动态权重神经网络集成：基于广义回归网络的回归分析新方法

"这篇论文研究了基于广义回归网络的动态权重回归型神经网络集成方法，旨在提升神经网络在回归分析任务中的预测精度和泛化性能。通过利用广义回归网络动态分配个体神经网络的权重，该方法在训练后能够根据各网络对输入样本的预测误差来优化集成效果。实验结果显示，这种方法相比于传统的平均集成策略，表现出了更高的预测准确性。该研究受到国家自然科学基金的资助，并发表在相关的学术期刊上。" 在机器学习领域，神经网络集成技术已经成为提高模型性能的重要手段，特别是对于预测精度和泛化能力的提升。传统的单一神经网络，如BP（Back Propagation）网络，虽然在许多任务中表现出色，但往往受限于过拟合或欠拟合等问题。论文提出的动态权重回归型神经网络集成方法，是为了解决这些问题。 该方法的核心在于动态权重的确定。在训练阶段，多个个体神经网络被构建并分别进行训练。每个个体网络在处理相同的训练数据时可能会有不同的误差率。利用广义回归网络（GRNN），可以基于这些个体网络的预测误差来学习和调整它们在特定输入空间上的权重。GRNN是一种非线性回归模型，能够快速训练且适应性强，适合用于动态调整权重。 通过GRNN，每个个体网络的贡献可以根据其在训练样本上的预测效果动态地加权。这意味着在某些输入区域，预测效果好的网络将获得更高的权重，而那些预测效果较差的网络则权重降低。这种机制使得集成模型能够在各种输入条件下优化其综合预测，从而可能达到比单个网络或简单平均集成方法更好的预测性能。 实验部分对比了所提方法与传统的简单平均和加权平均集成策略，验证了动态权重集成在回归问题上的优越性。文献标识码"A"表明这是一项原创性研究，文章编号则提供了该研究的具体引用信息，便于其他学者查找和引用。 这篇研究为神经网络集成提供了一种创新的动态权重分配策略，特别是在回归分析的应用中，它展示了显著的预测提升，这对于依赖精确预测的诸多领域，如金融预测、气象预报和工程设计等，具有重要的理论和实践价值。