12.2.4 The Neural Network ModelThe

12.2.4 The Neural Network Model
The aim of using a neural network is to capitalise on the factors of knowledge
representation and generalisation to produce small, fast, knowledgeable and flexible
adaptation heuristics. In its most abstract form, the proposed model employs a neural
network to map an input vector, composed of quantized requirements and conditions, to an
output vector representing desired protocol functionality.
A simple example is illustrated in Figure 12.3. Nodes in the input layer receive
requirements from the application and connection characteristics from the protocol. The
values presented to an input node represents the quantized state (for example low, medium
or high) of that QoS characteristic. No restrictions are placed on the granularity of these
states and as more are introduced the ability of an application to express its requirements
increases. Before being passed to the network input node, values are shaped to ensure theyNeural Networks for the Optimization of Runtime Adaptable Communication Protocols 207
stay within a certain range expected by the policy. It should be noted that this process does
not round these values to the closest state as would be required in a state table. The
networks ability to generalise allows appropriate output to be generated for input values not
explicitly trained.

Kết quả (Việt) 1:

12.2.4 các mô hình mạng nơ-ronMục đích của việc sử dụng một mạng nơ-ron là để capitalise về các yếu tố của kiến thứcđại diện và generalisation để sản xuất nhỏ, nhanh chóng, hiểu biết và linh hoạtchẩn đoán thích ứng. Ở dạng đặt trừu tượng của nó, các mô hình đề xuất sử dụng một thần kinhmạng để ánh xạ một véc tơ đầu vào, bao gồm các bước yêu cầu và điều kiện, đến mộtsản lượng đại diện cho vector mong muốn giao thức chức năng.Một ví dụ đơn giản được minh họa trong hình 12.3. Nút trong lớp đầu vào nhận đượcyêu cầu từ các đặc tính ứng dụng và kết nối từ giao thức. Cácgiá trị cho một nút đầu vào đại diện cho bang quantized (ví dụ: thấp, Trung bìnhhoặc cao) của rằng đặc tính QoS. Không có hạn chế được đặt trên granularity của nhữngKỳ và như là giới thiệu khả năng của một ứng dụng để nhận các yêu cầutăng. Trước khi được thông qua để nút đầu vào mạng, giá trị được hình để đảm bảo theyNeural mạng cho các tối ưu hóa của thời gian chạy thích nghi truyền thông giao thức 207ở khách sạn trong vòng một phạm vi nhất định mà dự kiến sẽ theo chính sách. Cần lưu ý rằng quá trình này khôngkhông vòng các giá trị trạng thái gần như sẽ được yêu cầu trong một bảng nhà nước. Cácmạng có thể khái cho phép các sản lượng thích hợp để được tạo ra cho các giá trị đầu vào khôngđào tạo một cách rõ ràng.

Kết quả (Việt) 2:

12.2.4 Các Neural Network mẫu
Mục đích của việc sử dụng một mạng lưới thần kinh là để tận dụng các yếu tố kiến thức
đại diện và tổng quát để sản xuất nhỏ, nhanh chóng, linh hoạt kiến thức và
công nghệ tự động thích ứng. Trong hình thức trừu tượng nhất của nó, là mô hình được đề xuất sử dụng một thần kinh
mạng để ánh xạ một vector đầu vào, bao gồm các yêu cầu và điều kiện lượng tử hóa, một
vector đầu ra đại diện cho chức năng giao thức mong muốn.
Một ví dụ đơn giản được minh họa trong hình 12.3. Các nút trong lớp nhập nhận được
yêu cầu từ các ứng dụng và kết nối đặc tính từ các giao thức. Các
giá trị được trình bày với một nút đầu vào thể hiện trạng thái lượng tử (ví dụ thấp, trung bình
hoặc cao) trong đó đặc điểm QoS. Không có hạn chế được đặt trên các chi tiết của các
tiểu bang và khi ngày càng được giới thiệu khả năng của một ứng dụng để thể hiện yêu cầu của nó
tăng lên. Trước khi được chuyển đến nút đầu vào mạng, các giá trị được định hình để đảm bảo theyNeural Networks cho Tối ưu hóa Runtime thích ứng giao thức truyền thông 207
ở trong một phạm vi nhất định kỳ vọng của chính sách. Cần lưu ý rằng quá trình này
không làm tròn các giá trị cho nhà nước gần như sẽ được yêu cầu trong một bảng nhà nước. Các
khả năng của mạng để khái quát cho phép đầu ra thích hợp để được tạo ra cho các giá trị đầu vào không
được đào tạo một cách rõ ràng.