人工神经网络已经在很多领域得到了成功的应用,但由于缺乏严密的理论体系的指导,其应用效果往往取决于使用者的经验。Hansen和Salamon于1990年开创性地提出了神经网络集成方法,他们证明可以通过简单地训练多个神经网络并将其结果进行合成,就能显著地提高神经网络系统的泛化能力;因为该方法易于使用且效果明显,因此被视为一种非常有效的工程化神经计算方法。由于认识到神经网络集成所蕴涵的巨大潜力和应用前景,有关神经网络集成的研究近年来受到了极大的重视,目前已成为机器学习和神经计算的一个相当活跃的研究热点。 本文从神经网络集成在回归分析问题研究中开始较晚、研究较少的现状出发,针对集成过程中结果合成这一关键步骤进行深入的研究,探索用遗传算法和动态方法进行个体网络合成权重的优化,来充分挖掘神经网络集成的优势和潜力,为神经网络集成技术的应用提供参考;同时,针对土壤学研究中土壤性质空间分布研究这一研究热点,尝试将神经网络集成技术应用于土壤性质的空间分布的研究。本文所取得的创新性研究成果主要有: 1、通过全面探索应用遗传算法对神经网络集成进行优化所取得效果的研究,无论是直接应用遗传算法进行合成权重优化、权重优化后选择权重大于某一阈值的个体网络以加权平均或简单平均的方法进行合成、或直接应用遗传算法选择部分个体网络来进行合成,研究结果表明应用遗传算法来优化神经网络集成都是相当有效的。首次提出并发现直接应用遗传算法来选择参与集成的个体网络的方法是很有效的,其效果甚至还优于先优化合成权重、然后再选择权重大于某一阀值的个体进行合成的方法。 2、针对回归分析问题,首次提出了根据各个体网络对训练数据集中各训练样本的不同表现来动态确定其合成权重的思路,并应用基于广义回归网络来实现动态权重合成的方法,实验结果证明是有效的。