基于Bagging的神經(jīng)網(wǎng)絡集成及其泛化能力研究.pdf

1、神經(jīng)網(wǎng)絡集成是當前一個非?；钴S的研究熱點。國際機器學習和神經(jīng)計算學界的學者都在為開發(fā)出更有效的、泛化能力更強的神經(jīng)網(wǎng)絡集成方法而不斷努力。提高神經(jīng)網(wǎng)絡集成的泛化能力,對加快神經(jīng)計算的理論研究和神經(jīng)網(wǎng)絡的現(xiàn)實應用推廣,都有很重要的意義。本文的主要工作和創(chuàng)新點如下:(1)在個體網(wǎng)絡生成階段,針對神經(jīng)網(wǎng)絡中BP算法學習效率低且收斂速度慢、容易陷入局部最優(yōu)等不足,為了提高個體神經(jīng)網(wǎng)絡的泛化能力,本文提出利用遺傳算法對個體BP神經(jīng)網(wǎng)絡中的連接權值

2、進行優(yōu)化的方法。在對目前已有的遺傳算法與神經(jīng)網(wǎng)絡相結合的算法的分析基礎之上,提出改進的高效算法。算法代碼在Matlab平臺上實現(xiàn),并選取試驗數(shù)據(jù)進行算法測試。測試結果表明,用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的連接權值后其收斂速度快,并有效的解決了BP算法容易陷入局部最優(yōu)的問題。(2)本文通過Bagging技術生成個體網(wǎng)絡,從個體網(wǎng)絡生成后結果合成這一集成中的關鍵步驟,并針對Boston Housing Data(波斯頓住房數(shù)據(jù))進行測試,探究神