计算机工程与科学
計算機工程與科學
계산궤공정여과학
COMPUTER ENGINEERING & SCIENCE
2013年
8期
96-102
,共7页
神经网络%强预测器%迭代算法%adaboost算法
神經網絡%彊預測器%迭代算法%adaboost算法
신경망락%강예측기%질대산법%adaboost산법
neural network%strong predictor%iterative algorithm%adaboost algorithm
针对传统BP神经网络容易陷入局部极小、预测精度低的问题,提出使用Adaboost算法和BP神经网络相结合的方法,提高网络预测精度和泛化能力.该方法首先对样本数据进行预处理并初始化测试数据分布权值;然后通过选取不同的隐含层节点数、节点传递函数、训练函数、网络学习函数构造出不同类型的BP弱预测器并对样本数据进行反复训练;最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器.对UCI数据库中数据集进行仿真实验,结果表明本方法比传统BP网络预测平均误差绝对值减少近50%,提高了网络预测精度,为神经网络预测提供借鉴.
針對傳統BP神經網絡容易陷入跼部極小、預測精度低的問題,提齣使用Adaboost算法和BP神經網絡相結閤的方法,提高網絡預測精度和汎化能力.該方法首先對樣本數據進行預處理併初始化測試數據分佈權值;然後通過選取不同的隱含層節點數、節點傳遞函數、訓練函數、網絡學習函數構造齣不同類型的BP弱預測器併對樣本數據進行反複訓練;最後使用Adaboost算法將得到的多箇BP神經網絡弱預測器組成新的彊預測器.對UCI數據庫中數據集進行倣真實驗,結果錶明本方法比傳統BP網絡預測平均誤差絕對值減少近50%,提高瞭網絡預測精度,為神經網絡預測提供藉鑒.
침대전통BP신경망락용역함입국부겁소、예측정도저적문제,제출사용Adaboost산법화BP신경망락상결합적방법,제고망락예측정도화범화능력.해방법수선대양본수거진행예처리병초시화측시수거분포권치;연후통과선취불동적은함층절점수、절점전체함수、훈련함수、망락학습함수구조출불동류형적BP약예측기병대양본수거진행반복훈련;최후사용Adaboost산법장득도적다개BP신경망락약예측기조성신적강예측기.대UCI수거고중수거집진행방진실험,결과표명본방법비전통BP망락예측평균오차절대치감소근50%,제고료망락예측정도,위신경망락예측제공차감.