集成學習算法的改進及其應用.pdf

1、神經網絡集成通過訓練多個神經網絡并將其結果進行集成，可以顯著地提高學習系統的泛化能力。由于其具有優(yōu)越的性能和廣泛的適用性，近年來已成為國內外機器學習界的一個研究熱點。本文在對Bagging算法及細胞自動機理論進行深入研究的基礎上，設計實現了一種新的基于細胞自動機的Bagging方法模型，利用細胞自動機的狀態(tài)同步轉換特性來擾動訓練樣本從而增加了個體網絡的差異性，達到提高泛化能力的目的。
　　 本文首先在對神經網絡的理論進行了深入研

2、究的基礎上，設計實現了一種合理的RBF神經網絡，并將它作為Bagging的基分類算法。再把細胞自動機技術引入到Bagging集成算法中，在構建細胞自動機模型時，用遺傳算法來尋找最優(yōu)的細胞轉換規(guī)則，該規(guī)則能使每輪訓練樣本集的差異性最大。
　　 最后，將基于細胞自動機改進后的Bagging算法應用到雷達輻射源識別中。在該系統中，首先對雷達輻射源數據進行特征提取及歸一化處理，將經過預處理的雷達仿真數據作為實驗的數據集；然后用雷達數據集