一种提高神经网络集成差异性的学习方法

• 作者: 李凯 黄厚宽
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 神经网络 集成 小规模数据集 差异性 泛化
• 年，卷（期）: 2005,（8）
• 所属期刊栏目: 学术论文
• 页码范围: 1387-1390
• 页数: 4页
• 分类号: TP18
• 字数: 3369字
• 语种: 中文
• DOI: 10.3321/j.issn:0372-2112.2005.08.010

摘要

集成学习已经成为机器学习的研究方向之一,它可以显著地提高分类器的泛化性能.本文分析了Bagging及AdaBoost集成方法,指出了这两种方法的缺陷;然后提出了一种新的基于神经网络的分类器集成方法DBNNE,该方法通过生成差异数据增加集成的差异性;另外,当生成一个分类器后,采用了测试方法确保分类器集成的正确率;最后针对十个标准数据集进行了实验研究,结果表明集成算法DBNNE在小规模数据集上优于Bagging及AdaBoost集成方法,而在较大数据集上也不逊色于这两种集成方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄厚宽	北京交通大学计算机与信息技术学院	139	2476	26.0	44.0
2	李凯	河北大学数学与计算机学院	52	435	12.0	19.0