计算机网络实训简介,计算机网络实验报告介绍.doc

学 生 实 验 报 告

(理工类)

课程名称:计算机网络与通信 1305102046 学生姓名: 桑 倩

所属院部:电子信息工程学院 指导教师: 陈 存 宝

20 15 ——20 16 学年 第 1 学期

金陵科技学院教务处制

实验项目名称:网络通信线路的制作与连接实验学时: 2

同组学生姓名: 实验地点: B405

实验日期: 2015.11.16 实验成绩:

批改教师: 陈存宝 批改时间:

一、实验目的和要求

实验目的:

1.了解LAN中常用的几种传输介质、连接器的性能及各自特点。

2.学习双绞线、同轴电缆网线的制作和掌握网线制作工具,电缆测试仪的使用。

实验要求:

1.掌握LAN中常用的几种传输介质、连接器的连接方法与实际使用。

2.独立制作一根合格的双绞线或同轴电缆的网线。

二、实验仪器和设备

实验所需设备有5类双绞线,RJ-45头,细缆,BNC接头,T型头,端接器、同轴电缆、收发器、AUI电缆、双绞线、同轴细缆压线钳,电缆测试仪,剥线钳、剪刀等。

三、实验过程

(一)实验原理

目前计算机网络的有线通信大多采用铜芯线或光纤作为传输介质。常用的传输介质有同轴粗缆与细缆,无屏蔽双绞线(UTP)、光纤等。网络中计算机之间的信息交换,通过网络终端设备将要传输的信息转化成相关传输介质所需的电信号或光信号,然后通过传输介质、网络设备进行传输。不同的传输介质具有不同的电气特性、机械特性、和信息传输格式,因此,它们也就具有不同的传输方式、传输速率,传输距离等。在组建局域网时,要根据具体情况 (如覆盖范围、应用对象、性能要求、资金情况等)来决定采用何种网络拓扑结构、传输介质及相关的网络连接设备等。

1.双绞线:双绞线是由两根绝缘金属线互相缠绕而成,这样的一对线作为一条通信链路,由四对双绞线构成双绞线电缆。双绞线点到点的通信距离一般不超过100米。目前,计算机网络上用的双绞线有三类(最高传输率为10 Mbps)—13mm。

2)把双绞线拆开,8根线(4组)有不同的颜色,根据使用需要,可按如下线序规则进行排序:

双绞线的RJ-45插头示意结构如下图所示,

RJ-45接头常用的连线排序有:

B线序: 1 2 3 4 5 6 7 8

橙白 橙 绿白 蓝 蓝白 绿 棕白 棕

A线序: 1 2 3 4 5 6 7 8

绿白 绿 橙白 蓝 蓝白 橙 棕白 棕

对不同用途的网线,两端的水晶头则按不同的线序标准制作,其接线规则如表1所示。

表1双绞线水晶头制作方法

网线的用途水晶头的做法交换机/集线器(Hub)((计算机B((B计算机 (( 计算机的连接B((A交换机/Hub ((下级交换机/Hub(普通口) B((A交换机/Hub((下级交换机/Hub(uplink口)B((B

本实验中,制作一根交换机与计算机相连的网线,它的两端均采用B线序。

3)将8根线按B线序排好理顺后,用压线钳或剪刀将头部剪齐,用力将8根线并排塞入RJ-45头内(注意线序和RJ-45接头的对应关系),直至8根线全部顶到底部(8根线全部位于铜片下方)。

4)松开压线钳,将RJ-45头塞入压线钳的RJ-45插座内,并一定要到位,然后用力压下压线钳的手柄,直到锁扣松开。

5)拔出做好的RJ-45头,用同样的方法制作网线的另外一端的RJ-45头。

6)将做好的网线两端分别插入电缆测试仪中的RJ-45插座内,打开主模块的电源开关,则应看到另一模块上的1&2、3&6、4&5、7&8四个指示灯按顺序轮流发光,则该网线制作成功。否则,需重新制作。

四、实验结果与分析

五、实验注意事项

1.以书面的形式将整个实验过程记录下来。

2.回答思考题。

1)双绞线、细缆、粗缆三种传输介质各有什么特点?

2)A线序和B线序有何区别?若不遵循上述标准,是否所做的网线不可用。

3.了解有关网络传输介质的知识,包括每一种传输介质的结构,性能和相关设备等。

六、讨论、思考题

直通线和交叉线的区别是什么?各自的用途有什么不同?

答:区别:直通线的两头的线序一样,交叉线两头的线序不一样,两种线的连接设备不一样。

用途:交叉线一般用来直接连接两台电脑,也就是网卡——网卡。直通

线

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值