基于改進(jìn)PSO的BP_Adaboost算法的優(yōu)化與改進(jìn).pdf

1、Adaboost算法既可以用于分類器模型,也可以用于預(yù)測器模型。Adaboost算法的主要思想是,通過若干步算法步驟,迭代與加權(quán)多個“弱”預(yù)測器模型的輸出,以得到強預(yù)測期模型的有效輸出結(jié)果的算法。該BP_Adaboost算法是把多個BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)算法視為“弱”預(yù)測器模型,通過Adaboost算法,輸出強有力的預(yù)測器算法模型的預(yù)測結(jié)果。隨著互聯(lián)網(wǎng)的海量數(shù)據(jù)和大數(shù)據(jù)時代的來臨,以及新興的物聯(lián)網(wǎng)出現(xiàn),伴隨物聯(lián)

2、網(wǎng)出現(xiàn)的海量數(shù)據(jù),大規(guī)模數(shù)據(jù)的處理已經(jīng)不可避免。利用已經(jīng)掌握的海量數(shù)據(jù),從中找出數(shù)據(jù)之間的已知和未知的各種聯(lián)系,從而可以預(yù)測出未來數(shù)據(jù)的發(fā)展趨勢,就可以提前做好相關(guān)方面的準(zhǔn)備工作。本論文在查閱相關(guān)大量文獻(xiàn)的基礎(chǔ)之上,在基于預(yù)測模型下對BP_Adaboost算法進(jìn)行了研究和改進(jìn),取得了如下的研究成果:
　　(1)對標(biāo)準(zhǔn)粒子群優(yōu)化算法(PSO--Particle Swarm Optimization)進(jìn)行改進(jìn),在標(biāo)準(zhǔn)粒子群算法的步驟中

3、,引入變異思想,在標(biāo)準(zhǔn)粒子群算法中引入變異操作,此變異操作的思想來源于遺傳算法中的變異操作,在標(biāo)準(zhǔn)粒子群算法中引入此變異操作,經(jīng)過這樣改進(jìn)后形成修改后的新的粒子群算法(改進(jìn)PSO)。
　　(2)用改進(jìn)后的粒子群優(yōu)化算法(改進(jìn)PSO),來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法,用改進(jìn)的粒子群優(yōu)化算法所得出的種群中的最佳粒子位置,把初始的權(quán)值和閾值賦予BP神經(jīng)網(wǎng)絡(luò),并在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中,對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行更新操作,以實現(xiàn)并達(dá)到對BP神經(jīng)

4、網(wǎng)絡(luò)優(yōu)化的目標(biāo)。
　　(3)在上述(2)中,用改進(jìn)的粒子群優(yōu)化算法(改進(jìn)PSO)優(yōu)化作為弱預(yù)測器模型的BP神經(jīng)網(wǎng)絡(luò),將優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型,作為BP_Adaboost算法中的新的弱預(yù)測器模型。把改進(jìn)的粒子群優(yōu)化算法(改進(jìn)PSO)優(yōu)化過的BP神經(jīng)網(wǎng)絡(luò)模型經(jīng)過反復(fù)訓(xùn)練,通過Adaboost算法形成強預(yù)測器模型,即通過Adaboost算法步驟進(jìn)行迭代加權(quán),得到改進(jìn)后的BP_Adaboost算法,用來輸出更為準(zhǔn)確的預(yù)測結(jié)果。