基于神經(jīng)網(wǎng)絡集成的數(shù)據(jù)分析.pdf

1、神經(jīng)網(wǎng)絡集成通過訓練多個神經(jīng)網(wǎng)絡并將其結論進行適當?shù)暮铣?可以顯著地提高學習系統(tǒng)的泛化能力.它不僅有助于科學家對機器學習和神經(jīng)網(wǎng)絡的深入研究,還有助于普通工程技術人員利用神經(jīng)網(wǎng)絡技術來解決現(xiàn)實世界中的實際應用問題.因此,它被視為一種有廣闊前景的工程化神經(jīng)網(wǎng)絡技術,已經(jīng)成為機器學習和神經(jīng)網(wǎng)絡領域的研究熱點.然而,設計一個好的神經(jīng)網(wǎng)絡集成也并非易事.集成算法若要取得好的效果,必須在個體準確性與彼此差異性之間取得一個平衡.現(xiàn)有的一些方法大多側

2、重于怎樣取得差異性大的神經(jīng)網(wǎng)絡個體,而忽略了個體的準確性.那些用來制造差異性的方法,往往會使個體的準確性降低,導致系統(tǒng)泛化能力的提高并不明顯.而且制造出來的差異性也沒有得到充分的利用.特別是在訓練樣本較少的情況下,這種情況更嚴重.針對這種情況,該文提出了一種改進的神經(jīng)網(wǎng)絡集成構造方法--基于噪聲傳播的神經(jīng)網(wǎng)絡集成算法(NSENN).首先,通過Bootstrap產(chǎn)生一批有一定差異度的神經(jīng)網(wǎng)絡個體.然后利用它們制造出"偽噪聲樣本",再將這些