论文部分内容阅读
在某些情况下,使用单一的神经网络处理分类和预测问题很难取得理想的结果,因此常用集成的思想处理分类和预测问题。论文研究基于模糊神经网络和集成学习的分类和时间序列预测问题。本文将模糊神经网络作为集成学习的基分类器来处理分类问题,并在输入训练数据增加时使用增量学习更新网络参数,此外,本文还将集成的思想应用到时间序列预测问题上。本文的主要工作如下:首先将集成学习和模糊神经网络结合处理分类问题。本文使用模糊小波神经网络、模糊TS神经网络和基于二阶Taylor公式的模糊TS神经网络作为集成学习的基分类器,使用Adaboost相关集成算法对3种网络的训练结果进行集成。在模糊神经网络中,使用受限玻尔兹曼机对模糊参数进行初始化,降低了参数随机性带来的影响,进而使用带伸缩因子的学习率对网络参数进行学习,通过学习率的自适应调节提高模型的分类精度以及降低迭代次数。对UCI数据库的部分数据集和肾脏病数据集进行了仿真验证,结果表明本文提出的模型相比其他分类算法能取得更好的分类精度。其次针对输入数据量随时间增加的情况,本文将岭回归与增量学习引入模糊TS神经网络的训练中。本文使用岭回归更新矩阵伪逆,从而实现网络的参数更新。当网络的训练输入数据或模糊规则增加时,本文给出相应的增量算法来更新网络参数,从而避免了参数再训练过程。在MNIST手写字体数据集和NORB数据集上分别进行了仿真,验证了所提模型的可行性。最后将集成的思想应用于时间序列的预测。将一次线性模型与二次模型作为一组基预测器,模糊小波神经网络、模糊TS神经网络、基于二阶Taylor公式的模糊TS神经网络作为另一组基预测器,使用不同的加权求和方式或回归模型对基预测器的结果进行集成并对比。通过对Mackey-Glass时间序列、TSDN数据库、血液透析等数据集进行的仿真验证,验证了所提模型的有效性。