本文關(guān)鍵詞：Adaboost算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。

來(lái)源： 關(guān)鍵字： ,Adaboost算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究

延伸：Adaboost算法和BP神經(jīng)網(wǎng)絡(luò)的稅收預(yù)測(cè)
本文除了提供Adaboost算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究 第1頁(yè)的文本下載，還提供與之相關(guān)的《Adaboost算法和BP神經(jīng)網(wǎng)絡(luò)的稅收預(yù)測(cè)》文本文檔，希望對(duì)您有所幫助。

ＣＮ４３１２５８／ＴＰ

ＩＳＳＮ１００７１３０Ｘ計(jì)算機(jī)工程與科學(xué)ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ＆Ｓｃｉｅｎｃｅ第３５卷第８期２０１３年８月Ｖ０１．３５，Ｎｏ．８，Ａｕｇ．２０１３文章編號(hào)：１００７一１３０Ｘ（２０１３）０８００９６０７

Ａｄａｂｏｏｓｔ算法改進(jìn)ＢＰ神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究。

李翔，朱全銀

（淮陰工學(xué)院計(jì)算機(jī)工程學(xué)院，，江蘇淮安２２３００３）

摘要：針對(duì)傳統(tǒng)ＢＰ神經(jīng)網(wǎng)絡(luò)容易陷入局部極小、預(yù)測(cè)精度低的問(wèn)題，提出使用Ａｄａｂｏｏｓｔ算法和ＢＰ神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，提高網(wǎng)絡(luò)預(yù)測(cè)精度和泛化能力。該方法首先對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理并初始化測(cè)試數(shù)據(jù)分布權(quán)值；然后通過(guò)選取不同的隱含層節(jié)點(diǎn)數(shù)、節(jié)點(diǎn)傳遞函數(shù)、訓(xùn)練函數(shù)、網(wǎng)絡(luò)學(xué)習(xí)函數(shù)構(gòu)造出不同類型的ＢＰ弱預(yù)測(cè)器并對(duì)樣本數(shù)據(jù)進(jìn)行反復(fù)訓(xùn)練；最后使用Ａｄａｂｏｏｓｔ算法將得到的多個(gè)ＢＰ神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器組成新的強(qiáng)預(yù)測(cè)器。對(duì)ＵＣＩ數(shù)據(jù)庫(kù)中數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明本方法比傳統(tǒng)ＢＰ網(wǎng)絡(luò)預(yù)測(cè)平均誤差絕對(duì)值減少近５０％，提高了網(wǎng)絡(luò)預(yù)測(cè)精度，為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)提供借鑒。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；強(qiáng)預(yù)測(cè)器；迭代算法；ａｄａｂｏｏｓｔ算法

中圖分類號(hào)：ＴＰｌ８３

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７１３０Ｘ．２０１３．０８．０１５文獻(xiàn)標(biāo)志碼：Ａ

ＰｒｅｄｉｃｔｉｏｎｏｆｉｍｐｒｏｖｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

ｂｙＡｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍ

ＬＩＸｉａｎｇ，ＺＨＵＱｕａｎｙｉｎ

（ＦａｃｕｌｔｙｏｆＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＨｕａｉｙｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｕａｉ’ａｎ２２３００３，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：ＴｈｅｔｒａｄｉｔｉｏｎａｌＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）ｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｅａｓｙ

ａｎｄｈａｓｌｏｗｅｒａｃｃｕｒａｃｙ．Ａｃｃｏｒｄｉｎｇ

ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｐｒｏｐｏｓｅｄｔｏｔｏｔｏｆａｌｌｉｎｔｏｌｏｃａｌｍｉｎｉｍｕｍｔｈｉｓｐｒｏｂｌｅｍ，ａｍｅｔｈｏｄｔｈａｔｃｏｍｂｉｎｅｓｔｈｅＡｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍａｎｄｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙｏｆｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋ．Ｆｉｒｓｔｌｙ，ｔｈｅｍｅｔｈｏｄｐｒｅｐｒｏｃｅｓｓｅｓｔｈｅｈｉｓｔｏｒｉｃａｌｄａｔａａｎｄｉｎｉｔｉａｌｉｚｅｓｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｗｅｉｇｈｔｓｏｆｔｅｓｔｄａｔａ．Ｓｅｃｏｎｄｌｙ，ｉｔｓｅｌｅｃｔｓｄｉｆｆｅｒｅｎｔｈｉｄｄｅｎｌａｙｅｒｎｏｄｅｓ，ｎｏｄｅｔｒａｎｓｆｅｒｆｕｎｃｔｉｏｎｓ，ｔｒａｉｎｉｎｇｆｕｎｃｔｉｏｎｓ，

ｔｏｃｏｎｓｔｒｕｃｔａｎｄｎｅｔｗｏｒｋｌｅａｒｎｉｎｇｆｕｎｃｔｉｏｎｓｗｅａｋｐｒｅｄｉｃｔｏｒｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｔｒａｉｎｓｔｈｅｓａｍｐｌｅ

ｔｏｄａｔａｒｅｐｅａｔｅｄｌｙ．Ｆｉｎａｌｌｙ，ｉｔｍａｄｅｍｏｒｅｗｅａｋｐｒｅｄｉｃｔｏｒｓｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｍａｎｅｗｓｔｒｏｎｇｐｒｅ

ｄｉｃｔｏｒｂｙＡｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍ．ＴｈｅｄａｔａｂａｓｅｏｆＵＣＩ（ＵｎｉｖｅｒｓｉｔｙｏｆＣａｌｉｆｏｒｎｉａＩｒｖｉｎｅ）ｉｓｕｓｅｄｉｎｅｘｐｅｒｉ－ｍｅｎｔｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｅｔｈｏｄ

ｐａｒｅｄｔｏｃａｎｒｅｄｕｃｅｎｅａｒｌｙ５０％ｆｏｒｔｈｅｍｅａｎｅｒｒｏｒａｂｓｏｌｕｔｅｖａｌｕｅｃｏｒｎｔｈｅｔｒａｄｉｔｉｏｎａｌＢＰｎｅｔｗｏｒｋ，ａｎｄｉｍｐｒｏｖｅｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｏｆｎｅｔｗｏｒｋ．Ｓｏｔｈｉｓｍｅｔｈｏｄｐｒｏｖｉｄｅｓｒｅｆｅｒｅｎｃｅｓｆｏｒｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ：ｎｅｕｒａｌｎｅｔｗｏｒｋ；ｓｔｒｏｎｇｐｒｅｄｉｃｔｏｒ；ｉｔｅｒａｔｉｖｅａｌｇｏｒｉｔｈｍ；ａｄａｂｏｏｓｔａｌｇｏｒｉｔｈｍ

絡(luò)具有較高的預(yù)測(cè)精度、較好的通用性、較強(qiáng)的非

引言

反向傳播ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神經(jīng)網(wǎng)絡(luò)是

一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目

前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一［１］。ＢＰ神經(jīng)網(wǎng)線性映射能力等優(yōu)點(diǎn)。但是，ＢＰ神經(jīng)網(wǎng)絡(luò)也存在一些缺陷，主要表現(xiàn)為容易陷入局部極小值、算法收斂速度較慢、隱含單元的數(shù)目選擇尚無(wú)一般性指導(dǎo)原則、新加入的學(xué)習(xí)樣本對(duì)已學(xué)完樣本的學(xué)習(xí)結(jié)果影響較大等問(wèn)題。

收稿日期：２０１２０６１８｝修回日期：２０１２１０２２

基金項(xiàng)目：國(guó)家星火計(jì)劃資助項(xiàng)且（２０１１ＧＡ６９０１９０）；江蘇省屬高校自然科學(xué)重大基礎(chǔ)研究資助項(xiàng)目（１１ＫＪＡ４６０００１）

通訊地址：２２３００３江蘇省淮安市大學(xué)城淮陰工學(xué)院計(jì)算機(jī)工程學(xué)院

Ａｄｄｒｅｓｓ：ＦａｃｕｌｔｙｏｆＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，ＨｕａｉｙｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈｕａｉ’ａｎ２２３００３，Ｊｉａｎｇｓｕ，Ｐ，Ｒ．Ｃｈｉｎａ

萬(wàn)方數(shù)據(jù)

第1頁(yè)/共8頁(yè)

猜您感興趣

查看更多相關(guān)文本

編輯推薦

我也來(lái)解決

  本文關(guān)鍵詞：Adaboost算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。