5.1ケースの背景
5.1.1 BP_Adaboostモデル
思想アダブーストアルゴリズムは、効果的な分類を生成する分類器の「弱い」出力を複数組み合わせることです。各ウエイトトレーニングデータの量が$ \ FRAC {1はまず、弱学習アルゴリズムとサンプル空間（$ X $、$ Y $）、サンプル空間から$ M $トレーニングデータセットを見つけることである：主な手順は次の通りであります} {M} $。そして、弱い学習アルゴリズムの反復と訓練$ T $時間は、分類結果に応じて操作後の各時間の方が大きい重量、次の反復を与えられた個々の訓練のカテゴリの故障のためのトレーニングデータの重量配分を更新しているこれらの個人にもっと注意を払います。弱判別器は、より大きな重みに対応するカテゴリ機能シーケンス{$ F_1}、{F_2}、...、{F_T} $、反復によって重み付け関数を割り当てられた各カテゴリ、機能良好な分類結果を得ます。$ T $の反復の後、最後の強分類器は、関数$ F $関数加重弱識別器によって得られました。BP_Adaboost弱識別器としてBPニューラルネットワークモデルは、アダブーストアルゴリズムによって構成される弱判別器BPニューラルネットワークの複数を得るために、BPニューラルネットワーク予測サンプル出力、強分類器を訓練繰り返します。