基于特征加权的Category ART网络及应用

特征加权是特征选择的一般情况,它能更加细致地区分特征对结果影响的程度,往往能够获得比特征选择更好的或者至少相等的性能。该文采用自适应遗传算法来优化Category ART网络的特征权值,提出了一种改进的Category ART网络FWART。在UCI标准数据集上的实验表明,FWART网络获得了比Category ART网络更好的泛化能力。将该网络应用在地震震型预报上,取得了很好的预报效果。

基于特征加权的神经网络集成及其应用

泛化能力是机器学习关注的基本问题之一.特征加权是特征选择的更一般情况,它能更加细致地区分特征对结果影响的程度,往往能够获得比特征选择更好的或者至少相等的性能,已经成为普遍的提高学习器的泛化能力的方法之一.该文提出一种基于特征加权的神经网络集成方法FWEART,该方法通过自适应遗传算法的优胜劣汰机制为输入属性确定了特征权值,提高了集成中各个体Category ART网络的精度和差异度,从而提高了神经网络集成的泛化能力.在UCI标准数据集上验证了有效性后,FWEART被应用在地震序列类型预报上,取得了较好的预报效果.