基于Boosting的人工神经网络集成及其模式分类

论文题目: 基于Boosting的人工神经网络集成及其模式分类

论文类型: 硕士论文

论文专业: 计算机应用技术

作者: 林存炜

导师: 张军英

关键词: 神经网络,神经网络集成,模式分类

文献来源: 西安电子科技大学

发表年度: 2005

论文摘要: 神经网络集成通过训练多个神经网络并将其结论进行合成，可以显著地提高学习系统的推广能力。它不仅有助于科学家对机器学习和神经计算的深入研究，还有助于普通工程技术人员利用神经网络技术来解决真实世界中的问题。因此，它被视为一种有广阔应用前景的工程化神经计算技术，已经成为机器学习和神经计算领域的研究热点。Boosting算法是用来提高学习算法准确度的方法，它通过构造一个预测函数系列，然后以一定的方式将它们组合成一个预测函数。本文在对原AdaBoost算法的研究基础上，提出了优化训练集和用最小二乘优化弱分类器权系数的两种改进算法，理论和实验表明改进的算法具有训练误差更小，推广能力更好的优点。本文中，利用AdaBoost算法来生成神经网络集成中的个体网络，并用来做基因数据的模式分类。实验证明，该方法有效地解决极少样本、超高维的基因数据模式分类。

论文目录:

创新性声明

关于论文使用授权的说明

摘要

Abstract

第一章绪论

1.1 引言

1.2 基因数据综述

1.3 本文工作与结构

第二章人工神经网络集成

2.1 引言

2.2 人工神经网络简介

2.2.1 神经网络的基本原理

2.2.2 神经网路的分类

2.3 人工神经网络集成

2.3.1 神经网络集成研究

2.3.2 神经网络集成的应用成果

2.3.3 神经网络集成的发展与探讨

2.4 本章小结与讨论

第三章 Boosting算法及其性能分析

3.1 引言

3.2 Boosting简介及其模型

3.2.1 模式识别的机器学习

3.2.2 Boosting的起源与发展

3.2.3 AdaBoost算法及其模型

3.3 Boosting算法性能分析

3.3.1 Boosting算法的研究和应用

3.3.2 AdaBoost算法的训练误差及其收敛性分析

3.3.3 AdaBoost的推广性误差的分析

3.4 本章小结与讨论

第四章 Boosting算法的改进

4.1 引言

4.2 Boosting算法改进(一)

4.2 Boosting算法改进(二)

4.3 本章小结与讨论

第五章基于Boosting的人工神经网络集成

5.1 引言

5.2 Boosting感知器网络集成与MLP神经网络的比较

5.3 基于Boosting的神经网络集成的基因模式分类

5.4 本章小结与讨论

第六章总结与展望

致谢

参考文献

研究成果

发布时间: 2006-12-29

参考文献

[1].基于极限学习机的集成建模方法研究[D]. 张彩霞.天津工业大学2018
[2].基于间隔理论的Boosting算法[D]. 刘川.天津大学2016
[3].正则化Boosting算法的一致性[D]. 蔡小龙.湖北大学2016
[4].面向野外环境感知的主动Boosting技术研究[D]. 王远艰.南京理工大学2009
[5].稳定的Boosting类神经网络新算法研究[D]. 关超.北京化工大学2011
[6].基于间隔分布的Boosting算法研究[D]. 郭光绪.南京航空航天大学2012
[7].基于Boosting思想的半监督学习算法研究[D]. 吴继民.吉林大学2014
[8].Boosting算法研究及其在光谱分析中的应用[D]. 乐斌.浙江大学2004
[9].基因模式的PICA获取及基于Boosting的模式分类[D]. 刘利平.西安电子科技大学2004
[10].基于Stockwell变换与Boosting算法的自动癫痫检测[D]. 严爱玉.山东大学2015

基于Boosting的人工神经网络集成及其模式分类

猜你喜欢