基于改進PSO的BP_Adaboost算法的優(yōu)化與改進.pdf

1、Adaboost算法既可以用于分類器模型,也可以用于預測器模型。Adaboost算法的主要思想是,通過若干步算法步驟,迭代與加權多個“弱”預測器模型的輸出,以得到強預測期模型的有效輸出結果的算法。該BP_Adaboost算法是把多個BP(Back Propagation)神經(jīng)網(wǎng)絡算法視為“弱”預測器模型,通過Adaboost算法,輸出強有力的預測器算法模型的預測結果。隨著互聯(lián)網(wǎng)的海量數(shù)據(jù)和大數(shù)據(jù)時代的來臨,以及新興的物聯(lián)網(wǎng)出現(xiàn),伴隨物聯(lián)

2、網(wǎng)出現(xiàn)的海量數(shù)據(jù),大規(guī)模數(shù)據(jù)的處理已經(jīng)不可避免。利用已經(jīng)掌握的海量數(shù)據(jù),從中找出數(shù)據(jù)之間的已知和未知的各種聯(lián)系,從而可以預測出未來數(shù)據(jù)的發(fā)展趨勢,就可以提前做好相關方面的準備工作。本論文在查閱相關大量文獻的基礎之上,在基于預測模型下對BP_Adaboost算法進行了研究和改進,取得了如下的研究成果:
　　(1)對標準粒子群優(yōu)化算法(PSO--Particle Swarm Optimization)進行改進,在標準粒子群算法的步驟中

3、,引入變異思想,在標準粒子群算法中引入變異操作,此變異操作的思想來源于遺傳算法中的變異操作,在標準粒子群算法中引入此變異操作,經(jīng)過這樣改進后形成修改后的新的粒子群算法(改進PSO)。
　　(2)用改進后的粒子群優(yōu)化算法(改進PSO),來優(yōu)化BP神經(jīng)網(wǎng)絡算法,用改進的粒子群優(yōu)化算法所得出的種群中的最佳粒子位置,把初始的權值和閾值賦予BP神經(jīng)網(wǎng)絡,并在神經(jīng)網(wǎng)絡的訓練過程中,對BP神經(jīng)網(wǎng)絡的權值和閾值進行更新操作,以實現(xiàn)并達到對BP神經(jīng)

4、網(wǎng)絡優(yōu)化的目標。
　　(3)在上述(2)中,用改進的粒子群優(yōu)化算法(改進PSO)優(yōu)化作為弱預測器模型的BP神經(jīng)網(wǎng)絡,將優(yōu)化后的BP神經(jīng)網(wǎng)絡模型,作為BP_Adaboost算法中的新的弱預測器模型。把改進的粒子群優(yōu)化算法(改進PSO)優(yōu)化過的BP神經(jīng)網(wǎng)絡模型經(jīng)過反復訓練,通過Adaboost算法形成強預測器模型,即通過Adaboost算法步驟進行迭代加權,得到改進后的BP_Adaboost算法,用來輸出更為準確的預測結果。