一种逆向样本分布的Boosting类新算法

对IB(InverseBoosting)〖JP+1〗神经网络集成算法进行了研究，提出了IB算法的改进算法IB+算法。改进算法继承了IB算法的逆向样本分布调整策略，并在训练的过程中将部分已训练好的个体子网进行中间层网络集成，利用该中间层集成网络生成新的训练样本分布。实验结果表明，对于逆向权值分布的Boosting类算法，个体子网之间的关联度对网络集成后的泛化性能影响很小，减小个体网络的泛化误差将使集成后的泛化性能提高。