负相关异构神经网络集成的增量构造法：提升预测精度

本文主要探讨了"增量构造负相关异构神经网络集成的方法"，发表于2004年的《西安交通大学学报》第38卷第8期。该研究由傅向华、冯博琴、马兆丰和何明四位作者共同完成，关注于如何在信息技术领域优化神经网络集成策略。 论文的核心内容围绕负相关异构网络展开，这是一种创新的网络架构，它不仅考虑了网络的连接权值调整，还引入了动态结构调整机制。通过这种方法，单个网络的精度得以提升，同时增强了成员网络间的差异性，从而降低网络集成后的泛化误差。这种集成方法分为两个关键步骤：首先，构造最佳异构网络(BHNN)，通过负相关学习来动态构建出多个性能最优的网络；其次，构造异构网络集成(HNNE)，利用这些训练好的最佳网络进行增量式构建，形成一个异质化的神经网络集成体系。 在集成过程中，网络泛化误差和集成泛化误差被用来作为反馈机制，实现自动化的网络结构调整，无需预设每个成员网络的具体结构。这种方法的优势在于其适应性和有效性，相比于传统的网络集成技术如Boosting和Bagging，它在回归和分类任务上表现出显著的性能提升，测试数据集上的错误率降低幅度达到了17%至85%。 本文的关键概念包括神经网络集成、负相关学习以及构造性神经网络，这些都是2004年该领域内的热点话题，对于优化机器学习模型、提高预测精度具有重要意义。这项研究为神经网络集成技术的发展提供了一个新颖且实用的解决方案，对于工程师和技术人员来说，是理解和应用复杂系统的一个有价值参考。