基于Bagging算法的径向基函数神经网络集成方法（RBFEB）的研究及其在地震预报专家系统中的应用

摘要

人工神经网络作为一门多学科、多领域结合的智能研究领域,一直是学者们研究的热点之一.而神经网络集成作为一种新兴的神经计算方法,具有比单一神经网络更强的学习和泛化能力.随着高速计算与并行处理的发展,神经网络集成成为机器学习和神经计算领域的新的研究热点.本文在对神经网络集成理论研究的基础上,从提高神经网络集成的泛化能力出发,提出了一种基于Bagging算法的径向基函数神经网络集成方法RBFEB(Radial Basis Function Neural Network Ensemble based on Bagging Algorithm),并将其并行化以提高学习效率.文中定义了神经网络集成的胞体概念,用Bagging技术在有限的训练样本上产生胞体网络;并根据遗传算法过程中的差异保持特点,用自适应遗传算法来训练神经网络集成的AGRBF(Adaptive Genetic Algorithm based RBF Neural Network)胞体,使胞体网络作为个体网络的训练过程尽可能保持个体的差异性,提高了整体神经网络集成的性能.在对神经网络集成的数据进行预处理的过程中,本文还定义了影响度、影响因子等概念,提出一种基于RBF神经网络的属性约简方法,对数据进行约简处理,对整个集成的学习产生了积极的影响.最后,本文将RBFEB方法应用于新一代地震预报专家系统ESEP3.0的隐性知识获取.先根据地震测震知识结构的特点设计了一种自动获取样本数据的机制,以便实时、动态地构建神经网络模型;然后应用本文提出的RBFEB方法的较强学习和泛化能力来学习蕴含在地震实例数据中的隐性知识,对地震震级进行预报.实验证明其应用效果是较为理想的,表明RBFEB方法拓宽了专家系统知识获取的途径.

目录

文摘

英文文摘

原创性声明及本论文使用授权说明

第1章 绪论

§1.1神经网络集成研究的历史与现状

§1.1.1人工神经网络研究的历史、现状与发展

§1.1.2神经网络集成的国内外研究

§1.2本文的主要研究内容

§1.2.1工作内容简介

§1.2.2本文的内容安排

第2章 神经网络集成理论分析与实验

§2.1引言

§2.2神经网络集成概述

§2.2.1神经网络集成概念的提出

§2.2.2神经网络集成的基本原理

§2.3神经网络集成的方法及主要技术

§2.3.1神经网络集成的构造方法

§2.3.2神经网络集成的主要技术及分析

§2.4神经网络集成的理论分析

§2.4.1个体生成方法分析

§2.4.2结论生成方法分析

§2.5神经网络集成与单个神经网络性能的实验与比较

§2.6小结

第3章 神经网络集成胞体AGRBF的研究

§3.1神经网络集成的胞体

§3.2 RBF神经网络及其学习算法

§3.2.1 RBF神经网络模型

§3.2.2 RBF神经网络的常规学习算法

§3.2.3胞体RBF神经网络的学习算法

§3.3自适应遗传算法(AGA)

§3.3.1遗传算法基本术语

§3.3.2遗传算法寻优的特点

§3.3.3自适应遗传算法

§3.4 AGA优化的RBF神经网络胞体(AGRBF)

§3.4.1神经网络与遗传算法结合的必要性

§3.4.2 AGRBF胞体—用自适应遗传算法优化的RBF网络

§3.5小结

第4章RBFEB算法及其并行化

§4.1对神经网络集成的数据预处理

§4.1.1数据预处理概述

§4.1.2基于RBF神经网络的属性约简方法研究

§4.1.3实验及结论

§4.2基于Bagging的神经网络集成算法

§4.2.1 Bagging算法

§4.2.2 RBFEB算法实现

§4.2.3实验与分析

§4.3 RBFEB算法的并行化

§4.3.1并行计算与MPI并行编程环境简介

§4.3.2 PRBFEB算法

§4.4小结

第5章 RBFEB算法在地震预报专家系统中的应用

§5.1地震预报专家系统概述

§5.2 ESEP3.0中学习数据的自动获取

§5.2.1 ESEP中的测震数据分析

§5.2.2 ESEP中数据的自动获取方法及实现

§5.3 RBFEB算法在ESEP中的应用

§5.3.1采用RBFEB算法的ESEP系统的组成与结构

§5.3.2 RBFEB算法在ESEP中的具体应用

§5.3.3实验与分析比较

§5.4小结

第6章 结论与展望

参考文献

作者攻读学位期间公开发表的论文及参加的科研工作

致谢

论文说明