陈程立诏
- 作品数：4 被引量：2H指数：1
- 供职机构：北京化工大学更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 一种逆向样本分布的Boosting类新算法
- 对IB(Inverse Boosting) 神经网络集成算法进行了研究,提出了IB算法的改进算法IB算法。改进算法继承了IB算法的逆向样本分布调整策略,并在训练的过程中将部分已训练好的个体子网进行中间层网络集成,利用该中...
- 高敬阳陈程立诏朱群雄
- 一种逆向样本分布的Boosting类新算法
- 2011年
- 对IB(Inverse Boosting)神经网络集成算法进行了研究,提出了IB算法的改进算法IB+算法。改进算法继承了IB算法的逆向样本分布调整策略,并在训练的过程中将部分已训练好的个体子网进行中间层网络集成,利用该中间层集成网络生成新的训练样本分布。实验结果表明,对于逆向权值分布的Boosting类算法,个体子网之间的关联度对网络集成后的泛化性能影响很小,减小个体网络的泛化误差将使集成后的泛化性能提高。
- 高敬阳陈程立诏朱群雄
- 基于争议度的Boosting集成网络样本权值调整算法被引量：2
- 2012年
- 神经网络集成AdaBoost算法权值调整策略对于分类正确或分类错误的样本采用统一的权值调整幅度,随着迭代次数的增加,统一的权值调整幅度将导致困难样本权重的过分积累,针对这一问题,提出基于争议度的权值调整策略,并采用的标准机器学习数据库UCI进行仿真实验。实验结果表明:该策略能够在样本权值修正阶段对各训练样本权值进行有区别的修改,即将多次连续分类错误的样本的权值提高幅度进行抑制,在一定程度上避免了困难样本权值过大而导致集成网络泛化性能下降,从而使得各个体分类器在不损失差异度的前提下获得理想的精度,提升集成网络的泛化性能,并具有良好的稳定性。
- 高敬阳陈程立诏朱群雄
- 关键词：神经网络集成差异度
- 神经网络集成算法样本取样优化研究
- 本文对神经网络集成算法的样本取样过程进行了深入研究，并通过对权值的更新过程进行了优化，提出了三种神经网络集成算法的变种算法。具体工作如下:
1、针对神经网络集成算法AdaBoost权值调整策略存在的不足，提出基于能...
- 陈程立诏
- 关键词：神经网络
