机构名称：
¥ 1.0
应将通讯发送到Junho Jeong：yanyenli@dongguk.edu文章INFO杂志机器和计算杂志（http://anapub.co.co.ke/journals/jmc/jmc/jmc.html）doi：修订表格2022年12月18日； 2022年12月30日接受。2023年4月5日在线可用。©2023作者。由Anapub出版物出版。这是CC BY-NC-ND许可证下的开放访问文章。（http://creativecommons.org/licenses/by-nc-nd/4.0/）摘要 - 这项研究调查了在通信网络中使用神经计算技术的使用，并根据错误率，延迟和吞吐量评估其性能。结果表明，不同的神经计算技术，例如人工神经网络（ANN），卷积神经网络（CNN），复发性神经网络（RNN），长期短期记忆（LSTM）和生成的对抗网络（GAN）在提高绩效方面具有不同的权衡。技术的选择将基于应用程序的特定要求。研究还评估了不同通信网络体系结构的相对性能，并确定了与在通信网络中应用不同技术相关的权衡和限制。研究表明，需要进一步的研究来探索技术的使用，例如深度强化学习；在通信网络中，并研究如何使用技术的使用来提高通信网络的安全性和鲁棒性。关键字 - 人工神经网络（ANN），卷积神经网络（CNN），经常性神经网络（RNN），长期短期记忆（LSTM），生成对抗网络（GANS）。
通信网络中神经计算技术的性能
主要关键词
相关文件推荐
