覆蓋算法的集成學習.pdf

1、傳統(tǒng)神經(jīng)網(wǎng)絡結構復雜,學習速度慢,運行效率低,難以解決海量數(shù)據(jù)的處理。張鈴教授等在對神經(jīng)網(wǎng)絡算法分析的基礎上提出基于覆蓋的構造性機器學習方法,該方法根據(jù)樣本自身的特點構造神經(jīng)網(wǎng)絡,方法直觀高效,可以有效地處理海量數(shù)據(jù)。
　　集成學習是一種新的機器學習范式,它的基本思想是使用多個學習器來解決問題。研究表明該方法能夠顯著地提高學習系統(tǒng)的泛化能力,因此從20世紀90年代開始,對集成學習的理論和算法的研究成為機器學習領域的一個熱點。

2、>　　本文在分析集成學習理論的基礎上,將其引入覆蓋算法,并結合商空間理論、粗糙集理論對覆蓋算法的集成學習進行了研究,完成以下主要工作:
　　(1)基于覆蓋的構造性學習方法直接根據(jù)樣本數(shù)據(jù)構造覆蓋網(wǎng)絡,克服了傳統(tǒng)神經(jīng)網(wǎng)絡計算中網(wǎng)絡結構難以確定、運行速度慢、局部極小等問題,適宜于多類別、海量數(shù)據(jù)的處理。本文將集成學習與覆蓋算法相結合,提出了基于集成學習的覆蓋算法,實驗證明該方法能夠提高覆蓋算法的性能。
　　(2)商空間理論是研究

3、不確定性問題的三大工具之一,其有嚴格的數(shù)學理論基礎,提供了比粗糙集和模糊集更深刻的信息,引起越來越多的研究者的重視。本文將商空間理論中的合成技術的思想與集成學習相統(tǒng)一,把集成學習也看成是不同粒度的合成,提出基于商空間的覆蓋合成算法,實驗表明該算法在提高識別精度的同時還能增加覆蓋算法的穩(wěn)定性。
　　(3)Rough集是當前機器學習和知識發(fā)現(xiàn)領域研究的熱點之一,它是一種處理模糊和不精確知識的數(shù)學工具,具有很強的知識獲取能力,其主要優(yōu)勢