众所周知,决定神经网络性能的一个重要因素就是训练样本的质量。尽管神经网络有一定的能力从含噪声样本中学习,但是对于很多问题来说,噪声的存在必然会影响其最后性能。而在实际应用中由于训练样本的采集设备,环境,传输等各方面的限制,人们无法避免噪声的出现。因此,探索一种方法来提高训练样本的质量是有必要的。本文作者根据bagging算法的特点和神经网络集成的特性,探讨了基于bagging算法的神经网络集抵抗样本中噪声的能力。若样本噪声量较小(比如说小于总样本数的35%),则集成网络的结构、权值、输出等主要由非噪声样本决定,这就给基于bagging算法的神经网络集成过滤噪声提供了可能性。随后作者用UCI上的11组训练数据验证了基于bagging算法的神经网络集成具有很强的抗噪声能力和过滤噪声能力。最后作者将其应用于数学公式字符识别。本文章节安排如下:第一章首先介绍了神经网络和神经网络集成方面的基本知识,之后介绍了用神经网络来处理含不同类型噪声数据的三种典型的方法。第二章着重分析基于Bagging算法的神经网络集成在关于分类问题的小样本集上的抗噪声能力和噪声过滤能力。通过大量的数值实验表明,当训练样本的含噪声比例＜35%时,该方法对绝大多数样本集有效。在第三章,我们详细介绍了数学公式识别技术及基于神经网络集成的数学公式字符识别器的设计。通过实验表明,它比单BP做细分类器将识别率约提高了6%。