adaboost算法改进bp神经网络预测研究 prediction of improved bp neural network by adaboost algorithm.pdfVIP

下载本文档

22
0
约2.89万字
约 7页
2017-10-14 发布于上海
举报
版权申诉

adaboost算法改进bp神经网络预测研究 prediction of improved bp neural network by adaboost algorithm.pdf

1、本文档共7页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

adaboost算法改进bp神经网络预测研究 prediction of improved bp neural network by adaboost algorithm

CN 43—1258／TP 计算机工程与科学第35卷第8期2013年8月 ISSN 1007—130X Computer V01．35，No．8，Aug．2013 EngineeringScience 文章编号：1007一130X(2013)08—0096—07 Adaboost算法改进BP神经网络预测研究。李翔，朱全银 (淮阴工学院计算机工程学院，江苏淮安223003) 摘要：针对传统BP神经网络容易陷入局部极小、预测精度低的问题，提出使用Adaboost算法和 BP神经网络相结合的方法，提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值；然后通过选取不同的隐含层节点数、节点传递函数、训练函数、网络学习函数构造出不弱预测器组成新的强预测器。对UCI数据库中数据集进行仿真实验，结果表明本方法比传统BP网络预测平均误差绝对值减少近50％，提高了网络预测精度，为神经网络预测提供借鉴。关键词：神经网络；强预测器；迭代算法；adaboost算法中图分类号：TPl83 文献标志码：A doi：10．3969／j．issn．1007—130X．2013．08．015 Predictionof BPneuralnetwork improved Adaboost by algorithm LIXiang，ZHUQuan—yin of Instituteof 223003，China) (FacultyComputerEngineering，HuaiyinTechnology，Huai’an traditional is Abstract：TheBP(Back networktofallintolocalminimum Propagation)neuraleasy andhaslower tothis methodthatcombinestheAdaboost and accuracy．Accordingproblem，a algorithm BPneuralnetworkis to the and oftheneural proposedimprovepredictionaccuracygeneralizationability method thehistoricaldataandinitializesthedistributionof network．Firstly，the preprocesses weights test selectsdifferenthidden transfer data．Secondly，it nodes，node functions， layer functions，training andnetwork functionstoconstructweak ofBPneuralnet