CCNA实验二十八 帧中继（Frame Relay）

kkfloat kkfloat 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 4.2k累计阅读 4.2k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄17年
关注
原创 最新推荐文章于 2026-09-25 15:27:08 发布 4.2k 阅读 AI 写同款· GEO 优化 ›
【信息科学与工程学】【通信工程】第八十六篇 通信网络设备及通信网络组网的所有学科知识01 编号001类型网络虚拟化与覆盖技术网络领域数据中心网络子领域大二层网络 / 网络虚拟化核心数学方程式/算法模型核心算法：VXLAN封装与解封装。关键在于24位VNI（虚拟网络标识符）到物理网络的三层IP地址的映射。封装：收到原始以太帧后，为其添加 VXLAN 头部（含 VNI）、外层 UDP 头（目的端口 4789）、外层 IP 头（源 IP 为本地 VTEP IP，目的 IP 为对端 VTEP IP）以及外层 MAC 头。解封装：对端 收到报文后，剥离外层头部，根据内层帧的目的 MAC 和 VNI 进行二 阅读详情

                     CCNA实验二十八 帧中继（Frame Relay）

 

 

环境： Windows XP、 GNS3.0.7.2

 

目的：了解如何配置帧中继

 

说明：

     帧中继（Frame Relay, FR）是一种用于连接计算机系统的面向分组的通信方法，也是面向连接的第二层传输协议，帧中继是典型的包交换技术。用户经常需要租用线路把分散在各地的网络连接起来，如果采用点到点的专用线路（例如 DDN），ISP 需要给每个地方的路由器拉 4对物理线路，同时每个路由器需要有 4 个串口。而使用帧中继每个路由器只通过一条线路连接到帧中继云上，线路的代价大大减低，每个路由器也只需要一个串行接口而且允许用户在帧中继交换网络比较空闲的时候以高于 ISP 所承诺的速率进行传输。

帧中继的主要特点是:使用光纤作为传输介质,因此误码率极低,能实现近似无差错传输,减少了进行差错校验的开销,提高了网络的吞吐量；帧中继是一种宽带分组交换,带宽范围从56Kbps到1．544Mbps的广域分组交换网的用户接口。使用复用技术时,其传输速率可高达44.6Mbps。但是,帧中继不适合于传输诸如话音、电视等实时信息,它仅限于传输数据。帧中继的一个非常重要特性是 NBMA（非广播型多路访问）。注意帧中继与距离矢量型水平分割问题

 帧中继术语：

   (1)  永久虚电路（PVC）：虚电路是永久建立的链路，由 ISP 在其帧中继交换机静态配置交换表实现。不管电路两端的设备是否连接上，它总是为它保留相应的带宽。

(2)  数据链路连接标识符（DLCI） ：一个在路由器和帧中继交换机之间标识 PVC 或者 SVC的数值。通过帧中继网络把 IP 数据包发到下一跳路由器时，它必须知道 IP 和DLCI 的映射才能进行帧的封装。有两种方法可以获得该映射：一种是静态映射，由管理员手工输入；另一种是动态映射。默认时，路由器帧中继接口是开启动态映射的。

(3)  本地管理接口（LMI）：是路由器和帧中继交换机之间的一种信令标准，负责管理设备之间的连接及维护其连接状态。

(4)  承诺信息速率（CIR，Committed Information Rate） ：也叫保证速率，是服务提供商承诺将要提供的有保证的速率，一般为一段时间内（承诺速率测量间隔 T）的平均值，其单位为 bps。

(5)  超量突发（EB，Excess Brust） ：在承诺信息速率之外，帧中继交换机试图发送而未被准许的最大额外数据量，单位为 bit。超量突发依赖于服务提供商提供的服务状况，但它通常受到本地接入环路端口速率的限制。

（6） 可以丢弃（DE）这个信息为帧设置了一个种级别指示，指示当拥塞发生时一个帧能否被丢弃。

　（7） 前行显示拥塞通告（FECN）这个信息告诉路由器接收的帧在所经通路上发生过拥塞。

（8） 倒行显示拥塞通告（BECN）这个信息设置在遇到拥塞的帧上，而这些帧将沿着与拥塞帧相反的方向发送。这个信息用于帮助高层协议在提供流控时采取适当的操作。

 

 

步骤：

         GNS创建拓扑如下：

 

 

 

 

 

配置FR（帧中继）：

Router>en

Router#conf t

Router(config)#Host FR

FR(config)#frame-relay switching

FR(config)#int s0/1

FR(config-if)#encapsulation frame-relay cisco

FR(config-if)#frame-relay lmi-type cisco

FR(config-if)#frame intf-type dce

FR(config-if)#clock rate 64000

FR(config-if)#frame-relay route 102 interface s0/2 201

FR(config-if)#frame-relay route 103 interface s0/3 301

FR(config-if)#no sh

FR(config-if)#exit

FR(config)#int s0/2

FR(config-if)#encapsulation frame-relay cisco

FR(config-if)#frame-relay lmi-type cisco

FR(config-if)#frame intf-type dce

FR(config-if)#clock rate 64000

FR(config-if)#frame-relay route 201 int s0/1 102

FR(config-if)#frame-relay route 203 int s0/3 302

FR(config-if)#no sh

FR(config-if)#exit

FR(config)#int s0/3

FR(config-if)#encapsulation frame-relay cisco

FR(config-if)#frame-relay lmi-type cisco

FR(config-if)#frame intf-type dce

FR(config-if)#clock rate 64000

FR(config-if)#frame-relay route 301 int s0/1 103

FR(config-if)#frame-relay route 302 int s0/2 203

FR(config-if)#no sh

FR(config-if)#exit

 

配置R1：

Router>en

Router#conf  t

Router(config)#host R1

R1(config)#int s0/1

R1(config-if)#encapsulation frame-relay cisco

R1(config-if)#frame-relay lmi-type cisco

R1(config-if)#ip add 192.168.0.1 255.255.255.0

R1(config-if)#frame-relay inverse-arp  //开起动态反向ARP映射,其实此命令默认自己开启可以不输入

R1(config-if)#no sh

R1(config-if)#exit

 

配置R2：

Router>en

Router#conf t

Router(config)#host R2

R2(config)#int s0/2

R2(config-if)#encapsulation frame-relay cisco

R2(config-if)# frame-relay lmi-type cisco

R2(config-if)#ip add 192.168.0.2 255.255.255.0

R2(config-if)#frame-relay inverse-arp

R2(config-if)#no sh

 

配置R3：

Router>en

Router#conf t

Router(config)#host R3

R3(config)#int s0/3

R3(config-if)#encapsulation frame-relay cisco

R3(config-if)#frame-relay lmi-type cisco

R3(config-if)#ip add 192.168.0.3 255.255.255.0

R3(config-if)#frame-relay inverse-arp

R3(config-if)#no sh

R3(config-if)#exit

 

 

 

在R1上测试当前帧中继网络连通性：

 

  

在R1、R2、R3上配置静态ARP映射：

R1(config)#int s0/1

R1(config-if)#no frame-relay inverse-arp

R1(config-if)#frame-relay map ip 192.168.0.2 102 broadcast

R1(config-if)#frame-relay map ip 192.168.0.3 103 broadcast

 

R2(config)#int s0/2

R2(config-if)#no frame-relay inverse-arp

R2(config-if)#frame-relay map ip 192.168.0.1 201 broadcast

R2(config-if)#frame-relay map ip 192.168.0.3 203 broadcast

 

R3(config)#int s0/3

R3(config-if)#no frame-relay inverse-arp

R3(config-if)#frame-relay map ip 192.168.0.2 302 broadcast

R3(config-if)#frame-relay map ip 192.168.0.1 301 broadcast

 

在R1上检查静态映射：

 

 

 

在R1和R2、R3上配置RIP路由协议

R1#conf t

R1(config)#int loopback 0

R1(config-if)#ip add 1.1.1.1 255.255.255.0

R1(config-if)#exit

R1(config)#router rip

R1(config-router)#network 1.0.0.0

R1(config-router)#network 192.168.0.0

R1(config-router)#exit

R1(config)#int s0/1

R1(config-if)#ip split-horizon

R1(config-if)#end

 

R2(config)#int loopback 0

R2(config-if)#ip add 2.2.2.2 255.255.255.0

R2(config-if)#exit

R2(config)#router rip

R2(config-router)#network 2.0.0.0

R2(config-router)#network 192.168.0.0

R2(config-router)#exit

R2(config)#int s0/2

R2(config-if)#ip split-horizon

 

R3(config)#int loopback 0

R3(config-if)#ip add 3.3.3.3 255.255.255.0

R3(config-if)#exit

R3(config)#router rip

R3(config-router)#network 3.0.0.0

R3(config-router)#network 192.168.0.0

R3(config-router)#exit

R3(config)#int s0/3

R3(config-if)#ip split-horizon

 

在R1上查看当前路由表情况：

 

实验完成。

收录于
Cisco技术

当前文章被收录于：

Cisco技术
62 篇文章 12 人学习
订阅专栏 查看详情
标签
#路由器 #interface #网络 #windows #测试
#xp
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
实验8-福建师范大学-CCNA基础实验之配置帧中继网络 实验8 福建师范大学 CCNA基础实验之配置帧中继网络 立即下载

相关推荐

企业级AI项目落地实战指南

企业级 AI 项目落地需构建“分阶段实施 + 多维度风控”的双轮驱动体系：实施端通过 POC 验证技术可行性、试点建立评估标准、规模化实现价值复制，各阶段需结合行业案例（如东阳光药、旺盈集团）提炼可复用经验；风险端则需覆盖技术（数据安全、模型稳定性）、合规（全球监管动态）、组织（人才与文化）维度，通过工具化框架（AI TRISM）与案例策略（邮储银行可解释性设计、拓斯达培训体系）实现风险可控。最终通过“场景聚焦 - 合规嵌入 - 持续优化”的循环机制，实现 AI 技术从“试点成功”到“全面价值创造”的跨越。

2509_93209761的博客 1438

Packet Tracer 5.0建构CCNA实验攻略——帧中继Frame Relay

　　Packet Tracer 5.0是一款非常不错的Cisco(思科)网络设备模拟器，对于想考思科初级认证（如CCNA）的朋友们来说，Packet Tracer 5.0是非常不错的选择。通常我们周围并没有那么多思科的设备供我们学习调试，参加培训费用很贵，上机实践的机会还是有限的，利用Packet Tracer 5.0练习思科IOS操作命令很不错的。近日，在网上下载了思科CCNA640

银凯 2841

SPSS回归分析（线性：一元（简单）和多重；非线性logistic）

SPSS线性回归分析回归分析一、线性模型（针对连续因变量，线性关系）（一）简单线性回归（一元线性回归）1、绘制散点图2、建立简单（一元）线性回归模型3、建立模型后，检查预测结果（二）多重回归分析1、绘制矩阵分布散点图（论文专用你懂的）2、建立多重回归模型point 1：自变量加入方法：逐步（步进）法3、建立模型后，检查预测结果二、非线性模型（将非线性问题转换为线性问题）1、logistic分析的回归模型1.1 建立回归模型1.2 利用回归模型进行预测 根据之前的学习，通过评价实验得到了主观数据， 通过 描述

weixin_44394352的博客 5万+

Cisco路由器Frame-relay故障问题现象及解决方案

主要分析了路由器 使用frame-relay 中出现的三类问题：帧中继链路down，帧中继不能ping通远端路由器 ，帧中继不能ping通对端 问题的测试及解决方案<br /> 问题：帧中继链路down?<br /> 现象描述： 帧中继链路down。命令show interfaces serial 的输出显示接口与线路协议都down，或者接口up，但线路协议down。<br />原因1: 电缆、硬件和载波<br /> 判断方法和解决方案:<br /> 1． 在本地和远端使用 show in

net527的专栏 1606

智慧杯 考试必备

2019.4. 强密码 描述 我们称一个密码是强密码，当且仅当它满足以下所有条件： 由 8 − 16 个字符组成 至少包含一个大写字母 (A-Z) 至少包含一个小写字母 (a-z) 至少包含一个数字 (0-9) 至少包含一个特殊符号 (! @ #$ % & * _ +) 娇娇发现她现在的密码好像不是强密码，请你帮她计算一下最少添加几个 字符可以变成强密码？ 输入 输入仅一行，一个字符串，表示娇娇当前的密码 输出 输出一个数表示答案 如果不需要添加任何字符就已.

Fairy1208的博客 2863

基于单片机负载控制的无人机电气设备监测系统设计

为深入分析无人机电气设备的电子负载性能，实现对传输电子量的合理性监管与控制，设计基于单片机负载控制的无人机电气设备监测系统；利用电气信号发生电路，构建负载网络控制器与以太网模块运行所需的电气设备负载环境，借助PCB监控板建立PLC扩展负载模块与核心监控主机之间的物理连接关系，实现无人机电气设备监测系统的硬件执行环境搭建；在此基础上，通过STM32型单片机移植协议，确定无人机电气设备通信主机的现有组态形式，联合已设定的监控任务有线级条件，实现监测系统的软件执行环境搭建，完成基于单片机负载控制的无人机电气设备监

weixin_45905610的博客 1300

第8部分 帧中继

通过以上分析可以知道，DLCI 实际上就是IP 数据包在帧中继链路上进行封装时所需的第2 层地址。图中各路由器的第3 层地址和第2 层地址映射如下：管理员手工输入的映射就为静态映射，其命令为：frame-relay map ip protocol address dlci [broadcast]其中，例如：R1(config-if)#frame map ip 123.123.123.2 102 broadcastIARP（Inverse Arp ，逆向ARP）允许路由器自动建立帧中继映射，其工作原理如图所示

guojunwu1977的博客 7541

XGBoost算法案例 - 红酒品质分类

数据集共包含 11 个特征，共计 3269 条数据. 我们通过训练模型来预测红酒的品质, 品质共有 6 个各类别，分别使用数字: 0、1、2、3、4、5 来表示。

YIAN爱学习的博客 449

实验十二、十三 配置PPP协议、配置Frame-relay协议

实验十二、十三 配置PPP协议、配置Frame-relay协议

qq_65192671的博客 585

动态知识图谱构建：从本体论到工程实践

知识图谱作为语义网和人工智能领域的核心技术，旨在通过结构化的方式表示和组织知识。其核心原理在于将实体、概念及其关系建模为图结构，从而支持复杂的语义推理和关联查询。这一技术为机器理解数据间的深层联系提供了基础，在智能推荐、企业知识管理和学术研究等领域具有重要价值。通过结合自然语言处理（NLP）和图数据库技术，系统能够从非结构化数据中自动抽取知识，并构建动态演化的认知网络。本文以“本体论章鱼”项目为例，探讨了如何实现从静态本体到动态知识网络的范式转变，并详细解析了其分布式感知、适应性学习的架构设计，为构建灵活可

weixin_30731305的博客 663

9.23华为OD机试真题 新系统 - 世界杯徽章换购 (Java/Py/C/C++/Js/Go)

9.23华为OD机试真题 新系统 - 世界杯徽章换购 (Java/Py/C/C++/Js/Go)

算法大师！ 1622

Frame-relay帧中继网络配置手册

帧中继网络在笔者写这篇博客的时候可能很多人已经不记得这种古老而又廉价的“专线”服务。的确，帧中继是于1992年兴起的一种新的公用数据网通讯协议，1994年开始获得迅速发展。帧中继是一种有效的数据传输技术，它可以在一对一或者一对多的应用中快速而低廉的传输数字信息。今天我们就来聊一聊帧中继网络。 帧中继是一种使用了包交换方式的标准的广域网技术。简单来说，就是为用户建立了一条端到端之间的虚拟电路连接，...

qq_40277850的博客 4108

使用 Python 实现基于 AGA8 GERG - 2008 方程计算掺氢天然气压缩因子的示例代码

AGA8 GERG - 2008 方程是用于计算天然气混合物热力学性质的一种方法，下面是一个使用 Python 实现基于 AGA8 GERG - 2008 方程计算掺氢天然气压缩因子的示例代码。需要注意的是，AGA8 GERG - 2008 方程非常复杂，完整实现需要大量的系数和详细的计算步骤。这里我们简化了部分过程，使用CoolProp库来完成计算，因为CoolProp已经实现了 GERG - 2008 方程。

AI的内部世界的博客 887

帧中继

1、帧中继封装类型 cisco默认情况是cisco类型，还有一种国际通用标注IETF(Internet Engineering Task Force, 因特网工程任务组)： Router(config-if)#encapsulation frame-relay ? ietf <cr> 2、数据链路连接标识符（DLCI） 帧中继PVC使用DL...

weixin_34144450的博客 260

efm32 入门.pdf

本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

Packet Tracer 5.0建构CCNA实验攻略--帧中继Frame Relay

Packet Tracer 5.0是一款非常不错的Cisco(思科)网络设备模拟器，对于想考思科初级认证（如CCNA）的朋友们来说，Packet Tracer 5.0是非常不错的选择。通常我们周围并没有那么多思科的设备供我们学习调试，参加培训费用很贵，上机实践的机会还是有限的，利用Packet Tracer 5.0练习思科IOS操作命令很不错的。近日，在网上下载了思科CCNA...

weixin_33943836的博客 262

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

帧中继（FR） CISCO之CCNA篇之十

帧中继（Frame Relay，FR）技术是在OSI第二层(数据链路层)上用简化的方法传送和交数换据单元的一种技术。它是一种面向连接的数据链路技术，为提供高性能和高效率数据传输进行了技术简化，它靠高层协议进行差错校正，并充分利用了当今光纤和数字网络技术。总之,FR是一种用于构建中等高速报文交换式广域网的技术。同时它也是是由国际电信联盟通信标准化组和美国国家标准化协会制定的一种...

weixin_33747129的博客 1315

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

frame-relay intf-type

 .3.4 frame-relay intf-type 设置帧中继的终端类型。 frame-relayintf-type { dte | dce | nni } 【参数说明】 dte、dce和nni为帧中继的三种工作方式。 【缺省情况】 帧中继缺省终端类型为DTE。 【命令模式】 接口配置模式 【使用指南】 在帧中继中，通信的双方区分为用户侧和网络侧。用户侧称为DTE，

龙在江湖 1752

大型企业网络配置系列课程详解（五） --Frame-Relay配置与相关概念的理解

大型企业网络配置系列课程详解（五）             --Frame-Relay配置与相关概念的理解   实验原理： Frame-Relay（帧中继）简称FR,是国际电信联盟通信标准化组（ITU-T）和美国国家标准化协会(ANSI)制定的一种标准，它定义在公共数据网络（PDN）上发送数据的过程。它是一种面向连接的数据链路技术，为提高高性能和高效率数据传输进行了技术简化。由于帧中继...

weixin_33734785的博客 242

帧中继实验详解

1. 什么是帧中继 帧中继（Frame Relay,FR）是面向链接的第2 层传输技术，采用包交换，通信费用较低。2. 帧中继相关术语 虚电路（Virtual Connection ,VC）：通过为每一对DTE设备分配一个连接标识符，实现多个逻辑数据会话在同一条物理链路上进行多路复用。 永久虚电路（Permanent Virtual Connectio...

weixin_33851429的博客 959

帧中继子接口配置

帧中继子接口 帧中继有两种类型的接口：主接口和子接口。其中子接口是一个逻辑结构，可以配置协议地址和虚电路等，一个物理接口可以有多个子接口。虽然子接口是逻辑结构，并不实际存在，但对于网络层而言，子接口和主接口是没有区别的，都可以配置虚电路与远端设备相连。帧中继的子接口又可以分为两种类型：点到点（point-to-point)子接口和点到多点(point-to-multipoint)子接口。点到点子接口用于连接单个远端目标，点到多点子接口用于连接多个远端目标。点到多点子接口在一个子接口上配置多条虚电路，每条虚

傻傻的心动的博客 1537

帧中继实验

定义帧中继（Frame Relay）是一种基于分组交换的广域网（WAN）通信技术，其核心设计目标是通过简化传统协议（如X.25）的复杂控制机制来提升传输效率3。帧中继仅保留数据链路层功能，省略了流量控制、重传机制等，依赖更高层协议（如TCP）实现可靠性，从而减少传输延迟。其数据单元称为“帧”，通过虚电路（Virtual Circuit）实现多路复用。核心作用高效传输：通过统计复用技术动态分配带宽，适用于突发性数据传输。低延迟：省略逐节点的确认与重传，直接转发帧至下一节点。灵活连接。

liu19307650129的博客 716

帧中继(Frame-relay)之全网互连

一、帧中继（Frame-Relay)是一种WAN连接技术；工作在OSI模型的第二层（数据链接层），是一种二层封装技术，并且是一种面向连接的服务；通过VC实现两个分支站点的远程互连。 FR于1990年首次被标准化。现已经取代X.25技术，它简化了第2层的功能，只提供基本的错误检测功能，提高了网络对信息的处理效率（由于广域网链路可靠性大大提高，不...

weixin_33739523的博客 786

CCNA 学习笔记(十一)--帧中继（FR)

这一节让我们学习下帧中继帧中继在CCNA的考试与日常的工作中都好少会有用到，但是我们还是要去认识下，它毕竟是CCNA中的一个重点。帧中继(Frame relay)也简称为 FR帧中继是一种重要的广域网技术，它的主要作用是把二个或者多个远距离局域网连接起来。帧中继主要是分组交换的技术，平时我们只是要知道怎么把局域网怎么通过帧中继与远距离的局域网连接起来就OK，不...

weixin_33858485的博客 470
上一篇： CCNA实验二十七 认识HDLC配置PPP
下一篇： CCNA实验二十九 帧中继点到点子接口
点赞 0
评论 0
书签 书签 3
kkfloat
kkfloat
博客等级 码龄17年 923粉丝 201原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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