基于改进pso的bp_adaboost算法的优化与改进

《基于改进pso的bp_adaboost算法的优化与改进》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、OptimizationandImprovementofBP_AdaboostAlgorithmBasedonImprovedPSOMajor：ComputerTechnologyDirectionofStudy：ArtificialIntelligenceGraduateStudent：HanTaoSupervisor：SeniorEngineer.ChenXiaohuiCollegeofInformationScienceandEngineeringGuilinUniversityofTechnologyAp

2、ril,2013toApril,2014万方数据万方数据摘要Adaboost算法既可以用于分类器模型，也可以用于预测器模型。Adaboost算法的主要思想是，通过若干步算法步骤，迭代与加权多个“弱”预测器模型的输出，以得到强预测期模型的有效输出结果的算法。该BP_Adaboost算法是把多个BP（BackPropagation）神经网络算法视为“弱”预测器模型，通过Adaboost算法，输出强有力的预测器算法模型的预测结果。随着互联网的海量数据和大数据时代的来临，以及新兴的物联网出现，伴随物联网出现的海量数据，大

3、规模数据的处理已经不可避免。利用已经掌握的海量数据，从中找出数据之间的已知和未知的各种联系，从而可以预测出未来数据的发展趋势，就可以提前做好相关方面的准备工作。本论文在查阅相关大量文献的基础之上，在基于预测模型下对BP_Adaboost算法进行了研究和改进，取得了如下的研究成果：（1）对标准粒子群优化算法（PSO--ParticleSwarmOptimization）进行改进，在标准粒子群算法的步骤中，引入变异思想，在标准粒子群算法中引入变异操作，此变异操作的思想来源于遗传算法中的变异操作，在标准粒子群算法中引入

4、此变异操作，经过这样改进后形成修改后的新的粒子群算法（改进PSO）。（2）用改进后的粒子群优化算法（改进PSO），来优化BP神经网络算法，用改进的粒子群优化算法所得出的种群中的最佳粒子位置，把初始的权值和阈值赋予BP神经网络，并在神经网络的训练过程中，对BP神经网络的权值和阈值进行更新操作，以实现并达到对BP神经网络优化的目标。（3）在上述（2）中，用改进的粒子群优化算法（改进PSO）优化作为弱预测器模型的BP神经网络，将优化后的BP神经网络模型，作为BP_Adaboost算法中的新的弱预测器模型。把改进的粒子群

5、优化算法（改进PSO）优化过的BP神经网络模型经过反复训练，通过Adaboost算法形成强预测器模型，即通过Adaboost算法步骤进行迭代加权，得到改进后的BP_Adaboost算法，用来输出更为准确的预测结果。（4）在企业的财务预测系统中使用BP_Adaboost算法，用Matlab编程分别实现改进前和改进后的BP_Adaboost算法。并以大规模（2000组）输入输出数据为例（大规模数据中随机选择大部分组数据作为训练数据，其余的小部分组数据为预测结果的测试数据），将改进后的BP_Adaboost算法的预测结

6、果与改进前的预测结果相比较，以用来验证改进后算法的预测精准度。关键词：BP_Adaboost算法，粒子群算法，BP神经网络，预测器模型，优化I万方数据AbstractTheAdaboostalgorithmcanbeusedfortheclassifiermodel,thisalgorithmalsocanbeusedforpredictionmodel.ThemainideaoftheAdaboostalgorithmisaalgorithmmodelthat,throughseveralstepsofalgo

7、rithm,iterativeandoutputweightedmultiplepredictor"weak"model,inordertoeffectivelyoutputthestronglypredictiveresults.TheBP_AdaboostalgorithmistocombinesomeBP(BackPropagation)neuralnetworkalgorithmmodelsasevery"weak"predictormodel,usingAdaboostalgorithmtooutput

8、thestrongpredictormodel.WiththeeraofthemassiveInternetdataandthebigdatacoming,andthenewthingsareappearing,alongwiththenetworkdataappear,thelarge-scaledataprocessingisinevitable.Themassive