通用前馈网络及排序学习前向掩蔽模型在模式识别中的应用

本文讨论了不分层的通用前馈网络（GFFN），并提出了一种作为模式分类器的排序学习前向掩蔽（SLAM）模型及其算法实验结果表明，这种网络作为模式分类器用时，学习时间远小于各种改进的BP网络而且所需使用的神经元数量也有显著的减少本文还介绍了这种SLAM模型在应用双阈值神经元DTN时进一步减少神经元数量的实验结果及其网络结构和学习算法，以及这种模型的模式分类器所具有的不断扩展与改善的能力论文还介绍了SLAM模型模式分类器在CASSANDRA-I小型神经计算机上实现的实验结果：在256维输入空间1024个随机样本的分类情况，学习时间约3小时20分，判别时间为0．007秒．

网络安全测试技术的研究及实现

本文提出网络安全的定义，介绍了网络安全性面对的几个主要威胁，同时指出网络安全的重要性。介绍了ＮＵＭＥＮ（守护神）系统的目标、功能、实现技术，并对网络安全技术作了展望。