進化神經(jīng)網(wǎng)絡(luò)集成方法在模式識別中的應用研究.pdf

1、模式識別技術(shù)作為人工智能的重要研究課題,已在眾多領(lǐng)域得到應用,隨著應用的深入推廣和數(shù)據(jù)處理的日益增長,人們對模式識別技術(shù)的學習速度、分類精度的要求也越來越高,現(xiàn)有模式識別方法已經(jīng)不能夠完全滿足實際應用中對識別精度和學習速度的要求。而且在模式識別領(lǐng)域,不同的模式識別算法也常常會表現(xiàn)出不同的分類性能,沒有哪一種分類算法能夠?qū)λ袘镁〉幂^好的結(jié)果,因此分類器的集成將成為模式識別領(lǐng)域的一項重要技術(shù)。
　　神經(jīng)網(wǎng)絡(luò)集成是用有限個神經(jīng)網(wǎng)絡(luò)

2、對同一個問題進行學習,集成在某個輸入示例下的輸出由構(gòu)成集成的各神經(jīng)網(wǎng)絡(luò)在該示例下的輸出共同決定,是通過訓練多個神經(jīng)網(wǎng)絡(luò)并將其結(jié)論進行合成,以此來顯著地提高學習系統(tǒng)記憶容量、泛化性能。
　　本課題以神經(jīng)網(wǎng)絡(luò)集成在模式識別中的應用作為出發(fā)點,針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在處理模式識別問題時存在著在學習海量信息時處理速度過慢、記憶容量有限以及泛化性能差等缺陷。從理論角度對影響神經(jīng)網(wǎng)絡(luò)泛化性能的網(wǎng)絡(luò)結(jié)構(gòu)(隱節(jié)點數(shù),隱層數(shù)和隱節(jié)點的函數(shù)特性)和訓練樣本

3、的特性進行系統(tǒng)的分析,提出一種基于進化算法的神經(jīng)網(wǎng)絡(luò)集成方法。
　　在神經(jīng)網(wǎng)絡(luò)集成個體網(wǎng)絡(luò)結(jié)構(gòu)方面,引入遺傳算法構(gòu)造差異性較大的個體網(wǎng)絡(luò)來提高集成泛化能力。將基于共享機制的可定向小生境技術(shù)引入到個體網(wǎng)絡(luò)生成中,讓個體網(wǎng)絡(luò)的結(jié)構(gòu)不是聚集在一種環(huán)境中,而在不同特定的生存環(huán)境中進化。這樣可以使算法在整個解空間中搜索,以找到更多的最優(yōu)個體,避免大量個體集中在適應度最高的個體上,導致神經(jīng)網(wǎng)絡(luò)個體越來越趨于相似。將課題研究的神經(jīng)網(wǎng)絡(luò)集成方法應