论文部分内容阅读
为了有效提高神经网络的集成性能,提出了基于局部分类精度估计的动态自适应选择集成的思想.根据贝叶斯理论.证明了在满足一定假设的条件下,动态自适应选择集成的分类性能可以逼近最优贝叶斯分类器.在此基础上,分别介绍了硬决策和软决策两种个体网络选择方法.选自UCI机器学习数据库的5个数据集的实验结果表明,动态自适应选择的分类性能明显优于常用的投票法和平均法,且集成分类性能对邻域的大小并不敏感;其中,软决策方法要优于硬决策方法.