基于模型组合的网络迭代识别法

摘要：

针对当前常用的多层神经网络优化算法只能获得局部极值,算法性能与初始值有关,以及网络获得的参数与实际任务的关联性非常模糊等问题,提出了一种基于模型组合的网络迭代法(LDKB),以较小速度损失,实现模型间的有效联合,强化变量间的关联性,提升整体精度.LDKB引用PDCA循环工作法的概念,以完成模型间的自动迭代.同时,在训练模型中数据流正向传播过程中,用输出信息比较剔除方法,剔除非重要BP神经网络的学习信息,以提高循环过程中剪枝容错性.结果表明,相比单个决策树模型,LDKB的影响识别精度持续提高;相对单个神经网络模型,LDKB模型的识别性保持最佳.

关键词：特征分箱、WOE编码、模型组合、数据流循环

所属期刊栏目：13

分类号：TP183(自动化基础理论)

在线出版日期：2023-05-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：161-165