được đào tạo một cách rõ ràng.
2. Phân phối các chi phí: các chi phí lớn nhất trong việc thực hiện và hoạt động
của một mạng lưới thần kinh là quá trình đào tạo. Đối với ứng dụng này, các chi phí trong đường tắt
hoạt động, chẳng hạn như thời gian thực hiện để mã một chức năng hoặc giao thức thích ứng chính sách mới,
không gây ảnh hưởng xấu đến việc thực hiện thời gian chạy quan trọng hơn của giao thức. Do đó,
các chi phí quản lý được chuyển từ hiệu suất xử lý trực tuyến nhạy cảm với đường tắt
các hoạt động, trong đó các chi phí tạo ra một chính sách thích ứng là tối thiểu
so với thời gian cần thiết phát triển và thử nghiệm một giao thức mới.
3. Thực hiện khả năng dự đoán: các chi phí quản lý thực hiện của một mạng lưới thần kinh là không đổi
và dự đoán được. Chất lượng của giải pháp tìm thấy không phụ thuộc vào một tìm kiếm được phân bổ
thời gian và luôn luôn kết quả trong cấu hình tốt nhất được tìm thấy (chất lượng của giải pháp là
tự nhiên phụ thuộc vào dữ liệu huấn luyện