進(jìn)化神經(jīng)網(wǎng)絡(luò)集成方法在模式識(shí)別中的應(yīng)用研究.pdf

1、模式識(shí)別技術(shù)作為人工智能的重要研究課題,已在眾多領(lǐng)域得到應(yīng)用,隨著應(yīng)用的深入推廣和數(shù)據(jù)處理的日益增長,人們對(duì)模式識(shí)別技術(shù)的學(xué)習(xí)速度、分類精度的要求也越來越高,現(xiàn)有模式識(shí)別方法已經(jīng)不能夠完全滿足實(shí)際應(yīng)用中對(duì)識(shí)別精度和學(xué)習(xí)速度的要求。而且在模式識(shí)別領(lǐng)域,不同的模式識(shí)別算法也常常會(huì)表現(xiàn)出不同的分類性能,沒有哪一種分類算法能夠?qū)λ袘?yīng)用均取得較好的結(jié)果,因此分類器的集成將成為模式識(shí)別領(lǐng)域的一項(xiàng)重要技術(shù)。
　　神經(jīng)網(wǎng)絡(luò)集成是用有限個(gè)神經(jīng)網(wǎng)絡(luò)

2、對(duì)同一個(gè)問題進(jìn)行學(xué)習(xí),集成在某個(gè)輸入示例下的輸出由構(gòu)成集成的各神經(jīng)網(wǎng)絡(luò)在該示例下的輸出共同決定,是通過訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)并將其結(jié)論進(jìn)行合成,以此來顯著地提高學(xué)習(xí)系統(tǒng)記憶容量、泛化性能。
　　本課題以神經(jīng)網(wǎng)絡(luò)集成在模式識(shí)別中的應(yīng)用作為出發(fā)點(diǎn),針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在處理模式識(shí)別問題時(shí)存在著在學(xué)習(xí)海量信息時(shí)處理速度過慢、記憶容量有限以及泛化性能差等缺陷。從理論角度對(duì)影響神經(jīng)網(wǎng)絡(luò)泛化性能的網(wǎng)絡(luò)結(jié)構(gòu)(隱節(jié)點(diǎn)數(shù),隱層數(shù)和隱節(jié)點(diǎn)的函數(shù)特性)和訓(xùn)練樣本

3、的特性進(jìn)行系統(tǒng)的分析,提出一種基于進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)集成方法。
　　在神經(jīng)網(wǎng)絡(luò)集成個(gè)體網(wǎng)絡(luò)結(jié)構(gòu)方面,引入遺傳算法構(gòu)造差異性較大的個(gè)體網(wǎng)絡(luò)來提高集成泛化能力。將基于共享機(jī)制的可定向小生境技術(shù)引入到個(gè)體網(wǎng)絡(luò)生成中,讓個(gè)體網(wǎng)絡(luò)的結(jié)構(gòu)不是聚集在一種環(huán)境中,而在不同特定的生存環(huán)境中進(jìn)化。這樣可以使算法在整個(gè)解空間中搜索,以找到更多的最優(yōu)個(gè)體,避免大量個(gè)體集中在適應(yīng)度最高的個(gè)體上,導(dǎo)致神經(jīng)網(wǎng)絡(luò)個(gè)體越來越趨于相似。將課題研究的神經(jīng)網(wǎng)絡(luò)集成方法應(yīng)