基于負相關神經(jīng)網(wǎng)絡集成的增量學習及其在人臉檢測方面的應用.pdf

1、增量學習(Incremental Learning)是機器學習領域的一個研究熱點，在很多領域都有廣闊的應用前景。負相關學習(Negative Correlation Learning，NCL)是一種成功的神經(jīng)網(wǎng)絡集成學習方法，它鼓勵集成的個體網(wǎng)絡的差異性，使不同個體網(wǎng)絡針對數(shù)據(jù)集的不同部分進行訓練和學習，具有“部分學習(Partial Learning)”的效果，從而使集成整體更好地學習整個數(shù)據(jù)集并且能夠克服“遺忘性”，表現(xiàn)出一定的增量

2、學習潛力。 圍繞著基于負相關神經(jīng)網(wǎng)絡集成的增量學習的研究和應用，本文主要的工作是： 1)介紹了增量學習的發(fā)展背景，詳細描述了增量學習的定義，以及相對于傳統(tǒng)批量學習方式的優(yōu)勢，介紹了增量學習的研究現(xiàn)狀和一些經(jīng)典的算法，對增量學習當前存在的難點問題和研究熱點進行了討論。 2)介紹了集成學習的思想和概念，并在此基礎上引入負相關學習的概念，詳細介紹了負相關學習的算法原理，討論了它在增量學習領域的應用(Fixed Size

3、 NCL和Growing NCL)。 3)對現(xiàn)有NCL增量學習算法進行了實驗研究，發(fā)現(xiàn)對于不同的測試問題和不同的增量方式，NCL參數(shù)的選擇對于增量學習性能有較大影響。提出利用演化算法優(yōu)化選擇NCL參數(shù)，再用該組NCL參數(shù)實施增量學習。在多個典型測試問題上的實驗結果表明，本文方法能有效提高NCL增量學習的魯棒性、改進算法性能，同時避免了手工調(diào)節(jié)參數(shù)的局限性。 4)為了解決人臉檢測完備樣本庫難以采集的問題，同時作為增量學習實