本程序用C语言实现了集成神经网络解决广义异或问题。用神经网络集成方法做成表决网,可克服初始权值的影响,对神经网络分类器来说:假设有N个独立的子网,采用绝对多数投票法,再假设每个子网以1-p的概率给出正确结果,且网络之间的错误不相关,则表决系统发生错误的概率为 Perr = ( ) pk(1-p)N-k 当p<1/2时 Perr 随N增大而单调递减. 在工程化设计中,先设计并训练数目较多的子网,然后从中选取少量最佳子网形成表决系统,可以达到任意高的泛化能力。 -this pro

从因子分析的角度出发解决基因表达谱分析问题。为解决独立成分分析方法在求解过程中的不稳定性，提出一种基于选择性独立成分分析的DNA微阵列数据集成分类器。首先对基因表达水平的重构误差进行分析，选择部分重构误差较小的独立成分进行样本重构，然后基于重构后的样本同时训练多个支持向量机基分类器，最后选择部分分类正确率较高的基分类器进行最大投票以得到最终结果。在3个常用测试集上验证了本文设计方法的有效性。-This paper tries to deal with gene expression proble

用adaboost算法生成基支持向量机分类器，并对识别结果进行简单投票法集成。附有支持向量机工具箱和adaboost算法流程说明。-Adaboost algorithm to generate the base with a support vector machine classifier, and the recognition result is a simple voting method integration. With support vector machine algorith

Bagging是并行式集成学习方法最著名的代表，Bagging通常对分类任务使用简单投票法，随机森林（RF）是Bagging的一个扩展变体，RF在以决策树为基学习器构建Bagging 集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。在RF中，集成模型的每棵树构建时所需的样本都是由训练集经过有放回的随机抽样得来（即自助采样法bootstrap sample）。