委員會機器模型及其應用.pdf

1、委員會機器是由一個門網(wǎng)絡和多個專家神經(jīng)網(wǎng)絡組成的模塊化集成系統(tǒng)。門網(wǎng)絡將任務劃分成多個子任務,專家神經(jīng)網(wǎng)絡各自承擔全局任務中的一項子任務,最后將各子任務的解進行組合,實現(xiàn)對全局任務的求解。大量文獻已經(jīng)證實,整個系統(tǒng)的泛化性能可通過聯(lián)合多個簡單專家網(wǎng)絡并組成委員會機器的方法得以提高。但在現(xiàn)實應用中,人們常因問題太復雜而無法對任務進行準確分解；由于現(xiàn)實問題的復雜程度千差萬別,導致對委員會機器中專家網(wǎng)絡“簡單”程度把握的困難。因此,如何自動地

2、更準確劃分任務并為各子任務分配合適的專家網(wǎng)絡,成為發(fā)揮委員會機器潛在性能的關鍵。針對這些問題,本文著重做了以下工作： 1 傳統(tǒng)的委員會機器使用模糊C均值算法(FCM)對樣本集進行聚類,以實現(xiàn)分解任務的目的。針對FCM算法只能對類別規(guī)模相似的數(shù)據(jù)集進行聚類的情況,提出了含影響力因子的模糊c均值算法(FCMef)。為每個類別都賦予一個影響力因子,使各類別的規(guī)?？梢酝ㄟ^影響力因子得以控制。利用影響力因子指數(shù)來調節(jié)各類別的影響力對比度,

3、使FCM算法和FCMef算法統(tǒng)一到一個通用的模型中。 2.提出了自適應的含影響力因子的模糊C均值算法(AFCMef)及相對更穩(wěn)定的兩階段AFCMef算法。在FCMef算法中：1)影響力因子取值較大時更能體現(xiàn)類別間的規(guī)模差異；2)如果影響力因子過大,則會出現(xiàn)類別消失的跡象。AFCMef算法利用上述兩個現(xiàn)象,啟發(fā)式地尋找最優(yōu)影響力因子指數(shù)。 3.針對傳統(tǒng)的委員會機器中采用單層線性網(wǎng)絡作為專家網(wǎng)絡時“簡單”程度過于單一的情況,

4、對單層非線性專家網(wǎng)絡作了推廣,并最終推廣到了采用多層BP網(wǎng)絡作為專家網(wǎng)絡的更一般情況。 4.概括了神經(jīng)網(wǎng)絡(專家網(wǎng)絡)訓練的一般過程,總結了訓練過程中對訓練結果的影響因素,從訓練策略的角度提出了積極訓練策略和消極訓練策略。 5.分別對降水、南中國海臺風移動路徑和惡意代碼行為特征三類實際數(shù)據(jù)進行實驗,肯定了委員會機器及本文對它所做的一些改進的作用。特別地,在利用降水數(shù)據(jù)對改進的委員會機器模型進行參數(shù)建模,得到三個關鍵參數(shù)在