上海大学学报（自然科学版）
上海大學學報（自然科學版）
상해대학학보（자연과학판）
JOURNAL OF SHANGHAI UNIVERSITY (NATURAL SCIENCE EDITION)
2007年
5期
623-628
,共6页
集成学习%特征加权%Category ART网络%震型预报
集成學習%特徵加權%Category ART網絡%震型預報
집성학습%특정가권%Category ART망락%진형예보
泛化能力是机器学习关注的基本问题之一.特征加权是特征选择的更一般情况,它能更加细致地区分特征对结果影响的程度,往往能够获得比特征选择更好的或者至少相等的性能,已经成为普遍的提高学习器的泛化能力的方法之一.该文提出一种基于特征加权的神经网络集成方法FWEART,该方法通过自适应遗传算法的优胜劣汰机制为输入属性确定了特征权值,提高了集成中各个体Category ART网络的精度和差异度,从而提高了神经网络集成的泛化能力.在UCI标准数据集上验证了有效性后,FWEART被应用在地震序列类型预报上,取得了较好的预报效果.
汎化能力是機器學習關註的基本問題之一.特徵加權是特徵選擇的更一般情況,它能更加細緻地區分特徵對結果影響的程度,往往能夠穫得比特徵選擇更好的或者至少相等的性能,已經成為普遍的提高學習器的汎化能力的方法之一.該文提齣一種基于特徵加權的神經網絡集成方法FWEART,該方法通過自適應遺傳算法的優勝劣汰機製為輸入屬性確定瞭特徵權值,提高瞭集成中各箇體Category ART網絡的精度和差異度,從而提高瞭神經網絡集成的汎化能力.在UCI標準數據集上驗證瞭有效性後,FWEART被應用在地震序列類型預報上,取得瞭較好的預報效果.
범화능력시궤기학습관주적기본문제지일.특정가권시특정선택적경일반정황,타능경가세치지구분특정대결과영향적정도,왕왕능구획득비특정선택경호적혹자지소상등적성능,이경성위보편적제고학습기적범화능력적방법지일.해문제출일충기우특정가권적신경망락집성방법FWEART,해방법통과자괄응유전산법적우성렬태궤제위수입속성학정료특정권치,제고료집성중각개체Category ART망락적정도화차이도,종이제고료신경망락집성적범화능력.재UCI표준수거집상험증료유효성후,FWEART피응용재지진서렬류형예보상,취득료교호적예보효과.
