本文關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)集成，由筆耕文化傳播整理發(fā)布。

【摘要】：神經(jīng)網(wǎng)絡(luò)集成Boosting算法有許多變種，在實(shí)踐中最典型最有應(yīng)用價(jià)值的是Adaboost算法，AdaBoost算法有錯(cuò)誤樣本惡性積累的缺點(diǎn)。隨著迭代的繼續(xù)，錯(cuò)誤樣本的權(quán)重呈指數(shù)級(jí)不斷上升，便會(huì)出現(xiàn)惡性積累，這種惡性積累將會(huì)一直持續(xù)下去。為了避免這種惡性積累的產(chǎn)生，以及造成的過(guò)擬合現(xiàn)象，本文針對(duì)AdaBoost算法的研究主要包括以下內(nèi)容： (1)針對(duì)AdaBoost算法權(quán)值修改策略中存在過(guò)分偏重于困難樣本的情況，提出了基于爭(zhēng)議度修改權(quán)值的算法ERstd—AdaBoost。該算法根據(jù)爭(zhēng)議度的大小和分類正誤結(jié)果來(lái)決定權(quán)值調(diào)整幅度，這種有差別的對(duì)樣本權(quán)值進(jìn)行調(diào)整，在一定程度上抑制了困難樣本權(quán)重的逐輪積累；在不損失差異度的前提下提高了個(gè)體分類器的泛化精度，從而提高了網(wǎng)絡(luò)集成的泛化性能。 (2)針對(duì)AdaBoost算法產(chǎn)生的過(guò)擬合現(xiàn)象，提出了基于樣本分布調(diào)整權(quán)值的算法ABSD。該算法根據(jù)樣本在各類中的分布情況，設(shè)置非相等的初始權(quán)值，以及訓(xùn)練過(guò)程中樣本權(quán)值遵循樣本分布情況的調(diào)整策略，ABSD算法大大減少了過(guò)擬合現(xiàn)象，并可以有效提高集成網(wǎng)絡(luò)的泛化性能。 (3)對(duì)逆向權(quán)值分布策略的集成網(wǎng)絡(luò)泛化性能、個(gè)體分類器泛化性能及網(wǎng)絡(luò)的差異度進(jìn)行了深入研究，提出了逆向權(quán)值分布策略的改進(jìn)算法IB+。該算法與正向權(quán)值策略不同，即差異度對(duì)逆向權(quán)值分布策略所生成的集成網(wǎng)絡(luò)泛化性能的影響很小，泛化性能的決定因素為其個(gè)體分類器的泛化性能。改進(jìn)后逆向權(quán)值分布策略算法的泛化性能某些方面優(yōu)于正向權(quán)值分布策略。 (4)針對(duì)滾動(dòng)軸承在線故障診斷問(wèn)題，提出了基于時(shí)域信號(hào)波形的特征提取方法。提出基于AHP分析方法，通過(guò)確定最小歐氏距離、歐氏距離總和及歐氏距離方差三個(gè)測(cè)度指標(biāo)的不同權(quán)重，完成了同維數(shù)時(shí)特征提取方法的綜合評(píng)價(jià)，并給出特征提取方法評(píng)價(jià)的量化結(jié)果。綜合評(píng)價(jià)方法不僅可以驗(yàn)證提取方法的可分性和有效程度，還為不同方法的取舍或特征的優(yōu)化選擇提供了度量評(píng)價(jià)手段。 (5)采用ABSD算法融入到改進(jìn)的逆向算法IB+中，通過(guò)對(duì)常規(guī)統(tǒng)計(jì)特征、優(yōu)化后的波形縱向特征、橫向特征的訓(xùn)練，驗(yàn)證了IB+算法泛化性能好于其他算法；驗(yàn)證了波形特征的分類能力好于常規(guī)統(tǒng)計(jì)特征。

  本文關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)集成，，由筆耕文化傳播整理發(fā)布。