BP神经网络的代价敏感学习算法研究

论文摘要

误差反向传播神经网络（BPNN）具有很强的鲁棒性和容错性,作为分类模型在医学辅助诊断中得到广泛的应用。但是,BPNN是一种代价不敏感的分类模型。一种类别误分为另一种类别的代价可能极其不同,若直接将传统BPNN应用到医学辅助诊断等代价敏感的领域,当误分类或误诊时有可能付出惨重的治疗代价。将传统的BPNN改造为代价敏感的有多种途径,最吸引人的途径是把其分类误差函数改变为代价敏感的,使其通过原始样本集和代价敏感矩阵能够学习误分类代价。分析了先前提出的代价敏感的BPNN构造方法,指出此前提出的基于最小误分类代的方法在分类精度方面的不足。考虑到当网络正确分类时,如果向BPNN反馈分类代价,会降低BPNN对当前事例的分类精度。针对上述不足,提出了以期望误分类代价函数作为代价敏感BPNN的分类误差函数,并推导了误分类代价反向传播调整学习参数公式,得到一个新的代价敏感BP神经网络学习算法。为了验证算法,开发了基于.NET的实验平台。以交互式方式实现了异构数据的获取、数据预处理和数据降维等操作,可视化地显示代价敏感的BPNN的学习过程和学习结果。使用美国加州大学欧文分校（UCI）的8个公共数据集和2个真实医学数据集,与前人的代价敏感BPNN学习算法进行了比较。实验证明提出的新算法在期望误分类代价、反馈率、准确度、F-测度和代价曲线等评价指标下都有较好的表现。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 本课题背景、目的及意义
• 1.2 国内外研究概况
• 1.3 论文的主要内容
• 1.4 论文的组织结构
• 2 BP 神经网络与代价敏感学习
• 2.1 BP 神经网络
• 2.2 代价敏感学习
• 2.3 基于最小误分类代价的代价敏感BP 神经网络
• 2.4 本章小结
• 3 基于期望误分类代价的代价敏感BP 神经网络
• 3.1 期望误分类代价函数
• 3.2 基于期望误分类代价的BP 神经网络学习算法
• 3.3 代价敏感BP 神经网络的实现
• 3.4 本章小结
• 4 实验结果和分析
• 4.1 代价敏感学习算法的评价
• 4.2 实验数据集
• 4.3 实验结果
• 4.4 实验分析
• 4.5 本章小结
• 5 总结与展望
• 5.1 全文总结
• 5.2 进一步研究的方向
• 致谢
• 参考文献