【出 处】：《 计算机仿真 》 CSCD 2013年第30卷第11期 361-364页,共5页

【作 者】： 秦立龙 [1] ; 余奇 [1] ; 王振宇 [2]

【摘 要】 多分类器集成方法往往能够获得比单个分类器更好的泛化精度，为了解决Bagging和Boosting等集成算法中分类器选择的盲目性和随机性，提出了一种新的神经网络集成方法。在分析神经网络集成泛化误差公式的基础上，利用粒子群算法进行特征选择并保存特征选择的最优解和次优解，引入差异度思想进行基分类器的选择性集成，从而尽量减小集成个体的泛化误差和增大集成的差异度。经计算机仿真研究证明，与Bagging和Boosting集成算法相比，新算法在分类识别中具有较好的泛化性能。