基于交叉验证的神经网络实现

针对神经网络BP算法存在收敛速度慢、学习数据有限和网络学习过程易陷入局部最小值等问题,提出对标准BP算法相关参数进行调整并选择合适的隐藏层个数的方法,然后采用交叉验证方法对BP算法做了再改进。仿真结果表明基于交叉验证的BP算法优于传统的BP算法。

BP算法的并行实现与设计

为了提高BP算法的学习效率,减少学习时间,采用共写共读(CRCw)规则实现BP算法的并行计算,并对现有的BP算法进行改进,修改动态因子,选择合适的隐藏层个数和修改输出误差函数.经过时间复杂度的分析可以在时间复杂度为O(N),花费为O(N^2)内完成BP计算.

基于最小描述长度和遗传算法的属性选择方法

为了提高使用属性选择方法后分类器的分类效果,减少分类器的分类错误率,提出了一种基于最小描述长度和遗传算法结合的属性选择方法GA+MDL算法。通过与weka平台上已经实现的两种属性选择方法GeneticSearch+CfsSubsetEval方法以及BestFirst+CfsSubsetEval方法进行比较,证明该方法能够从一定程度上提高属性选择算法的效果。