进化神经网络集成方法在模式识别中的应用分析-application analysis of evolutionary neural network integration method in pattern recognition.docxVIP

进化神经网络集成方法在模式识别中的应用研究摘要模式识 别技术 作为 人 工智能 的重要 研究 课 题，已 在众多 领域 得 到应用 ，随 着应用 的深入 推广 和 数据处 理的日 益增 长 ，人们 对模式 识别 技 术的学 习速度、 分类精 度的要 求也 越 来越 高 ，现有 模式 识 别方法 已经不 能够 完全满足 实际应用 中对识 别精度 和学 习 速度的 要求。 而且 在 模式识 别领域 ，不 同 的模式 识别算法 也常常 会表现 出不 同 的分类 性能， 没有 哪 一种分 类算法 能够 对 所有应 用均取得 较好的结 果，因 此分 类器的集 成 将成 为模 式识别领 域的一 项重 要技术。神经网 络集成 是用 有 限个神 经网络 对同 一 个问题 进行学 习， 集 成在某 个输 入示例 下的输 出由 构 成集成 的各神 经网 络 在该示 例下的 输出 共 同决定 ， 是通过 训练多个 神经网 络并 将其结论 进行合 成 ，以此来显 著地提 高学 习系统记 忆容量 、 泛化性 能。本 课题 以 神经网 络集成 在模 式 识别中 的应用 作为 出 发点， 针对传统 神经网 络在处 理模 式 识别问 题时存 在着 在 学习海 量信息 时处 理 速度过 慢、记忆 容量有 限以及 泛化 性 能差等 缺陷。 从理 论 角度对 影响神 经网 络 泛化性 能的网络 结构(隐 节点 数，隐 层数和 隐节点 的函 数 特性 )和 训练 样本的 特性进 行系统 的分 析，提出 一种基 于进 化算法的 神经网 络集 成方法。在神经 网络集 成个 体 网络结 构方面 ，引 入 遗传算 法构造 差异 性 较大的 个体 网络来 提高集 成泛 化 能力。 将基于 共享 机 制的可 定向小 生境 技 术引入 到个体网 络生成 中，让 个体 网 络的结 构不是 聚集 在 一种环 境中， 而在 不 同特定 的生存环 境中进 化。这 样可 以 使算法 在整个 解空 间 中搜索 ，以找 到更 多 的最优 个体，避 免大量 个体集 中在 适 应度最 高的个 体上 ， 导致神 经网络 个体 越 来越趋 于相似。 将课题研究的神经网 络集成 方法 应用于 UCI 数 据 集 中 的 模 式 识 别 问 题 ， 并 和 Bagging 算 法、Boosting 算法以 及单个 网 络的模式 识别 结 果进 行比较， 仿真结 果显示了 其在模 式识 别领域的 优越性 和潜 力，并且 具有良 好的 应用前景 。关键词 :神经网络集成；模式 识别； 遗传 算法；小 生境Application Research of Evolutionary Neural Networks Ensemble in Pattern RecognitionABSTRACTAs an important research subject of /dict_result.aspx?searchword=%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bdamp;tjType=sentenceamp;styleamp;t=artificial%2Bintelligenceartificial intelligence, /dict_result.aspx?searchword=%e6%a8%a1%e5%bc%8f%e8%af%86%e5%88%abamp;tjType=sentenceamp;styleamp;t=pattern%2Brecognitionpattern recognition has been used in many areas. It’s more higher demanded in learning speed、classification accuracy ofpattern recognition technology with the development of application and the growing data, the existing pattern recognition methods have not been able to meet the requirements of the recognition accuracy and the learning speed in practical applications. In the field of pattern recognition, different pattern recognition algorithms often have different classification performances,none of these classificat