基于粗糙集约简的特征选择神经网络集成技术
为了提升集成网络的泛化性能,在Boosting或Bagging算法对样本进行扰动的基础上,通过粗糙集约简实现特征属性选择,将样本扰动和输入属性扰动结合起来,提出了Rough_Boosting和Rough_Bagging算法.该算法通过生成精确度高且差异度大的个体网络,提高了集成的泛化能力.实验结果表明,该算法泛化能力明显优于Boosting和Bagging算法,且生成的个体网络差异度更大,与同类算法相比,具有相近或相当的性能.
粗糙集、约简、神经网络集成、特征选择
25
TP18(自动化基础理论)
国家自然科学基金项目60775047;60835004;国家863计划项目2007AA04Z224;湖南省自然科学基金项目06JJ50112
2010-09-14(万方平台首次上网日期,不代表论文的发表时间)
371-377