一個(gè)基于聚類的神經(jīng)網(wǎng)絡(luò)樣本自學(xué)習(xí)系統(tǒng).pdf

1、神經(jīng)網(wǎng)絡(luò)泛化能力是影響其可用性的重要方面，如何提高泛化能力日益受到關(guān)注。一種普遍情況是一些神經(jīng)網(wǎng)絡(luò)在訓(xùn)練階段能夠取得很好的訓(xùn)練精度，但在實(shí)際應(yīng)用階段卻產(chǎn)生了較大的誤差，這在很大程度上影響了網(wǎng)絡(luò)的可用性。因?yàn)樵趯?shí)際應(yīng)用中，關(guān)心的重點(diǎn)并不是系統(tǒng)對(duì)已知輸入輸出樣本的擬合能力，而是對(duì)系統(tǒng)中未知輸入輸出的反映程度。
　　 分析和比較了當(dāng)前常用的幾種提高神經(jīng)網(wǎng)絡(luò)泛化能力的方法，針對(duì)這些方法的不足，從提高訓(xùn)練樣本集的完備性出發(fā)，給出了一種基于

2、聚類的神經(jīng)網(wǎng)絡(luò)樣本自學(xué)習(xí)系統(tǒng)。將聚類算法思想引入該系統(tǒng)中，在實(shí)際使用過程中對(duì)神經(jīng)網(wǎng)絡(luò)的實(shí)際輸入數(shù)據(jù)進(jìn)行分析。在保證不影響系統(tǒng)預(yù)測(cè)實(shí)時(shí)性的前提下，通過聚類算法得到當(dāng)前狀況下具有代表性的數(shù)據(jù)點(diǎn)。分析這些有代表性的數(shù)據(jù)點(diǎn)得出可能的新樣本點(diǎn)，做相關(guān)處理后構(gòu)成新樣本加入到樣本集中，重新訓(xùn)練網(wǎng)絡(luò)。通過這種方法使網(wǎng)絡(luò)更適合于當(dāng)前環(huán)境的實(shí)際情況，提高預(yù)測(cè)精度。
　　 在Visual Studio 2005開發(fā)平臺(tái)上對(duì)基于聚類的神經(jīng)網(wǎng)絡(luò)樣本自學(xué)習(xí)