委員會(huì)機(jī)器模型及其應(yīng)用.pdf

1、委員會(huì)機(jī)器是由一個(gè)門網(wǎng)絡(luò)和多個(gè)專家神經(jīng)網(wǎng)絡(luò)組成的模塊化集成系統(tǒng)。門網(wǎng)絡(luò)將任務(wù)劃分成多個(gè)子任務(wù),專家神經(jīng)網(wǎng)絡(luò)各自承擔(dān)全局任務(wù)中的一項(xiàng)子任務(wù),最后將各子任務(wù)的解進(jìn)行組合,實(shí)現(xiàn)對(duì)全局任務(wù)的求解。大量文獻(xiàn)已經(jīng)證實(shí),整個(gè)系統(tǒng)的泛化性能可通過聯(lián)合多個(gè)簡單專家網(wǎng)絡(luò)并組成委員會(huì)機(jī)器的方法得以提高。但在現(xiàn)實(shí)應(yīng)用中,人們常因問題太復(fù)雜而無法對(duì)任務(wù)進(jìn)行準(zhǔn)確分解；由于現(xiàn)實(shí)問題的復(fù)雜程度千差萬別,導(dǎo)致對(duì)委員會(huì)機(jī)器中專家網(wǎng)絡(luò)“簡單”程度把握的困難。因此,如何自動(dòng)地

2、更準(zhǔn)確劃分任務(wù)并為各子任務(wù)分配合適的專家網(wǎng)絡(luò),成為發(fā)揮委員會(huì)機(jī)器潛在性能的關(guān)鍵。針對(duì)這些問題,本文著重做了以下工作： 1 傳統(tǒng)的委員會(huì)機(jī)器使用模糊C均值算法(FCM)對(duì)樣本集進(jìn)行聚類,以實(shí)現(xiàn)分解任務(wù)的目的。針對(duì)FCM算法只能對(duì)類別規(guī)模相似的數(shù)據(jù)集進(jìn)行聚類的情況,提出了含影響力因子的模糊c均值算法(FCMef)。為每個(gè)類別都賦予一個(gè)影響力因子,使各類別的規(guī)?？梢酝ㄟ^影響力因子得以控制。利用影響力因子指數(shù)來調(diào)節(jié)各類別的影響力對(duì)比度,

3、使FCM算法和FCMef算法統(tǒng)一到一個(gè)通用的模型中。 2.提出了自適應(yīng)的含影響力因子的模糊C均值算法(AFCMef)及相對(duì)更穩(wěn)定的兩階段AFCMef算法。在FCMef算法中：1)影響力因子取值較大時(shí)更能體現(xiàn)類別間的規(guī)模差異；2)如果影響力因子過大,則會(huì)出現(xiàn)類別消失的跡象。AFCMef算法利用上述兩個(gè)現(xiàn)象,啟發(fā)式地尋找最優(yōu)影響力因子指數(shù)。 3.針對(duì)傳統(tǒng)的委員會(huì)機(jī)器中采用單層線性網(wǎng)絡(luò)作為專家網(wǎng)絡(luò)時(shí)“簡單”程度過于單一的情況,

4、對(duì)單層非線性專家網(wǎng)絡(luò)作了推廣,并最終推廣到了采用多層BP網(wǎng)絡(luò)作為專家網(wǎng)絡(luò)的更一般情況。 4.概括了神經(jīng)網(wǎng)絡(luò)(專家網(wǎng)絡(luò))訓(xùn)練的一般過程,總結(jié)了訓(xùn)練過程中對(duì)訓(xùn)練結(jié)果的影響因素,從訓(xùn)練策略的角度提出了積極訓(xùn)練策略和消極訓(xùn)練策略。 5.分別對(duì)降水、南中國海臺(tái)風(fēng)移動(dòng)路徑和惡意代碼行為特征三類實(shí)際數(shù)據(jù)進(jìn)行實(shí)驗(yàn),肯定了委員會(huì)機(jī)器及本文對(duì)它所做的一些改進(jìn)的作用。特別地,在利用降水?dāng)?shù)據(jù)對(duì)改進(jìn)的委員會(huì)機(jī)器模型進(jìn)行參數(shù)建模,得到三個(gè)關(guān)鍵參數(shù)在