6.（ 1） 试用 C 语言编程实现多层前向 NN 的 BP 算法。
要求：输入、输出结点数目，隐层数目，及各隐层中结点的数目应为任意整数。
（ 2） 试用所编出的 BP 算法程序训练出一个实现 XOR 运算的 2 层前向网络。
（ 3） 用所编出的 BP 算法程序训练出输入矢量的维数分别为 n=7和 n=8的两个实现奇偶检验运算（即如题 2.(2)所述）的 2 层前向 NN 。
注： 对第 6 题的要求：(i) 列表给出训练收敛后的 NN 权值和所用的迭代次数；(ii) 给出训练收敛后的训练误差和检验误差，及用训练集和检验集做输入时所得到的正确输出率；(iii) 给出 NN 的学习曲线（即 E(W(k))随迭代次数 k 的变化曲线，该结果应是用计算程序计算和打印出来的曲线，而不要是用手画出的曲线）。
（1）用C 语言编程实现前向NN 的BP 算法 解：解题思路：先用 C 语言编程实现前向 NN 的 BP 算法，再将误差保存至文本文件，最后用MATLAB 绘制出误差曲线。
（1.1）开发思路奇偶检验问题可视为 XOR 问题的推广（由 2 输入到 n 输入的推广）：若 n 个输入中有奇数个1，则输出为 1；若n 个输入中有偶数个1，则输出为 0。
一个 2 层的 NN 可实现奇偶检验运算。
本文选用2层神经网络，包括隐含层1层，输出层1层，来设计BP 神经网络。
x 1x 2x n2层神经网络本文隐含层和输出层的激活函数选用Sigmoid 函数，1()1ss eϕ-=+，()(1())d s s ds ϕϕϕ=- 其函数曲线如下所示：由奇偶检验问题的定义： 可定义如下分类函数：1 y>=1/2Y()0 y<1/2y ⎧=⎨⎩其中y 为BP 神经网络的输出值，Y 为分类结果。
（1.2）运行流程本文的多层前向 NN 的 BP 算法用C 语言编程实现，最后将运行结果保存成数据文件，通过MATLAB绘图显示，其运行流程图如上图所示，其源代码见附录部分。
基于CNN-BLSTM-CRF模型的生物医学命名实体识别李丽双，郭元凯【摘要】摘要：命名实体识别是自然语言处理任务的重要步骤。
近年来，不依赖人工特征的神经网络在新闻等通用领域命名实体识别方面表现出了很好的性能。
然而在生物医学领域，许多实验表明基于领域知识的人工特征对于神经网络模型的结果影响很大。
因此，如何在不依赖人工特征的情况下获得较好的生物医学命名实体识别性能是有待解决的问题。
该文提出一种基于CNN-BLSTM-CRF的神经网络模型。
首先利用卷积神经网络(CNN)训练出单词的具有形态特征的字符级向量，并从大规模背景语料训练中得到具有语义特征信息的词向量，然后将二者进行组合作为输入，再构建适合生物医学命名实体识别的BLSTM-CRF深层神经网络模型。
实验结果表明，不依赖任何人工特征，该文方法在Biocreative Ⅱ GM和JNLPBA2004生物医学语料上都达到了目前最好的结果，F-值分别为89.09%和74.40%。
【期刊名称】中文信息学报【年(卷),期】2018(032)001【总页数】7【关键词】生物医学命名实体识别；LSTM; CNN0 引言命名实体识别是自然语言处理中的重要任务之一。
近年来，神经网络在通用领域的命名实体识别表现出了很好的性能。
相比于统计机器学习方法或基于规则的方法，基于神经网络的深度学习方法具有泛化性更强、更少依赖人工特征的优点。
因此，许多基于神经网络的通用领域命名实体识别模型被提出。
例如Collobert[1]等首次使用CNN与CRF结合的方式在通用命名实体识别领域的CONLL2003语料上取得了较好的效果。
Huang[2]等构造了一个采用人工设计的拼写特征的BLSTM-CRF模型，在CONLL2003语料上达到了88.83%的F-值。
Chiu 和Nichols[3]等建立了CNN-LSTM模型在CONLL2003语料上达到了91.62%的F-值。
虽然神经网络在通用命名实体识别领域中展现出了较好的性能，但在生物医学命名实体识别领域中的应用仍存在问题。
Snort入侵检测系统单模式匹配BM算法研究1. 引言Snort 是一套开源的网络入侵预防软件与网络入侵检测软件。
它有三种工作模式：嗅探器、数据包记录器和网络入侵检测系统。
其工作原理是基于共享网络上的原始网络传输数据，通过分析所捕获的数据包，将数据包与Snort规则特征库进行匹配来检测异常行为，发现入侵行为进行报警，并且将报警信息记录以便进行分析。
Snort最为核心的技术就是模式串的匹配，它的效率直接影响检测系统的检测速度以及准确性。
目前的模式匹配算法按照每次匹配模式串的个数可以分为单模式匹配和多模式匹配。
Snort中提供了多种模式匹配算法包括：BM算法，AC算法以及Wu-Manber算法。
Snort早期版本主要采用BM算法，现在则采用多模式匹配算法来加快系统的匹配速度。
2. BM算法BM算法是1977年由Booyer和Moore提出的一种精确的单模式匹配算法，它采用启发式策略，减少不必要的匹配，从而降低算法时间，提高算检测速率。
BM算法考虑模式匹配过程中，不少情形是前面的许多字符串都匹配而最后的若干个字符不匹配，这时若采用从左向右的方式扫描会很浪费时间，因此改为从右向左扫描的方式，这是对传统模式匹配算法的一个重大突破。
2.1. BM算法原理BM算法思想：假设模式串为P，测试串为T。
左对齐P与T，把模式串与测试串从右向左开始匹配，如果P[i]=T[i],则指针同时向左挪一个位置进行比较，否则需要滑动P进行重新对齐，也即P向右滑动了距离dist[c]，c是发生失配的字符，P的下一个位置应该为测试串的i+dist[c]位置。
当匹配过程发生失配时，采用两种启发式规则：即坏字符和好后缀，直到匹配结束。
在匹配的过程中，取两者中滑动距离较大的进行滑动。
（1）坏字符原则如果字符c在模式串t中没有出现过，那么从c开始的m（模式串的长度）个字符肯定不可能和P匹配成功，因此可以直接右移m个单位。
如果字符c在模式串中出现，那么以该字符进行对齐（若模式串中出现多个与c 相同的字符，则选择最右的那个字符进行对齐）。
