集成學(xué)習(xí)算法的改進(jìn)及其應(yīng)用.pdf

1、神經(jīng)網(wǎng)絡(luò)集成通過訓(xùn)練多個神經(jīng)網(wǎng)絡(luò)并將其結(jié)果進(jìn)行集成，可以顯著地提高學(xué)習(xí)系統(tǒng)的泛化能力。由于其具有優(yōu)越的性能和廣泛的適用性，近年來已成為國內(nèi)外機(jī)器學(xué)習(xí)界的一個研究熱點(diǎn)。本文在對Bagging算法及細(xì)胞自動機(jī)理論進(jìn)行深入研究的基礎(chǔ)上，設(shè)計實(shí)現(xiàn)了一種新的基于細(xì)胞自動機(jī)的Bagging方法模型，利用細(xì)胞自動機(jī)的狀態(tài)同步轉(zhuǎn)換特性來擾動訓(xùn)練樣本從而增加了個體網(wǎng)絡(luò)的差異性，達(dá)到提高泛化能力的目的。
　　 本文首先在對神經(jīng)網(wǎng)絡(luò)的理論進(jìn)行了深入研

2、究的基礎(chǔ)上，設(shè)計實(shí)現(xiàn)了一種合理的RBF神經(jīng)網(wǎng)絡(luò)，并將它作為Bagging的基分類算法。再把細(xì)胞自動機(jī)技術(shù)引入到Bagging集成算法中，在構(gòu)建細(xì)胞自動機(jī)模型時，用遺傳算法來尋找最優(yōu)的細(xì)胞轉(zhuǎn)換規(guī)則，該規(guī)則能使每輪訓(xùn)練樣本集的差異性最大。
　　 最后，將基于細(xì)胞自動機(jī)改進(jìn)后的Bagging算法應(yīng)用到雷達(dá)輻射源識別中。在該系統(tǒng)中，首先對雷達(dá)輻射源數(shù)據(jù)進(jìn)行特征提取及歸一化處理，將經(jīng)過預(yù)處理的雷達(dá)仿真數(shù)據(jù)作為實(shí)驗(yàn)的數(shù)據(jù)集；然后用雷達(dá)數(shù)據(jù)集