基于誤差矢量化的選擇性神經(jīng)網(wǎng)絡集成方法的研究與應用.pdf_第1頁
已閱讀1頁,還剩79頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、神經(jīng)網(wǎng)絡集成算法是一種非常有效的建模方法,算法通過訓練大量的子網(wǎng)絡并簡單結合其結論,能夠很大程度上提高網(wǎng)絡泛化結果的精度。增大子網(wǎng)間差異度是提高集成精度最有效的方法,而由于能夠影響神經(jīng)網(wǎng)絡的因素很多,當前學術界對差異度的認識并不統(tǒng)一。傳統(tǒng)方法獨立訓練各子網(wǎng),子網(wǎng)間由于訓練過程中不存在交互,訓練出的子網(wǎng)差異度較小。
   本文將集成誤差輸出矢量化,從矢量的角度分析影響集成精度的因素,給出了基于誤差矢量的差異度計算公式,并提出基于誤

2、差矢量化的子網(wǎng)選擇方法。隨后提出了基于誤差矢量化的集成方法EVSNE(ErrorVectorizationbasedSelectiveNetworkEnsemble),該方法在子網(wǎng)訓練同時考慮集成精度,通過訓練過程中在優(yōu)化目標值中加入懲罰項,使各子網(wǎng)輸出誤差矢量相互補償?shù)窒?。EVSNE算法在訓練過程中存在交互,子網(wǎng)差異度比傳統(tǒng)的Bagging方法更大。
   通過分析EVSNE算法與傳統(tǒng)的子集生成算法各自發(fā)揮作用的原理,得出兩類

3、方法可以結合,可以通過傳統(tǒng)方法生成具有差異度的訓練集,再通過EVSNE算法的交互過程來訓練子網(wǎng),從而提出基于Bagging的改進方法B-EVSNE和基于聚類的改進方法C-EVSNE。在改進的EVSNE算法中,Bagging和聚類方法可以看成對EVSNE的數(shù)據(jù)預處理過程。
   為了確定參數(shù)、驗證算法,本文選取了6組標準數(shù)據(jù)對算法進行測試,6組數(shù)據(jù)均為神經(jīng)網(wǎng)絡常用的經(jīng)典測試集。通過實驗確定了EVSNE算法最合適的懲罰項參數(shù)取值與子

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論