计算机网络专有名词意思,计算机网络常见专有名词释义(20页)-原创力文档

词汇表

一 计算机网络的基本概念

协议 :

Protocol ,指通信双方通信时遵守的一系列约定或规范。

资源子网:

计算机网络从信息的不同处理方式分为通信子网 资源子网,资

源子网指互联的主机对面向用户的信息进行处理的实体的集合。

通信子网:

控制信息在网络上从一方传递到另一方的软硬件资源的集合。

IMP :

Interface Message Processor ,接口报文处理机,指通信子网中对信

息进行转发的设备节点。

存储转发 :

Store and Forward,是信息在网络上传输的一种方式,指信息包从

一个通信节点发送到另一个通信节点时,一个节点先将报文接收下来,

等转发的线路空 闲时再发送到下一个节点。这 一条物理线路可以被

多个收发会话所共享。

网络拓扑结构:

指组成网络的通信节点和主机被通信线路链接的具体形状。网络

拓扑有总线、星型、树型、环型和不规则的网状型等。

分组交换 :

是分组转发的一种类型,分组就是将要发送的报文分成长度固定

的格式进行存储转发的数据单元,长度固定有利于通信节点的处理。

二 计算机网络体系结构基本理论

网络体系结构:

构成计算机网络系统的功能划分和它们之间的相互关系。

基本参考模型:

指国际标准化组织 ISO 定义的开放系统互联参考模型(OSI/RM),

基本参考模型将网络的体系结构划分成 7 层,俗称 7 层协议标准。

实体、系统、子系统 :

OSI 参考模型中的几个术语,实体(Entity)指执行某个特定功能的

进程。系统(System)指网络上执行全部功能的集合。子系统指执行某一

层功能的实体的集合。

TCP/IP 协议 :

指一簇协议的集合,Internet 采用的协议,其中的主要协议是 TCP

(传输控制协议) IP (互联网协议)。

三 数据通信基础

基带传输:

由计算机或终端产生的频谱从零开始,而未经调制的数字信号所

占用的频率范 围就叫基本频带 (这个频带从直流起可高到数百千赫,甚

至若干兆赫),简称基带(Base Band),这种数字信号就称基带信号。传送

数据时,以原封不动的形式,把基带信号送入线路,称为基带传输。

频带传输 :

用基带脉冲对载波波形的某些参量进行控制,使这些参量随基带

脉冲变化,也就是调制,经过调制的信号称为已调信号。已调信号通过

线路传输到接收端,然后经过解调恢复为原始基带脉冲。传送数据时,

把已调信号送入线路,称为频带传输。

模拟信号:

模拟信号是一种连续变化的信号,其取值可以为无限多个。

数字信号:

数字信号是一种离散信号,只包含有限数目的预定值。数字信号

从一个值到另一个值的转换是瞬时发生的。

同步传输 :

在同步传输方式中,利用时钟的同步使发送和接收装置之 间的定

时不发生误差。使时钟保持同步的方法之一,是在接收装置 发送装

置之 间采用单独的 时钟信息,称为同步法。另一种方法是将定时信号

包含在数据信号中发送,直接从数据波形本身中提取同步信号,称自

同步法。同步传输又分为面向字符方式和面向比特方式。

异步传输 :

在异步传输方式中,每次传送一个字符(5~8 位),都在每个字符代

码前加一起始位,表示该字符代码的开始。在字符和校验码后加一停

止位,以示该代码的结束,所以又称起止式同步。

波特:

波特表示每秒种传输离散信号事件的个数或每秒信号 电平的变化

次数。也即波特所表示的是调制速度,是单位 时间内传输线路上调制

状态的变化数。

带宽:

在通信信道上可以传输的频率范围称带宽。

调制方式:

调制是使载波信号的幅度、频率或相位(其中

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