本文關鍵詞：Adaboost算法改進BP神經(jīng)網(wǎng)絡預測研究，由筆耕文化傳播整理發(fā)布。

來源： 關鍵字： ,Adaboost算法改進BP神經(jīng)網(wǎng)絡預測研究

延伸：Adaboost算法和BP神經(jīng)網(wǎng)絡的稅收預測
本文除了提供Adaboost算法改進BP神經(jīng)網(wǎng)絡預測研究 第1頁的文本下載，還提供與之相關的《Adaboost算法和BP神經(jīng)網(wǎng)絡的稅收預測》文本文檔，希望對您有所幫助。

ＣＮ４３１２５８／ＴＰ

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

Ａｄａｂｏｏｓｔ算法改進ＢＰ神經(jīng)網(wǎng)絡預測研究。

李翔，朱全銀

（淮陰工學院計算機工程學院，，江蘇淮安２２３００３）

摘要：針對傳統(tǒng)ＢＰ神經(jīng)網(wǎng)絡容易陷入局部極小、預測精度低的問題，提出使用Ａｄａｂｏｏｓｔ算法和ＢＰ神經(jīng)網(wǎng)絡相結合的方法，提高網(wǎng)絡預測精度和泛化能力。該方法首先對樣本數(shù)據(jù)進行預處理并初始化測試數(shù)據(jù)分布權值；然后通過選取不同的隱含層節(jié)點數(shù)、節(jié)點傳遞函數(shù)、訓練函數(shù)、網(wǎng)絡學習函數(shù)構造出不同類型的ＢＰ弱預測器并對樣本數(shù)據(jù)進行反復訓練；最后使用Ａｄａｂｏｏｓｔ算法將得到的多個ＢＰ神經(jīng)網(wǎng)絡弱預測器組成新的強預測器。對ＵＣＩ數(shù)據(jù)庫中數(shù)據(jù)集進行仿真實驗，結果表明本方法比傳統(tǒng)ＢＰ網(wǎng)絡預測平均誤差絕對值減少近５０％，提高了網(wǎng)絡預測精度，為神經(jīng)網(wǎng)絡預測提供借鑒。

關鍵詞：神經(jīng)網(wǎng)絡；強預測器；迭代算法；ａｄａｂｏｏｓｔ算法

中圖分類號：ＴＰｌ８３

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７１３０Ｘ．２０１３．０８．０１５文獻標志碼：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

絡具有較高的預測精度、較好的通用性、較強的非

引言

反向傳播ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）神經(jīng)網(wǎng)絡是

一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目

前應用最廣泛的神經(jīng)網(wǎng)絡模型之一［１］。ＢＰ神經(jīng)網(wǎng)線性映射能力等優(yōu)點。但是，ＢＰ神經(jīng)網(wǎng)絡也存在一些缺陷，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)目選擇尚無一般性指導原則、新加入的學習樣本對已學完樣本的學習結果影響較大等問題。

收稿日期：２０１２０６１８｝修回日期：２０１２１０２２

基金項目：國家星火計劃資助項且（２０１１ＧＡ６９０１９０）；江蘇省屬高校自然科學重大基礎研究資助項目（１１ＫＪＡ４６０００１）

通訊地址：２２３００３江蘇省淮安市大學城淮陰工學院計算機工程學院

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

萬方數(shù)據(jù)

第1頁/共8頁

猜您感興趣

查看更多相關文本

編輯推薦

我也來解決

  本文關鍵詞：Adaboost算法改進BP神經(jīng)網(wǎng)絡預測研究，由筆耕文化傳播整理發(fā)布。